{"id":74810,"date":"2026-09-05T20:15:40","date_gmt":"2026-09-05T23:15:40","guid":{"rendered":"https:\/\/a3aengenharia.com\/?post_type=articles&p=74810"},"modified":"2026-09-05T20:15:40","modified_gmt":"2026-09-05T23:15:40","slug":"analisis-sensibilidad-escenarios-proyectos-ingenieria-switching-values","status":"publish","type":"articles","link":"https:\/\/a3aengenharia.com\/es-es\/contenido\/articulos-tecnicos\/analisis-sensibilidad-escenarios-proyectos-ingenieria-switching-values\/","title":{"rendered":"An\u00e1lisis de Sensibilidad y Escenarios en Proyectos de Ingenier\u00eda: supuestos, switching values y decisi\u00f3n"},"content":{"rendered":"\n

El an\u00e1lisis de sensibilidad y el an\u00e1lisis de escenarios son t\u00e9cnicas utilizadas para probar la robustez de una decisi\u00f3n cuando costos, beneficios, plazo, demanda, desempe\u00f1o y otros supuestos no se conocen con certeza. En proyectos de ingenier\u00eda, permiten superar el resultado \u00fanico del caso base y responder una pregunta m\u00e1s \u00fatil: \u00bfqu\u00e9 debe cambiar para que la recomendaci\u00f3n deje de ser v\u00e1lida?<\/strong><\/p>\n\n\n\n

El an\u00e1lisis de sensibilidad normalmente modifica una variable a la vez, manteniendo las dem\u00e1s constantes, para medir cu\u00e1nto responde el resultado a ese supuesto. El an\u00e1lisis de escenarios modifica simult\u00e1neamente un conjunto coherente de variables para representar estados posibles del proyecto \u2014por ejemplo, una implantaci\u00f3n atrasada combinada con mayor CAPEX y un ramp-up m\u00e1s lento\u2014. Ambos enfoques son complementarios y no deben confundirse con la simulaci\u00f3n de Monte Carlo, que trata las incertidumbres mediante distribuciones de probabilidad y miles de combinaciones posibles.<\/p>\n\n\n\n

En un Business Case o Estudio de Viabilidad, el objetivo de estos an\u00e1lisis no es llenar el informe de tablas. Es identificar supuestos cr\u00edticos, medir margen de seguridad, calcular switching values, construir escenarios plausibles y transformar incertidumbre en informaci\u00f3n de gobernanza. Si una peque\u00f1a variaci\u00f3n de CAPEX o de beneficio vuelve negativo el VAN, la decisi\u00f3n es mucho m\u00e1s fr\u00e1gil de lo que sugiere un caso base positivo aislado.<\/p>\n\n\n\n\n

Qu\u00e9 es el an\u00e1lisis de sensibilidad<\/h2>\n\n\n\n

El an\u00e1lisis de sensibilidad prueba c\u00f3mo cambia una m\u00e9trica de decisi\u00f3n cuando se modifica un supuesto. Dependiendo de la naturaleza del estudio, la salida puede ser VAN, TIR, BCR, costo total, plazo, margen, disponibilidad, producci\u00f3n u otro indicador relevante.<\/p>\n\n\n\n

El Green Book 2026 de HM Treasury define sensitivity analysis como la prueba de cambios en supuestos clave para verificar c\u00f3mo pueden variar los resultados cuando las cosas no ocurren exactamente como se esperaba. La orientaci\u00f3n tambi\u00e9n recomienda calcular switching values<\/strong>, o valores de ruptura, que muestran cu\u00e1nto tendr\u00eda que cambiar un supuesto para que la opci\u00f3n deje de representar valor.<\/p>\n\n\n\n

Las Guidelines for the Economic Analysis of Projects del Asian Development Bank refuerzan que el an\u00e1lisis debe seleccionar variables relevantes, definir amplitudes plausibles de variaci\u00f3n, recalcular los resultados e interpretar el efecto para dise\u00f1ar acciones de mitigaci\u00f3n. La orientaci\u00f3n advierte expl\u00edcitamente contra aplicar mec\u00e1nicamente \u00b110% o \u00b120% a costos y beneficios sin comprender los par\u00e1metros que realmente impulsan esas magnitudes.<\/p>\n\n\n\n

Esta advertencia es especialmente pertinente en ingenier\u00eda. \u201cCAPEX +20%\u201d puede ser poco informativo si la desviaci\u00f3n real se concentra en un equipo importado, en la productividad de montaje o en obras civiles a\u00fan poco definidas. Una sensibilidad de calidad debe llegar a los drivers, no solo a los totales agregados.<\/p>\n\n\n\n

Sensibilidad no es previsi\u00f3n<\/h3>\n\n\n\n

Modificar una variable no significa afirmar que ese valor ocurrir\u00e1. La t\u00e9cnica responde: \u201csi esto ocurre, \u00bfqu\u00e9 pasa con el resultado?\u201d.<\/p>\n\n\n\n

La probabilidad de ocurrencia es otra dimensi\u00f3n. Una variable puede ser extremadamente sensible y, al mismo tiempo, muy estable. Otra puede tener impacto moderado, pero presentar gran volatilidad. La decisi\u00f3n necesita combinar magnitud del efecto<\/strong> y plausibilidad de la variaci\u00f3n<\/strong>.<\/p>\n\n\n\n

Sensibilidad no mide autom\u00e1ticamente el riesgo total<\/h3>\n\n\n\n

El riesgo de un proyecto depende de la combinaci\u00f3n de incertidumbres, correlaciones, eventos discretos, respuestas y capacidad de gesti\u00f3n. El an\u00e1lisis one-at-a-time a\u00edsla efectos y, por ello, es excelente para identificar drivers, pero no representa todas las combinaciones posibles.<\/p>\n\n\n\n

Cuando el proyecto tiene diversas variables inciertas e interdependientes, la Simulaci\u00f3n de Monte Carlo en Proyectos de Ingenier\u00eda<\/a> puede ser una evoluci\u00f3n natural. Monte Carlo no elimina la necesidad de sensibilidad; depende precisamente de una buena comprensi\u00f3n de las variables que entran en el modelo.<\/p>\n\n\n\n\n

Qu\u00e9 es el an\u00e1lisis de escenarios<\/h2>\n\n\n\n

El an\u00e1lisis de escenarios eval\u00faa conjuntos coherentes de supuestos. En lugar de variar una sola entrada, se construye una narrativa operativa y econ\u00f3mica en la que varias variables se mueven de forma compatible.<\/p>\n\n\n\n

Un escenario adverso de expansi\u00f3n industrial, por ejemplo, puede combinar:<\/p>\n\n\n\n

  • CAPEX por encima del caso base;<\/li>
  • retraso en la entrada en operaci\u00f3n;<\/li>
  • ramp-up m\u00e1s lento;<\/li>
  • demanda inferior;<\/li>
  • mayor costo energ\u00e9tico;<\/li>
  • menor beneficio operativo;<\/li>
  • valor residual reducido.<\/li><\/ul>\n\n\n\n

    Estos cambios no son independientes. Un retraso puede aumentar el costo indirecto y postergar ingresos. Una demanda menor puede reducir la utilizaci\u00f3n y tambi\u00e9n modificar el OPEX. Una inflaci\u00f3n elevada puede afectar equipos, mano de obra y tasa de descuento.<\/p>\n\n\n\n

    El escenario debe representar un estado plausible, no un paquete arbitrario de n\u00fameros pesimistas u optimistas.<\/p>\n\n\n\n

    El escenario base no significa el escenario m\u00e1s probable en todos los casos<\/h3>\n\n\n\n

    El caso base es la referencia elegida para modelado y gobernanza. Puede representar la expectativa central, el presupuesto aprobado, la mejor estimaci\u00f3n actual u otra convenci\u00f3n definida por la organizaci\u00f3n.<\/p>\n\n\n\n

    Lo importante es documentar su significado. Si el \u201cbase\u201d es intencionalmente conservador o ya incorpora contingencia, esto afecta la lectura de los escenarios alternativos.<\/p>\n\n\n\n

    Un escenario pesimista no debe significar una cat\u00e1strofe imposible<\/h3>\n\n\n\n

    Los stress tests pueden explorar condiciones extremas, pero el an\u00e1lisis de escenarios utilizado para decidir debe preservar plausibilidad. Un escenario tan severo que todos consideran imposible no informa el margen real de la decisi\u00f3n.<\/p>\n\n\n\n

    El World Bank destaca que los escenarios optimistas y pesimistas deben utilizar valores en el extremo de rangos considerados realistas. La robustez se prueba mejor cuando el escenario adverso es dif\u00edcil, pero defendible.<\/p>\n\n\n\n\n

    Sensibilidad, escenarios y Monte Carlo: cu\u00e1l es la diferencia<\/h2>\n\n\n\n

    Las tres t\u00e9cnicas tratan la incertidumbre, pero responden preguntas diferentes.<\/p>\n\n\n\n

    T\u00e9cnica<\/td>C\u00f3mo funciona<\/td>Pregunta principal<\/td>Salida t\u00edpica<\/td><\/tr>
    Sensibilidad<\/td>Var\u00eda un supuesto o un conjunto controlado<\/td>\u00bfQu\u00e9 variable mueve m\u00e1s el resultado?<\/td>VAN\/TIR\/BCR bajo diferentes valores<\/td><\/tr>
    Switching value<\/td>Calcula el punto de ruptura<\/td>\u00bfCu\u00e1nto puede empeorar el supuesto antes de que cambie la decisi\u00f3n?<\/td>L\u00edmite o porcentaje de ruptura<\/td><\/tr>
    Escenarios<\/td>Combina supuestos coherentes<\/td>\u00bfC\u00f3mo se comporta el proyecto en estados alternativos?<\/td>Base, adverso, favorable, stress<\/td><\/tr>
    Monte Carlo<\/td>Usa distribuciones y repetici\u00f3n probabil\u00edstica<\/td>\u00bfQu\u00e9 distribuci\u00f3n de resultados emerge de las incertidumbres?<\/td>P50, P80, probabilidad de excedencia<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

    El orden pr\u00e1ctico suele ser progresivo: comprender el caso base, identificar drivers mediante sensibilidad, construir escenarios coherentes y, cuando la complejidad lo justifique, avanzar hacia modelado probabil\u00edstico.<\/p>\n\n\n\n

    Escalamiento del an\u00e1lisis de incertidumbre en una decisi\u00f3n de inversi\u00f3n<\/title>