3mc 140801073507 Phpapp02

3 T&H Cuantitativas para
Gestionar la Incertidumbre
en los Proyectos
Parte I
Ing. Pablo Ortiz, MSc, PMP

Julio de 2010
Agenda
Objetivo
El problema de la Incertidumbre
Incertidumbre y el PMBOK
Fundamentos de Probabilidad
◦ Probabilidad
◦ Eventos mutuamente excluyentes e independientes
◦ Variables aleatorias
◦ Distribuciones de Probabilidad
◦ El Teorema Central del Límite
PERT recargado
Análisis Monte Carlo
Julio 2010 Ing. Pablo Ortiz, MSc, PMP 2
Objetivo
Trabajar sobre el tema de la

incertidumbre en los
proyectos y analizar técnicas
y herramientas cuantitativas
(especialmente
probabilísticas) que nos
permitan gestionar la misma
“You cannot be certain about uncertainty”

Accidente TERAC 25
3 pacientes muertos
Incertidumbre
Túnel del Canal de la

Mancha
Atraso > 2 años 140% sobrecosto
Funciones recortadas Julio 2010 Ing. Pablo Ortiz, MSc, PMP 4
Incertidumbre
“Uncertainty is therefore imperfect knowledge and

risk is uncertain consequences”
“Hemos concluido que la incertidumbre existente en

cada proyecto es la principal causa subyacente
de muchos de los problemas”
E. Goldratt. Critical Chain
YOU CAN’T IMPOSE CERTAINTY ON UNCERTAINTY

YOU MUST LEARN TO MANAGE THE UNCERTAINTY

El Cono de Incertidumbre en los
Proyectos de TI Las estimaciones
tempranas en los
proyectos son siempre
ampliamente imprecisas
[+50%;-33%] PMBOK tiene un enfoque

similar pero asimétrico;
S. McConnell- 2007 ROM [+75%;-25%]??
La Incertidumbre y la Estimación
“As you have no doubt experienced, a project’s
greatest uncertainty is its completion date (which
also affects cost). When the project plan is laid
out in black and white with activities and times, it
becomes a very deterministic view. The project
manager must understand the effects of
probability and educate the stakeholders
concerning the challenges of accurate estimating
and its effect on a predetermined schedule”
Budd, C., y Budd C.S.. A practical guide to Earned Value Project Management, 2005
La mayoría del esfuerzo en la planificación de proyectos

actualmente se realiza de una forma estrictamente determinista,
donde las tareas del proyecto están asignadas y ejecutadas en un
marco de tiempo bien definido
Porqué?? Julio 2010 Ing. Pablo Ortiz, MSc, PMP 7

Breve historia de algunas T&H
GANTT
1910-1915 GP
1981
CPM
1946
PERT
1957 Gerente de
Proyecto
Cadena Monte
Crítica Carlo
1997 1949
Herramientas (GP-1963;
pre-PC’s 70% 17% viable
GP GP2010
Julio Ing. Pablo Ortiz, MSc, PMP
>80’s) 8
Estimaciones como afirmaciones
probabilísticas
Las estimaciones
se expresan
normalmente
como un solo
punto, lo cual no
es realista porque
no se indica la
probabilidad
asociada al punto
“Todos los puntos están asociados con una

S. McConnell., 2006
probabilidad, explícita o implícitamente”
Distribuciones de probabilidad
Posible
mas
realista
Steve McConnell.2006
Incertidumbre y el PMBOK
28 veces aparece la palabra “uncertainty” (aunque no
se define explícitamente) en el PMBOK (sin
considerar figuras o el glosario)
vinculado principalmente a las Gestión del
Alcance
siguientes Áreas de Conocimiento:
Gestión
de Gestión de
Gestión de Tiempos Tiempos Costos
Gestión de Costos
Gestión de Riesgos Gestión de Gestión de
Gestión de Calidad Calidad Riesgos
Gestión del Alcance
Específicamente vinculadas a las siguientes T&H:

T&H Costos
Análisis de
T Reservas
i
Estimación
e 3 puntos
m (PERT)
Cadena Simulación
p Crítica Monte Carlo Distribuciones
(What-If) de Probabilidad
o
s Análisis de Valor Monetario
Sensibilidad Esperado
Riesgos
Incertidumbre, Probabilidad y
Estadística
“Los GP exitosos son aquellos que
rápidamente comprenden la
necesidad de evaluar la
incertidumbre”
“La Gestión de Riesgos es el proceso,

pero la probabilidad y la estadística
proveen el respaldo…”
J. Googdpasture. Quantitative Methods in Project Management
“Probability is the language of Teorema COX

uncertainty” J.Schuyler, 2001 Julio 2010 Ing. Pablo Ortiz, MSc, PMP 13

1. Probabilidad
2. Eventos independientes y
mutuamente excluyentes
3. Variables Aleatorias
4. Distribuciones de Probabilidad
5. Teorema Central del Límite

Ejercicio clásico
En la convergencia de caminos del ejemplo adjunto, si las
probabilidades de completar las actividades 1,2, y 3 son 50%, 50%
y 50%, respectivamente, ¿cuáles son las chances de comenzar la
actividad 4 en el día 6?
Porqué?
a) 10% b) 13% c) 40% d) 50%

Frecuencia relativa y Probabilidad
Supongamos un experimento el cual tiene N posible
resultados. Entonces la probabilidad que un evento A
ocurra es igual al número de veces que el evento
pueda ocurrir, dividido el número total de posibles
resultados.
Número de veces que aparece A

Frecuencia relativa de un evento A =
N
Probabilidad de un suceso es el número al que

tiende la frecuencia relativa del suceso a medida
que el número de veces que se realiza el
experimento crece
Probabilidad
La Probabilidad es una forma de expresar el
conocimiento o la creencia que un evento va a ocurrir o
ha ocurrido
La probabilidad de un evento A es representado por

un número real en el rango de 0 a 1 y es escrito como
P(A), p(A) o Pr(A). Se asigna una probabilidad de 0 a
los eventos que no pueden ocurrir y una probabilidad
de 1 a aquellos que tienen certeza
0≤P(A)≤1 Wikipedia,2010

Ejemplo. Resultados del
Ejemplo.
lanzamiento de un dado

Posibles resultados del
lanzamiento de un par de dados

Probabilidades en el lanzamiento de
un par de dados
¿Cuál es la probabilidad de obtener 1 2/36
y 3?
¿Cuál es la probabilidad de obtener 1/36

dos 6?
¿Cuál es la probabilidad de que

11/36
cualquiera de los dos sea un 3?
http://gwydir.demon.co.uk/jo/probability/calcdice.htm
2/36
Posibles resultados del 1/36
lanzamiento de un par de dados 11/36

Diagramas de Venn
B
B A B A
S S A S
A∩B: intersección de A y B A∪B: unión de A y B A y B mutuamente excluyente

Eventos mutuamente excluyentes
Regla de la Suma
La intersección de dos eventos A y B, notados como
A I B, es el conjunto de todos los resultados que están
tanto en A y en B, por ej, si
A = {a, b, c, d} B = {b, d, f, g, h} entonces
A I B = {b, d}
Dos eventos A y B son mutuamente excluyentes o

disjuntos si no tienen ningún resultado en común, o sea
su intersección es vacía => no pueden ocurrir a la misma
vez
Se cumple entonces: si A I B = , P(AUB)=P(A)+P(B)
Por ej. la probabilidad de obtener 1 ó 3 en un

lanzamiento de un dado es: P(1)+P(3)= 1/6+1/6=
Julio 2010 Ing. 2/6=1/324
Pablo Ortiz, MSc, PMP
¿Donde se usa
usa??
Valor Monetario Esperado. Arboles de Decisión
P(1.1)*O1.1+P(1.2)*O1.2+P(1.3)*O1.3

Eventos independientes
A
Regla de la multiplicación B
Dos eventos A y B son llamados independientes si la

ocurrencia de B no cambia la probabilidad de que A
ocurra. Por ej. si se tiran dos monedas la
probabilidad de obtener cara en ambas es P(obtener
cara en la primera y la segunda)= ½ x ½ = ¼
P(A∩B) = P(A) · P(B)
Otra forma de decirlo es que “no comparten

información”
Eventos Independientes y Mutuamente
Excluyentes
Si dos eventos son mutuamente excluyentes, entonces

no pueden ser independientes y viceversa
Problema planteado (d.17)…

1. ¿Son mutuamente 50%
excluyentes o
independientes? ¿porqué?
2. ¿Cuál es la probabilidad?
6?
P(A1∩A2 ∩A3)=P(A1).P(A2).P(A3)=0,5x0,5x0,5=0,125≈ 0,13=13%
Variables Aleatorias
En matemáticas una variable aleatoria (o estadística o
estocástica) es una variable cuyo valor es una función
del resultado de un experimento estadístico que da
valor numérico a cada suceso en Ω (espacio muestral):
fdp discreta
Existen dos tipos de variables aleatorias:

discretas y continuas. Nos importan estas fdp continua
últimas.
Una variable aleatoria tiene una distribución

de probabilidad asociada y frecuentemente una
función de densidad de probabilidad (fdp)
Wikipedia, 2010
Variables Aleatorias. Ejemplo
Supongamos que queremos representar la posibilidad
que mañana llueva lo cual puede ser representado por
la siguiente variable aleatoria:
Ω = {llueve, no llueve}
1 ; si llueve
Esta variable
X= es discreta o
0 ; si no llueve continua?
si son igualmente probable cualquiera de los dos

eventos se define la función de densidad de
probabilidad (fdp):
½ ; si x= 1
f(x) = ½ ; si x= 0
0 ; de otra manera Julio 2010 Ing. Pablo Ortiz, MSc, PMP 29
Distribuciones de
Probabilidad*
*Funciones de Densidad de Probabilidad-fdp Julio 2010 Ing. Pablo Ortiz, MSc, PMP 30
Referencia en el PMBOK
PMBOK, 4ta. Ed. ,p. 298

¿Qué es un Función de Distribución?
En teoría de la probabilidad, la
función de densidad de
probabilidad, función de densidad,
o, simplemente, densidad de una
variable aleatoria continua es una
función, usualmente denominada
f(x) que describe la densidad de la
probabilidad en cada punto del
espacio de tal manera que la
probabilidad de que la variable aleatoria tome un valor
dentro de un determinado conjunto sea la integral de la
función de densidad sobre dicho conjunto.
Wikipedia, 2010

Propiedades
La Función de Probabilidad tiene las siguientes
propiedades:
Dado que las variables aleatorias continuas están

definidas sobre un rango continuo de valores (llamado
el dominio de la variable), la gráfica de la función de
densidad deberá ser continua sobre ese rango
El área debajo de la curva de la función es igual a 1

cuando es calculada sobre el dominio de la variable
La probabilidad que la variable aleatoria asuma un valor

entre a y b es igual al área bajo la función de densidad
en el rango acotado por a y b
Uniforme
Todos los valores dentro del rango factible tienen la

misma densidad de probabilidad
Parámetros : Uniforme (min,max)
Aplicaciones: U(0,1) se usa en la generación de los

valores de todas las demás distribuciones de
probabilidad en el muestreo aleatorio
Excel: ALEATORIO.ENTRE(min;max);
min +ALEATORIO()(max –min )
Ejemplos y Uso de
distribución uniforme
Lanzamiento de una moneda
Lanzamiento de un dado
Ruleta
Lotería
Ej. min=1;max=3
Uso
Cualquiervalor entre el mínimo y el máximo tiene
igual probabilidad
Muchos lenguages de programación tienen la
habilidad de generar números pseudo-aleatorios los
cuales se distribuyen de acuerdo a la distribución
uniforme Julio 2010 Ing. Pablo Ortiz, MSc, PMP 35
Triangular
La bibliografía sugiere usar esta distribución cuando la

distribución subyacente se desconce y todo lo que
puede precisarse de la misma es el valor mínimo, el
valor máximo y el valor mas probable (“an inspired
guess as to what the modal value might be”)
Parámetros: Triang (min, +prob, max)

Triangular (cont.)
Sus propiedades estadísticas se derivan de su forma, no

de una teoría subyacente (no modela fenom. reales)
Es de definición intuitiva y de gran flexibilidad en cuanto

a geometrías posibles
La forma de la distribución usualmente lleva a

sobreestimar la densidad de las colas y a subestimar la
densidad en el “tronco” de la distribución.

Función Triangular. Fórmulas

Generación de una dist
dist.. Triangular
a partir de una distr.
distr. Uniforme
Sea p una variable generada a partir de una
distribución Uniforme en el intervalo (0,1), sea G(p) la
función inversa de F (F-1(p))* con distribución
triangular, se cumple: Excel
* Método de Transformación Inversa. Lo explicaremos en detalle en la Parte II

Triangular. Uso
La Distribución Triangular es típicamente usada como
una descripción subjetiva de una población para la cual
existe solamante un conjunto limitado de datos de
muestra, y especialmente cuando las relaciones entre
las variables es conocida pero son escasos
(posiblemente debido al alto costo de recolectarlos)
Es usada también cuando se quiere manejar una

estimación mas pesimista que la Beta (ver
justificación mas adelante)

Distribución Beta
La distribución Beta es una familia de distribuciones

de probabilidad continua definidas en el intervalo (0,
1) con dos parámetros positivos que determinan la
forma, típicamente notados como α y β
La distribución Beta puede tomar muchas formas,

según los valores de α y β
Es generalmente usada cuando no existen datos

históricos sólidos en los cuales basar la estimación de
las actividades

Función de Probabilidad (fdp
(fdp))
Wikipedia,2010

Formulación completa de la Beta
Beta genérica

Relación entre la fórmula de PERT y la
distribución Beta
1. Otener las estimaciones para la tarea de los tiempos
optimistas, mas probable y pesimista
2. Estimar la media y desviación estándar usando las
ecuaciones (iii) y (iv):
3. Use las ecuaciones (v) y (vi) para calcular los

parámetros que son consistentes con la media y
desviación estándar

Interpretación informal (extraído del
Libro “Cadena Crítica” de E.Goldratt)
E.Goldratt)
◦ ¿Cuánto tiempo le lleva llegar a la Universidad?
pregunto
◦ “Alrededor de 25 minutos”, contesta Brian
◦ “Qué significa alrededor”, pregunta
◦ “A veces 30 minutos, a veces menos, depende el
tráfico”
E. Goldratt- Critical Chain, p. 43-45

Cont.
◦ “…Precisamente, ….5 minutos tiene 0 probabilidad,
25 minutos tiene la mayor probabilidad, pero aún 3
horas tienen una probabilidad positiva”
E. Goldratt- Critical Chain, p. 43-45 Julio 2010 Ing. Pablo Ortiz, MSc, PMP 46
Cont. II
◦ “…Cuanto mayor es la incertidumbre, mayor es el
largo de la cola de la distribución
E. Goldratt- Critical Chain, p. 43-45 Julio 2010 Ing. Pablo Ortiz, MSc, PMP 47
Aproximación de la Beta a la Normal
El Teorema Central del Límite
"Winwood Reade is good upon the
subject," said Holmes. "He remarks
that, while the individual man is an
insoluble puzzle, in the aggregate he
becomes a mathematical certainty.
You can, for example, never foretell
what any one man will do, but you can
say with precision what an average
number will be up to. Individuals
vary, but percentages remain
constant. So says the statistician.
A. Conan Doyle- The Sign of the Four (1890-Sherlock Holmes)

Aproximación Normal a la Beta
Cuando se trata el tema de la
distribución Beta, se afirma
que:
µ±σ ≈ 68% de los valores

µ±2σ ≈ 95% de los valores
µ±3σ ≈ 99% de los valores
Pero esto aplica a la Distribución

Normal, ¿porqué es válido?
• El uso de las propiedades de la Distribución Normal está basado

en la aplicación del Teorema Central del Límite el cual afirma que
la suma (o promedio) de actividades independientes es
normalmente distribuida si el número de actividades es grande (no
importa cual sea la distribución de estas variables)

Teorema Central del Límite (TCL)
muestra
…
El lanzamiento
de un dado La suma o promedio de una
tiene una en muestra (por ej. el
Distribución cambio…. lanzamiento de 12 dados)
Uniforme tiene una Distribución
Normal
Definición de TCL. Demostración práctica
El Teorema Central del Límite (TCL) expresa que la media y la
suma de una muestra suficientemente grande (usualmente n>30 o 25)
de una (escencialmente) distribución arbitraria tiene una
distribución aproximadamente normal.
Dada una muestra de variables aleatorias X1, . . . ,X n con µ = E(Xi) y

σ2= Var(Xi), se cumple:
1. La suma de la muestra: es aprox. normal
2. La media de la muestra: es aprox. normal
A.J. Hildebrand
Hoja de cálculo de
Microsoft Office Exce
If you are the expert, the best distribution is
¿Qué distribución the one that completely expresses your belief
usar? about the uncertainty, J. Schuyler
1. La distribución Triangular, tiene una media que es

igual al promedio de los 3 parámetros, estos es,
(Min+Moda+Max)/3. La media es igualmente sensitiva
a cada parámetro.
2. La distribución Beta tiene una media que es igual a

(Min+4*Moda+Max)/6, en otras palabras es el
promedio de los tres parámetros pero con un peso 4
veces mayor en la Moda.
3. a= tiempo optimista P(finalizar≤ a)= ≈.01, 1%=>

Percentil 10
b = tiempo pesimista P(finalizar ≥b) < ≈.01 => P 90
Cont I.
4. Tener presente que la distribución Triangular tiene 0
probabilidad en el Máximo, lo cual es improbable
(recordar ejemplo de Goldratt)
5. En la vida real, somos capaces de dar una estimación

mas confiable de la Moda (el valor mas frecuente) que
el de los extremos. Por ej. si se nos pregunta “¿cuál es
el costo máximo de este proyecto?” empezamos a
imaginar todas las cosas que pueden salir mal, lo cual
dificulta una respuesta definitiva

Cont. II
6. La distribución Triangular es mas pesimista que la PERT cuando el
sesgo es positivo y mas optimista en caso que es negativo. En el
ejemplo de la izquierda ambas tienen el valor mas probable igual
(30), pero el área a la derecha es 65% para la Beta y 78% para la
Triangular. La de la derecha con valor mas probable de 35 tienen
un área de 44% para la Beta y 38% para la Triangular
Kyritopolus, K, et al., 2008

Estadísticas para las Distribuciones
mas Comunes
J. Goodpasture- Quantitative Methods in Project Management, p. 53

PERT Recargado

Estimación de 3 Puntos
Media=
Optimista+ 4 *Mas probable + Pesimista

________________________________
6

Aproximaciones a PERT. Limitaciones.
• Los valores de media y desvío son aproximaciones
válidas y son exactas únicamente para valores
particulares de α y β, específicamente:
α =3- √2 ≈ 1,6 ó 3+√2 ≈ 4,4

β =3+ √2 ≈ 4,4 ó 3-√2 ≈ 1,6
Grubbs, 1962
• El camino crítico comprende pocas tareas, menos de la

que las que el teorema central del límite requiere (n~25)
• Enfoque excesivo en el camino crítico, ignorando

caminos casi críticos (near critical path) que pueden
volverse críticos (Williams, 2005)
Simulación Monte Carlo para el
análisis de la incertidumbre
“We balance
probabilities and
choose the most
likely. It is the
scientific use of the
imagination”
A. Conan Doyle. The Hound of the Baskervilles (1902)

Análisis Monte Carlo en el PMBOK
Gestión de Tiempos. Análisis de
Escenarios What-If.
“La técnica mas común es la del

Análisis Monte Carlo (Sección
11.4.2.2), en el cual se define una
distribución de duraciones
posibles para cada actividad, que
es usada para calcular una
distribución de posibles
resultados para todo el proyecto ”
(p.156 Ing., p.137 Esp.)

¿Qué es la simulación Monte Carlo?
Método computacional usado para
estudiar el comportamiento de
sistemas matemáticos, físicos o de
cualquier índole, a partir del uso de
muestreo estadístico, números
aleatorios y pseudo-aleatorios.
Es iterativo -> requiere cálculos por
computador.
Las técnicas de Monte Carlo pueden
ser usadas para encontrar soluciones
aproximadas a problemas
cuantitativos, con o sin incertidumbre.
Introducción al Método Monte Carlo
El método Monte Carlo básicamente
es una forma de resolver problemas
complejos mediante aproximaciones
usando gran cantidad de números
aleatorios
Desarrollado por S. Ulam y N.

Metropolis en 1949
Modelo básico:
1. Un conjunto de variables de entrada
generadas aleatoriamente a partir de
determinadas distribuciones de probabilidad
Fuente:
2. Elección de un modelo http://www.vertex42.com/ExcelArticl
es/mc/MonteCarloSimulation.html
3. Resultado de la simulación
Ejemplo: Aproximación de π por el MMC
Área Círculo = π r2 = π
L=2
1 Área Cuadrado= L2= 4
Área Círculo = π
0.5
Área Cuadrado 4
r=1
4 * Área Círculo = π
Área Cuadrado
0
Si n es grande podemos
-0.5
pensar que es válida la aprox.:
-1
-1 -0,5 0 0,5 1 4 *puntos_en_el_circulo = π
n (total de ptos.)
Referencia: http://twtmas.mpei.ac.ru/mas/Worksheets/approxpi.mcd
¿Qué podemos deducir?. Pasos
4 *puntos_en_el_circulo = aprox π
1. Crear un modelo paramétrico n
y = f(x1,…,x n)
Se generan nros. randómicos

2. Generar un conjunto de con distribución uniforme para
números randómicos xi1, ….xin x => g(xi1) ; g(xi2) ; …. g(xin) ;
3. Evaluar el modelo y guardar el aprox_π =

resultado como yk
yk = f(g(xki))
4. Repetir los pasos 2 a 3 para

i= 1 a n
5. Analizar los resultados usando

histogramas, intervalos de err= | aprox_π – π|
confianza, etc.
Ing. Pablo Ortiz,
JulioMSc,
2010PMP 64
Resumiendo..
gi(x)
James F. Wright, 2002 Julio 2010 Ing. Pablo Ortiz, MSc, PMP 65
Ejemplo práctico Problema…
Actividad A 12
Actividad B 15
días
Actividad C 10
Actividad D 5
Actividad E 22
A Actividad F 6
B
“distribución de
C
duraciones posibles
para cada actividad “ D
(Uniforme)
E
700 1
F
Se puede definir la distribución mas 200 0,5
adecuada a la duración de cada TAREA y -300 0
no necesariamente al PROYECTO entero
“una distribución de posibles resultados

Nota: la cantidad de tareas debe ser >25, para todo el proyecto “
recordar TCL, este es un ejemplo simplificado
Hoja de Cálculo
Hoja de cálculo
de Microsoft Office Excel
Monte Carlo
Determinista PERT Tamaño de la muestra (n) 10.000
Duración Media 73,78

del 70 72,50 Desvío Estándar 4,58
Proyecto Desvío Estándar de la Media 0,046
Simulación con Distribución Triangular
Hoja de cálculo
de Microsoft Office Excel
Determinista PERT
Duración
del 70 72,50
Proyecto

Preguntas del GP. Lo importante…
Williams (2003) indica que la simulación Monte Carlo
ayuda al Gerente de Proyectos a responder preguntas
tales como: Probabilidad Objetivo
¿Cuál es la probabilidad de Días Probalidad Éxito

60 0,0%
alcanzar una fecha 62 0,3%
(duración) determinada del 64 1,2%
proyecto? 66 4,2%
68 10,6%
70 21,2%
¿Cuál es duración del 72 34,7%
proyecto con un confianza 74 51,4%

76 67,7%
del 90%? 78 81,1%
80 90,9%
Conociendo la probabilidad de 82 96,4%
terminar en una fecha 84 99,0%
determinada el GP puede 86 99,9%

90 100,0%
establecer una reserva en el crono
para el proyecto Julio 2010 Ing. Pablo Ortiz, MSc, PMP 69
Análisis MC, cuestiones pendientes…
1. ¿Cómo se simulan distribuciones Beta y Normales?
2. ¿Cuándo N es suficiente?
3. Gestión del Riesgo. Técnicas de Análisis y Modelación

del Riesgo. Modelación y Simulación.
“La simulación de un proyecto en un modelo que traduce

los detalles de incertidumbre del proyecto en su
potencial impacto en los objetivos del proyecto. Las
simulaciones iterativas son realizadas típicamente
usando la técnica Monte Carlo” (p. 299)
Bibliografía breve
PMBOK. 4th Edition (2008) . Project Management Institute
PMBOK. 4ta. Edición (2008). Project Management Institute
Goodpasture, J. (2004). Quantitative Methods in Project Management. Ed. J. Ross Publishing
Anbari, F. (1997). Quantitative Methods for Project Management. International Institute for
Learning Inc.
Williams, T. (2003). The Contribution of Mathematical Modeling to the Practice of Project

Management. IMA Journal of Management Mathematics. 14(1), p.3
Referencias de Internet
Priano, M., Ochkov, V. http://www.vertex42.com/ExcelArticles/mc/MonteCarloSimulation.html

(consultado 25 de marzo de 2010)
Wikipedia. http://en.wikipedia.org/wiki/Monte_carlo_simulation
(consultado 15 de marzo de 2010)
Riskglossary.com. http://www.riskglossary.com/link/monte_carlo_method.htm
(consultado 08 de abril de 2010)

Bibliografía breve (cont
(cont))
Wittwer, J.W., "Monte Carlo Simulation Example: Sales Forecast“,
http://www.vertex42.com/ExcelArticles/mc/SalesForecast.html
(consultado 26 de julio de 2010)
Software Libre
SimTools. http://home.uchicago.edu/~rmyerson/addins.htm
(consultado 3 de mayo de 2010)
MonteCarlito. www.montecarlito.com
Monte Carlo Analysis for MS Project. http://sourceforge.net/projects/montecarloprj/

Otras Presentaciones
El Dilema del Prisionero y la GP. http://www.slideshare.net/p.ortiz.bochard/dilema-del-prisionero
(Diciembre 2009)

El Cono de Incertidumbre

3mc 140801073507 Phpapp02

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

3mc 140801073507 Phpapp02

Cargado por

Copyright:

Formatos disponibles

3 T&H Cuantitativas para

Ing. Pablo Ortiz, MSc, PMP

Trabajar sobre el tema de la

“You cannot be certain about uncertainty”

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 3

Túnel del Canal de la

“Uncertainty is therefore imperfect knowledge and

“Hemos concluido que la incertidumbre existente en

YOU CAN’T IMPOSE CERTAINTY ON UNCERTAINTY

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 5

[+50%;-33%] PMBOK tiene un enfoque

La mayoría del esfuerzo en la planificación de proyectos

Porqué?? Julio 2010 Ing. Pablo Ortiz, MSc, PMP 7

“Todos los puntos están asociados con una

Específicamente vinculadas a las siguientes T&H:

“La Gestión de Riesgos es el proceso,

“Probability is the language of Teorema COX

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 14

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 15

a) 10% b) 13% c) 40% d) 50%

Número de veces que aparece A

Probabilidad de un suceso es el número al que

La probabilidad de un evento A es representado por

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 18

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 19

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 20

¿Cuál es la probabilidad de obtener 1/36

¿Cuál es la probabilidad de que

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 22

A∩B: intersección de A y B A∪B: unión de A y B A y B mutuamente excluyente

Dos eventos A y B son mutuamente excluyentes o

Se cumple entonces: si A I B = , P(AUB)=P(A)+P(B)

Por ej. la probabilidad de obtener 1 ó 3 en un

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 25

Dos eventos A y B son llamados independientes si la

P(A∩B) = P(A) · P(B)

Otra forma de decirlo es que “no comparten

Si dos eventos son mutuamente excluyentes, entonces

Problema planteado (d.17)…

Existen dos tipos de variables aleatorias:

Una variable aleatoria tiene una distribución

si son igualmente probable cualquiera de los dos

PMBOK, 4ta. Ed. ,p. 298

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 32

Dado que las variables aleatorias continuas están

El área debajo de la curva de la función es igual a 1

La probabilidad que la variable aleatoria asuma un valor

Todos los valores dentro del rango factible tienen la

Parámetros : Uniforme (min,max)

Aplicaciones: U(0,1) se usa en la generación de los

La bibliografía sugiere usar esta distribución cuando la

Parámetros: Triang (min, +prob, max)

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 36

Sus propiedades estadísticas se derivan de su forma, no

Es de definición intuitiva y de gran flexibilidad en cuanto

La forma de la distribución usualmente lleva a

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 37

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 38

* Método de Transformación Inversa. Lo explicaremos en detalle en la Parte II

Es usada también cuando se quiere manejar una

Julio 2010 Ing. Pablo Ortiz, MSc, PMP 40

La distribución Beta es una familia de distribuciones

La distribución Beta puede tomar muchas formas,