Está en la página 1de 12

APLICACIN DE LA SIMULACIN EN EL ANLISIS DE RIESGOS PARA LA PLANEACIN DE PROYECTOS M.C. Jos Manuel Carrillo Hernndez 1 Dr.

Vitalevitch Kalashnikov Vyacheslav 2

RESUMEN La programacin significa sealar los objetivos y metas a alcanzar, las actividades a llevar a cabo, los agentes responsables, los recursos humanos y materiales requeridos por las operaciones, los gastos que implica, el tiempo requerido para cada etapa y para el programa como un todo, los puntos de control del trabajo, el sistema de medicin para conocer avances, resultados y logros. Igualmente, se analizan y ponderan las diversas actividades interrelacionadas que deben ejecutarse en una secuencia lgica, de manera que algunas de ellas no puedan comenzar hasta que otras se hayan terminado. una actividad en un proyecto, es un trabajo que requiere tiempo y recursos para su terminacin. Sin embargo, como en todo proyecto, se presenta la incertidumbre, los gerentes de proyectos se plantean preguntas tales como: Cunto tiempo tomar el proyecto? Cul ser el costo total del proyecto? Antes que un proyecto comience y mientras se est desarrollando ninguna de las preguntas anteriores puede ser respondida con certidumbre, y los gerentes de proyectos y los clientes estn preocupados con la incertidumbre de las respuestas y el impacto de las posibles desviaciones. Las herramientas del anlisis de riesgo y administracin de riesgo estn diseadas para responder estas preguntas. Haciendo referencia al trabajo de l Dr. Galway, Lionel (2004), el cual menciona que la primera tcnica cuantitativa de la administracin moderna de proyecto en el rea del anlisis de riesgos relacionado con los tiempos o plazos del proyecto fue el diagrama de Gantt, desarrollada por Henry Gantt en 1917. En la bsqueda de nuevas herramientas, a mediados de los aos 1950, la oficina de proyectos especiales Polaris desarroll la tcnica PERT (Program Evaluation Review Technique).
1

Doctorante del doctorado en Ingeniera con especialidad en Sistemas de Planeacin y Construccin en la Facultad de Ingeniera Civil y Arquitectura de la Universidad Jurez del Estado de Durango. 2 Asesor y director de la tesis doctoral de quien publica el presente artculo, asignado por el comit de revisin de protocolos de investigacin de la Facultad de Ingeniera Civil y Arquitectura de la Universidad Jurez del Estado de Durango.

Por otro lado, en los mismos aos 1950 se desarroll una tc nica de planificacin y administracin fue desarrollada por Du Pont. La tcnica C.P.M (Critical Path Method), la tcnica CPM fue mejorada utilizando el mtodo de simulacin de Monte Carlo. De esta manera la estimacin de los tiempos o plazo de cada tarea aplicando la tcnica de Monte Carlo dio lugar a la tcnica de C.P.M estocstico, la cual es ahora la metodologa preferida para evaluar el riesgo en la estimacin del tiempo en la administracin de proyectos. Un proyecto de obra civil no es la excepcin, dicho proyecto en su ejecucin est sujeto a factores que tienden a alterar la duracin de las actividades que la componen, dichos factores pueden ser internos (faltas en el personal, bajo rendimiento) y factores externos como alteraciones climticas, falla en el suministro de los materiales, etc; dichos factores son difciles de predecir por el gerente del proyecto, lo cual ocasiona que se tenga un alto grado de incertidumbre en lo que respecta a la determinacin de los tiempos de duracin de cada una de las actividades del proyecto, lo cual como se dijo anteriormente, repercute directamente en el costo total del mismo. Se han aplicado distintas tcnicas de programacin para determinar los tiempos de ejecucin de cada una de las actividades de una obra civil, entre ellas, las ms usuales: C.P.M. (Critical Path Method) y PERT. Existe otra tcnica llamada P.D.M. (Precedence Diagramming Method), la cual no es muy utilizada para este tipo de proyectos que ofrece claras ventajas sobre C.P.M., siendo la principal que no existe la necesidad de descomponer las actividades en avances porcentuales como ocurre en C.P.M. Cabe hacer mencin que la utilizacin de la tcnica de simulacin Monte Carlo en la administracin de riesgos se sustenta con lo que dice Jos Nio Mo ra (2006): Tales modelos pueden incorporan tantos aspectos del sistema real como se estime necesario, y proporcionan una amplia flexibilidad al analista para variar parmetros o supuestos. En particular, los modelos de simulacin permiten simular la evolucin en el tiempo del sistema de inters, incluyendo los sucesos aleatorios que pueden influir en tal evolucin. Para estudiar el comportamiento del sistema simulado se emplean tcnicas y mtodos de estadstica, tales como estimacin de parmetros y determinacin de intervalos de confianza. Tal enfoque se conoce como mtodo de Monte Carlo. Y ya explcitamente hablando de la industria de la construccin, David M. Wall (2004) dice: El uso de la simulacin Monte Carlo en los anlisis de costos de construccin es de importancia para los profesionales y es parte del anlisis de riesgos en los proyectos de construccin

Tambin el mismo David M. Wall recalca que los profesionales de la construccin han incrementado su inters en las tcnicas apropiadas del anlisis de riesgos. Flanagan y Norman (1993) y Raftery (1994), introducen a los mtodos analticos para el anlisis de riesgos, incluyen en sus pginas la discusin del mtodo de simulacin Monte Carlo. Los autores mencionados ven este mtodo como el apropiado para el uso en el sector de la construccin y lo consideran como una herramienta poderosa para el anlisis de riesgos asociados con la estimacin de los costos de proyectos. En este trabajo se presenta pues el ejemplo de la simulacin de las duraciones de una red de un proyecto especfico utilizando un programa en Excel aplicando el mtodo de simulacin Montecarlo. Se concluye que es posible el desarrollo de un paquete de cmputo bajo la plataforma de Excel con macros en Visual-Basic para efectuar el anlisis de riesgos para la planeacin de proyectos. Palabras clave: Correlacin, Tiempo de duracin ms probable, Costo directo, Costo indirecto, Simulacin, Mtodo P.D.M. (Precedence Diagramming Method), ndice de criticalidad.

INTRODUCCIN

I.- Anlisis de riesgos I.1.- El riesgo en la construccin La industria de la construccin, tal vez ms que la mayora, est particularmente plagada de riesgos (Flanagan & Norman 1993), pero estos riesgos a menudo no son tratados adecuadamente, por lo que los malos resultados son palpables con el aumento de los costos y los retrasos (Thompson & Perry 1992). Los proyectos de construccin son cada vez ms complejos y dinmicos en su naturaleza, y la introduccin de nuevos mtodos han hecho que muchos contratistas se hayan visto obligados a replantearse el concepto de la forma en que los riesgos son tratados en el marco de sus proyectos y organizaciones. La atencin se ha centrado en el anlisis cuantitativo de riesgos basado en la estimacin de probabilidades y distribuciones de probabilidad para el tiempo y el anlisis de costos. (J. H. M. TAH & V.CARR 2004).

FIGURA 1.- Diagrama de los posibles riesgos en un proyecto de construccin Fuente: (J. H. M. TA H & V.CARR 2004)

El anlisis de riesgo cuantitativo es habitualmente ignorado en la gestin de los riesgos de construccin, a pesar de numerosas tcnicas disponibles. Una de las deficiencias cuantitativas convencionales de las tcnicas de anlisis de riesgo es que slo pueden analizar tanto la duracin o costo. En vista de ello, un conjunto de costos influyen en la duracin de la red que representa sistemticamente las interdependencias entre la duracin y los parmetros de los costos de construccin de una tarea que se ha desarrollado. La estructura genrica de la influencia de la red puede ser utilizada explcitamente para la elaboracin de modelos de riesgo que afectan a cualquier tarea de construccin, y la naturaleza de los riesgos pueden ser investigados en el proceso de elaboracin de modelos de riesgo. Adems, el modelo de riesgo potencialmente pueden ser propagado a travs de la red de influencia para cuantificar el riesgo ajustado en funcin de la duracin y el costo tarea simultneamente. As pues, la influencia de red proporciona la base para el desempeo de duracin integrado costo y riesgo de modelos de simulacin investigados en el futuro. (Y. P. POH and J. H. M. TAH, 2006) I.2.-La simulacin como herramienta del anlisis de riesgos I.2.A.- Definicin La simulacin es un tipo especfico de modelizacin por el que se trata de representar la realidad de una forma simplificada. Al igual que ocurre con los modelos matemtico-estadsticos, los modelos de simulacin cuentan con una

serie de inputs o datos de partida que el investigador incluye en el modelo y una serie de outputs o resultados que se desprenden de l (Gilbert y Troitzsch, 1999). Es necesario destacar que las simulaciones no son poco rigurosas o acientficas. De hecho, la simulacin puede aumentar considerablemente el rigor ti l de los modelos. Una diferencia importante entre la simulacin y la representacin matemtica es que las dificultades con modelos de la simulacin resultan a menudo de orden prctico, involucrando la necesidad de ms datos o de computadoras ms rpidas, mientras que en los modelos matemticos revelan a menudo tensiones inherentes o inconsistencias a nivel terico que son ms difciles de resolver (Chattoe, 1995). I.2.B.- Tcnicas de simulacin I.2.B.a.- Simulacin Monte Carlo La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos (muestreo aleatorio) con la capacidad que tienen las computadoras para generar nmeros pseudo-aleatorios y automatizar clculos. Los orgenes de esta tcnica estn ligados al trabajo desarrollado por Stan Ulam y John Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimiento aleatorio de los neutrones. La clave de la simulacin Monte Carlo consiste en crear un modelo matemtico del sistema, proceso o actividad que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global del sistema. Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo un experimento consistente en (1) generar con ayuda del ordenador-muestras aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento del sistema ante los valores generados. Tras repetir n veces este experimento, se dispondrn de n observaciones sobre el comportamiento del sistema, lo cual ser de utilidad para entender el funcionamiento del mismo obviamente, el anlisis ser tanto ms preciso cuanto mayor sea el nmero n de experimentos que se lleven a cabo. Seila, A.F. (2001). La simulacin de Monte Carlo est presente en todos aquellos mbitos en los que el comportamiento aleatorio o probabilstico desempea un papel fundamental. Gedam, S.G.; Beaudet, S.T. (2000). Segn Marcelo Claudio Priss, profesor titular de proyectos informticos de la Universidad de Ciencias Empresariales y Sociales de Bogot, Colombia: El mtodo de Monte Carlo es una herramienta de investigacin y planeamiento; bsicamente es una tcnica de muestreo artificial, empleada para operar numricamente sistemas complejos que tengan componentes aleatorios.

Gracias a la constante evolucin de las microcomputadoras, en lo que se refiere a su capacidad de procesamiento de la informacin, el mtodo de Monte Carlo es cada vez ms frecuentemente utilizado. El concepto de simulacin, es el descrito en los estudios de Robert E. Shannon: "Simulacin es el proceso de disear y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este modelo con el propsito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema" El conjunto de resultados, producidos a lo largo de todas las simulaciones, podrn ser analizados estadsticamente y proveer resultados en trminos de probabilidad. Por otro lado Conley William (2007) hace nfasis de que la importancia de la simulacin en este siglo XXI no puede subestimarse, asimismo, la optimizacin es de vital importancia en los negocios, la industria, la ingeniera y la ciencia. Estos campos suelen requerir el anlisis de conjuntos de datos para ver si las variables estn correlacionadas y si dichos datos pueden ser utilizados en la prediccin. El mtodo Monte Carlo es muy adecuado para utilizarlo en estos anlisis, sobre todo porque se adeca perfectamente en esta era presente de las computadoras. I.2.B.a.1.- La simulacin Monte Carlo en computadoras: Son muchos los autores que han apostado por utilizar hojas de clculo para realizar simulacin Monte Carlo. La potencia de las hojas de clculo reside en su universalidad, en su facilidad de uso, en su capacidad para recalcular valores. Las ltimas versiones de Excel incorporan, adems, un lenguaje de programacin propio, el Visual Basic for Applications, con el cual es posible crear autnticas aplicaciones de simulacin destinadas al usuario final (Eckstein, J; Riedmueller, S.T. 2002). Las hojas de clculo como Excel (y cualquier lenguaje de programacin estndar) son capaces de generar nmeros pseudo-aleatorios provenientes de una distribucin uniforme entre el 0 y el 1. Este tipo de nmeros pseudo-aleatorios son los elementos bsicos a partir de los cuales se desarrolla cualquier simulacin por ordenador. En Excel, es posible obtener un nmero pseudo-aleatorio -proveniente de una distribucin uniforme entre el 0 y el 1- usando la funcin ALEATORIO:

I.2.B.a.2.-Nmero de repeticiones para las simulaciones: Cuando se modela un sistema mediante un programa de computadora los resultados que se obtengan se debern analizar de manera estadstica, puesto que la simulacin se basa en conjuntos de aleatorios que representan los posibles valores obtenidos en la realidad en cada variable, en consecuencia, para tener una visin clara de lo que es posible que ocurra con mayor probabilidad, es necesario utilizar diversos conjuntos de aleatorios y estudiar en el sentido estadstico los resultados de la simulacin. MTODOS Y TNCNICAS A UTILIZAR. Se propuso la resolucin de una red de un proyecto consistente en las siguientes actividades por el mtodo de programacin P.D.M.

Cuyas duraciones posibles (ptima y psima) son las siguientes:

Se efectu la programacin Visual Basic para aplicaciones en Microsoft Excel para efectuar la seleccin aleatoria de las posibles duraciones que puede tomar cada actividad y efectuar la resolucin cada vez, el usuario define el nmero mximo de simulaciones. La interface de usuario completa es:

En el cuadro que indica Nmero de simulaciones, el usuario define el nmero total de simulaciones a calcular, una vez definido se oprime el botn Simular 1 por 1 para efectuar paso a paso cada simulacin, si se requiere acelerar el proceso, se oprime el botn Simular todo y las simulaciones continan sin la intervencin del usuario. Para cada simulacin se monitorea la criticalidad de cada una de las actividades de la red y la duracin total de la red, los botones Restablecer y Borrar sirven para inicializar todas las variables y poder introducir una nueva simulacin, el botn Enviar, exporta a un archivo de base de datos .mdb los resultados obtenidos. RESULTADOS OBTENIDOS Se introduce un nmero de simulaciones de 25,000 (pueden ser muchas ms), se efecta la primera simulacin y se obtiene lo siguiente:

La duracin del proyecto fue de 17 unidades de tiempo, la ruta crtica las actividades 1,3,5,6. Se procede con las restantes 24,999 simulaciones y se tiene lo siguiente:

CONCLUSIONES 1.- Se puede observar que al trmino de las simulaciones, el software genera una grfica de frecuencias de las duraciones obtenidas para todo el proyecto contra el nmero de veces que esa duracin apareci, en este caso se puede observar que la grfica de distribucin de frecuencias tiende a una curva normal o campana de Gauss. 2.- Se obtiene la duracin ms probable de terminacin del proyecto que en este caso se representa como la media de las duraciones que es de 18.99 unidades de tiempo. 3.- Segn la variabilidad de cada una de las actividades en lo que respecta a su tiempo ptimo y psimo es posible que en cualquier momento dejen de ser crticas actividades que eran crticas y que se conviertan en crticas actividades que no lo eran, por lo que, se obtiene como resultado la tabla de ndice de criticalidad que muestra a las actividades 2 y 4 como actividades 0.94% crticas, es decir, del nmero de simulaciones totales (25,000) solamente resultaron crticas 234 veces y las actividades 1,3,5 y 6 siempre resultaron crticas, por lo que son las actividades en las que hay que tener especial cuidado.

Este mtodo, apoyado por la computadora, sirve como una herramienta para minimizar la incertidumbre y que facilite a los administradores la toma de decisiones en base a argumentos cientficos. BIBLIOGRAFA CONSULTADA 1.- Lionel.- Quantitative Risk Analysis for Project Management: A critical review. RAND Corporation working paper. February 2004) 2.- Jos Nio Mora.- ITIG-UC3M 2007/08: Investigacin Operativa Semana # 14: Simulacin I: El mtodo de Monte Carlo y aplicaciones; generacin de nmeros pseudo-aleatorios) 3.- Flanagan, R. & Norman, G. (1993) Risk Management and Construction. Blackwell, Oxford. 4.- J. H. M. TAH & V.CARR (2004).- Project Systems Engineering Research Unit, School of Construction, South Bank Uni versity, Wandsworth Road, London SW 8 2JZ, UK 5.- Y. P. POH and J. H. M. TAH Construction Management and Economics (August 2006) 24, 861868 6.- Seila, A.F. (2001): Spreadsheet Simulation. Proceedings of the 2001 Winter Simulation Conference, pp. 74-78. 7.- Gedam, S.G.; Beaudet, S.T. (2000): Monte Carlo Simulation using Excel Spreadsheet for Predicting Reliability of a Complex System. Proceedings Annual Reliability and Maintainability Symposium). 8.- Marcelo Claudio Priss.- Proyectos Informticos Metodologa Estructurada Simplificada, ISNB: 987-43-2947-5, Biblioteca Digital 2001. 9.- Conley, William.- Departments of Business Administration and Mathematics, University of Wisconsin, Green Bay, 54311-7001 USA, tomado de: International Journal of Systems Science; Dec 2007, Vol. 38 Issue 12, p1013-1019 10.- Evans, J.R. (2000): Spreadsheets as a Tool for Teaching Simulation<. Informs Transactions On Education Volume 1, Number 1. http://ite.informs.org/Vol1No1/evans/evans.html. 11.- J. Banks,"Discrete events system simulation").Prentice Hall, 2003.

12.- Eckstein, J; Riedmueller, S.T. (2002): YASAI: Yet Another Add-in for Teaching Elementary Monte Carlo Simulation in Excel. Informs Transactions On Education. Volume 2, Number 2. 13.- Hillier F, Lieberman G. Introduccin a la Investigacin de Operaciones. McGraw-Hill Editores. 1997. 14.- www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r7024.DOC 15.- http://www.palisade.com/ 16.- www.impalarisk.com 17.- www.aertia.com

También podría gustarte