{"id":72999,"date":"2026-08-29T09:17:43","date_gmt":"2026-08-29T12:17:43","guid":{"rendered":"https:\/\/a3aengenharia.com\/?post_type=articles&#038;p=72999"},"modified":"2026-08-29T09:17:43","modified_gmt":"2026-08-29T12:17:43","slug":"simulacion-monte-carlo-proyectos-ingenieria-p50-p80","status":"publish","type":"articles","link":"https:\/\/a3aengenharia.com\/es-es\/contenido\/articulos-tecnicos\/simulacion-monte-carlo-proyectos-ingenieria-p50-p80\/","title":{"rendered":"Simulaci\u00f3n de Monte Carlo en Proyectos de Ingenier\u00eda: plazo, coste, P50 y P80"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">La <strong>simulaci\u00f3n de Monte Carlo<\/strong> es una t\u00e9cnica cuantitativa que ejecuta un gran n\u00famero de escenarios posibles a partir de distribuciones de incertidumbre y eventos de riesgo. En proyectos de ingenier\u00eda, permite pasar de una \u00fanica fecha o valor determinista a una <strong>distribuci\u00f3n de resultados<\/strong>, estimando la probabilidad de cumplir un determinado plazo, presupuesto o nivel de contingencia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En lugar de afirmar que un proyecto \u201cterminar\u00e1 el 30 de junio\u201d o \u201ccostar\u00e1 50 millones\u201d, el an\u00e1lisis puede mostrar, por ejemplo, que la fecha tiene un 35% de probabilidad de cumplirse o que un presupuesto corresponde al percentil P60 de la distribuci\u00f3n. Esta informaci\u00f3n cambia la calidad de la decisi\u00f3n porque hace expl\u00edcito el nivel de confianza incorporado al compromiso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Monte Carlo no es una herramienta para fabricar precisi\u00f3n. El resultado solo es fiable si el cronograma, las distribuciones, los riesgos, las correlaciones y las premisas representan adecuadamente el proyecto. Un modelo deficiente ejecutado diez mil veces sigue siendo un modelo deficiente.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">\u00bfQu\u00e9 es la simulaci\u00f3n de Monte Carlo?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Monte Carlo utiliza muestreo aleatorio repetido para representar la incertidumbre. En cada iteraci\u00f3n, el modelo obtiene valores posibles para las variables seg\u00fan distribuciones previamente definidas, calcula el resultado y almacena ese escenario.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Despu\u00e9s de cientos o miles de iteraciones, se forma una distribuci\u00f3n de resultados. En costes, muestra diferentes valores posibles y sus probabilidades acumuladas. En plazo, muestra diferentes fechas de finalizaci\u00f3n y el nivel de confianza asociado a cada una.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El m\u00e9todo es especialmente \u00fatil cuando interact\u00faan varias fuentes de incertidumbre y una soluci\u00f3n anal\u00edtica simple no representa adecuadamente el sistema.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En proyectos, Monte Carlo puede utilizarse para:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>an\u00e1lisis de riesgo de cronograma;<\/li><li>an\u00e1lisis de costes y contingencia;<\/li><li>evaluaci\u00f3n conjunta de costes y plazo;<\/li><li>comparaci\u00f3n de alternativas;<\/li><li>sensibilidad de premisas;<\/li><li>identificaci\u00f3n de drivers de riesgo;<\/li><li>evaluaci\u00f3n de la confianza en hitos contractuales.<\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Por qu\u00e9 una fecha determinista puede ser enga\u00f1osa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Los cronogramas tradicionales utilizan una duraci\u00f3n para cada actividad. Esa duraci\u00f3n puede ser una mejor estimaci\u00f3n, una media, una meta o un valor negociado. El problema es que ninguna de estas elecciones elimina la variabilidad real.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una actividad estimada para 10 d\u00edas puede durar 8, 10, 14 o 20 d\u00edas seg\u00fan la productividad, las aprobaciones, las interfaces, la disponibilidad de recursos y los eventos de riesgo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cuando cientos de actividades incorporan incertidumbre, la finalizaci\u00f3n del proyecto tambi\u00e9n se vuelve incierta. Sumar duraciones deterministas no revela la distribuci\u00f3n de fechas posibles.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La simulaci\u00f3n permite observar c\u00f3mo se propaga la variabilidad a trav\u00e9s de la red l\u00f3gica del cronograma.<\/p>\n\n\n\n\n<div class=\"wp-block-a3a-destaque\">\n\n<p class=\"wp-block-paragraph\"><strong>Una fecha determinista puede ocultar un compromiso con baja probabilidad de \u00e9xito.<\/strong> Monte Carlo permite transformar la incertidumbre del cronograma en una distribuci\u00f3n y visualizar el nivel de confianza real asociado al hito.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/a3aengenharia.com.br\/servicos\/servicos-transversais\/gerenciamento-de-riscos-de-engenharia\/\"><strong>Estructure an\u00e1lisis cuantitativos dentro de la gesti\u00f3n de riesgos \u2192<\/strong><\/a><\/p>\n\n<\/div>\n\n\n\n\n<h2 class=\"wp-block-heading\">P50, P80 y otros percentiles<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Los percentiles son puntos de la distribuci\u00f3n acumulada.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si la fecha P50 es el 30 de septiembre, significa que aproximadamente el 50% de los escenarios simulados finalizaron hasta esa fecha y el 50% finalizaron despu\u00e9s. Si la fecha P80 es el 20 de octubre, cerca del 80% de los escenarios finalizaron hasta ese punto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En costes, el razonamiento es similar. Un P80 de 120 millones representa un valor que fue suficiente en aproximadamente el 80% de los escenarios del modelo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">P80 no significa \u201c80% de contingencia\u201d. Tampoco significa una garant\u00eda del 80%. Representa el nivel de confianza producido por el modelo, condicionado a las premisas y distribuciones utilizadas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La elecci\u00f3n del percentil debe reflejar el apetito de riesgo, la criticidad del compromiso, la gobernanza y la consecuencia del incumplimiento.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Curva S y distribuci\u00f3n acumulada<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Los resultados de Monte Carlo se presentan con frecuencia como una <strong>curva S<\/strong>, o distribuci\u00f3n acumulada.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En el eje horizontal se encuentra el coste o la fecha. En el eje vertical se encuentra la probabilidad acumulada. La curva permite responder preguntas como:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>\u00bfcu\u00e1l es la probabilidad de cumplir el presupuesto actual?<\/li><li>\u00bfqu\u00e9 valor corresponde a P80?<\/li><li>\u00bfcu\u00e1l es la diferencia entre P50 y P90?<\/li><li>\u00bfcu\u00e1nta contingencia se necesita para alcanzar un determinado nivel de confianza?<\/li><li>\u00bfqu\u00e9 fecha representa un compromiso m\u00e1s defendible?<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">La curva tambi\u00e9n ayuda a comparar alternativas. Dos soluciones pueden tener el mismo valor medio, pero distribuciones muy diferentes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Monte Carlo en el an\u00e1lisis de plazo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En el an\u00e1lisis de riesgo de cronograma, las actividades reciben distribuciones de duraci\u00f3n o incertidumbre. Los riesgos discretos pueden modelarse con probabilidad de ocurrencia e impacto sobre actividades espec\u00edficas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En cada iteraci\u00f3n, la red se recalcula con nuevas duraciones y eventos. El resultado muestra una fecha de finalizaci\u00f3n. Al repetir el proceso, surge la distribuci\u00f3n probabil\u00edstica del cronograma.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Este enfoque es m\u00e1s informativo que simplemente a\u00f1adir un buffer al final, porque considera la l\u00f3gica del proyecto y la interacci\u00f3n entre caminos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Calidad del cronograma antes de la simulaci\u00f3n<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Monte Carlo no corrige un cronograma t\u00e9cnicamente deficiente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Antes de simular, es necesario verificar:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>l\u00f3gica completa de predecesoras y sucesoras;<\/li><li>ausencia de restricciones artificiales innecesarias;<\/li><li>tratamiento correcto de calendarios;<\/li><li>duraciones coherentes;<\/li><li>camino cr\u00edtico identificable;<\/li><li>actividades de resumen no utilizadas como l\u00f3gica;<\/li><li>hitos definidos;<\/li><li>actualizaciones realistas;<\/li><li>progreso correctamente registrado;<\/li><li>caminos casi cr\u00edticos y convergentes.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Si la red l\u00f3gica est\u00e1 rota, la propagaci\u00f3n de la incertidumbre tambi\u00e9n lo estar\u00e1.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El an\u00e1lisis cuantitativo debe comenzar con una auditor\u00eda del cronograma.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Camino cr\u00edtico determinista vs. criticidad probabil\u00edstica<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El camino cr\u00edtico mostrado en el cronograma base es resultado de las duraciones deterministas actuales. En la simulaci\u00f3n, distintos caminos pueden convertirse en cr\u00edticos en diferentes iteraciones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Por ello, una actividad puede tener un <strong>criticality index<\/strong> elevado aunque no est\u00e9 en el camino cr\u00edtico determinista actual.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Este indicador muestra en cu\u00e1ntos escenarios la actividad particip\u00f3 en el camino que determin\u00f3 la finalizaci\u00f3n. Ayuda a descubrir riesgos ocultos en caminos casi cr\u00edticos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un cronograma con varios caminos convergiendo en un hito puede ser m\u00e1s vulnerable de lo que sugiere una lectura simple del camino cr\u00edtico.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Distribuciones de duraci\u00f3n: \u00bftriangular, beta, normal u otra?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La elecci\u00f3n de la distribuci\u00f3n debe representar el fen\u00f3meno y la calidad de la informaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una distribuci\u00f3n triangular puede utilizar m\u00ednimo, m\u00e1s probable y m\u00e1ximo. Es simple e intuitiva, pero depende en gran medida del juicio especializado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Las distribuciones beta o PERT pueden producir formas m\u00e1s suaves cuando existe una estimaci\u00f3n central dominante. Las distribuciones normales pueden ser inadecuadas cuando los valores negativos son imposibles o cuando la asimetr\u00eda es relevante.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">No existe una distribuci\u00f3n universalmente correcta. El analista debe justificar por qu\u00e9 una determinada forma representa la variable.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">M\u00e1s importante que elegir una funci\u00f3n sofisticada es evitar intervalos arbitrarios aplicados por igual a todas las actividades.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">C\u00f3mo estimar m\u00ednimo, m\u00e1s probable y m\u00e1ximo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Las tres estimaciones deben reflejar condiciones plausibles, no deseos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un enfoque puede preguntar:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>m\u00ednimo plausible<\/strong>: duraci\u00f3n alcanzable en condiciones favorables, sin depender de eventos extraordinarios;<\/li><li><strong>m\u00e1s probable<\/strong>: duraci\u00f3n compatible con la productividad y las condiciones esperadas;<\/li><li><strong>m\u00e1ximo plausible<\/strong>: duraci\u00f3n en condiciones adversas razonablemente concebibles, excluyendo cat\u00e1strofes tratadas como riesgos discretos.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Los datos hist\u00f3ricos son preferibles cuando son comparables. Cuando no existen, las entrevistas estructuradas con especialistas deben reducir los sesgos de optimismo y anclaje.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Es recomendable documentar el origen de cada intervalo o regla por clase de actividad.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Variabilidad vs. riesgo discreto<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">No toda incertidumbre debe modelarse de la misma manera.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La <strong>variabilidad<\/strong> est\u00e1 presente incluso cuando el proceso ocurre normalmente: productividad, duraci\u00f3n de revisi\u00f3n, tiempo de instalaci\u00f3n y rendimiento del equipo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El <strong>riesgo discreto<\/strong> es un evento que puede ocurrir o no: fallo del proveedor, retraso de licencia, equipo rechazado en FAT o lluvia extrema que interrumpe la obra.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Modelar todo como amplitud de duraci\u00f3n puede ocultar causalidad. Modelar toda variabilidad como riesgos discretos puede generar cientos de eventos artificiales.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un buen an\u00e1lisis separa ambas fuentes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">C\u00f3mo modelar riesgos discretos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un riesgo puede tener probabilidad de ocurrencia y una distribuci\u00f3n de impacto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En cada iteraci\u00f3n, el modelo determina si el evento ocurre. Si ocurre, el impacto se aplica a la actividad, coste o conjunto de elementos relacionados.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ejemplo: existe un 30% de probabilidad de retraso en la homologaci\u00f3n. Si ocurre, el impacto puede variar entre 10 y 30 d\u00edas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esta estructura preserva la diferencia entre <strong>probabilidad de ocurrencia<\/strong> y <strong>magnitud de la consecuencia<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El registro de riesgos debe indicar qu\u00e9 eventos entran en el modelo y c\u00f3mo fueron parametrizados.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Monte Carlo en el an\u00e1lisis de costes<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En costes, los componentes de la estimaci\u00f3n pueden recibir distribuciones relacionadas con cantidades, precios, productividad, tasas, tipo de cambio, log\u00edstica o incertidumbre de ingenier\u00eda.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los riesgos discretos a\u00f1aden impactos cuando se materializan en una iteraci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El modelo suma los componentes para producir un coste total por escenario. La distribuci\u00f3n resultante permite calcular percentiles, media, desviaci\u00f3n, rangos y la contingencia necesaria para el nivel de confianza deseado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La estructura de la WBS es \u00fatil para organizar los elementos e identificar d\u00f3nde se concentra la incertidumbre.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Estimaci\u00f3n base y an\u00e1lisis de riesgo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El an\u00e1lisis debe distinguir lo que ya est\u00e1 incorporado a la <strong>estimaci\u00f3n base<\/strong> de lo que representa incertidumbre adicional.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si un elemento ya fue estimado con productividad conservadora y recibe otra distribuci\u00f3n amplia basada en el mismo riesgo, se produce una doble contabilizaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El modelo debe documentar:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li>valor base;<\/li><li>naturaleza de la incertidumbre;<\/li><li>distribuci\u00f3n aplicada;<\/li><li>riesgos discretos adicionales;<\/li><li>correlaciones;<\/li><li>elementos excluidos.<\/li><\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Sin esta arquitectura, el resultado puede parecer sofisticado y aun as\u00ed ser econ\u00f3micamente incoherente.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Correlaci\u00f3n: uno de los puntos m\u00e1s cr\u00edticos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Las variables de los proyectos pueden moverse conjuntamente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El aumento del tipo de cambio afecta a varios equipos importados. La baja productividad puede afectar a varios frentes. El retraso de dise\u00f1o puede desplazar m\u00faltiples paquetes de compra.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si el modelo supone independencia completa, puede subestimar los extremos porque los escenarios adversos simult\u00e1neos aparecen con menor frecuencia que en la realidad.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Por otro lado, aplicar una correlaci\u00f3n alta a todo puede inflar artificialmente la dispersi\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Las correlaciones deben justificarse mediante un mecanismo t\u00e9cnico, datos o juicio estructurado.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">La dependencia causal no es solo correlaci\u00f3n estad\u00edstica<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dos riesgos pueden estar relacionados porque uno causa al otro.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una aprobaci\u00f3n tard\u00eda puede retrasar la fabricaci\u00f3n, lo que reduce la ventana de montaje y comprime la puesta en marcha. Se trata de una cadena causal, no simplemente de dos variables correlacionadas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cuando sea posible, el modelo debe representar directamente la l\u00f3gica causal, en lugar de utilizar un coeficiente de correlaci\u00f3n como sustituto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esta distinci\u00f3n mejora la interpretaci\u00f3n y permite definir respuestas m\u00e1s eficaces.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">\u00bfCu\u00e1ntas iteraciones son necesarias?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El n\u00famero depende de la complejidad del modelo y de la estabilidad de los resultados. Miles de iteraciones son habituales porque el coste computacional es bajo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El objetivo no es alcanzar un n\u00famero m\u00e1gico, sino verificar la convergencia. Los percentiles y las estad\u00edsticas relevantes deben permanecer estables cuando aumenta el n\u00famero de iteraciones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los modelos con eventos raros pueden requerir m\u00e1s iteraciones para capturar adecuadamente la cola de la distribuci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ejecutar m\u00e1s iteraciones no corrige datos deficientes.<\/p>\n\n\n\n\n<div class=\"wp-block-a3a-destaque\">\n\n<p class=\"wp-block-paragraph\"><strong>M\u00e1s iteraciones no corrigen premisas deficientes.<\/strong> La robustez de la simulaci\u00f3n depende de la calidad del cronograma, de las distribuciones, de los riesgos discretos y de las dependencias modeladas \u2014 no del volumen de sorteos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/artigos-tecnicos\/reserva-contingencia-projetos-engenharia-prazo-custo\/\"><strong>Vea c\u00f3mo relacionar P50\/P80 con la reserva de contingencia \u2192<\/strong><\/a><\/p>\n\n<\/div>\n\n\n\n\n<h2 class=\"wp-block-heading\">An\u00e1lisis de sensibilidad<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Despu\u00e9s de conocer la distribuci\u00f3n, la siguiente pregunta es: <strong>\u00bfqu\u00e9 influye m\u00e1s en el resultado?<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los an\u00e1lisis de sensibilidad pueden mostrar qu\u00e9 actividades, variables o riesgos contribuyen m\u00e1s al coste o al plazo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los gr\u00e1ficos tornado, la correlaci\u00f3n con el resultado y los \u00edndices de criticidad son algunos ejemplos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esta informaci\u00f3n tiene valor gerencial porque dirige los esfuerzos. Si el 70% de la variabilidad del plazo proviene de tres interfaces, quiz\u00e1 sea m\u00e1s eficiente tratar esas interfaces que a\u00f1adir contingencia general.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Monte Carlo debe apoyar la decisi\u00f3n sobre d\u00f3nde actuar, y no limitarse a producir un P80.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Drivers de plazo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En cronograma, los drivers pueden ser actividades con alta criticidad probabil\u00edstica, elevada correlaci\u00f3n con la fecha final o gran amplitud de duraci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tambi\u00e9n pueden ser riesgos discretos que afectan a hitos importantes.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Identificar drivers permite revisar la secuencia, anticipar aprobaciones, crear alternativas de suministro, aumentar recursos, revisar la estrategia constructiva o proteger ventanas cr\u00edticas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El an\u00e1lisis transforma una distribuci\u00f3n abstracta en un plan de acci\u00f3n.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Drivers de coste<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En costes, los drivers pueden estar vinculados a elementos de gran valor, alta incertidumbre, tipo de cambio, cantidades, productividad o eventos de gran consecuencia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un elemento barato con gran variabilidad puede ser menos relevante que un equipo costoso con variaci\u00f3n moderada.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La sensibilidad ayuda a priorizar ingenier\u00eda de valor, negociaci\u00f3n, cobertura, revisi\u00f3n de cantidades, contrataci\u00f3n o estrategia de contingencia.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">C\u00f3mo relacionar Monte Carlo con la reserva de contingencia<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La distribuci\u00f3n permite elegir un nivel de confianza y calcular la diferencia respecto del valor base u otro punto de referencia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si el coste base es de 100 millones y P80 es de 115 millones, la diferencia de 15 millones puede orientar la reserva necesaria para alcanzar ese nivel de confianza, siempre que la metodolog\u00eda de baseline y reserva sea coherente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Lo mismo se aplica al plazo: la diferencia entre la fecha determinista y P80 puede orientar el margen de compromiso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Este enfoque es m\u00e1s transparente que aplicar un porcentaje arbitrario, pero depende de la calidad del modelo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">P50 no es necesariamente la mejor meta<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">P50 representa un equilibrio entre escenarios por encima y por debajo, no una recomendaci\u00f3n universal.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para decisiones internas exploratorias, P50 puede ser adecuado. Para un compromiso contractual cr\u00edtico, la organizaci\u00f3n puede elegir P70, P80 u otro nivel.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La elecci\u00f3n debe considerar el coste de la protecci\u00f3n adicional y la consecuencia del incumplimiento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Niveles de confianza muy altos pueden hacer que el proyecto sea econ\u00f3micamente inviable; niveles muy bajos pueden producir compromisos sistem\u00e1ticamente optimistas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La decisi\u00f3n es de gobernanza, no del software.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Schedule Risk Analysis \u2014 SRA<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La <strong>Schedule Risk Analysis<\/strong> aplica t\u00e9cnicas cuantitativas al cronograma para evaluar la probabilidad de alcanzar hitos e identificar drivers temporales.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El proceso normalmente incluye:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li>validar la calidad de la red l\u00f3gica;<\/li><li>definir la incertidumbre de las duraciones;<\/li><li>modelar riesgos discretos;<\/li><li>establecer correlaciones cuando corresponda;<\/li><li>ejecutar la simulaci\u00f3n;<\/li><li>analizar la curva de finalizaci\u00f3n;<\/li><li>identificar actividades cr\u00edticas probabil\u00edsticas;<\/li><li>probar escenarios de mitigaci\u00f3n.<\/li><\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">El resultado puede revelar que la fecha contractual est\u00e1 muy por debajo de P50, indicando un compromiso agresivo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">\u00bfDeben analizarse conjuntamente el coste y el plazo?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En muchos proyectos, el coste y el plazo son interdependientes.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El retraso aumenta la movilizaci\u00f3n, la administraci\u00f3n local, el alquiler de equipos y los costes indirectos. La aceleraci\u00f3n puede reducir el plazo y aumentar el coste. Los fallos t\u00e9cnicos pueden producir ambos efectos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los modelos integrados de coste y plazo buscan representar estas relaciones. Son m\u00e1s complejos, pero pueden ser necesarios en programas de gran envergadura.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cuando el coste y el plazo se modelan por separado, el equipo debe reconocer las limitaciones y evitar interpretar ambas distribuciones como independientes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Joint Confidence Level<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Algunas metodolog\u00edas eval\u00faan simult\u00e1neamente la probabilidad de cumplir coste y plazo. El <strong>Joint Confidence Level (JCL)<\/strong> representa esta visi\u00f3n conjunta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Puede ser \u00fatil cuando las decisiones de financiaci\u00f3n y cronograma necesitan considerar la dependencia entre ambas dimensiones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">No es necesario en todos los proyectos. Su uso exige madurez de datos y un modelo integrado.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">C\u00f3mo probar escenarios de mitigaci\u00f3n<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una de las aplicaciones m\u00e1s \u00fatiles de Monte Carlo es comparar el modelo <strong>antes y despu\u00e9s<\/strong> de una respuesta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ejemplo: homologar un proveedor alternativo puede reducir la probabilidad de retraso del 40% al 15%. La simulaci\u00f3n muestra cu\u00e1nto desplaza esta acci\u00f3n el P80 y reduce la contingencia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Otro ejemplo: anticipar una aprobaci\u00f3n puede eliminar un camino casi cr\u00edtico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esta comparaci\u00f3n permite cuantificar el beneficio de la mitigaci\u00f3n y apoyar decisiones de inversi\u00f3n en respuestas.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Escenarios \u201cwhat-if\u201d<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El an\u00e1lisis puede probar alternativas como:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>ejecutar paquetes en paralelo;<\/li><li>contratar un proveedor secundario;<\/li><li>aumentar el turno de instalaci\u00f3n;<\/li><li>anticipar la compra;<\/li><li>posponer una determinada funcionalidad;<\/li><li>cambiar la secuencia de puesta en marcha;<\/li><li>aumentar la contingencia;<\/li><li>reducir el alcance;<\/li><li>acelerar la aprobaci\u00f3n.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Cada escenario debe mantener las premisas documentadas para permitir una comparaci\u00f3n justa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Sesgo de optimismo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Los especialistas tienden a subestimar la duraci\u00f3n y el impacto, especialmente cuando ya se han anunciado metas comerciales o pol\u00edticas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La obtenci\u00f3n de distribuciones debe buscar reducir este sesgo mediante datos hist\u00f3ricos, entrevistas independientes, an\u00e1lisis de referencia y comparaci\u00f3n con proyectos anteriores.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si todos los \u201cm\u00e1ximos plausibles\u201d est\u00e1n apenas unos puntos por encima del valor base, la distribuci\u00f3n puede ser artificialmente estrecha.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El an\u00e1lisis cuantitativo debe desafiar la estimaci\u00f3n, no limitarse a formalizarla.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Colas y riesgos extremos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Las medias y los percentiles centrales pueden ocultar eventos severos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los riesgos de baja probabilidad y alto impacto pueden producir colas largas. En seguridad, continuidad operacional o grandes p\u00e9rdidas financieras, la organizaci\u00f3n puede necesitar analizar escenarios extremos por separado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Monte Carlo es una herramienta, pero no sustituye el an\u00e1lisis de escenarios de desastre, HAZOP, Bow Tie u otras t\u00e9cnicas especializadas cuando la naturaleza del riesgo lo exige.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">El error de eliminar riesgos \u201cporque son improbables\u201d<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Excluir todos los riesgos de baja probabilidad puede reducir artificialmente la cola de la distribuci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El criterio de inclusi\u00f3n debe considerar la materialidad, no solo la frecuencia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al mismo tiempo, a\u00f1adir decenas de eventos remotos sin base puede inflar el resultado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La cartera debe depurarse con criterios t\u00e9cnicos y registrar por qu\u00e9 se incluy\u00f3 o excluy\u00f3 cada riesgo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Datos hist\u00f3ricos y calibraci\u00f3n<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Los modelos mejoran cuando se comparan con resultados reales.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Despu\u00e9s del cierre del proyecto, es posible verificar:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>d\u00f3nde qued\u00f3 el coste final dentro de la distribuci\u00f3n prevista;<\/li><li>si el plazo real estaba dentro del rango simulado;<\/li><li>qu\u00e9 distribuciones fueron optimistas;<\/li><li>qu\u00e9 riesgos ocurrieron;<\/li><li>qu\u00e9 correlaciones eran inadecuadas;<\/li><li>si P80 fue sistem\u00e1ticamente conservador o insuficiente.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Esta retroalimentaci\u00f3n permite calibrar futuros modelos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Monte Carlo en fases iniciales<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Incluso con poca definici\u00f3n, la t\u00e9cnica puede ser \u00fatil si las incertidumbres se representan con honestidad.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En fase conceptual, distribuciones m\u00e1s amplias y escenarios param\u00e9tricos pueden reflejar la falta de definici\u00f3n. El error es producir un resultado estrecho para aparentar precisi\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A medida que el proyecto madura, las distribuciones pueden refinarse con datos de ingenier\u00eda, proveedores y campo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La evoluci\u00f3n del modelo debe acompa\u00f1ar la madurez del proyecto.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Monte Carlo en procurement<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Los suministros cr\u00edticos pueden modelarse considerando lead time, aprobaci\u00f3n de planos, fabricaci\u00f3n, FAT, log\u00edstica, despacho aduanero e instalaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los riesgos de proveedor \u00fanico, capacidad fabril e importaci\u00f3n pueden incorporarse como eventos discretos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El an\u00e1lisis ayuda a responder si el cronograma debe anticipar la contrataci\u00f3n, exigir alternativas o proteger hitos con contingencia adicional.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Monte Carlo en obras e implantaci\u00f3n<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La productividad, el clima, la disponibilidad de frentes, el acceso, las interferencias y el retrabajo generan una variabilidad significativa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Las distribuciones pueden basarse en hist\u00f3ricos de productividad, datos de campo o rangos de especialistas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">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 condici\u00f3n de campo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Monte Carlo en puesta en marcha<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La puesta en marcha concentra riesgos de integraci\u00f3n y preparaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un fallo en FAT, el retraso de documentaci\u00f3n, la indisponibilidad de un subsistema y la necesidad de repetir pruebas pueden desplazar la aceptaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Modelar estos eventos puede mostrar que el plazo entre instalaci\u00f3n y operaci\u00f3n es insuficiente para el nivel de confianza esperado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esta informaci\u00f3n permite ampliar la ventana de pruebas, anticipar el precomisionado o priorizar sistemas cr\u00edticos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">C\u00f3mo documentar un an\u00e1lisis de Monte Carlo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un informe defendible debe registrar:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>versi\u00f3n de la baseline;<\/li><li>fecha de corte;<\/li><li>alcance del modelo;<\/li><li>actividades o costes incluidos;<\/li><li>distribuciones utilizadas;<\/li><li>fuente de las estimaciones;<\/li><li>riesgos discretos;<\/li><li>correlaciones;<\/li><li>n\u00famero de iteraciones;<\/li><li>software o m\u00e9todo;<\/li><li>resultados P10\/P50\/P80\/P90 seg\u00fan corresponda;<\/li><li>drivers de sensibilidad;<\/li><li>limitaciones;<\/li><li>escenarios de mitigaci\u00f3n;<\/li><li>decisi\u00f3n tomada.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Sin documentaci\u00f3n, el resultado no es reproducible.<\/p>\n\n\n\n<figure class=\"a3a-mermaid\"><svg id=\"a3a-diagram-1\" width=\"100%\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"flowchart\" style=\"max-width:min(2316.375px, 100%);height:auto;display:block;margin:0 auto\" viewBox=\"0 0 2316.375 91\" role=\"graphics-document document\" aria-roledescription=\"flowchart-v2\" aria-labelledby=\"chart-title-a3a-diagram-1\"><title id=\"chart-title-a3a-diagram-1\">Flujo de un an\u00e1lisis Monte Carlo aplicado al plazo o coste de proyectos de ingenier\u00eda<\/title><style>#a3a-diagram-1{font-family:Roboto,sans-serif;font-size:15px;fill:var(--a3a-diag-text, #0a0a0a);}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#a3a-diagram-1 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#a3a-diagram-1 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#a3a-diagram-1 .error-icon{fill:var(--a3a-diag-canvas, #ffffff);}#a3a-diagram-1 .error-text{fill:#000000;stroke:#000000;}#a3a-diagram-1 .edge-thickness-normal{stroke-width:1px;}#a3a-diagram-1 .edge-thickness-thick{stroke-width:3.5px;}#a3a-diagram-1 .edge-pattern-solid{stroke-dasharray:0;}#a3a-diagram-1 .edge-thickness-invisible{stroke-width:0;fill:none;}#a3a-diagram-1 .edge-pattern-dashed{stroke-dasharray:3;}#a3a-diagram-1 .edge-pattern-dotted{stroke-dasharray:2;}#a3a-diagram-1 .marker{fill:var(--a3a-diag-stroke, #2e42a2);stroke:var(--a3a-diag-stroke, #2e42a2);}#a3a-diagram-1 .marker.cross{stroke:var(--a3a-diag-stroke, #2e42a2);}#a3a-diagram-1 svg{font-family:Roboto,sans-serif;font-size:15px;}#a3a-diagram-1 p{margin:0;}#a3a-diagram-1 .label{font-family:Roboto,sans-serif;color:var(--a3a-diag-text, #0a0a0a);}#a3a-diagram-1 .cluster-label text{fill:var(--a3a-diag-title, #0124af);}#a3a-diagram-1 .cluster-label span{color:var(--a3a-diag-title, #0124af);}#a3a-diagram-1 .cluster-label span p{background-color:transparent;}#a3a-diagram-1 .label text,#a3a-diagram-1 span{fill:var(--a3a-diag-text, #0a0a0a);color:var(--a3a-diag-text, #0a0a0a);}#a3a-diagram-1 .node rect,#a3a-diagram-1 .node circle,#a3a-diagram-1 .node ellipse,#a3a-diagram-1 .node polygon,#a3a-diagram-1 .node path{fill:var(--a3a-diag-fill, #eef2fd);stroke:var(--a3a-diag-stroke, #2e42a2);stroke-width:1px;}#a3a-diagram-1 .rough-node .label text,#a3a-diagram-1 .node .label text,#a3a-diagram-1 .image-shape .label,#a3a-diagram-1 .icon-shape .label{text-anchor:middle;}#a3a-diagram-1 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#a3a-diagram-1 .rough-node .label,#a3a-diagram-1 .node .label,#a3a-diagram-1 .image-shape .label,#a3a-diagram-1 .icon-shape .label{text-align:center;}#a3a-diagram-1 .node.clickable{cursor:pointer;}#a3a-diagram-1 .root .anchor path{fill:var(--a3a-diag-stroke, #2e42a2)!important;stroke-width:0;stroke:var(--a3a-diag-stroke, #2e42a2);}#a3a-diagram-1 .arrowheadPath{fill:var(--a3a-diag-stroke, #0b0b0b);}#a3a-diagram-1 .edgePath .path{stroke:var(--a3a-diag-stroke, #2e42a2);stroke-width:2.0px;}#a3a-diagram-1 .flowchart-link{stroke:var(--a3a-diag-stroke, #2e42a2);fill:none;}#a3a-diagram-1 .edgeLabel{background-color:var(--a3a-diag-canvas, #ffffff);text-align:center;}#a3a-diagram-1 .edgeLabel p{background-color:var(--a3a-diag-canvas, #ffffff);}#a3a-diagram-1 .edgeLabel rect{opacity:0.5;background-color:var(--a3a-diag-canvas, #ffffff);fill:var(--a3a-diag-canvas, #ffffff);}#a3a-diagram-1 .labelBkg{background-color:rgba(255, 255, 255, 0.5);}#a3a-diagram-1 .cluster rect{fill:var(--a3a-diag-surface, #f8f8f8);stroke:var(--a3a-diag-border, #e2e8f0);stroke-width:1px;}#a3a-diagram-1 .cluster text{fill:var(--a3a-diag-title, #0124af);}#a3a-diagram-1 .cluster span{color:var(--a3a-diag-title, #0124af);}#a3a-diagram-1 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:Roboto,sans-serif;font-size:12px;background:var(--a3a-diag-canvas, #ffffff);border:1px solid hsl(0, 0%, 90%);border-radius:2px;pointer-events:none;z-index:100;}#a3a-diagram-1 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:var(--a3a-diag-text, #0a0a0a);}#a3a-diagram-1 rect.text{fill:none;stroke-width:0;}#a3a-diagram-1 .icon-shape,#a3a-diagram-1 .image-shape{background-color:var(--a3a-diag-canvas, #ffffff);text-align:center;}#a3a-diagram-1 .icon-shape p,#a3a-diagram-1 .image-shape p{background-color:var(--a3a-diag-canvas, #ffffff);padding:2px;}#a3a-diagram-1 .icon-shape rect,#a3a-diagram-1 .image-shape rect{opacity:0.5;background-color:var(--a3a-diag-canvas, #ffffff);fill:var(--a3a-diag-canvas, #ffffff);}#a3a-diagram-1 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#a3a-diagram-1 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#a3a-diagram-1 :root{--mermaid-font-family:Roboto,sans-serif;}<\/style><g><marker id=\"a3a-diagram-1_flowchart-v2-pointEnd\" class=\"marker flowchart-v2\" viewBox=\"0 0 10 10\" refX=\"5\" refY=\"5\" markerUnits=\"userSpaceOnUse\" markerWidth=\"8\" markerHeight=\"8\" orient=\"auto\"><path d=\"M 0 0 L 10 5 L 0 10 z\" class=\"arrowMarkerPath\" style=\"stroke-width: 1; stroke-dasharray: 1, 0;\"><\/path><\/marker><marker id=\"a3a-diagram-1_flowchart-v2-pointStart\" class=\"marker flowchart-v2\" viewBox=\"0 0 10 10\" refX=\"4.5\" refY=\"5\" markerUnits=\"userSpaceOnUse\" markerWidth=\"8\" markerHeight=\"8\" orient=\"auto\"><path d=\"M 0 5 L 10 10 L 10 0 z\" class=\"arrowMarkerPath\" style=\"stroke-width: 1; stroke-dasharray: 1, 0;\"><\/path><\/marker><marker id=\"a3a-diagram-1_flowchart-v2-circleEnd\" class=\"marker flowchart-v2\" viewBox=\"0 0 10 10\" refX=\"11\" refY=\"5\" markerUnits=\"userSpaceOnUse\" markerWidth=\"11\" markerHeight=\"11\" orient=\"auto\"><circle cx=\"5\" cy=\"5\" r=\"5\" class=\"arrowMarkerPath\" style=\"stroke-width: 1; stroke-dasharray: 1, 0;\"><\/circle><\/marker><marker id=\"a3a-diagram-1_flowchart-v2-circleStart\" class=\"marker flowchart-v2\" viewBox=\"0 0 10 10\" refX=\"-1\" refY=\"5\" markerUnits=\"userSpaceOnUse\" markerWidth=\"11\" markerHeight=\"11\" orient=\"auto\"><circle cx=\"5\" cy=\"5\" r=\"5\" class=\"arrowMarkerPath\" style=\"stroke-width: 1; stroke-dasharray: 1, 0;\"><\/circle><\/marker><marker id=\"a3a-diagram-1_flowchart-v2-crossEnd\" class=\"marker cross flowchart-v2\" viewBox=\"0 0 11 11\" refX=\"12\" refY=\"5.2\" markerUnits=\"userSpaceOnUse\" markerWidth=\"11\" markerHeight=\"11\" orient=\"auto\"><path d=\"M 1,1 l 9,9 M 10,1 l -9,9\" class=\"arrowMarkerPath\" style=\"stroke-width: 2; stroke-dasharray: 1, 0;\"><\/path><\/marker><marker id=\"a3a-diagram-1_flowchart-v2-crossStart\" class=\"marker cross flowchart-v2\" viewBox=\"0 0 11 11\" refX=\"-1\" refY=\"5.2\" markerUnits=\"userSpaceOnUse\" markerWidth=\"11\" markerHeight=\"11\" orient=\"auto\"><path d=\"M 1,1 l 9,9 M 10,1 l -9,9\" class=\"arrowMarkerPath\" style=\"stroke-width: 2; stroke-dasharray: 1, 0;\"><\/path><\/marker><g class=\"root\"><g class=\"clusters\"><\/g><g class=\"edgePaths\"><path d=\"M187.922,45.5L192.089,45.5C196.255,45.5,204.589,45.5,212.255,45.5C219.922,45.5,226.922,45.5,230.422,45.5L233.922,45.5\" id=\"L_A_B_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_A_B_0\" data-points=\"W3sieCI6MTg3LjkyMTg3NSwieSI6NDUuNX0seyJ4IjoyMTIuOTIxODc1LCJ5Ijo0NS41fSx7IngiOjIzNy45MjE4NzUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><path d=\"M415.641,45.5L419.807,45.5C423.974,45.5,432.307,45.5,439.974,45.5C447.641,45.5,454.641,45.5,458.141,45.5L461.641,45.5\" id=\"L_B_C_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_B_C_0\" data-points=\"W3sieCI6NDE1LjY0MDYyNSwieSI6NDUuNX0seyJ4Ijo0NDAuNjQwNjI1LCJ5Ijo0NS41fSx7IngiOjQ2NS42NDA2MjUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><path d=\"M690.953,45.5L695.12,45.5C699.286,45.5,707.62,45.5,715.286,45.5C722.953,45.5,729.953,45.5,733.453,45.5L736.953,45.5\" id=\"L_C_D_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_C_D_0\" data-points=\"W3sieCI6NjkwLjk1MzEyNSwieSI6NDUuNX0seyJ4Ijo3MTUuOTUzMTI1LCJ5Ijo0NS41fSx7IngiOjc0MC45NTMxMjUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><path d=\"M945.578,45.5L949.745,45.5C953.911,45.5,962.245,45.5,969.911,45.5C977.578,45.5,984.578,45.5,988.078,45.5L991.578,45.5\" id=\"L_D_E_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_D_E_0\" data-points=\"W3sieCI6OTQ1LjU3ODEyNSwieSI6NDUuNX0seyJ4Ijo5NzAuNTc4MTI1LCJ5Ijo0NS41fSx7IngiOjk5NS41NzgxMjUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><path d=\"M1255.578,45.5L1259.745,45.5C1263.911,45.5,1272.245,45.5,1279.911,45.5C1287.578,45.5,1294.578,45.5,1298.078,45.5L1301.578,45.5\" id=\"L_E_F_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_E_F_0\" data-points=\"W3sieCI6MTI1NS41NzgxMjUsInkiOjQ1LjV9LHsieCI6MTI4MC41NzgxMjUsInkiOjQ1LjV9LHsieCI6MTMwNS41NzgxMjUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><path d=\"M1487.859,45.5L1492.026,45.5C1496.193,45.5,1504.526,45.5,1512.193,45.5C1519.859,45.5,1526.859,45.5,1530.359,45.5L1533.859,45.5\" id=\"L_F_G_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_F_G_0\" data-points=\"W3sieCI6MTQ4Ny44NTkzNzUsInkiOjQ1LjV9LHsieCI6MTUxMi44NTkzNzUsInkiOjQ1LjV9LHsieCI6MTUzNy44NTkzNzUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><path d=\"M1776.672,45.5L1780.839,45.5C1785.005,45.5,1793.339,45.5,1801.005,45.5C1808.672,45.5,1815.672,45.5,1819.172,45.5L1822.672,45.5\" id=\"L_G_H_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_G_H_0\" data-points=\"W3sieCI6MTc3Ni42NzE4NzUsInkiOjQ1LjV9LHsieCI6MTgwMS42NzE4NzUsInkiOjQ1LjV9LHsieCI6MTgyNi42NzE4NzUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><path d=\"M1998.375,45.5L2002.542,45.5C2006.708,45.5,2015.042,45.5,2022.708,45.5C2030.375,45.5,2037.375,45.5,2040.875,45.5L2044.375,45.5\" id=\"L_H_I_0\" class=\"edge-thickness-normal edge-pattern-solid edge-thickness-normal edge-pattern-solid flowchart-link\" style=\";\" data-edge=\"true\" data-et=\"edge\" data-id=\"L_H_I_0\" data-points=\"W3sieCI6MTk5OC4zNzUsInkiOjQ1LjV9LHsieCI6MjAyMy4zNzUsInkiOjQ1LjV9LHsieCI6MjA0OC4zNzUsInkiOjQ1LjV9XQ==\" marker-end=\"url(#a3a-diagram-1_flowchart-v2-pointEnd)\"><\/path><\/g><g class=\"edgeLabels\"><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_A_B_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_B_C_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_C_D_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_D_E_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_E_F_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_F_G_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_G_H_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"edgeLabel\"><g class=\"label\" data-id=\"L_H_I_0\" transform=\"translate(0, 0)\"><foreignObject width=\"0\" height=\"0\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" class=\"labelBkg\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"edgeLabel\"><\/span><\/div><\/foreignObject><\/g><\/g><\/g><g class=\"nodes\"><g class=\"node default\" id=\"flowchart-A-0\" transform=\"translate(97.9609375, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-89.9609375\" y=\"-26.25\" width=\"179.921875\" height=\"52.5\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-59.9609375, -11.25)\"><rect><\/rect><foreignObject width=\"119.921875\" height=\"22.5\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"nodeLabel\"><p>Baseline validada<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-B-1\" transform=\"translate(326.78125, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-88.859375\" y=\"-26.25\" width=\"177.71875\" height=\"52.5\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-58.859375, -11.25)\"><rect><\/rect><foreignObject width=\"117.71875\" height=\"22.5\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"nodeLabel\"><p>Definir incertidumbres<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-C-3\" transform=\"translate(578.296875, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-112.65625\" y=\"-26.25\" width=\"225.3125\" height=\"52.5\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-82.65625, -11.25)\"><rect><\/rect><foreignObject width=\"165.3125\" height=\"22.5\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"nodeLabel\"><p>Modelar riesgos discretos<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-D-5\" transform=\"translate(843.265625, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-102.3125\" y=\"-26.25\" width=\"204.625\" height=\"52.5\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-72.3125, -11.25)\"><rect><\/rect><foreignObject width=\"144.625\" height=\"22.5\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"nodeLabel\"><p>Definir dependencias<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-E-7\" transform=\"translate(1125.578125, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-130\" y=\"-37.5\" width=\"260\" height=\"75\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-100, -22.5)\"><rect><\/rect><foreignObject width=\"200\" height=\"45\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table; white-space: break-spaces; line-height: 1.5; max-width: 200px; text-align: center; width: 200px;\"><span class=\"nodeLabel\"><p>Ejecutar miles de escenarios<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-F-9\" transform=\"translate(1396.71875, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-91.140625\" y=\"-26.25\" width=\"182.28125\" height=\"52.5\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-61.140625, -11.25)\"><rect><\/rect><foreignObject width=\"122.28125\" height=\"22.5\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"nodeLabel\"><p>Generar distribuci\u00f3n<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-G-11\" transform=\"translate(1657.265625, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-119.40625\" y=\"-26.25\" width=\"238.8125\" height=\"52.5\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-89.40625, -11.25)\"><rect><\/rect><foreignObject width=\"178.8125\" height=\"22.5\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"nodeLabel\"><p>Analizar P50, P80 y drivers<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-H-13\" transform=\"translate(1912.5234375, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-85.8515625\" y=\"-26.25\" width=\"171.703125\" height=\"52.5\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-55.8515625, -11.25)\"><rect><\/rect><foreignObject width=\"111.703125\" height=\"22.5\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table-cell; white-space: nowrap; line-height: 1.5; max-width: 200px; text-align: center;\"><span class=\"nodeLabel\"><p>Probar mitigaci\u00f3n<\/p><\/span><\/div><\/foreignObject><\/g><\/g><g class=\"node default\" id=\"flowchart-I-15\" transform=\"translate(2178.375, 45.5)\"><rect class=\"basic label-container\" style=\"\" x=\"-130\" y=\"-37.5\" width=\"260\" height=\"75\"><\/rect><g class=\"label\" style=\"\" transform=\"translate(-100, -22.5)\"><rect><\/rect><foreignObject width=\"200\" height=\"45\"><div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\" style=\"display: table; white-space: break-spaces; line-height: 1.5; max-width: 200px; text-align: center; width: 200px;\"><span class=\"nodeLabel\"><p>Decidir contingencia y compromiso<\/p><\/span><\/div><\/foreignObject><\/g><\/g><\/g><\/g><\/g><\/svg><figcaption>Flujo de un an\u00e1lisis Monte Carlo aplicado al plazo o coste de proyectos de ingenier\u00eda<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Lo que el software no decide<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Las herramientas automatizan sorteos y c\u00e1lculos, pero no deciden:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>si el cronograma es realista;<\/li><li>qu\u00e9 riesgo debe incluirse;<\/li><li>qu\u00e9 distribuci\u00f3n es defendible;<\/li><li>qu\u00e9 correlaci\u00f3n tiene sentido;<\/li><li>qu\u00e9 percentil debe adoptar la organizaci\u00f3n;<\/li><li>qu\u00e9 respuesta es econ\u00f3micamente adecuada;<\/li><li>si la baseline est\u00e1 contaminada por m\u00e1rgenes ocultos.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Estas decisiones exigen ingenier\u00eda, gesti\u00f3n y gobernanza.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Errores comunes en modelos Monte Carlo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Entre los errores m\u00e1s frecuentes se encuentran:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>aplicar la misma distribuci\u00f3n a todas las actividades;<\/li><li>ignorar correlaciones relevantes;<\/li><li>utilizar un cronograma con l\u00f3gica defectuosa;<\/li><li>duplicar riesgos ya incorporados a las duraciones;<\/li><li>excluir caminos casi cr\u00edticos;<\/li><li>utilizar percentiles sin explicar el nivel de confianza;<\/li><li>interpretar P80 como garant\u00eda;<\/li><li>confiar excesivamente en la media;<\/li><li>no documentar las fuentes de los par\u00e1metros;<\/li><li>ejecutar miles de iteraciones sin validar las premisas;<\/li><li>presentar gr\u00e1ficos sofisticados sin relaci\u00f3n con la decisi\u00f3n.<\/li><\/ul>\n\n\n\n\n<div class=\"wp-block-a3a-destaque\">\n\n<p class=\"wp-block-paragraph\"><strong>Monte Carlo solo aporta valor cuando la distribuci\u00f3n cambia una decisi\u00f3n.<\/strong> El objetivo no es producir un gr\u00e1fico sofisticado, sino decidir contingencia, compromiso, mitigaci\u00f3n, priorizaci\u00f3n o estrategia sobre la base de una confianza expl\u00edcita.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/a3aengenharia.com.br\/servicos\/servicos-transversais\/consultoria-tecnica\/\"><strong>Apoye decisiones cr\u00edticas con Consultor\u00eda T\u00e9cnica de Ingenier\u00eda \u2192<\/strong><\/a><\/p>\n\n<\/div>\n\n\n\n\n<h2 class=\"wp-block-heading\">Cu\u00e1ndo Monte Carlo no vale la pena<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">No todos los proyectos necesitan an\u00e1lisis probabil\u00edstico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si la decisi\u00f3n es simple, la exposici\u00f3n es peque\u00f1a y un escenario conservador ya proporciona informaci\u00f3n suficiente, el coste de modelado puede no justificarse.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La t\u00e9cnica aporta m\u00e1s valor cuando:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>el compromiso de plazo o coste es material;<\/li><li>existen varias fuentes de incertidumbre;<\/li><li>la contingencia es relevante;<\/li><li>es necesario justificar un nivel de confianza;<\/li><li>deben compararse alternativas;<\/li><li>el cronograma posee muchos caminos concurrentes;<\/li><li>los riesgos correlacionados pueden modificar el resultado.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">La sofisticaci\u00f3n debe ser proporcional a la decisi\u00f3n.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Relaci\u00f3n con la matriz de riesgos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La matriz cualitativa ayuda a priorizar qu\u00e9 riesgos merecen profundizaci\u00f3n. Monte Carlo cuantifica parte de la incertidumbre en t\u00e9rminos de distribuci\u00f3n de resultados.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Las dos t\u00e9cnicas no compiten. La matriz puede identificar un riesgo alto de suministro; la simulaci\u00f3n puede mostrar cu\u00e1nto desplaza el P80 del cronograma y cu\u00e1nto reduce la contingencia una mitigaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La combinaci\u00f3n mejora la transici\u00f3n entre an\u00e1lisis cualitativo y decisi\u00f3n cuantitativa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Relaci\u00f3n con el registro de riesgos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El risk register proporciona probabilidad, impacto, owner, respuesta e historial de los eventos discretos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El modelado cuantitativo debe mantener el v\u00ednculo con los identificadores del registro. As\u00ed, cuando un riesgo se mitiga o se cierra, el modelo puede actualizarse de forma trazable.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Este v\u00ednculo evita que la simulaci\u00f3n se convierta en un archivo paralelo desconectado de la gesti\u00f3n del proyecto.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Consideraciones finales<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Monte Carlo permite transformar la incertidumbre en una distribuci\u00f3n de resultados y asociar compromisos de coste y plazo con niveles expl\u00edcitos de confianza. En ingenier\u00eda, esto es especialmente \u00fatil para contingencia, cronogramas cr\u00edticos, CAPEX, procurement y decisiones en las que una \u00fanica estimaci\u00f3n determinista oculta una exposici\u00f3n relevante.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El valor de la t\u00e9cnica no est\u00e1 en el n\u00famero de iteraciones. Est\u00e1 en la calidad de la baseline, de las distribuciones, de los riesgos, de las dependencias y de la interpretaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">P50, P80 y las curvas S solo son \u00fatiles cuando la organizaci\u00f3n comprende qu\u00e9 representan y utiliza la informaci\u00f3n para decidir: ajustar contingencia, revisar el compromiso, tratar drivers, probar alternativas o aceptar conscientemente un determinado nivel de exposici\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un buen an\u00e1lisis cuantitativo no sustituye a la ingenier\u00eda. Hace m\u00e1s visible la incertidumbre para que la decisi\u00f3n t\u00e9cnica y gerencial sea m\u00e1s defendible.<\/p>\n\n\n\n<details class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary>Referencias t\u00e9cnicas<\/summary>\n<p class=\"wp-block-paragraph\">[1] U.S. GOVERNMENT ACCOUNTABILITY OFFICE. Schedule Assessment Guide: Best Practices for Project Schedules. Washington, DC: GAO, 2015. Disponible en: <a href=\"https:\/\/www.gao.gov\/products\/gao-16-89g\">https:\/\/www.gao.gov\/products\/gao-16-89g<\/a><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">[2] NATIONAL AERONAUTICS AND SPACE ADMINISTRATION. NASA Cost Estimating Handbook \u2014 Appendix G: Cost Risk and Uncertainty Methodologies. Washington, DC: NASA. Disponible en: <a href=\"https:\/\/www.nasa.gov\/ocfo\/ppc-corner\/nasa-cost-estimating-handbook-ceh\/\">https:\/\/www.nasa.gov\/ocfo\/ppc-corner\/nasa-cost-estimating-handbook-ceh\/<\/a><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">[3] PROJECT MANAGEMENT INSTITUTE. Risk Management in Portfolios, Programs, and Projects: A Practice Guide. Newtown Square: PMI, 2024. Disponible en: <a href=\"https:\/\/www.pmi.org\/standards\/risk-management-in-portfolios\">https:\/\/www.pmi.org\/standards\/risk-management-in-portfolios<\/a><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">[4] U.S. DEPARTMENT OF ENERGY. Curating the Inputs for a Contingency Reserve Calculation. Washington, DC: DOE, 2022. Disponible en: <a href=\"https:\/\/www.energy.gov\/sites\/default\/files\/2023-03\/Curating%20the%20Inputs%20for%20a%20Contingency%20Reserve%20Calculation.pdf\">https:\/\/www.energy.gov\/sites\/default\/files\/2023-03\/Curating%20the%20Inputs%20for%20a%20Contingency%20Reserve%20Calculation.pdf<\/a><\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary>Preguntas frecuentes<\/summary>\n<div class=\"schema-faq wp-block-yoast-faq-block\"><div class=\"schema-faq-section\" id=\"faq-question-o-que-simula-o-de-monte-carlo-em-projetos-93912d79\"><strong class=\"schema-faq-question\">\u00bfQu\u00e9 es la simulaci\u00f3n de Monte Carlo en proyectos?<\/strong> <p class=\"schema-faq-answer\">Es una t\u00e9cnica probabil\u00edstica que ejecuta muchos escenarios a partir de distribuciones de incertidumbre y riesgos para generar una distribuci\u00f3n de resultados de coste o plazo.<\/p><\/div><div class=\"schema-faq-section\" id=\"faq-question-o-que-significa-p50-em-monte-carlo-d56f60af\"><strong class=\"schema-faq-question\">\u00bfQu\u00e9 significa P50 en Monte Carlo?<\/strong> <p class=\"schema-faq-answer\">Es el percentil en el que aproximadamente el 50% de los escenarios simulados resultan en un valor o fecha igual o inferior. La mitad de los escenarios queda por encima.<\/p><\/div><div class=\"schema-faq-section\" id=\"faq-question-o-que-significa-p80-75999ecf\"><strong class=\"schema-faq-question\">\u00bfQu\u00e9 significa P80?<\/strong> <p class=\"schema-faq-answer\">Es el valor o fecha que aproximadamente el 80% de los escenarios simulados no superan, condicionado a las premisas del modelo.<\/p><\/div><div class=\"schema-faq-section\" id=\"faq-question-p80-significa-80-de-conting-ncia-254f3ff3\"><strong class=\"schema-faq-question\">\u00bfP80 significa 80% de contingencia?<\/strong> <p class=\"schema-faq-answer\">No. P80 es un nivel de confianza en la distribuci\u00f3n acumulada, no un porcentaje de contingencia.<\/p><\/div><div class=\"schema-faq-section\" id=\"faq-question-quantas-itera-es-uma-simula-o-precisa-2d9cec2a\"><strong class=\"schema-faq-question\">\u00bfCu\u00e1ntas iteraciones necesita una simulaci\u00f3n?<\/strong> <p class=\"schema-faq-answer\">No existe un n\u00famero universal. Miles son habituales; el criterio importante es la estabilidad de los percentiles y estad\u00edsticas relevantes y la captura adecuada de eventos raros.<\/p><\/div><div class=\"schema-faq-section\" id=\"faq-question-monte-carlo-pode-ser-usado-em-cronograma-f2c27e64\"><strong class=\"schema-faq-question\">\u00bfPuede utilizarse Monte Carlo en cronogramas?<\/strong> <p class=\"schema-faq-answer\">S\u00ed. La Schedule Risk Analysis var\u00eda duraciones y riesgos en la red l\u00f3gica para estimar probabilidades de alcanzar hitos e identificar drivers de plazo.<\/p><\/div><div class=\"schema-faq-section\" id=\"faq-question-monte-carlo-substitui-a-matriz-de-riscos-d4c13cfd\"><strong class=\"schema-faq-question\">\u00bfMonte Carlo sustituye a la matriz de riesgos?<\/strong> <p class=\"schema-faq-answer\">No. La matriz prioriza riesgos cualitativamente; Monte Carlo cuantifica efectos sobre distribuciones de coste o plazo. Las t\u00e9cnicas son complementarias.<\/p><\/div><div class=\"schema-faq-section\" id=\"faq-question-quando-monte-carlo-n-o-necess-rio-6c147c77\"><strong class=\"schema-faq-question\">\u00bfCu\u00e1ndo no es necesario Monte Carlo?<\/strong> <p class=\"schema-faq-answer\">Cuando la decisi\u00f3n es simple, la exposici\u00f3n es peque\u00f1a o los an\u00e1lisis de escenarios ya ofrecen informaci\u00f3n suficiente. La complejidad de la t\u00e9cnica debe ser proporcional a la decisi\u00f3n.<\/p><\/div><\/div>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary>Materiales t\u00e9cnicos complementarios<\/summary>\n<h4 class=\"wp-block-heading\">Soluciones relacionadas<\/h4>\n\n<ul class=\"wp-block-list\"><li><a href=\"https:\/\/a3aengenharia.com.br\/solucoes\/gestao-e-governanca-de-engenharia\/governanca-de-projetos-programas-e-portfolios\/\">Gobernanza de Proyectos, Programas y Portafolios<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/solucoes\/gestao-e-governanca-de-engenharia\/gestao-contratos-escopo-entregaveis\/\">Gesti\u00f3n de Contratos, Alcance y Entregables<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/solucoes\/gestao-e-governanca-de-engenharia\/gestao-requisitos-evidencias-criterios-aceite\/\">Gesti\u00f3n de Requisitos, Evidencias y Criterios de Aceptaci\u00f3n<\/a><\/li><\/ul>\n\n<h4 class=\"wp-block-heading\">Servicios relacionados<\/h4>\n\n<ul class=\"wp-block-list\"><li><a href=\"https:\/\/a3aengenharia.com.br\/servicos\/servicos-transversais\/gerenciamento-de-riscos-de-engenharia\/\">Gesti\u00f3n de Riesgos de Ingenier\u00eda<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/servicos\/servicos-transversais\/consultoria-tecnica\/\">Consultor\u00eda T\u00e9cnica de Ingenier\u00eda<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/servicos\/planejamento\/planejamento-tecnico-contratacoes-engenharia\/\">Planificaci\u00f3n T\u00e9cnica de Contrataciones de Ingenier\u00eda<\/a><\/li><\/ul>\n\n<h4 class=\"wp-block-heading\">Contenidos principales sobre el tema<\/h4>\n\n<ul class=\"wp-block-list\"><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/artigos-tecnicos\/analise-riscos-projetos-engenharia\/\">An\u00e1lisis de Riesgos en Proyectos de Ingenier\u00eda<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/artigos-tecnicos\/reserva-contingencia-projetos-engenharia-prazo-custo\/\">Reserva de Contingencia en Proyectos de Ingenier\u00eda<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/artigos-tecnicos\/registro-riscos-risk-register-projetos-engenharia\/\">Registro de Riesgos en Proyectos de Ingenier\u00eda<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/artigos-tecnicos\/matriz-de-riscos-projetos-engenharia\/\">Matriz de Riesgos en Proyectos de Ingenier\u00eda<\/a><\/li><\/ul>\n\n<h4 class=\"wp-block-heading\">Contenidos t\u00e9cnicos relacionados<\/h4>\n\n<ul class=\"wp-block-list\"><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/artigos-tecnicos\/gestao-capex-projetos-engenharia-governanca-custos-investimentos\/\">Gesti\u00f3n de CAPEX en Proyectos de Ingenier\u00eda<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/artigos-tecnicos\/metricas-ageis-evm-projetos-hibridos\/\">M\u00e9tricas \u00c1giles vs. EVM en Proyectos H\u00edbridos<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/guias-tecnicos\/guia-completo-sobre-gerenciamento-de-projetos\/\">Gesti\u00f3n de Proyectos: gu\u00eda completa para ingenier\u00eda, gobernanza y control<\/a><\/li><li><a href=\"https:\/\/a3aengenharia.com.br\/conteudo\/guias-tecnicos\/gestao-de-engenharia-processos-governanca-projetos-desempenho\/\">Gesti\u00f3n de Ingenier\u00eda: procesos, gobernanza, proyectos y desempe\u00f1o<\/a><\/li><\/ul>\n<\/details>\n","protected":false},"excerpt":{"rendered":"<p>Conozca c\u00f3mo aplicar la simulaci\u00f3n de Monte Carlo en proyectos de ingenier\u00eda para analizar riesgos de plazo y coste, interpretar P50\/P80, calcular contingencia e identificar drivers.<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"template":"","meta":{"_a3a_global_related_solutions":[],"_a3a_global_related_services":[],"_a3a_global_related_materials":[],"_a3a_post_lang":"es-es","_a3a_translation_group_id":"d0fecc99-08d4-4ee0-a909-d805e4c828d4","_a3a_i18n_canonical_slug":"simulacion-monte-carlo-proyectos-ingenieria-p50-p80"},"categories":[],"segments":[],"mercados":[],"etapas":[],"class_list":["post-72999","articles","type-articles","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/articles\/72999","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/articles"}],"about":[{"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/types\/articles"}],"author":[{"embeddable":true,"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/articles\/72999\/revisions"}],"predecessor-version":[{"id":73000,"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/articles\/72999\/revisions\/73000"}],"wp:attachment":[{"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/media?parent=72999"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/categories?post=72999"},{"taxonomy":"segments","embeddable":true,"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/segments?post=72999"},{"taxonomy":"mercados","embeddable":true,"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/mercados?post=72999"},{"taxonomy":"etapas","embeddable":true,"href":"https:\/\/a3aengenharia.com\/es-es\/wp-json\/wp\/v2\/etapas?post=72999"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}