Programación de Proyectos: Con Incertidumbres

PROGRAMACIÓN DE PROYECTOS
con INCERTIDUMBREs
El margen de duración: Cálculo y análisis
EDITORIAL
España - México - Colombia - Chile - Ecuador - Perú - Bolivia - Uruguay - Guatemala - Costa Rica
PROGRAMACIÓN DE PROYECTOS CON INCERTIDUMBRES
El Margen de Duración: Cálculo y Análisis
Autor: Javier Reátegui Villanueva
© Derechos de autor registrados:

Empresa Editora Macro EIRL
© Derechos de edición, arte gráfico y diagramación reservados:

Empresa Editora Macro EIRL
Jefe de edición:
Cynthia Arestegui Baca
Coordinación de edición:
Magaly Ramon Quiroz
Diseño de portada:
Alessandra Bonilla Zapata
Corrección de estilo:
José Vásquez Espíritu
Diagramación:
Lucero Monzón Morán
Edición a cargo de:

© Empresa Editora Macro EIRL
Av. Paseo de la República N.° 5613, Miraflores, Lima, Perú
Teléfono: (511) 748 0560

E-mail: proyectoeditorial@editorialmacro.com
Página web: www.editorialmacro.com
Primera edición e-book: mayo 2016
Disponible en: macro.bibliotecasemlinea.com
ISBN N.° 978-612-304-308-7

ISBN e-book N.° 978-612-304-399-5
Prohibida la reproducción parcial o total, por cualquier medio o método, de este libro
sin previa autorización de la Empresa Editora Macro EIRL.
Javier Reátegui Villanueva
Es ingeniero mecánico de la Pon ficia Universidad Católica del Perú (PUCP) y Project Manager
Professional cer ficado por el Project Management Ins tute (PMI). Se desempeña en la indus-
tria del petróleo y gas desde 1983 hasta el presente.
Ha sido jefe de la unidad de planeamiento, programación y control del departamento de

mantenimiento de la refinería La Pampilla, y jefe de la unidad de programación y control
de costos para el conjunto de proyectos lanzados por la misma refinería.
Durante el periodo 2007-2010 se integró a Chicago Bridge & Iron (CB&I) como subgerente
de construcción para electricidad e instrumentación de la planta de licuefacción de gas na-
tural en Pampa Melchorita. Desde el final de dicho proyecto, con núa trabajando en CB&I
como subgerente para el contrato de mantenimiento en la misma planta de licuefacción.
Índice
Introducción ............................................................................................................ 9
CAPÍTULO 1: Riesgos e incertidumbre ................................................................ 15
CAPÍTULO 2: La estructura del Margen de Duración ........................................ 19
CAPÍTULO 3: El control del Margen de Duración ............................................... 23
CAPÍTULO 4: La programación con variabilidad de duraciones ....................... 27

4.1 El modelo triangular de probabilidades ..........................................................................................................29
4.2 El algoritmo Monte Carlo de variabilidad....................................................................................................... 31
4.3 La implementación de la variabilidad en MS Project.................................................................................34
4.3.1. Interfaz para el usuario ...........................................................................................................................34
4.3.2. El módulo de Visual Basic .......................................................................................................................38
4.4 Ejemplo de variabilidad .......................................................................................................................................39
4.5 Repetitividad y sesgo ..............................................................................................................................................44
4.6 Modelos matemáticos de variabilidad .............................................................................................................48
4.7 Limitación del modelo triangular ....................................................................................................................... 51
4.8 ¿Cuánta variabilidad aplicar al cronograma? .................................................................................................. 51
4.9 Ejemplos sobre variabilidad..................................................................................................................................52
4.10 Un caso de variabilidad más verosímil ............................................................................................................63
CAPÍTULO 5: La programación estocástica ......................................................... 69

5.1 Estructuras estocásticas..........................................................................................................................................70
5.2 El modelo estocástico de probabilidades....................................................................................................... 74
5.3 La implementación de estructuras estocásticas en MS Project ............................................................75
5.3.1 Interfaz para usuario .................................................................................................................................. 76
5.3.2 Resumen de implementación de elementos estocásticos.........................................................79
5.4 El algoritmo Monte Carlo estocástico ..............................................................................................................79
5.5 Ejemplos estocásticos .............................................................................................................................................87
5.6 Modelos matemáticos de estructuras estocásticas ..................................................................................101
5.7 ¿Cuánta probabilidad aplicar al cronograma? ........................................................................................... 104
5.8 Un caso estocástico más verosímil ................................................................................................................. 105
5.9 Un programa en conflicto con un tren...........................................................................................................116
5.10 Una decisión complicada ...................................................................................................................................121
CAPÍTULO 6: Análisis del margen ...................................................................... 127
CAPÍTULO 7: Resumen ......................................................................................... 135
CAPÍTULO 8: Epílogo ........................................................................................... 137
CAPÍTULO 9: Anexos ............................................................................................ 139

9.1 C V B ..........................................................................................................................................139
9.1.1. Código del algoritmo de Monte Carlo para variabilidad de duraciones ...........................139
9.1.2 Código del algoritmo de Monte Carlo estocástico .................................................................... 144
9.2 M .......................................................................................................154
9.2.1 Ecuaciones PERT.........................................................................................................................................154
9.2.2 Caso actividades en serie ......................................................................................................................155
9.2.3 Caso actividades en Paralelo Tardío (caso usual) ........................................................................155
9.2.4 Caso actividades en Paralelo Temprano (la más corta) ............................................................159
9.2.5 Simplificación de series y grupos paralelos ...................................................................................163
9.2.6 Estimación de duraciones optimista, esperada y pesimista de grupos .............................165
9.2.7 Identidades matemáticas usadas 1....................................................................................................167
9.3 E AES-1.2 × 6 m................................................................................................ 168
9.3.1 Red de trabajo de mantenimiento .................................................................................................... 168
9.3.2 Descripción del intercambiador de calor tipo AES-1.2 × 6 m ................................................169
9.3.3 Red de trabajos estocásticos - inspecciones de casco, canal, bonete y
de tapa de cabezal flotante .................................................................................................................170
9.3.4 Red de trabajos estocásticos - inspecciones al haz de tubos ................................................171
9.3.5 Red de trabajos estocásticos - pruebas hidrostáticas ...............................................................172
9.3.6. Red de trabajos completa ....................................................................................................................173
9.3.7. Red de trabajos completa - Ciclos de Repetición sustituidos ...............................................174
9.3.8 Cronograma de mantenimiento de un intercambiador de calor ..........................................175
9.3.9 Cronograma soporte para Ciclos de Repetición ..........................................................................177
9.3.10 Cronograma de sustitución de Ciclos de Repetición ...............................................................178
9.3.11 Curvas de frecuencia acumulada - actividades en Ciclos de Repetición .........................181
9.3.12 Parámetros de sustitución de Ciclo de Repetición con un modelo de
doble rampa cóncava ............................................................................................................................ 184
9.3.13 Curvas de frecuencia acumulada - actividades resultantes de inspecciones ................185
9.3.14 Red de trabajos - agrupación por Frecuencia Crítica .............................................................187
9.3.15 Curvas de frecuencia acumulada - duraciones totales: casos de grupos
estocásticos colapsados ........................................................................................................................189
9.3.16 Red de trabajos completa - Criticidad............................................................................................191
9.3.17 Diagrama de precedencias simplificado........................................................................................192
9.4. M ....................................................................................................................193
9.4.1 Actividades estocásticas independientes........................................................................................193
9.4.2 Grupos estocásticos colapsables ......................................................................................................210
9.4.3 Hitos de decisión .......................................................................................................................................214
9.4.4. Ciclos de Repetición ..............................................................................................................................217
9.4.5 Grupos dobles estocásticos ................................................................................................................. 256
9.4.6 Actividad en conflicto con un tren.................................................................................................... 264
9.4.7 Identidades matemáticas usadas 2....................................................................................................265
9.5 L ............................................................................................................................................. 266
Bibliografía .......................................................................................................... 269

Introducción
Cuando un profesional de la programación de proyectos, o de cualquier proceso con inicio

y fin definidos, decide que ha terminado la preparación del cronograma que guiará las
ac vidades, y ene además un momento de introspección, se hace algunas preguntas
acerca de la corrección de su trabajo, es decir, llega el momento en que pondera qué tan
ú l es el esfuerzo desarrollado en la programación y si el resultado de esta (el cronograma)
representará como es debido el desarrollo de las ac vidades futuras.
Se preguntaría:
Dudas1
1. ¿Esta secuencia es la única posible? ¿O «en campo» pueden alterarla y también será
considerada correcta? ¿O simplemente es una propuesta que «en campo» deben
definir/confirmar?
2. ¿A qué hora empiezan a trabajar las cuadrillas? ¿Qué hacen antes de eso? ¿Les pagamos
en ese periodo? ¿Qué horario de trabajo siguen las cuadrillas en el campo? ¿Esto se
refleja en el cronograma? ¿Qué hay con respecto a las suspensiones intermedias?
3. ¿Quién ha es mado estas duraciones? ¿Alguno de los trabajadores agregó empo extra
para curarse en salud? ¿Alguien más (su jefe) pudo agregarle incluso más empo?
4. ¿Alguien más ha revisado el es mado de duraciones y ha agregado incluso más empo

extra para cubrirse?
5. ¿Tenemos que esperar los resultados de otros procesos externos como la llegada de
algún material o equipo? ¿Qué hay sobre la obtención de licencias? ¿Qué hay con res-
pecto a las compras de largo plazo? ¿Qué parte del trabajo queda supeditada a estas
restricciones?
6. ¿Pueden ocurrir algunas eventualidades que suspendan las ac vidades o alteren las
condiciones de trabajo? (Factores climá cos, polí cos, administra vos, legales, etc.)
1
Estas preguntas corresponden a una lista verificación y están formuladas con un lenguaje co diano. Las mismas pre-
guntas aparecen con un lenguaje más técnico en el 9.5 (Lista de verificación) de este libro.
7. ¿Estamos seguros sobre las duraciones de las ac vidades? ¿Existen dudas en alguna de
ellas? ¿Cuál es la duración op mista? ¿Cuál la pesimista?
8. ¿Este programa muestra las ac vidades tal como estas se desarrollarán? ¿Se ha confir-
mado con el responsable de realizarlas que así se harán? ¿O existen alterna vas para
«mejorar los empos»? ¿Hay decisiones que estén pendientes de situaciones futuras?
Y las preguntas de los gerentes...

9. ¿Cuándo esperamos terminar? ¿Entre qué fechas?
10.¿Es seguro que logremos acabar en esas fechas? ¿Qué tan tarde nos podemos extender?
11. ¿Qué fecha podemos comprometer con el cliente? ¿Qué pasará si nos pasamos de la
fecha?
Las que hacen los jefes de programación...

12.¿Cuánto empo extra tenemos para completar el trabajo?
13.¿Por qué tenemos el empo extra que hemos asignado? ¿Por qué nos tomamos ese
margen precisamente? ¿Podemos «afinar» el programa o cronograma? ¿Dónde pode-
mos «acelerar»?
14.¿Hay suficiente empo extra como para estar seguros de cumplir con las fechas sin pa-
recer una organización despreocupada? ¿Nuestro cronograma suscitará suspicacias en
el cliente reflejados en comentarios como «este contra sta no ene claro el proyecto»
o «este contra sta se aprovecha de la situación»?
15.¿Hemos verificado las proyecciones finales? ¿Qué dicen nuestros expertos sobre la
obra en cues ón? Ahora que entendemos mejor los trabajos, ¿tenemos duraciones
razonables?
16.¿Qué partes del cronograma pueden «salirse de la es mación» y luego afectar a la du-
ración propuesta?
17.¿Podemos controlar la duración del trabajo? ¿Tenemos suficiente control sobre los com-
ponentes que definen la fecha de término?
Estas preguntas, además de inducir cierto nivel de angus a en el programador, deben
llevar a reflexionar sobre la exac tud del cronograma como modelo matemá co y su ca-
pacidad de reflejar las interrelaciones naturales del caso; también, si al mismo empo este
cronograma puede mantenerse lo suficientemente sencillo como para permi r el segui-
miento de la evolución de los trabajos.
Como se sabe, el intento de predecir los resultados de probablemente muchos grupos de
personas nunca es exacto y siempre habrán desviaciones, cambios de secuencias o incluso
puede haber decisiones aún por definir (alterna vas por confirmar dentro de los planes).
En par cular, las incer dumbres en las duraciones y secuencias de ejecución de los traba-
jos, resaltadas en las preguntas de la lista, pueden afectar a la duración total y a la manera
sobre cómo estas se manejan internamente (control de ejecución) y externamente frente
al cumplimiento de compromisos legales (el cliente).
Para atender las necesidades de la organización ejecutora del proyecto y poder afron-
tar la naturaleza incierta de la fecha de terminación apareció el concepto del margen de
con ngencia o Margen de Duración de trabajos. Nada más natural que la idea de agregar
un empo extra a la duración prevista de los trabajos para poder estar confiados en que,
aunque se presenten los usuales inconvenientes, se cumplirá la fecha prome da.
Lo malo es que si esto se hace desordenadamente el margen acumulado puede estar te-
rriblemente inflado, y además es parte del comportamiento humano protegerse y desper-
diciar el empo disponible2 (recuérdese las preguntas 3 y 4). Este libro no trata de explicar
o estudiar esos comportamientos, y las discusiones siguientes no revisan si las duraciones
individuales están infladas o sobrees madas, se asume que se hacen correctamente3, y
que la estrategia correcta NO es alargar las duraciones individuales para «programar» los
problemas e ineficiencias (para que ocurran, pues, es seguro que dicho margen —nor-
malmente escondido— se usará injus ficadamente y habrán muchas «razones» plausibles
para ello) sino determinar racionalmente un margen único global, que permita aprovechar
las oportunidades de fin temprano de las ac vidades pero al mismo empo evite poner en
riesgo los compromisos de fecha de finalización.
Será responsabilidad de la organización, con sus procedimientos de es mación de dura-

ciones, asegurar que lo anteriormente dicho se cumpla, es decir, que las es maciones de
trabajo sean cándidas en el sen do de no agregar empos extras para protegerse frente
a clientes internos o al menos no hacerlo sin que se hayan cuan ficado e iden ficado
abiertamente.
Para hacer esto, se debe asignar un margen a la duración de un proyecto, hay que analizar
dos comportamientos de las ac vidades humanas que aparecen en todo cronograma:
1. La variabilidad de las duraciones. Existen dos aspectos que se combinan en este fenó-
meno, el primero es que una ac vidad no dura siempre lo mismo cuando va repi én-
dose, aunque se disponga de los mismos métodos, recursos y entrenamiento; siempre
habrán desviaciones. Casi siempre estas desviaciones ex enden la duración, al aparecer
errores, faltas de coordinación o cualquier situación no prevista en el plan de ejecu-
ción. Adicionalmente, el segundo aspecto, al asignar (predecir) duraciones siempre se
proporciona la duración más usual y esto puede resultar sa sfactorio cuando las des-
2
Para una aproximación al estudio de la procras nación, véase a Ariely, D. (2008), capítulo 6 «The Problem of Procras-
na on and Self-Control».
3
Para una descripción novelada del modo cómo las personas agregan márgenes a sus es maciones de empo y cómo
luego logran desperdiciarlos, véase a Goldra , E. (2012), capítulos 6 y 13.
viaciones posibles de esa duración son estrechas, pero si se enfrenta a trabajos para los
que no hay experiencia previa, estas posibles desviaciones se amplían y resultan en una
es mación difusa. ¿Qué hacer en ese caso? Tomar el peor caso puede ser una estrategia
segura pero también puede resultar no ser muy realista o poco atrac va (no «vendible») por el
contrario la estrategia op mista puede conducir a riesgos demasiado altos de aceptar.
2. El carácter estocástico de algunos componentes del programa. Es el segundo efecto y

está referido a las ocasiones en las que las porciones del plan algunas veces se realizan
y otra veces no, introduciendo no solo duración extra a la cadena de trabajos sino que
posiblemente afecten a la secuencia posterior, colocando relaciones de precedencia
que antes no estaban y causando imprecisión respecto a la manera cómo sucederán las
cosas y cuando terminarán. En otros casos se generan correcciones de trabajo, es decir,
repe ciones —cuantas sean necesarias— de ac vidades, hasta que se logra cumplir
una medida o meta para luego con nuar la secuencia. Poniendo al programador en
la situación de anunciar fechas de término que van saltando del lado op mista al lado
pesimista, según se defina la ejecución o cancelación de estas porciones estocás cas.
Estos pos de comportamiento no están incluidos en los usuales desarrollos informá cos
para el modelado de las ac vidades de proyectos, ni existe mucha literatura (en español
al menos) para darles un tratamiento general que sirva de apoyo al programador de este
po de proyectos.
El estudio de estos comportamientos y su implementación en MS Project para la correcta

definición y análisis del Margen de Duración de un proyecto son el mo vo de este libro.
Este libro le permi rá al lector interesado resolver situaciones que actualmente ni siquiera
se pueden modelar en programación de proyectos, u lizando para ello un so ware rela -
vamente disponible en el mercado, y enfocándose en los problemas de programación de
proyectos y en sus posibles soluciones.
Para ello, en el primer capítulo, «Riesgos e incer dumbres», se empezará el estudio don-
de se discu rá brevemente los conceptos rela vos a los riesgos, y por qué se les debe
considerar diferentes a las incer dumbres, revisando su naturaleza y su relación con las
oportunidades en los proyectos y, en par cular, con las incer dumbres que afectan a las
duraciones.
En el segundo capítulo, «La estructura del Margen de Duración», se expone el concepto de

Margen de Duración y su composición, además de la manera en que las diferentes partes
del cronograma agregan magnitud a dicho margen.
En el tercer capítulo, «El control del Margen de Duración», se plantea que el margen no es
está co, y que varía a lo largo del empo. Se presentan algunas ideas respecto a la manera
cómo debe ges onarse un Margen de Duración durante la fase de ejecución.
Seguidamente, en el cuarto capítulo, «La programación con variabilidad de duraciones»,
se abordan los tratamientos de cuan ficación de la variabilidad de duraciones en los cro-
nogramas. Debido a ello, se presenta el modelo triangular de probabilidades como base
del modelo de duraciones a nivel de cada ac vidad y también la integración de todos los
efectos de variabilidad por medio de procesos de Monte Carlo a nivel cronograma. De esta
manera, se elabora la implementación de estos procesos en la aplicación más popular de
ges ón de cronogramas (MS Project) y al mismo empo se desarollan las ecuaciones y fór-
mulas matemá cas que resuelven casos de configuraciones de programación de trabajos
sencillos que, además, se usarán como medio de contrastación de resultados.
En el quinto capítulo, «La programación estocás ca», se aborda el fenómeno del com-
portamiento estocás co (aparece/desaparece) de las ac vidades en un cronograma, y se
plantea una implementación en MS Project para estos casos. Al igual que en el capítulo
anterior, se muestra el modo de cuan ficar este fenómeno y se desarrolla el soporte ma-
temá co para resolver los casos de configuración sencilla que se usarán como contraste
de los resultados.
En el sexto capítulo, «Análisis del margen», se reinterpreta el significado de la Ruta Crí ca

del proyecto bajo condiciones de variabilidad de duraciones y comportamiento estocás -
co, y se proponen parámetros para iden ficarla y medir su Cri cidad, así como las maneras
para descomponer el Margen de Duración en los diversos «aportes» acumulados por la
variabilidad y el comportamiento estocás co.
En el sép mo capítulo, «Resumen», se muestra un sumario del proceso que el programa-

dor de proyectos debe seguir frente a casos de incer dumbre de duraciones.
Y en el octavo capítulo, «Epílogo», se llega a la úl ma conclusión de todo lo presentado a

lo largo de la obra.
Las ru nas u lizadas en Visual Basic se han desarrollado en MS Project 2007 y 2010, y se
muestran de manera libre para que el lector las u lice a su discreción. No es una aplica-
ción cer ficada de procesos Monte Carlo sino una muestra de lo que un programador de
so ware puede hacer para apoyar a un programador de proyectos sin recurrir a aplica vos
costosos o demasiado complejos. No es la intención de este libro distraerse en los detalles
de la implementación de dichos módulos; las discusiones al respecto se centran en pro-
veer una confianza razonable donde se produzcan resultados correctos para los niveles de
precisión requeridos con empos de respuesta de valor prác co.
En el capítulo 9 «Anexos» se incluye información adicional como soporte de las teorías y

ejemplos expuestos. Está dividido de la siguiente manera:
En el anexo «Código Visual Basic» encontrará el listado de las instrucciones que conforman
los módulos que generan las simulaciones de Monte Carlo para los casos de variabilidad de
las duraciones y para el comportamiento estocás co por separado.
En el anexo «Modelos de variabilidad de duraciones» se explica el modelado matemá co
del fenómeno de la variabilidad como evento aleatorio y se hace el planteamiento y la
resolución de las ecuaciones para las estructuras lógicas usuales que se presentan en la
programación de proyectos.
En el anexo «El intercambiador de Calor - AES1.2 × 6 m» se muestran en detalle los varios

diagramas de precedencia, así como de barras usadas en la explicación del ejemplo men-
cionado en «Un Caso de variabilidad más verosímil».
En el anexo «Modelos de grupos estocás cos» se explica el modelado matemá co del

comportamiento estocás co en la red lógica de trabajos y se hace el planteamiento y re-
solución de las ecuaciones para las estructuras lógicas usuales que se presentan en la
programación de proyectos.
En el anexo «Lista de verificación» se encuentra la lista de preguntas mencionada en la

introducción.
1
Capítulo
RIESGOS E
INCERTIDUMBRE
Es usual encontrar en las discusiones sobre los riesgos de los proyectos, referencias a los pe-
ligros potenciales y elementos desconocidos, también sobre las evaluaciones de ocurrencia
de dichos eventos y de cómo el proyecto puede quedar afectado. Por ejemplo, se puede re-
gresar a la lista de preguntas mostradas en la introducción para acercarse al po de cues o-
namientos que surgen cuando se trata de evaluar qué posibilidades ene un proyecto para
ser afectado nega vamente por situaciones o elementos que pudieran estar fuera o salirse
del control de la organización ejecutora.
Como se verá existen dos pos de situaciones que deben separarse: los riesgos y las incer-
dumbres. El PMBOK4 en su desarrollo del concepto de riesgo de proyecto no separa clara-
mente estos conceptos y parece sugerir que a las incer dumbres se les debe dar el mismo
tratamiento que a los riesgos (eliminación, mi gación, transferencia, aceptación), aunque
confirma que a las oportunidades se les debe explotar, ampliar, compar r o aceptar, consi-
derándolas como una especie de riesgos de valor posi vo.
En línea con lo anterior, la estrategia general frente a los riesgos se enfoca en proteger el plan
de ejecución contra cualquier desviación, bajo el supuesto de que el plan es la situación óp-
ma de ejecución del proyecto y que cualquier desviación nos alejará de ese marco óp mo.
Esto propone una mentalidad proac va pero defensiva, una mentalidad atenta al cuidado y
conservación de las líneas base de alcance, de empo y, usualmente, de costo.
Avanzando en el esclarecimiento de la incer dumbre en los proyectos, se han propuesto las

siguientes definiciones5 que se pueden usar como base de discusión:
1. Riesgos en proyectos. También conocidos como los desconocidos-conocidos, son bá-

sicamente eventos, circunstancias, situaciones, o condiciones que podrían ocurrir con
una probabilidad dada, y que enen un efecto nega vo potencial en la consecución de
los obje vos prefijados para el proyecto.
2. Incertidumbres en proyectos. Referidos también como desconocidos-desconocidos, son

las situaciones desconocidas, o inesperadas, o imprevistas con impacto potencial signi-
fica vo en el valor del proyecto.
4
Véase Project Management Ins tute (2013a), capítulo 11 «Project Risk Management».
5
Véase Idem (2013b), capítulo 1 «Conceptual Founda on for the Case Study Approach».
16 PROGRAMACIÓN DE PROYECTOS CON INCERTIDUMBRES
EL MARGEN DE DURACIюN: CЕLCULO Y ANЕLISIS
Asimismo, se encuentran las siguientes definiciones relacionadas:

3. Oportunidad en proyectos6. Incer dumbre de proyecto que provee el potencial de ex-
ceder el valor predeterminado del proyecto para los involucrados, durante la implemen-
tación de ese proyecto.
4. Valor de un proyecto. El valor que un proyecto crea para sus involucrados. El valor de
un proyecto puede ser representado por uno o una combinación de criterios de desem-
peño, tales como eficiencia, efec vidad técnica, y la sa sfacción de un involucrado, con
énfasis sobre los propietarios y sus asociados.
De manera que los riesgos siempre representan una amenaza al proyecto y, además, pueden
preverse y es marse en su probabilidad de ocurrencia. En cambio, las incer dumbres enen
un efecto potencial no definido (puede ser posi vo o nega vo) para el valor del proyecto y
no se les puede asignar una probabilidad de ocurrencia; estos eventos literalmente sorpren-
den a la dirección del proyecto.
Nótese la dicotomía conocido/desconocido que revela la naturaleza peculiar de la incer -

dumbre: no puede ser tratada para prevenirla, los proyectos solo pueden aceptarlas y pre-
pararse para sus efectos.

En el estudio mencionado se encontró que las fuentes más frecuentes de incer dumbre en
los proyectos son:
Categorías de incer dumbre Fuentes de la incer dumbre (ejemplos)
Relacionado a las capacidades de los diferentes grupos

De involucrados del proyecto involucrados, comportamientos de involucrados, o cam-
bios inesperados de los involucrados clave.
Un contexto organizacional dinámico y complejo que

Organizacional conduce a cambiar los planes iniciales, falta del conoci-
miento en los sistemas recibidos/heredados.
Incertidumbre técnica no anticipada al inicio o espe-

Tecnológica cificaciones demasiado exigentes con dificultades de
cumplirse.
Un contexto exterior complejo y cambiante que condu-

Turbulencia en el contexto
ce cambios en los planes iniciales.
Subestimación significativa o desconocida de la comple-

Características del proyecto
jidad al inicio.
Mala práctica o falta de estándares de dirección de

Mala dirección
proyectos.
6
Una definición enfocada a proyectos. Una definición más general es «situaciones en las que nuevos bienes, servicios,
materiales, mercados y métodos de organización pueden ser introducidos por la formación de nuevos medios, fines o
relaciones medio-fin».
Capítulo 1 17
RIESGOS E INCERTIDUMBRE
Siendo las más frecuentes, las fuentes superiores; y las menos frecuentes, las inferiores. De
ambas, el estudio reporta que los eventos de incer dumbre que estuvieron relacionados a
impactos sobre las duraciones previstas consis eron en los siguientes casos:
1. La subes mación de la complejidad del proyecto.
2. La subes mación de las duraciones de una serie de ac vidades.
3. La falta de conocimiento del producto que dejó fuera del alcance un componente.
4. Falla en el suministro de un entregable por parte de un involucrado.
5. La necesidad de agregar (nuevas) fases adicionales al proyecto por falta de información técnica.
Lo anterior, resalta la caracterís ca no previsible de las incer dumbres iden ficadas7 y también
apunta, como elemento común en todos los casos, a la falta de conocimiento adecuado o su-
ficiente sobre los eventos que afectaron a los proyectos.
Si bien los casos mencionados son solo ejemplos de posibilidades de incer dumbre, ellos per-
miten señalar los dos pos de incer dumbres que afectan a las duraciones:
La variabilidad en las duraciones y fechas previstas (casos 1, 2, y 4) en los que los empos
de ejecución o terminación difieren significa vamente de aquellos previstos en los planes
de ejecución.
El comportamiento aleatorio ( po existe/no existe) de algunos componentes del proyecto
(casos 3 y 5), que se refiere a ac vidades que se ejecutan o dejan de ejecutarse depen-
diendo de factores fuera del control del plan de trabajo, por tanto, enen la capacidad de
alterar la secuencia de ejecución del plan original.
La respuesta usual ante la posibilidad de estos fenómenos es la generación de un Margen de

Duración que proteja al proyecto del lado nega vo de la incer dumbre (una respuesta defen-
siva). Es decir, se intenta no comprometer fechas de término o duraciones que ya se saben
improbables. Esto usualmente trae aparejadas estrategias no óp mas o ineficientes. Pues se
sabe que las incer dumbres son, además, las fuentes de las oportunidades para agregar valor
a un proyecto, y al aplicar técnicas propias de los riesgos sobre ellas se está eliminando o de-
jando pasar opciones deseables u oportunidades.
¿Por qué esto es así? Posiblemente el arque po «a todo riesgo se le debe eliminar/mi gar/
transferir/aceptar» juega un papel prejuicioso. Aquí hay que tomar en cuenta que no siempre
se sabe separar riesgos de incer dumbres, y esto aunado al carácter «opaco» de la incer -
dumbre, hace que sea di cil de manejar intui vamente, por lo que se favorece la tendencia a
categorizar toda incer dumbre como un riesgo por evitar.
7
El estudio revisó 41 proyectos de diversas categorías o industrias con eventos de incer dumbres iden ficadas. Para re-
conocer dichas incer dumbres se entrevistó a los gerentes de proyecto respec vos en busca de eventos imprevistos o de
aquellos sucesos que sorprendieron a estos. No todos los casos resultaron en impactos nega vos, sino que algunos (más
del 50 %) pudieron ser reformulados como oportunidades que incrementaron el valor del proyecto.
Existen planteamientos que tratan de recobrar el lado «oportunidad» de las incer dumbres
de las duraciones y que proponen estrategias que buscan aprovechar el uso de los recursos
en las ventanas de oportunidad eludiendo el tratar de comprender el fenómeno de la incer-
dumbre. En este trabajo se intentará por el contrario enfrentarse a la incer dumbre de las
duraciones para conocerla mejor.
2
Capítulo
LA ESTRUCTURA DEL
MARGEN DE DURACIÓN
Para entender cómo se compone el Margen de Duración de un cronograma se debe enten-

der para qué se preparó, en primer lugar, y luego cómo se calculó.
Como se ha dicho el Margen de Duración es un empo adicional al estrictamente es mado

y que figura como el más probable para la terminación de la ac vidad. Ese empo se quiere
usar frente a terceros para sen r confianza y para que no se comprometan fechas de cumpli-
miento demasiados exigentes que pudieran exponer al proyecto a algún retraso. Por supues-
to, esta estrategia no ene sen do que se use internamente, pues se estarían protegiendo
las es maciones frente a la misma organización que las propone; sin embargo, recuérdese
que es muy común el apilamiento de márgenes de duración en cascada en proyectos com-
plejos con varios niveles jerárquicos.
Es decir, se quiere comprometer ante el cliente a un periodo de empo de realización que

aparece como resultado de lo que se considera la mejor es mación de término del proyec-
to (la que se juzga como la más correcta y que refleja las intenciones de ejecución) más un
margen de empo que cubra las posibles desviaciones, respecto de ese plan, surgidas por la
variabilidad de las duraciones de ejecución y de es mación.
Entonces, este margen debe brindar una medida de las posibilidades de éxito o fallo, así
como también debe ser reflejo de las desviaciones potenciales iden ficadas.
Las incer dumbres, en general, o las desviaciones, o si se quiere decir «los errores en la es -
mación» de las duraciones pueden afectar al cronograma de varias maneras.
Por ejemplo, un inves gador puede dar una es mación de la duración de un desarrollo que
se le haya encargado. Sin embargo, la naturaleza del trabajo solo le permi rá definir an -
cipadamente los pos de entregables a desarrollar, pero no tendrá la medida exacta de la
can dad de trabajo a desarrollar, esto sucederá solo hasta que tenga muy avanzado el traba-
jo y, por tanto, estará forzado a dar una es mación que oscilará entre valores más o menos
amplios, donde se determinará valores op mistas y pesimistas. Además, aunque se conozca
muy bien el proceso, las ac vidades humanas nunca se repiten exactamente igual. A este
po de comportamiento se le llama variabilidad de la duración y afecta a todas las ac vida-
des humanas. Cuando se conoce bien el proceso y hay suficiente experiencia, los intervalos
de error se estrechan; por el contrario, cuando no hay antecedentes o se desconoce alguna
porción del proceso, los intervalos se ex enden.
Los problemas derivados de errores humanos (de planificación, de comunicación, coordina-

ción, etc.) también se evidencian de esta manera. Generan variación (usualmente extensión)
de las duraciones.
Generalmente, se sabe cuáles son las ac vidades con variabilidad, aunque no se conoce muy
bien qué impacto específico tendrán ni cómo el total de variaciones combinadas pueda afec-
tar al total de la duración. La variabilidad es resultado del comportamiento de la duración
como variable aleatoria.
También puede ocurrir que no se tenga confirmada una parte del proceso, sobre todo en
los procesos de verificación y pruebas. Existe la posibilidad de que, llegado el evento de
evaluación de resultados, se tenga una Bifurcación en la lógica de ejecución, de manera que
una opción es con nuar con el proceso «normal», y la otra opción es agregar ac vidades de
corrección o incluso de repe ción hasta que se logre algún parámetro. Las opciones pueden
abrirse incluso a más de dos posibilidades.
En este caso se agrega el comportamiento estocás co (existe / no-existe) de una porción del
programa, que impacta en la duración esperada. Aquí también se sabe en qué partes de la
red de trabajos se pueden presentar estos efectos.
Por supuesto, estos comportamientos no son excluyentes y pueden darse en simultáneo.

Además, se sabe que el programa de trabajo puede ser afectado por elementos externos
al trabajo y fuera del control del proyecto. Es muy bien sabido que un punto de espera por
material, en proceso de compra o transporte, o el inicio de ac vidades de una compañía en
proceso de contratación puede alterar lo planeado cuando aparecen retrasos en sus respec-
vos procesos logís cos. Típicamente ocurren en las interfaces entre las diferentes discipli-
nas o especialidades del proyecto: contratos, ingeniería, compras, construcción, licencias,
o simplemente cuando otra disciplina (mecánica, obra civil, electricidad, instrumentación,
etc.) debe lograr un entregable antes de pasarlo a la siguiente disciplina. Estas dependen-
cias externas suelen estar claramente iden ficadas y es prác ca usual marcar los puntos
de entrega con hitos en el cronograma. Se les puede considerar un caso de variabilidad de
duración de elementos externos.
Existe otra categoría de elementos externos cuyo impacto no ene un punto específico de
aplicación al programa, es decir, no se les puede conectar con ningún elemento específico
del programa; sin embargo, enen capacidad para alterar la duración total. Esta clase de
incer dumbres se refieren a factores tales como el mal clima que puede limitar las ac vi-
dades de campo, cambios polí cos que pueden afectar el transporte del personal o generar
paros sindicales, o incluso cambios administra vos que cambien la jornada de trabajos o
las condiciones contratadas. Tienen comportamiento estocás co (hay una probabilidad de
ocurrencia o no ocurrencia) e impactos sobre las duraciones variables (no se puede fijar
exactamente cuánto empo afectarán).
Capítulo 2 21
LA ESTRUCTURA DEL MARGEN DE DURACIюN
Resumiendo, se puede decir que los márgenes de duración se componen de partes con
origen propio y con origen externo al trabajo que, en otro sen do, estas mismas partes del
margen se pueden clasificar como causadas por la variabilidad de las duraciones o por el
comportamiento estocás co del elemento y, al mismo empo, en una tercera dimensión,
varían por la forma con que se insertan al cronograma (Punto de Impacto Específico o No
Específico) tal como se muestra en la tabla siguiente:
COMPOSICIÓN DEL MARGEN DE DURACIÓN
Origen propio Origen externo
Dependencias, Cambios en los

Variabilidad de
Duraciones de tareas esperas de fecha no regímenes de trabajo o
duración
confirmada procedimientos
Decisiones, confirma- Suspensiones de activi-

Comportamiento Cambios de alcance
ciones, repeticiones en dad no confirmadas, no
Estocás co requeridos por otros
el proceso permanentes
Punto de Impacto Punto de Impacto

Específico No Específico
Los elementos externos del Margen de Duración con Punto de Impacto No Específico (ele-
mentos externos de comportamiento estocás co que, además, no se pueden iden ficar
como un punto único de impacto en la red de trabajo) se presentan desconectados de las
ac vidades y eventos del trabajo. Las eventualidades que las desencadenan no forman parte
de los procesos del trabajo, picamente son eventos naturales, polí cos o administra vos
fuera del ámbito de control del proyecto.
De acuerdo a lo anterior, el Margen de Duración de un proyecto debería contener los pos

de comportamientos que se muestran en la siguiente tabla:
Suspensiones no Punto de
confirmadas, no Impacto No
permanentes Comportamiento Específico
estocástico Punto de
Cambios de alcance
Elementos Impacto
requeridos por otros
externos Específico
Cambios en los Punto de
regímenes de trabajo Impacto No Margen
Tiempo
o procedimientos Variabilidad Específico total
Dependencias, esperas
Punto de
Decisiones, confirma- Comportamiento
Elementos Impacto
ciones, repeticiones estocástico
propios Específico
Duraciones inciertas Variabilidad
Duración base
Finalmente, puede plantearse que el Margen de Duración está compuesto por una pila de
los efectos estocás cos y de variabilidad sobre la duración base del proyecto.
Así pues, los componentes con Punto de Impacto Específico, relacionados con el programa
(cambios de alcance requeridos por otros /dependencias, esperas / decisiones, confirmacio-
nes, repe ciones / duraciones inciertas), permiten tomar acciones de respuesta muy enfo-
cadas; mientras que las restantes (suspensiones no confirmadas / cambios de regímenes de
trabajo), al afectar globalmente o a porciones importantes del trabajo, deben ser abordadas
de un modo diferente preparando planes de con ngencia o simplemente aceptando el he-
cho de que estas ocurrirán.
3
Capítulo
EL CONTROL DEL
MARGEN DE DURACIÓN
Una vez establecido el Margen de Duración del proyecto queda pendiente discu r el manejo
que se le dará. Así pues, conforme a las ac vidades que se empiecen a ejecutar y los riesgos
potenciales que se ac ven o desac ven, las incer dumbres que dan origen al margen van
desapareciendo inevitablemente.
Como bien se sabe independientemente del estado de éxito o fracaso de un proyecto, al

final del mismo ya no quedan incer dumbres y, por tanto, no debe quedar margen.
Es decir, el margen de duraciones, como reflejo de las incer dumbres, debe ir «consumiéndo-
se» a lo largo del desarrollo del proyecto. De otro modo, el cronograma le estará engañando
a usted mismo y le pronos cará fechas más tardías de las necesarias, creando confusión y ge-
nerando una situación potencial de oportunidad («terminar pronto») desperdiciada. No debe
dejarse pasar el punto sin enfa zar el valor del cronograma como herramienta de coordinación
de todos los esfuerzos independientes del proyecto. Un pronós co equivocado de término
puede tener consecuencias nega vas, incluso cuando se dispone de empo de sobra, ya que
puede anular oportunidades y limitar potenciales beneficios di ciles de volverse a crear.
Lo dicho no evita eventualmente que nuevos riesgos se iden fiquen en el camino y que se
requiera agregar más empo al margen ya establecido. Lo importante es tener conocimiento
de lo que sucederá y de las oportunidades de respuesta. Naturalmente, si la duración y el
margen originales ya fueron comprome dos frente a terceros, la situación será di cil.
La mejor estrategia es clasificar las incer dumbres (riesgos u oportunidades) por la mag-
nitud del impacto que puedan producir en nuestro proyecto8, es decir, que además de la
probabilidad de ocurrencia del riesgo, ene que ponderarse cómo y qué tan profundamente
queda afectado el proyecto ante la eventualidad del riesgo hecho realidad. En este caso, el
tamaño del margen que resulte da una indicación de dicho impacto.
Luego de esto, queda por definir el tratamiento que se le dará al margen durante la ejecu-
ción de los trabajos.
El método para ir consumiendo el margen dependerá de si el componente ene un punto de

impacto específico en la red de trabajo o si su efecto es global.
8
Para una discusión sobre estrategias generales para tratar las oportunidades y los riesgos desconocidos, véase a Taleb,
N. (2009), «Apeles el pintor, o qué hacemos si no podemos predecir», p. 283.
Por ejemplo, véase el caso de una ac vidad o segmento de cronograma que genera una
porción de margen, es decir, se ene un Margen de Duración asociado a un componente
específico del cronograma y supóngase que, durante el transcurso de la ejecución, se ha
logrado un progreso9 parcial de esta ac vidad.
El margen que se reportará deberá reflejar ese progreso realizado, y estar basado en el tra-
bajo remanente de la ac vidad, dado que habrá partes causantes de incer dumbre que ya
definieron su situación, y dejaron de ser incer dumbres, ya sea porque se convir eron en
impacto realizado y aplicado a la duración del trabajo o como impacto potencial desapareci-
do. Por tanto, el margen debe reflejar siempre una disminución y, adicionalmente, en el caso
de un impacto confirmado, debe revisarse la duración de las ac vidades comprome das
para mostrar la nueva duración re-es mada, dejando de ser incer dumbre.
Para el caso de un evento capaz suspender las ac vidades de un proyecto, pero sin una ac -
vidad específica afectada, se debe entender el proceso que lo causa para poder tratarlos. Su-
póngase, por ejemplo, que se hable de una temporada de lluvias que en promedio suspende
las ac vidades de campo 1 de cada 4 días a lo largo de una estación del año. Tratar de mo-
delar esto con el calendario de trabajo sería poco prác co, pues no se sabe an cipadamente
qué días serán lluviosos, lo que obligaría a una actualización/corrección diaria del calendario,
esto sería como tratar de adivinar cuáles días serán los lluviosos a lo largo de ese periodo.
Sin embargo, sí se puede saber el promedio o la es mación del intervalo op mista-pesimista
donde se calcula aproximadamente cuántos días serán improduc vos en esa estación de
manera que puedan acumularse en un margen al final del trabajo.
NOTA
La peculiaridad del ejemplo es que no se pregunta por la probabilidad de que se dé o no la
temporada de lluvias (100 %), sino por la can dad de días que se afectarán (variabilidad de
duración). También puede haber riesgos puramente estocás cos.
De esta manera, conforme pasa la estación, se puede ir aplicando al cronograma las sus-
pensiones por lluvias que vayan ocurriendo y descontando del margen los días lluviosos de
los periodos ya transcurridos, o simplemente recalculando los días lluviosos de los periodos
futuros, de manera que, al final de la estación, no debe exis r un componente del margen
por esta causa.
Lo importante de este manejo es que se conocen las causas y las medidas de los márgenes
aplicados, y se en ende dónde se aplican y la magnitud de las medidas correc vas o de con-
ngencia necesarias.
Para ilustrar lo dicho, véase la situación que se muestra en los cuatro diagramas de barras
a lo largo de este capítulo, donde se pueden apreciar cuatro estados de progreso de un
9
Para una revisión rápida de los pos de índices de progreso, véase a Reátegui, J. (2012), p. 72.
Capítulo 3 25
EL CONTROL DEL MARGEN DE DURACIюN
proyecto separados por varias semanas de empo de ejecución, y que consiste de tres ac -
vidades en serie.
Una de las ac vidades (véase Id [3] - Tarea con Variabilidad en el diagrama a con nuación)
con duración inicial 6 semanas, incluye cierta incer dumbre de duraciones que se repre-
senta con la ac vidad [7] - M. Tarea c/Var con una duración inicial de 12 días, en el mismo
diagrama.
Las otras ac vidades (Id [4] y [5]) no muestran variabilidad propia.
Las tres ac vidades son pasibles de un efecto que interrumpe frecuentemente las ac vida-
des; para representar esto se ha agregado al margen total 15 días por esta causa con la tarea
[8]- M. No específico.
Esto hace una duración total es mada de 90 días, más un margen extra de 27 días.
Sin entrar a discu r cómo se calcularon los márgenes, se podrá asegurar al cliente que la
entrega del proyecto ocurrirá dentro de los 113 días siguientes dentro del nivel de riesgos
aceptado. Nótese que hay 4 días de margen nega vo para el inicio de [7]- M. Tarea c/Var
que da cuenta de una posible terminación más temprana de lo previsto.
Se sabe, sin embargo, que hay claras oportunidades de terminar antes de 113 días, en reali-
dad si todo saliera perfecto se podría terminar en 90 días.
En la siguiente vista, luego de tres semanas de trabajo se ene el escenario que se muestra
a con nuación, la ac vidad [3] ha sido afectada por unos días de suspensión y además ha
progresado hasta un 40 % de su trabajo, todo lo cual ha extendido su fecha de fin, el resto de
ac vidades quedan alineadas a este nuevo final de la ac vidad [3].
En este momento al reevaluar los riesgos y sus impactos, se observa que parte de la varia-
bilidad de la ac vidad [3] se ha ido con la parte ya ejecutada, y esto se representa con la
nueva duración (menor) de la ac vidad [7]. Asimismo, el riesgo genérico, cuyo margen es la
ac vidad [8], ya ha consumido tres semanas de aplicación y, por tanto, sus efectos futuros
se reducen consecuentemente.
Como resultado se puede ver que ahora se an cipa un 1 día de reducción de la duración
prevista. El margen total restante se reduce a 21 días.
Luego de 11 semanas (véase el siguiente diagrama de barras) se encuentra que [3], ya ha sido
concluida reportando una duración de 7 semanas, la ac vidad [4] también ha sido afectada
por una suspensión y ene un progreso de 60 %. Se anuncia una duración total de 110 días.
La reevaluación de los márgenes de duración muestra que [7] ya se agotó (y por tanto se
asigna cero días de duración remanente); en cambio, [8] aún ene oportunidades de actuar
por casi 9 semanas más.
Ahora se reportan 3 días de adelanto para la terminación respecto a la fecha original y un

margen total de 9 días.
En la vista final (siguiente diagrama) todas las ac vidades han progresado al 100 % (termi-
nadas) y las suspensiones de trabajo producidas se han registrado. Ya no queda ninguna
incer dumbre o riesgo.
La entrega del proyecto se produce a los 108 días y el margen es de cero días.
Lo cual enfa za el hecho de que la duración del proyecto es un resultado aleatorio y puede
predecirse solo con cierto grado de confianza, es decir, puede asignarse una probabilidad al
caso: se terminará antes de determinada fecha (los 113 días), y se puede es mar la duración
en el caso de que todo saliera bien (90 días o más). Sin embargo, predecir algún grado de
probabilidad razonable para una duración específica (108 días) no será posible.
4
Capítulo
LA PROGRAMACIÓN
CON VARIABILIDAD
DE DURACIONES
Desde el principio de los desarrollos para la ges ón del empo de los proyectos, la varia-
bilidad de las duraciones apareció como un obstáculo por resolver. Cuando inicialmente se
desarrolló el método de programación PERT (Program Evalua on and Review Technique) en
la década de 1950 y se fusionó con el Método de la Ruta Crí ca (CPM por sus siglas en ingés
de Cri cal Path Method), los programadores trabajaban con las redes lógicas de ac vidades/
trabajos y como tal estaban enfocados en el análisis de la secuencia de trabajo y en la lógica
de las relaciones de precedencia. El análisis de la Ruta Crí ca se enfocó en definir la duración
de la ejecución de la red de trabajo determinando la secuencia de ac vidades más larga (en
empo), por tanto, esto significaba una es mación meramente puntual. Por otro lado, el
método PERT desarrolló la idea de la variabilidad de las duraciones para enfrentar la falta de
definición en los empos de ejecución, de manera que proporciona un tratamiento proba-
bilista a la duración de cada ac vidad. Es decir, el método asume que existe una función de
densidad de probabilidades (fdp) para la duración de cada ac vidad (cuya forma depende de
la naturaleza del trabajo), y que esta a su vez se convierte en una variable aleatoria.
Entonces, la duración de un proyecto se basó en la duración promedio de la cadena más lar-

ga (la Ruta Crí ca) junto con la desviación estándar de esa misma duración como medida de
dispersión, es decir, se fundamentaba en una es mación de intervalo. Una caracterís ca del
método, además, era que en este cálculo no intervenían otras ac vidades que no estuvie-
ran en la Ruta Crí ca ignorando la posibilidad (probabilidad) de que estas otras ac vidades
pudieran ser crí cas en algún momento. De manera que el cálculo era una simplificación del
comportamiento de la red completa y el método adolecía de la poca capacidad de cálculo
disponible en la época.
Ahora bien, el enfoque de la Ruta Crí ca tenía la ventaja que iden ficaba a las ac vidades
par cipantes y protagonistas de la duración, lo que permi ó una mejora en general de la
ges ón de las diversas áreas de conocimiento de los proyectos10 al permi r enfocar la aten-
ción y recursos a puntos específicos del plan en lugar de dispersar los esfuerzos en todos los
ámbitos del trabajo.
10
Véase Project Management Ins tute (2013a), 3.3.4 «Probabilis c Distribu on of Ac vity Dura on».
Para poder implementar el método se tuvo que modelar la fdp de la duración como paso
previo y se presentaron varias candidatas más o menos complejas para representar el com-
portamiento aleatorio de las duraciones aunque finalmente se adopta el modelo triangular
de duraciones como una buena representación de las probabilidades.
Mucho se ha discu do acerca de la idoneidad de esta simplificación, aparentemente extre-

ma, sin embargo, a lo largo del empo ha mostrado ser suficientemente sa sfactoria para
dar soporte a los análisis del cronograma e incluso no parece necesitarse mejorar la preci-
sión si se considera el po de análisis que se realiza con los resultados. Si se consideran las
posibilidades (es maciones de probabilidades) de extender una duración más allá de cierta
fecha se entenderá que un error de 1 %, 2 % o 5 % en los cálculos de las probabilidades, no
modificará mucho los criterios de decisión.11
Para completar el análisis PERT y evitar las complicaciones del cálculo probabilís co de las
duraciones se introdujeron técnicas de simulación de Monte Carlo, que incluyeron a la totali-
dad de la red lo que causó que la can dad de operaciones involucradas se incrementase sig-
nifica vamente. Este incremento del esfuerzo de cálculo (junto al éxito que representó para
la ges ón de proyectos el Método de la Ruta Crí ca) hizo que la vasta mayoría de programas
de trabajos se basaran en la es mación puntual, apoyados en una más o menos razonada
es mación de un margen adicional de duración.
El producto de los análisis de Monte Carlo brindó una mejor comprensión del comporta-
miento probabilís co de la duración de un proyecto, pues apareció una relación clara entre
la duración como variable aleatoria y la probabilidad de éxito, permi endo la definición de
un Margen de Duración con niveles de confianza que se podían interpretar de acuerdo a los
métodos cuan ta vos y cualita vos de la ges ón de riesgos12.
Con el posterior desarrollo de la capacidad de cálculo de los sistemas informá cos, ahora,
realizar el análisis de Monte Carlo de redes grandes no resulta excesivamente un consumidor
de empo; sin embargo, el método sigue relegado, injustamente, a situaciones de proyectos
grandes o muy costosos, quizá debido a su aire abstracto de matemá cas enrarecidas.
A pesar de ello, y tal como un soldador diestro aplica sus habilidades sin necesidad de hacer
un desarrollo explícito y consciente de la teoría de la metalurgia de la soldadura en cada jun-
ta que realiza, o así como un programador prepara, actualiza y revisa cronogramas siguiendo
el método de la Ruta Crí ca pero sin hacer una revisión detallada de la matemá ca de ma-
trices ni de los algoritmos de evaluación de redes, usted también puede entender la teoría
básica de las probabilidades y de los procedimientos de simulación de Monte Carlo y sus
resultados respec vos para u lizarla en la programación al mismo nivel de la prác ca diaria.
11
Véase Kendrick, T. (2003), capítulo 4 «Identifying Project Schedule Risk». subtítulo «Estimates Adjusted for
Uncertainty», p. 90.
12
Véase Project Management Ins tute (2013a), 11.4.2 «Perform Quan ta ve Risk Analysis: Tools and Techniques».
Capítulo 4 29
LA PROGRAMACIюN CON VARIABILIDAD DE DURACIONES
A con nuación, se iniciará la revisión del modelo triangular de probabilidades y luego el

método de simulación de Monte Carlo propuesto.
4.1 El modelo triangular de probabilidades

El modelado matemá co de las duraciones de tareas asume un comportamiento triangu-
lar del cual se conocen los extremos Op mista, Pesimista y el Valor Más Probable, también
llamado Duración Esperada no muy correctamente, pues se confunde con el promedio o
valor medio.
Frecuentemente, se suele mencionar estos parámetros en las discusiones acerca del mé-
todo PERT sin dar una explicación de su significado. Esta vez se necesitan las definiciones
respec vas para poder manipular y entender los resultados correctamente.
1. Duración Optimista (O). Es la duración más corta posible, dentro de lo planeado, para la
ac vidad. Es decir, es el límite inferior prác co de la duración, una ejecución más corta
que esta no debe ser admisible con los métodos y tecnología previstos. Originalmente
este valor se es maba con ayuda del siguiente experimento mental: si se ejecutara esta
ac vidad 100 veces, ¿cuál sería el límite de duración de modo que solo uno de los casos
(1 %) resultara más corto que dicho límite? En la prác ca es la duración más corta posi-
ble y usualmente no está muy alejada del valor normal de la duración.
2. Duración Pesimista (P). Es el peor valor de duración esperado, haciendo la versión pesi-
mista del experimento mental mencionado para el caso op mista. Este valor es el más
di cil de es mar y el que más impacta en los resultados porque generalmente es el más
difuso y puede superar largamente el valor es mado como normal.
3. Duración Más Probable (E). Es la duración normal de la ac vidad, esto en la prác ca

significa la Duración Más Probable, la que más veces se presentará, es decir, la que se
espera que ocurra más veces. No es el valor promedio.
Hay que tener cuidado con estos significados y cuando se soliciten es maciones de ellos a
los responsables del trabajo se debe ser muy cuidadoso de explicarlas para que no caigan
en la tentación de dar la es mación «segura» (seguramente un valor largamente a la dere-
cha del más probable) cuando se necesita el más común o más repe do o el más probable.
En el diagrama siguiente pueden verse las respec vas posiciones de estos valores en el eje
horizontal y cómo definen el perfil triangular de la fdp de duraciones (función f) de la ac -
vidad cuando se incluye la condición de definición de toda fdp: el área debajo de la función
es uno (1 o 100 % de probabilidad).
Como se recordará el área encerrada bajo una fdp a la izquierda de un valor de duración t
(la función F(t)) proporciona la probabilidad de ocurrencia de duraciones menores a t.
De acuerdo a lo anterior se plantea que:
Para el tramo O-E la fdp es:
2 ⋅ ( t − O)
f (t ) = (4.1.1)
(P − O)(E − O)
Para el tramo E-P:
2 ⋅ (P − t )
f (t ) = (4.1.2)
( P − O) ⋅ ( P − E)
La función de probabilidades P ( x ≤ t ) = F ( t ) es la
integral:
Para el tramo O-E resulta (usando la ecuación 4.1.1):
(4.1.3)
Mientras que para el tramo E-P (usando la ecuación 4.1.2) se ene:
(4.1.4)
La función de probabilidades inversa (la duración t como una función de la probabilidad F)

resulta:
Para el tramo O-E: t (F ) = O + (E − O ) ⋅ (P − O ) ⋅ F (4.1.5)
Para el tramo E-P: t (F ) = P − (P − E) ⋅ (P − O) ⋅ (1 − F) (4.1.6)
Se pueden aprovechar los resultados para calcular la media de la duración, usando la

definición: μ = ∫t ⋅ f ( t ) dt
Donde al reemplazar las ecuaciones 4.1.1 y 4.1.2 resulta:

Capítulo 4 31
Y resolviendo se ene:
(4.1.7)
Que puede compararse contra el clásico valor mostrado en la ecuación 9.2.1.1 del anexo
9.2.1 (Ecuaciones PERT), cuando se considera como fdp una función beta.
Siguiendo la misma línea, se puede revisar la varianza de la duración con la definición:
Donde luego de reemplazar las ecuaciones 4.1.1 y 4.1.2 otra vez, resulta:
O alterna vamente:
Que se resuelve en:
(4.1.8)
La desviación estándar será clara:
(4.1.9)
Resultados que también se pueden contrastar con el valor aproximado de la ecuación

9.2.1.2 de Anexos 9.2.1 (Ecuaciones PERT).
4.2 El algoritmo Monte Carlo de variabilidad

El proceso de Monte Carlo13 es una técnica de simulación rela vamente sencilla de im-
plementar, consiste en generar una población suficientemente grande de instancias14 del
cronograma para poder construir curvas de distribución de probabilidades (frecuencias
rela vas) de algún parámetro seleccionado; en este caso, la variable aleatoria que genera
13
Véase Project Management Ins tute (2013a), 2.3.4 «Monte Carlo Simula on».
14
Cuando hacemos referencia a una «instancia» de un programa o ac vidad, nos estamos refiriendo a un caso indi-
vidual, es decir, cualquiera de los experimentos mentales de probabilidades que generan muchos casos de un mismo
evento (aleatorio), y que van difiriendo unos de otros en sus duraciones.
las diferentes instancias es la duración de las ac vidades con incer dumbres. El diagrama
lógico del proceso de Monte Carlo, que se muestra más adelante, ilustra la lógica básica y
su simplicidad.
Puede observarse que los siguientes bloques son el corazón de los cálculos:
El «Genera instancia de duración de tarea» y

el lazo lógico que inicia con «Recorre líneas del cronograma» y que termina saliendo por

el ramal «Sí» de «¿Fin de recorrido de organigrama?».
El proceso del bloque «Genera instancia de duración de tarea» consiste en producir un

caso o instancia de duración de cada ac vidad par endo de sus caracterís cas de variabili-
dad, es decir, aplicando el modelo triangular de probabilidades y las duraciones: op mista,
más probable y pesimista que se hayan determinado siguiendo la metodología PERT.
Para asegurar que las duraciones generadas conformen una población con la fdp triangular
requerida se usan las ecuaciones de la función de probabilidades inversa 4.1.5 y 4.1.6 que
toma la variable F como entrada aleatoria y los parámetros O, E y P que caracterizan a la
tarea.
El algoritmo repite este proceso para todas las ac vidades con lo cual genera un caso o ins-
tancia nueva de cronograma con duraciones de ac vidad aleatorias que se comportan de
acuerdo a sus parámetros individuales y al modelo triangular de probabilidades. El proceso
asegura que todas las ac vidades del cronograma son visitadas y revisadas recorriendo el
lazo lógico que inicia con «Recorre líneas del cronograma» y termina saliendo por el ramal
«Sí» de «¿Fin de recorrido de organigrama?».
Cada vez que se completa una instancia de duraciones para el cronograma entero, el blo-
que «Genera instancia de cronograma (calcula)» lanza los algoritmos propios de MS Pro-
ject (equivalente a presionar <F9> en dicho so ware) y calcula la Ruta Crí ca, holguras, y
demás parámetros del cronograma. Los casos que se van generando son diferentes unos
de otros, con duraciones diferentes, rutas crí cas diferentes, etc., pero manteniendo la
lógica definida en la red de trabajos.
Capítulo 4 33
DIAGRAMA LÓGICO DEL PROCESO DE MONTE CARLO
Monte Carlo
Inicializa variables
Revisa consistencia
de duraciones
Sí
¿Hay inconsistencias? Mensaje reporte

de inconsistencias
No
Por cada iteración Fin
Recorre líneas del

cronograma
¿Es Tarea?
No Sí
Genera instancia de
duración de Tarea
¿Fin recorrido de
cronograma?
No Sí
Genera instancia de
cronograma (calcula)
Almacena datos de
instancia de cronograma
¿Fin de iteraciones?
Sí
No
Prepara reporte
Guarda resultados
Fin
El bloque «Almacena datos de instancia de cronograma» toma los parámetros del crono-
grama calculado y los copia a una tabla de datos de iteraciones (solo de aquellas ac vida-
des seleccionadas), y da pie para iniciar los pasos correspondientes a la siguiente iteración.
Cuando se ha completado el número de iteraciones predeterminado —frecuentemente
usamos mil iteraciones—, el bloque «Prepara reporte» usa la información de la tabla de
iteraciones guardadas para preparar un reporte básico de curvas de frecuencia para los pa-
rámetros de interés de las ac vidades seleccionadas: duración (o de fechas de término, o
trabajo —en hHs—, o de costos, de acuerdo a las tasas de costo que se hayan introducido).
Finalmente, la tabla de iteraciones (varias decenas de miles de registros) y los reportes de

curvas de frecuencias son guardados en disco, para análisis posteriores.
4.3 La implementación de la variabilidad en MS Project

En esta parte, hay dos aspectos que resolver:
El primero, desde el punto de vista del programador de proyectos, consis rá en deter-

minar dónde, dentro de la aplicación MS Project, se registran los parámetros y variables
necesarios del modelo así como, además, dónde encontrar los resultados.
El segundo es la implementación en módulos de Visual Basic del algoritmo de Monte Carlo.
4.3.1. Interfaz para el usuario

El módulo correspondiente al diagrama u liza algunos campos de la base de datos de
tareas de MS Project, los que deben permanecer disponibles para el algoritmo. Estos son
los siguientes campos o atributos de tarea:
Campo y po dato15 15 Nombre personalizado

1 Flag1 MC Selected
2 Flag19 -
3 Text1 MC Lista Param
4 Duration1 Optimistic Duration
5 Duration2 Expected Duration
6 Duration3 Pessimistic Duration
7 Duration4 -
8 Number1 MC Frec Crit
9 Number2 MC Clase Crit
10 Number16 -
11 Number19 -
12 Number20 -
15
Para revisar el comportamiento estocás co, véase la implementación de estructuras estocás cas en MS Project.
Capítulo 4 35
El prefijo MC iden ficará los campos personalizados por la implementación de Monte Carlo.
A. Flag1 / MC Selected
Este campo servirá para marcar los elementos que el usuario desea que se reporten.
Un valor «Sí» significará que el elemento (cualquier po seleccionable: tarea, resu-
men, o hito) será monitoreado y reportado.
Además, este campo se ha personalizado para mostrar representaciones gráficas (bo-

tones y banderas verdes) cuando se le asigna el valor «Sí».
NOTA
La «Fecha de Fin» del resumen del proyecto (tarea [0] de un cronograma) se reporta
siempre por defecto
B. Flag19 / -
Sin nombre personalizado, campo usado por el algoritmo para datos temporales.
C. Text1 / MC Lista Param
Define qué parámetros de tarea serán monitoreados, hay cuatro posibilidades:
Duración (se medirá en horas laborables)
Fecha de fin
Trabajo (hHs)
Costo (según la unidad monetaria establecida)
Este campo ene una lista de valores predefinidos (D, F, T, C) de manera que los pará-
metros pueden solicitarse independientemente o combinados.
NOTA
No ene efecto si en el campo MC Selected está marcado «No».
D. Dura on1/2/3 - Op mis c/Expected/Pessimis c Dura on

Son los (3) campos definidos por defecto en MS Project como los parámetros PERT de
duración de cada tarea. El usuario ingresará los valores que juzgue convenientes aun-
que deberá asegurar que siempre se cumpla:
Op mis c Dur≤Expected Dur≤Pessimis c Dur
Si no se espera variabilidad en la duración de la tarea, los tres campos deberán tener

el mismo valor.
E. Dura on4
Un campo usado para almacenar el valor original del campo Dura on y que se usa al
final del proceso para recuperar las duraciones originales del programa que han sido
modificadas en las instancias de iteración del algoritmo Monte Carlo. La información
que el usuario registre en Dura on4 será modificada por el algoritmo.
F. Number1 / MC Frec Crit

Un campo usado por el algoritmo para presentar porcentualmente la frecuencia con
que un elemento del cronograma ha pertenecido a la Ruta Crí ca (Cri cidad) durante
el proceso itera vo. Los valores previos al cálculo serán ignorados y modificados.
G. Number2 / MC Clase Crit

Un campo de reporte no es usado por el algoritmo, es una personalización para cla-
sificar la Cri cidad (o el valor del campo: MC Frec Crit) en franjas de ancho 20 % por
medio de botones de colores y formas, y que luego puede ser usado para presentar
reportes gráficos. La personalización puede ser modificada por el usuario.
H. Number16 / -, Number19 / - y Number20 / -

Campos sin nombre personalizado. Son usados por el algoritmo para cálculos internos.
Los valores previos al cálculo serán ignorados y modificados.
La ejecución del algoritmo se realiza a través de la macro llamada VisitaTareas (presione

<Alt+F8> para ver la lista de macros instaladas).
Durante la ejecución aparecerán avisos en caso hayan inconsistencias en la información

proporcionada, y sobre el número de elementos por procesar.
Durante el proceso de generación de instancias del cronograma (iteraciones), el cursor

da la indicación del proceso en ejecución cambiando de forma. También aparece una
ventana indicando el total de iteraciones y el empo transcurrido.
Finalmente, se mostrarán reportes en pantalla similares al de la figura.
Donde se indica:
1. El número de iteraciones realizadas.

2. Qué tarea de la lista del cronograma es analizada.
3. El parámetro mostrado y el ancho de intervalo resultante.
4. El número y ancho de clase.
Capítulo 4 37
5. La tabla de frecuencias rela vas de clase y acumuladas con el centro de clase. Las
frecuencias se muestran en valores porcentuales.
Estos reportes se muestran para cada parámetro y ac vidad seleccionados. Se usan tam-
bién para una verificación visual rápida de los resultados.
Posteriormente, estos mismos resultados (tablas de frecuencia de parámetros-ac vida-

des) y la tabla de datos de las iteraciones son guardados en el disco duro del sistema, en
los archivos:
<Nombre de archivo MS Project> - Histo.txt

<Nombre de archivo MS Project> - Itera.txt


De manera que pueden recuperarse fácilmente con aplicaciones de hoja de cálculo o de

base datos para análisis posteriores, en par cular el archivo <Nombre de archivo MS
Project> - Histo.txt resulta muy ú l para representaciones gráficas inmediatas.
NOTA
Se puede observar que el método para generar histogramas (dividiendo el intervalo de
valores por 20 clases, cada clase resulta ser el 5 % del rango) introduce un nivel de error
de 5/2 = 2.5 % sobre los errores del modelo triangular mismo.
4.3.2. El módulo de Visual Basic

El proceso mostrado en el diagrama lógico del proceso de Monte Carlo ha sido imple-
mentado en código de Visual Basic de MS Project usando los campos personalizados
explicados.
A con nuación, se revisa solo los dos procesos fundamentales del algoritmo, es decir, el
bloque16 que recorre las ac vidades (tareas) del cronograma y genera las instancias de
duración. Véase los comentarios explica vos en verde en el texto del código.
For Each T In ActiveProject.Tasks 'Recorre todas las tareas del programa de tareas
If Not T.Summary And Not T.Milestone Then 'Esta condición evita asignar
inútilmente, duraciones nuevas a resúmenes o hitos
F = Rnd 'Genera un valor aleatorio para la función de probabilidades F(t)
If T.Duration1 = T.Duration3 Then 'Caso no hay variabilidad de duraciones
T.Duration = T.Duration2 'Confirma la duración a usar
'Nota: Existe una versión posterior del código que optimiza esta
bifucación usando el'campo T.Flag19 como discriminador y cuyo
valor se asigna en los bloques de 'inicialización
Else
'Lo que sigue es el bloque "Genera Instancia de duración de Tarea"
Moda = (T.Duration2 - T.Duration1) / (T.Duration3 - T.Duration1)
'Calcula el discriminador'de los casos ascendente o descendente
del perfil triangular. En una versión posterior 'este valor se
calcula y se guarda en el campo T.Number16
If F <= Moda Then 'Si es lado ascendente aplica la ecuación 4.1.5
T.Duration = T.Duration1 + T.Number19 * Sqr(F) 'Los campos
T.Number19 y T.Number20 han sido calculados en los bloques
de inicialización de parámetros
Else 'Si es lado descendente aplica la ecuación 4.1.6
T.Duration = T.Duration3 - T.Number20 * Sqr(1 - F)
End If 'F <= Moda
End If 'T.Duration1 = T.Duration3
End If 'Not T.Summary
Next T 'Busca siguiente tarea de cronograma y finaliza si no hay más
Es de notar la simplicidad con que un corto número de instrucciones (15) logra estable-
cer el proceso de Monte Carlo. El resto de código se aboca a la preparación de datos,
verificación de consistencia de información, interfaces con el usuario, archivamiento de
resultados y mensajes.
En Anexos 9.1 (Código de Visual Basic) podrá el lector más interesado revisar el código
completo para ver más detalles.
16
Asumimos que el lector, programador de proyectos, dispone también de un cierto conocimiento básico de programa-
ción en Visual Basic. Aquí no explicaremos la sintaxis del lenguaje.
Capítulo 4 39
4.4 Ejemplo de variabilidad

Ejemplo:
Para ilustrar el uso y resultados de la implementación en MS Project del algoritmo mostra-

do se desarrollará un ejemplo sencillo.
Sea una ac vidad con duraciones PERT (O/E/P): 6 h / 7 h / 12 h, y otra ac vidad con dura-
ción de 8 h bastante confirmada (sin variabilidad), que están programadas en paralelo e
inician al mismo empo.
Considerando una jornada de 10 h ú les por día:

1. Si el trabajo fuera urgente, ¿se ene que preparar ya una cuadrilla para el turno noche?
O en otras palabras, ¿cuál es la probabilidad de no terminar este día?
2. Si el trabajo puede suspenderse de noche, ¿cuál es la hora de terminación (del día si-
guiente) que se puede comprometer al 95 % de confianza? ¿Qué costo asociado habrá?
¿Cuántas hHs se consumirán en ese caso?
3. ¿Cuál es la Ruta Crí ca?
Respuesta:
El modelado en MS Project de las ac vidades se muestra a con nuación:
Donde se ha marcado (campo: MC Sel = Sí) el resumen [1] y la tarea Con variabilidad [2]
como componentes del programa por ser analizados, y se ha solicitado reportes (campo
MC Lista Parámetros) de la duración, la fecha/hora de fin, el trabajo y el costo para la tarea
[1] y solamente la duración para la tarea [2].
NOTA
Aunque la tarea [3] aparece marcada para reportar duraciones, no será reportada porque no
está marcada en el campo MC Sel.
Las duraciones PERT se han consignado en los respec vos campos.

Los campos MC Frec Crí ca y MC Clase Crí ca esperan los resultados del proceso.
Se han asignado los recursos fic cios: R1 (costo = 12$/h) y R2 (a 10$/h), colocando una
unidad de cada uno en las tareas [2] y [3].
Luego de ejecutar el proceso (lanzando la macro VisitaTareas, con 1000 iteraciones) re-
sulta lo siguiente:
Este ya responde a la pregunta 3, la Ruta Crí ca. está definida el 54 % de los casos por la
tarea [2] y un 46 % de veces por la tarea [3], el indicador MC Clase Crí ca muestra esto
con un botón amarillo. Un caso desafortunado con una Ruta Crí ca doble en la prác ca.
Para responder a la pregunta 1 se de- Clasificando Fechas-Fin en 20 Clases

ben analizar los datos de frecuencias (Ancho de Clase: 0.03 días)
rela vas de la fecha/hora de fin del Cl. Fr.Rel F.Rel.Ac Centro de Clase
resumen [1], véase la siguiente tabla: 1 46.2 46.2 17/04/2013 17:28
2 0 46.2 17/04/2013 18:25
3 0 46.2 17/04/2013 19:22
4 0 46.2 17/04/2013 20:18
5 0 46.2 17/04/2013 21:15
6 0 46.2 17/04/2013 22:12
7 0 46.2 17/04/2013 23:09
8 0 46.2 18/04/2013 00:06
9 0 46.2 18/04/2013 01:02
10 0 46.2 18/04/2013 01:59
11 0 46.2 18/04/2013 02:56
12 0 46.2 18/04/2013 03:53
13 0 46.2 18/04/2013 04:50
14 0 46.2 18/04/2013 05:46
15 0 46.2 18/04/2013 05:46
16 3.7 49.9 18/04/2013 07:40
17 21.3 71.2 18/04/2013 08:37
18 15.3 86.5 18/04/2013 09:34
19 10.4 96.9 18/04/2013 10:30
20 3.1 100 18/04/2013 11:27
Capítulo 4 41
Como ya se sabe esta información se hallará en el archivo texto <Nombre de archivo>-His-

to.txt> que puede cargarse a una hoja de cálculo y graficarla de la siguiente manera:
Donde se observa que existe una probabilidad de 46.2 % de terminar el 17 abril de 2013
(antes de las 17:28 h) y el resto de casos (53.8 m %) se terminará el 18 abril de 2013 (a las
o antes de las 11:27 h). Teniendo en cuenta la alta probabilidad de no terminar el trabajo
el primer día (más del 50 %) será mejor tener preparada la cuadrilla nocturna.
Obsérvese que las ac vidades se suspenden durante los periodos nocturnos (el intervalo
entre las 6 p. m. del 17 de abril y las 8 a. m. del 18 de abril son no laborables de acuerdo
al calendario de trabajo definido), razón por la que no hay datos de terminación entre
esas horas y, por tanto, la probabilidad asociada no se incrementa, la curva de frecuencias
acumuladas se man ene fija y los incrementos se reinician en el siguiente periodo. Esto es
usual en los gráficos de fechas que muestran saltos; en cambio, los reportes de los otros
tres parámetros (duraciones, trabajo, costo) muestran incrementos siempre de modo con-
nuo, como se puede ver en las siguientes discusiones:
Para la primera de las preguntas en 2, se leen los datos de fecha/hora de terminación aso-
ciadas al 95 % de frecuencias acumuladas (curva «S» color azul) en el mismo gráfico o en
la tabla, esta resulta poco antes de las 10:20 a.m. del día siguiente.
Para el trabajo asociado a los recursos R1 y R2 asignados, las ac vidades resultan en un

37.4 hHs (interpolando) y con un 95 % de confianza.
Véase el cuadro y diagrama de frecuencias siguientes:
Clasificando Trabajo en 20 Clases

(Ancho de Clase: 0.58 hHs)
Cl. Fr.Rel F.Rel.Ac Centro de Clase
1 2.2 2.2 28.42
2 4.1 6.3 29.01
3 7.7 14 29.6
4 8.7 22.7 30.18
5 8.7 31.4 30.77
6 8.7 40.1 31.35
7 9.5 49.6 31.94
8 6.5 56.1 32.53
9 8.1 64.2 33.12
10 5.4 69.6 33.7
11 5.1 74.7 34.29
12 5.8 80.5 34.88
13 4.3 84.8 35.46
14 3.7 88.5 36.05
15 3.2 91.7 36.64
16 2.6 94.3 37.22
17 2.9 97.2 37.81
18 1.8 99 38.4
19 0.3 99.3 38.98
20 0.7 100 39.57
Capítulo 4 43
NOTA
Obsérvese que los parámetros trabajo y costo asociado se calcularán de un modo diferente
dependiendo del po de ac vidad asignado en MS Project (trabajo fijo, unidades fijas o du-
ración fija), el programador debe asegurar el po que debe usar.
Mientras que para el costo se ene:
Clasificando Costos en 20 Clases

(Ancho de Clase: 6.45 $)
1 2.2 2.2 312.69
2 4.1 6.3 319.14
3 7.7 14 325.6
4 8.7 22.7 332.05
5 9.4 32.1 338.5
6 8 40.1 344.96
7 9.5 49.6 351.41
8 6.5 56.1 357.86
9 8.1 64.2 364.32
10 5.7 69.6 370.77
11 4.8 74.7 377.22
12 5.8 80.5 383.68
13 4.3 84.8 390.13
14 3.7 88.5 396.58
15 3 91.5 403.04
16 2.8 94.3 409.49
17 2.9 97.2 415.94
18 1.8 99 422.4
19 0.3 99.3 428.85
20 0.7 100 435.3
Y se lee (interpolando) al 95 % de confianza: 411.05 $.
Con esto se ene suficiente seguridad que, aunque ocurran efectos de variabilidad combi-
nados, no habrá gastos mayores a esa can dad.
Por otro lado, también existen oportunidades significa vas (casi 50 %) de terminar el traba-
jo el primer día. Por tanto, la ac vidad siguiente en la secuencia debería estar preparando
sus requerimientos de trabajo (permisos del propietario, traslado de materiales, revisiones
de planes, etc.). Es decir, el lado «oportunidad» también está presente y muestra la opción
potencial de aprovechar la terminación temprana de esta ac vidad para incorporar ese
adelanto a la Ruta Crí ca. Pero se necesita que el proyecto «se exponga» a la oportunidad,
esto es, que tome la decisión de estar listos para aprovechar el posible adelanto de la fecha
de inicio de la ac vidad siguiente.
Como puede verse, el análisis de los resultados de un proceso Monte Carlo ofrece informa-
ción que mejora nuestro conocimiento sobre cómo se comportará el modelo que hemos
construido, pero, por otro lado, la responsabilidad como programadores se da con que el
modelo sea una representación correcta de las secuencias, relaciones de precedencia y
duraciones, asegurando que el modelo se aproxima lo suficiente a la realidad para servir
como herramienta de predicción ú l.
4.5 Repetitividad y sesgo

Algunas preguntas válidas que surgen ahora son ¿cómo se puede asegurar que los resulta-
dos obtenidos son los correctos?, ¿son confiables estos resultados?, ¿se están introducien-
do inadver damente errores o desviaciones? Lo anterior, aborda dos aspectos:
Uno se refiere a la posibilidad de obtener resultados diferentes par endo de los mismos
datos. Si no hubiera suficiente repe vidad de resultado, las conclusiones perderán va-
lor y en casos extremos hasta podrían ser no válidas.
Capítulo 4 45
El otro aspecto plantea que al obtener resultados repe dos para datos iguales, ¿cómo se

puede verificar que ese resultado es el correcto y no un error sistemá co? Si esto no es
posible de confirmar, se podría estar tomando decisiones sesgadas sin saberlo.
Para revisar la repe vidad de resultados se pueden plantear unas pruebas simples, tal
como repe r el análisis de un mismo caso para diferentes números de iteraciones, y com-
probar si las desviaciones obtenidas son cada vez menores, o repe r exactamente el mis-
mo análisis varias veces para medir las desviaciones.
Tómese un caso simple, para ilustrar, la tarea [2] Con Variabilidad del ejemplo anterior. La
tabla de las frecuencias rela vas de sus duraciones y el respec vo gráfico se muestran a
con nuación (recuérdese que 1K = 1000 iteraciones):
Ac vidad: [2] - Con Variabilidad 1K

Intervalo Duraciones = [ 6.06 , 11.93 ] h LABORABLES
Clasificando Duraciones en 20 Clases
(Ancho de Clase: 0.29 h LABORABLES
1 2.2 2.2 6.21
2 4.1 6.3 6.5
3 7.7 14 6.8
4 8.7 22.7 7.09
5 8.7 31.4 7.38
6 8.7 40.1 7.68
7 9.5 49.6 7.97
8 6.5 56.1 8.26
9 8.1 64.2 8.56
10 5.7 69.6 8.85
11 4.8 74.7 9.14
12 5.8 80.5 9.43
13 4.3 84.8 9.73
14 3.7 88.5 10.02
15 3 91.5 10.32
16 2.8 94.3 10.61
17 2.9 97.2 10.9
18 1.8 99 11.2
19 0.3 99.3 11.49
20 0.7 100 11.78
¿Se parece a un triángulo con pico en 7 y extremos 6 y 12? Recuerde que estos fueron los
valores PERT para las duraciones.
El intervalo de duraciones reportado [6.06, 11.93] coincide bien, y salvo la falta de defini-
ción del pico (por la naturaleza aleatoria del proceso), se puede es mar para este paráme-
tro un valor en las cercanías de 7.09 h. Bueno para procesos aleatorios17.
Usando los datos de la tabla se puede calcular directamente la duración media y la desvia-
ción estándar de las poblaciones producidas, para obtener:
µˆ = 8.362 y σˆ = 1.306
Si se usan las ecuaciones 4.1.7 y 4.1.8 para calcular los valores exactos, se ob ene:
µ = 8.333 y σ = 1.312
Con una muy buena coincidencia contra el valor teórico: una desviación de +0.35 % para
μ y de -0.45 % para σ.
Se ha realizado el mismo ejercicio varias veces y se ha comparado resultados, calculando

las desviaciones respecto al valor teórico, se ob ene:
Duraciones PERT en diagrama Desviación en:

Iteraciones
Op mista Más prob. Pesimista
6.06 7.08 11.93 8.362 1.306 0.35% -0.49 %
6.05 7.05 11.81 8.334 1.329 0.01 % 1.28 %
1000
6.01 7.02 11.80 8.321 1.330 -0.14 % 1.37 %
6.06 7.10 11.98 8.318 1.293 -0.18 % -1.44 %
17
Para una discusión más extensa sobre aspectos prác cos en este tema véase Kendrick, T. (2003), capítulo 7 «Probability
Density Func ons», p. 173.
Capítulo 4 47
Si ahora se hace el ejercicio, variando el número de iteraciones, resulta la siguiente tabla:
Iteraciones Duraciones PERT Desviación en:

Op mista Más prob. Pesimista
1000 6.06 7.08 11.93 8.362 1.306 0.35 % -0.49 %
3000 6.05 7.06 11.83 8.298 1.309 -0.42 % -0.25 %
6000 6.00 7.04 11.95 8.301 1.311 -0.38 % -0.08 %
12000 6.01 7.05 11.93 8.326 1.304 -0.08 % -0.64 %
Que confirma la consistencia (repe vidad) de resultados.
Otra forma de visualizar la consistencia obtenida es por medio de superposición de los

gráficos de frecuencias de diferentes casos. En el gráfico siguiente se muestran los casos de
1k, 3k, 6k y 12k iteraciones, donde existen curvas de frecuencia suficientemente ajustadas
para representar efec vamente la fdp de perfil triangular.
Es de resaltar que las curvas de frecuencias acumuladas ( po «S») están aún más ajustadas
entre ellas, por lo que las inferencias probabilís cas a par r de ellas serán todavía menos
dis nguibles entre sí.
Con lo que se comprueba que nuestro algoritmo Monte Carlo está generando eficiente-
mente poblaciones de acuerdo al modelo que se ha planteado sin sesgos apreciables.
Cuando el proceso se aplica sobre cronogramas un poco más complejos y aparece la su-
perposición de diversos perfiles triangulares, la curva compuesta final pronto se aleja de la
forma con pico y de laderas rectas para adoptar el de la clásica campana de Gauss, hacien-
do más atrac vo el uso de la media y la desviación estándar de la duración.
Para confrontar el problema del sesgo se necesita comparar los resultados de la simulación
Monte Carlo contra resultados obtenidos por otros medios. Esto se puede hacer compa-
rando la media y la desviación estándar de la duración obtenidas por simulación contra
valores calculados para casos de configuraciones simples. Este método se ha seguido a lo
largo de todos los ejemplos siempre que ha sido posible con resultados bastante coheren-
tes de manera que se ene confianza en el algoritmo desarrollado.
Para esto se han desarrollado los anexos 9.2 y 9.4 donde se deducen y resuelven las ecua-
ciones respec vas de estas configuraciones sencillas.
4.6 Modelos matemáticos de variabilidad

En la programación de trabajos básicamente aparecen dos pos de estructuras simples:
los grupos en serie o cadenas de ac vidades y los grupos en paralelo o grupos de ejecución
simultánea. Se pueden desarrollar expresiones matemá cas para es mar la duración me-
dia y la desviación estándar de la duración basadas en esas estructuras. La siguiente tabla
muestra los planteamientos:
Tipo de CASO GENERAL CASO ESPECIAL:

Grupo Análisis Ec. Ac vidades iguales
Serie μD 9.2.2.2
σ D2 9.2.2.3
Paralelo μD 9.2.3.7
Tardío
σ D2 9.2.3.16
Paralelo μ 9.2.4.7
D
Temprano
σ D2 9.2.4.16
Véase Anexos 9.2 (Modelo de variabilidad de duraciones) para leer las definiciones de los
pos de grupo y los números de ecuación, además de las demostraciones matemá cas de
estas fórmulas.
Capítulo 4 49
El po de grupo «Paralelo Temprano» se refiere a una situación no modelable en MS Pro-

ject, donde la duración del grupo viene definida por la primera ac vidad en terminar, en
contraposición a la usual situación de los grupos «Paralelo Tardío» donde la duración viene
determinada por la úl ma ac vidad en terminar.
Si ahora se agrega el modelo triangular de probabilidades, se pueden resolver estas ecua-

ciones de manera rela vamente sencilla. En la siguiente tabla se encuentran estas solucio-
nes, las mismas que se implementan en hojas de cálculo estándar o como un módulo de
Visual Basic.
Tipo de CASO: ACTIVIDADES IGUALES

Grupo
Solución (modelo triangular) Ec.
Serie μD
4.1.7
σ D2
4.1.8
Paralelo μD
Tardío
9.2.3.13
σ D2
Donde y
9.2.3.17
9.2.3.18
9.2.3.19
9.2.3.20
y 9.2.3.21
Paralelo μD 9.2.4.13
Temprano
σ D2
Donde y 9.2.4.17
9.2.4.18
9.2.4.19
9.2.4.20
y 9.2.4.21
Considerando que el desarrollo de las series de términos incluidos en estas ecuaciones

que, abarcan, además, factoriales y números combinatorios, puede ser bastante laborioso
y proclive a los errores, si se calculan a mano, se ha desarrollado un módulo de Visual Basic
que calcula los parámetros de los grupos cuando TODAS las ac vidades son iguales.
Este módulo se ejecuta a través de la macro CalculaT (<Alt+F8> para ver la lista de macros
instaladas) que muestra un cuadro de diálogo similar al siguiente:
Donde luego de agregar los paráme-

tros PERT de las ac vidades, se indi-
ca el tamaño (n) del grupo y luego se
selecciona el po de grupo a calcular.
Luego de ejecutar los cálculos (botón Calcular), se ob ene la media y la desviación es-
tándar de la duración del grupo, además se calcula también los límites al 1 % y 99 % de
confianza (basado en una distribución normal y una población «grande»: Z = ±2.326342,
en las ecuaciones 9.2.6.2 y 9.2.6.3 en Anexos 9.2.6 (Es mación de duraciones op mista,
esperada y pesimista de grupos).
Capítulo 4 51
También se muestra un valor «Precisión:» que indica los errores por truncamiento causa-
dos por los cálculos factoriales de números grandes. Los casos de grupos de ac vidades
en paralelo son las más exigentes en precisión y dependiendo de los datos PERT usados
muestran errores importantes a par r de tamaños (n) de 40.
4.7 Limitación del modelo triangular

Si se observan las ecuaciones de Anexos 9.2 (Modelos de variabilidad de duraciones) se
notará que las duraciones O/P (O=Do y P=Dp), que en el desarrollo del método PERT se de-
finieron como los umbrales para las colas de probabilidad al 1 % a la izquierda y la derecha,
respec vamente, se tratan como límites absolutos más allá de los cuales no hay más data.
Es decir, el supuesto PERT de colas al 1 % a la izquierda y derecha permite la existencia de

valores más allá de las duraciones O/P, mientras que el modelo triangular trunca esa posi-
bilidad (0 %) en aras del cálculo prác co.
Nótese que el algoritmo de simulación de Monte Carlo y el cálculo de las fórmulas mostra-
das coinciden en las es maciones de la media, la desviación estándar y límites L1% y L99%,
pues ambas se basan en el mismo supuesto.
4.8 ¿Cuánta variabilidad aplicar al cronograma?

En general, no se necesita aplicar variabilidad a todas las líneas del programa de trabajo.
Solo las ac vidades con duraciones más amplias o inciertas deberían requerir estos análi-
sis, es decir, la variabilidad debe aplicarse únicamemente a aquellas partes con incer dum-
bres. Si existe suficiente certeza sobre las duraciones de los componentes del programa,
no ene por qué aplicarse variabilidad a sus duraciones.
¿Cómo determinar la variabilidad de cada caso? Esta pregunta regresa al análisis inicial
del proceso básico de es mación de duraciones de las ac vidades individuales, solo que
esta vez se ene que pensar en términos de es maciones de intervalo y no solamente en
elementos puntuales. De igual manera, las fuentes de información serán:
Datos históricos y bases de datos. Son los registros de duración y variabilidad de traba-

jos anteriores registrados por la empresa ejecutora. Es la fuente más recomendada; sin
embargo, es la menos presente a la hora de preparar las es maciones, porque simple-
mente los datos registrados (si se registra alguno) no están organizados ni explicados en
su significado, el esfuerzo de generación y mantenimiento de estas bases de datos aún
no se encuentra frecuentemente en la industria.
Juicio de expertos. A falta de registros deberá acudirse al juicio de los expertos, es decir,

a gente con la suficiente experiencia para poder dar es maciones18. Normalmente se

recurre a personas que han tenido experiencia en trabajos similares. Probablemente sea
la fuente más común y popular de información de duraciones; sin embargo, debe con-
trolarse la tendencia a agregar márgenes, ya que debe quedar muy claro cómo y en qué
momento se calculará el Margen de Duración total y quién lo aplicará, y sobre todo de
qué manera se necesitan los es mados de las duraciones, si son es maciones del po
análoga o paramétrica19. Esta fuente no siempre está disponible.
18
Para una muy interesante crí ca a la fiabilidad de los expertos, véase a Taleb, N. (2009), «El problema del experto,
o la tragedia del farsante», pp. 217 y 224.
19
Véase Project Management Ins tute (2011a), capítulo 4 «Create Es mates».
Datos públicos. No parece haber publicaciones con datos de variabilidad de duraciones,

o son muy escasos. Normalmente, lo que se encuentra son datos puntuales de rendi-
mientos en hHs y duraciones.
Análisis de tiempos y actividades. Finalmente, a falta de los recursos anteriores deberá
realizarse un análisis de los trabajos hasta un nivel de detalle que permita al personal
responsable asignar duraciones con suficiente confianza. Básicamente consiste en con-
nuar el nivel de desglose de trabajos de la programación de ac vidades hasta niveles
que puedan ser entendidos y es mados con el personal y conocimientos disponibles. Es
el método más trabajoso de todos (es mación de po abajo-arriba) aunque es el que
brinda mejor comprensión del modelo. No implica que ese mismo nivel de detalle se
introduzca en el cronograma. Esta fuente siempre está disponible.
4.9 Ejemplos sobre variabilidad

Ejemplo 1:
Para evidenciar la limitación del modelo triangular de probabilidades y es mar las colas iz-
quierda y derecha al 1 % se compararán los resultados de un proceso de Monte Carlo para
grupos pequeños (2, 3 o 4 ac vidades) con las es maciones de los intervalos [Do , Dp] calcula-
das con base en las unidades de desviación estándar (distribución Normal). Use las duracio-
nes op mista, más probable y pesimista, según los valores 0.5 h, 1 h, 2 h, respec vamente.
Respuesta:
Se pueden modelar todos los casos en un solo cronograma tal como sigue:
Capítulo 4 53
Luego de efectuar los cálculos se tendrán los siguientes resultados:
Monte Carlo (1k iteraciones) modelo triangular
n.° Tipo Grupo L1% L99% Z1 L1% L99%

Una
1 1.180 0.316 0.533 1.863 2.104 1.167 0.312 0.441 1.893
Actividad
Serie 2.332 0.443 1.343 3.340 2.254 2.333 0.441 1.307 3.359
2
Paral. Tardío 1.329 0.269 0.760 1.854 2.033 1.344 0.275 0.704 1.984
Serie 3.485 0.530 2.298 4.726 2.291 3.500 0.540 2.244 4.756
3
Paral. Tardío 1.436 0.245 0.876 1.913 2.116 1.440 0.249 0.861 2.019
Serie 4.645 0.628 3.150 6.024 2.288 4.667 0.624 3.215 6.118
4
Paral. Tardío 1.485 0.239 0.960 1.915 1.998 1.502 0.229 0.969 2.035
A la izquierda están los valores observados (μ y σ) que resultaron del proceso de Monte
Carlo (con 1k iteraciones). Luego de graficar las frecuencias obtenidas se han leído los
valores L1% y L99% adyacentes en la tabla, con los que a su vez se ha calculado el hipoté co
número de desviación estándar (Z1) que se aplicaría. Donde Z1 = (L99%– L1%)) / (2σ)
A la derecha se enen los resultados de las fórmulas triangulares y la es mación de L1% y

L99% calculadas usando el valor Z (al 99 %) = 2.326342; extraído de las tablas de distribución
normal.
En general, se observa una buena aproximación entre ambos conjuntos de valores; como
puede notarse, el valor Z (= 2.3263) siempre excede a los valores es mados Z1, por tanto,
los valores es mados con las fórmulas triangulares y Z resultan en intervalos ligeramente
más extendidos que los observados al graficar el proceso de Monte Carlo. Si se recuerda,
las fórmulas triangulares asumen un truncamiento de datos al 1 % de ambos lados de las
colas, esto muestra que la es mación hecha es bastante coherente para hacer es macio-
nes del intervalo de datos.
En el siguiente diagrama de barras se puede observar los resultados obtenidos para los
campos MC Frec Crí ca y MC Clase Cri ca. Por ejemplo, se ven cuatro botones rojos
marcando los componentes que han sido crí cos más del 90 % de los casos generados
(1k iteraciones), que además es bastante intui vo: [16] Serie de 4. El siguiente grupo, en
cuanto a su Cri cidad es Serie de 3, con 7.3 % de ocasiones en que ha sido parte de la Ruta
Crí ca. Con lo cual se enen indicaciones cuan ficadas de qué partes del cronograma
requerirán atención para controlar la duración total; mejor aún se podrá evitar decisiones
indiscriminadas que consuman recursos en áreas que no representan ningún riesgo para
el control de la duración.
Ejemplo 2:
Calcular las duraciones para representar una cadena de 45 ac vidades consecu vas con
duraciones individuales Op mista, Más Probable y Pesimista = (0.5 h, 1 h, 2 h).
Respuesta:
Si se asume que la fdp es como en las ecuaciones 4.1.1 y 4.1.2, resultan:
En la ec. 4.1.7: μi = 1.167 h y D = 45 × 1.167 = 52.50 h
En la ec. 4.1.8: σi = 0.312 h y σD = (45 ·0.312) =2.093 h
Luego las duraciones serán: usando Z99% = 2.326342 en la ec. 4.9:
Do = 52.50 – 2.3263 × 2.093 = 47.63 h

Dp = 52.50 + 2.3263 × 2.093 = 57.37 h
Este caso ha sido modelado con el método Monte Carlo (1000 iteraciones) con los siguien-
tes resultados:
Capítulo 4 55
D. Media Desv. Est.

52.399 2.064
L1% L99%
45.98 58.78
Nótese que el perfil triangular se va perdiendo, e incluso el pico de probabilidad se ha

desplazado hacia la parte central.
Se puede ver una gran coincidencia entre el modelo triangular analí co y los resultados de
las iteraciones. Esto se ha repe do para otros valores de (n) confirmando que el modelo
analí co de una cadena de ac vidades con fdp triangular es un muy buen es mador del
comportamiento del proceso Monte Carlo.
Ejemplo 3:
Calcular las duraciones totales para representar una grupo de 15 ac vidades simultá-
neas con duraciones Op mista, Más Probable y Pesimista (0.5 h, 1 h, 2 h, respec vamen-
te). La duración del grupo está determinada por la terminación de todas las ac vidades
individuales.
Respuesta:
En la ec. 9.2.3.13: μD = 1.7265
En las ecs. 9.2.3.18 a 9.2.3.21: JOE = 4.49858 × 10-9

JEP = 0.199989
HOE = 4.64611 × 10-9
HEP = 0.0666667
En las ecs. 9.2.3.17: σi = 0.03555 h
Finalmente, en 9.2.3.15: σD = 15 × 0.03555 = 0.1377 h

Luego las duraciones serán con Z99% = 2.326342 y en la ec. 4.9:
Do = 1.727 – 2.3263 × 0.138 = 1.406
Dp = 1.727 + 2.3263 × 0.138 = 2.048
Usando la misma data en una simulación con el método Monte Carlo (tres procesos, 1000
iteraciones cada uno) resulta:
Caso D= D
D=n. i = n.
D i
1 1.721 0.139
Iteraciones Monte
2 1.721 0.138
Carlo (1k)
3 1.723 0.141
Modelo triangular 1.727 0.138
Con excelentes coincidencias en los resultados entre el modelo triangular y el método

Monte Carlo.
También se han probado varios tamaños de grupo (n) con los siguientes resultados:
Tamaño (n) D= D
D=n. i = n.
D i
5 1.547 0.210
Iteraciones Monte
10 1.659 0.168
Carlo (1k)
15 1.722 0.139
5 1.548 0.213
Modelo fdp
10 1.669 0.164
triangular
15 1.727 0.138
Nótese que cuando el tamaño del grupo aumenta, la duración esperada (D) del grupo se
incrementa aproximándose al valor pesimista cada vez más y en cambio la dispersión (σD)
va disminuyendo.
Ejemplo 4:
Calcular las duraciones para representar una grupo de 15 ac vidades simultáneas con du-
raciones Op mista, Más Probable y Pesimista (0.5 h, 1 h, 2 h, respec vamente). La dura-
ción del grupo está determinada por la primera terminación que ocurra de entre todas las
ac vidades individuales (la más corta).
Capítulo 4 57
Respuesta:
Usando la ec. 9.2.4.13: μD = 0.693384
En 9.2.4.18 al 9.2.4.21: JOE = 0.0325220

JEP = 0.000162373
HOE = 0.06651442
HEP = 0.00015224
Reemplazando en 9.2.4.17: σi = 0.0251455
Finalmente: σD = 15 × 0.0251455 = 0.097388
Luego las duraciones serán con Z99% = 2.326342 y en la ec. 4.9:
Do = 0.693 – 2.3263 × 0.09739 = 0.4664
Dp = 0.693 + 2.3263 × 0.09739 = 0.9196
En este caso no se ene contraparte en el Método de Monte Carlo, porque en MS Project

no se puede modelar un grupo cuyo sucesor se inicie al terminar la primera ac vidad del
grupo.
Calculando varios casos analí camente se ene:
Tamaño (n) D= D=n.

D i D
= n. i
5 0.822 0.1557
Modelo fdp
10 0.734 0.1161
triangular
15 0.693 0.0974
Nótese que para este caso cuando el tamaño del grupo aumenta, la duración esperada (D)
del grupo disminuye aproximándose al valor op mista cada vez más.
Ejemplo 5:
a. Determinar qué margen de empo debe considerarse para asegurar una probabilidad
del 95 % en terminar de un trabajo de reemplazo de una gran can dad de componentes
comunes en una planta industrial. Véase la tabla de distribución geográfica y niveles
(piso/altura).
b. Tomando en cuenta que se necesitará personal similar para otro trabajo que se debe
iniciar lo antes posible, ¿en cuánto empo se habrá liberado la mitad de las cuadrillas de
trabajo para el inicio de la otra ac vidad? Asumir cuatro cuadrillas iguales.
Respuesta de a:
Reemplazar
Total
ÁREAS A En Altura En Piso
Reemplazos
WBS-210 6 52 58
WBS-220 11 95 106
WBS-230/240/250 40 362 402
SS-1000A 40 356 396
SS-4000 64 575 639
WBS-110 71 640 711
WBS-120 39 355 394
WBS-190 132 1,192 1,324
SS-1000B 53 475 528
WBS-140 116 1,041 1,157
WBS150 59 533 592
WBS-160 60 542 602
WBS-170 43 383 426
WBS-3400 31 279 310
LCR-01 51 456 507
TQ-1 54 482 536
TQ-2 97 872 969
BOG 70 634 704
Propane 31 275 306
Sleeperway 23 211 234
Ethylene 13 118 131
CCR 22 209 231
Total 1,126 10,137 11,263
Preliminarmente se han considerado 4 frentes de trabajo. Unos 3 frentes para el trabajo a

nivel del piso con unas duraciones de Op./Más Prob./Pesimista = 3, 5, 15 minutos, respec-
vamente, por componente; el cuarto frente de trabajo para las alturas con unas duracio-
nes de Op./Más Prob./Pesimista = 10, 15, 30 minutos, respec vamente, por componente.
Si se enfoca la programación del modo más sencillo posible, es decir, sin consideraciones
para una entrega ordenada área por área —lo que implicaría coordinar y balancear los
trabajos de los 4 frentes para que terminen simultáneamente los trabajos de cada área—,
se tendrán 10,137 componentes a nivel del piso entre 3 frentes (= 3,379 componentes en
piso/frente) y 1,126 componentes en altura/frente.
Capítulo 4 59
Véase el muy simple diagrama de red siguiente:

Frente Piso 1 Cant: 3379
Inicio Fin
D.Opt: 0 m D.Opt: 0 m D.Pess: 0 m


Frente Alto Cant: 1126

Donde cada rama de la Tetrafurcación es en realidad una cadena de muchos componentes

idén cos.
Nótese que de las 4 ramas de ac vidad solo 3 pueden ser consideradas iguales entre sí.
Para responder a la primera pregunta se calcularán las duraciones Op mista, Más Proba-
ble y Pesimista de cada rama.
A nivel de piso se enen las duraciones individuales O/E/P = (3, 5, 15) minutos/componen-
te y usando las ec. 4.1.7 y 4.1.8:
μi = 7.667 minutos
σi2 = 6.889 σi = 2.625 minutos
Las ramas a nivel de piso enen n = 3,378 componentes Considerando una cadena de ac-
vidades en secuencia se tendrán las ecs. 9.2.2.2 y 9.2.2.3:
μD = n μi = 3,378 × 7.667 = 25,899 minutos
σD = n σi = 3,378 × 2.625 = 152.6 minutos
Se puede comparar con el valor que usualmente se hubiera considerado (3,378 × 5 =

16,890 minutos) y ya se notará que esa es mación se quedaba corta (en la proporción
de 7.667/5 = 1.53 (153 %).
NOTA
A pesar de que la variabilidad de duración individual es notable (P/E = 15/5 = 3), la dura-
ción de la cadena no resulta impactada de la misma manera. Es más, la relación σD / μD =
152.6/25,899 = 0.00589 es pequeña (0.589 % de la media) y es resultado del gran número de
ac vidades que toman valores aleatorios, según la fdp, desviándose en ambos sen dos de la
media y produciendo un efecto de cancelaciones parcial que deja un residuo de desviación.
Las duraciones Op mista/Pesimista se calculan con las ecs. 4.7 y Z99% = 2.3263.
DO = 25,899 – 2.3263 × 152.6 = 25,544 minutos
DP = 25,899 + 2.3263 × 152.6 = 26,254 minutos
NOTA
Obsérvese que se asume una distribución normal, en cuyo caso la duración Más Probable
es la media.
En el otro frente, A nivel alto, los trabajos duran O/E/P = (10, 15, 30) minutos y con las ec.
4.1.7 y 4.1.8.
μi = 18.33 minutos
σi2 = 18.056 σi = 4.249 minutos
Con n = 1,126 componentes y considerando una cadena de ac vidades en secuencia se

usarán las ecs. 9.2.2.2 y 9.2.2.3:
μD = n μi = 1,126 × 18.333 = 20,643 minutos
σD = n σi = 1,126 × 4.249 = 142.6 minutos
Las duraciones O/P se calculan con las ecs. 4.7 y Z99% = 2.3263.
DO = 20,643 – 2.3263 × 142.6 = 20,311 minutos
DP = 20,643 + 2.3263 × 142.6 = 20,975 minutos
Ahora se ha completado la red de trabajo de la siguiente manera:
Id: 6 Frente Alto

Inicio Fin
D.Opt: 20311 m DProb: 20643 m DPes: 20975 m
Id: 3 Frente Piso 1

Id: 4 Frente Piso 2

Id: 5 Frente Piso 3

Capítulo 4 61
Con lo que se habrá reducido un modelo (cronograma) que potencialmente hubiera tenido
11,260 ac vidades a otro de 4 ac vidades en paralelo, incluyendo una es mación de la
variabilidad de las duraciones.
Si ahora se lanza un proceso de Monte Carlo para la llamada Tetrafurcación, se obtendrá

una curva de frecuencias acumuladas similar a la figura de abajo (nótese que hay una
ac vidad diferente al resto y, por tanto, no se pueden aplicar las ecuaciones al conjunto).
Y se puede calcular:
μD4 = 26,026 min y
σD4 = 101.9 min
El límite de duración al 95 % de confianza (aprox. 26,181 min, por interpolación) da el lími-

te de duración solicitado por el problema (véase el gráfico).
Si se quisiera determinar el Margen de Duración, se debe restar ese límite menos la dura-
ción planeada.
NOTA
Aquí aparecen los múl ples valores que, según los diferentes involucrados en un proyecto,
le dan al cronograma. Está el cronograma y están los hitos comprome dos ante el cliente; se
debe asegurar que estos sean cumplibles sin incurrir en retrasos (ni penalidades contractua-
les) para lo cual se toma un nivel de confianza alto tal como se plantea en el ejemplo (95 %
de éxito). A su lado está el cronograma (y sus hitos), que describe cómo se ha decidido que
se ejecute el trabajo, tal como se espera que se desarrolle sin incluir retrasos. (Recuerde:
los retrasos no se programan, se evalúan. Si estos no se pueden evitar o mi gar, se aceptan
como riesgos y se toman contramedidas: los márgenes de protección).
En el ejemplo, la duración planeada ya se calculó anteriormente y corresponde a las ramas

más largas de la Tetrafurcación (véase cálculos A nivel de piso) y resultó: 3,378 × 5 = 16,890
minutos.
Por tanto, el margen será:
Margen = DSegura – DPlaneada = 26,181 – 16,895 = 9,286 min
Donde DSegura representa la duración que se espera lograr con el nivel de confianza selec-
cionado (90 %, 95 %,… 99 %, etc.) y que el análisis de variabilidad de duraciones y riesgos
establezca.
NOTA
Si se en ende que la variabilidad es inherente al trabajo planeado, ¿por qué se presentaría
un cronograma que dura 16,895 min si se sabe que el trabajo puede durar hasta alrededor
de 26,181 min el 95 % de los casos? Si se quisiera usar la duración esperada (μD4) como valor
de referencia para el cálculo del margen se tendría:
Margen = DSegura – DEsperada = 26,181 – 26,028 = 153 min
Lo que significa una fracción muy menor de la duración (Margen/μD4 = 0.6 %). ¿Se puede
controlar la ejecución con semejante nivel de precisión?
Además, no existe un cronograma con duración μD4 = 26,028 min (el cronograma o modelo
desarrollado dura 16,895 min), así que se tendría un margen
2021estrecho que aplica a un crono-
grama inexistente, evidentemente con poco sen do.20,21
Respuesta de b:
Al liberar la mitad de las cuadrillas se hace la pregunta por el momento en que dos de las
cuadrillas han quedado liberadas. Si se observan las duraciones asignadas en el diagrama de
la red anterior, será bastante claro (muy probablemente) que la primera cuadrilla en liberarse
corresponderá a la de los trabajos en altura.
Así pues, el momento de liberación de la segunda cuadrilla corresponderá a la terminación

de la primera ac vidad del trío de frentes en el piso. Se pueden usar las ecuaciones 9.2.4.13
y 9.2.4.17 a 9.2.4.21 para es mar este momento (caso de grupo Paralelo Temprano).
20
Podría sugerirse usar la duración media de cada ac vidad para construir un cronograma «promedio» que tenga la
duración media calculada, lo cual ya es todo un problema en sí mismo. Pero, ¿por qué cambiaríamos las es maciones
de duración hechas de cada ac vidad, agregándole márgenes individuales a cada caso? Esto plantea serios problemas a
la metodología de control de progreso y de la validez del mismo proceso de es mación de las duraciones. Además, nos
pone en la situación de haber programado los retrasos (¡en todas las ac vidades!), lo cual dará pie a que se usen esos
márgenes y también se presenten «retrasos» sobre lo programado desperdiciando las oportunidades de terminación
temprana. Véase también la nota al pie número 2.
21
Véase Reátegui, J. (2012), «Riesgos - variabilidad de duraciones», pp. 78-79.
Capítulo 4 63
Usando la ec. 9.2.4.13: μD = 25,775 min
Y usando la ec. 9.2.4.17: σn = 104.4 min
Si se requiere una es mación al 85 % de confianza, se puede plantear la ecuación 9.2.6.2

(modificada):
DP = μD +Z85% σD
De las tablas de distribución normal se halla Z85% = 1.036433

Entonces:
DP = 25,775 + 1.036 × 104.4 = 25,883 min
Que nos indica el momento que con ese nivel de confianza podría comprometerse la libe-
ración de la segunda cuadrilla22.
4.10 Un caso de variabilidad más verosímil

Se desarrollará un caso algo más verosímil de una ac vidad común en la industria, consiste
en calcular las duraciones y es mar el Margen de Duración, al 95 % de confianza, para
los trabajos de mantenimiento de un intercambiador de calor po AES-1.2 × 6 m, de 800
tubos de 3/4 pulg. de diámetro, cuya red de trabajos es la que se muestra en 9.3.1 (Red de
trabajos de mantenimiento), y cuyas duraciones se indican en el diagrama de barras en MS
Project, que se muestra más adelante.
Los no familiarizados con estos equipos pueden revisar Anexos 9.3.2 para ver algunos de-
talles de las partes y nombres usados.
Los alcances previstos de una intervención pica son:

 Desensamble. Ac vidades [5] al [9], consiste en desmontar los diferentes elementos del
equipo para permi r el acceso al interior y a las partes expuestas a los fluidos que inter-
cambian calor.
 Limpieza. Del [11] al [14], son las ac vidades para re rar elementos y sustancias ex-
traños del equipo y permi r una inspección efec va de los componentes. Incluye des-
de rasqueteo de la superficies hasta lavados con equipos de alta presión y compuestos
especiales.
 Inspección. Del [16] al [19], la ejecución del plan de inspecciones para el equipo. Diver-
sas técnicas de examinación y medición son usados.
 Ensamble y pruebas. Del [21] al [35], la operación inversa al desensamble, incluye prue-
bas para verificar que el montaje se ha hecho correctamente.
22
En estricto, la respuesta no es exacta, el rigor matemá co exige combinar las funciones de probabilidad de las dura-
ciones del frente A nivel Piso y del grupo — po Paralelo Temprano— A nivel alto para proveer la respuesta (cálculo que
dejamos al lector). Considerando las diferencias de duraciones del ejemplo, la respuesta provista en este será bastante
buena para soportar la toma de decisiones en la vida co diana.
Véase las ac vidades de resumen [4], [10], [15], [20], [25] y [33] respec vamente, mar-
cadas como paralelogramos en el diagrama de Anexos 9.3.1 (Red de trabajo de manteni-
miento) donde también puede revisar las relaciones lógicas y la Ruta Crí ca (en rojo).
NOTA
Las personas con experiencia en trabajos de mantenimiento habrán observado que el mode-
lo del ejemplo solo se refiere a dos pos de trabajos o disciplinas (metal-mecánica de equi-
pos está co e inspecciones) involucradas. En los trabajos reales hay par cipación de más
disciplinas, por ejemplo, puede ser necesario el re ro y reinstalación de aislamiento térmico
sobre todo en las juntas bridadas, se necesitarán trabajos con equipos de elevación (grúas)
para movilizar los componentes pesados, habrán cuadrillas de montajistas de andamios para
proporcionar acceso a las partes elevadas, también deberá restaurarse la pintura dañada y
la que se dañe en el trabajo de mantenimiento mismo; todos los cuales requieren personal
calificado y entrenado. Sin embargo, la única cuadrilla con carácter permanente es la de
trabajos metal-mecánicos, las otras disciplinas intervienen puntualmente. En este ejemplo
se asume que estas otras disciplinas no introducen restricciones al flujo de trabajos previsto.
Capítulo 4 65
A con nuación, se muestra la implementación del caso en la hoja de tareas de MS Project:
En general se ha considerado una variabilidad de duraciones como sigue:

Optimista (o límite de cola inferior al 1 %). Igual al 80 % de la duración esperada. Nor-

malmente es di cil reducir mucho las duraciones normales si no se ha realizado ningún

cambio en los procedimientos, entrenamiento, equipamiento o tamaño de las cuadrillas.
Pesimista (o límite de cola superior al 99 %). Igual a 2 veces la duración esperada. Exten-

der la duración del trabajo por mo vos de falta de coordinación o fallas en los procedi-
mientos no es nada extraño. Recuérdese que los índices de produc vidad (trabajo ú l /
trabajo consumido) normales suelen ser de 0.8 y menos.
Tal como está modelado el cronograma produce una es mación puntual de la duración de
76 horas (laborables) que no toma en cuenta la variabilidad. Se notará que solo se monito-
reará el sumario de trabajos [1].
Habiendo completado la lógica y parámetros PERT de las duraciones se puede ejecutar el

proceso Monte Carlo sobre el cronograma.
Los resultados de 1,000 iteraciones de Monte Carlo son:
D. Media Desv. Est.

96.26 5.248
L1% L99%
84.40 108.33
El modelo no-PERT del caso hubiera reportado una es mación puntual de la duración de 76
h (laborables) tal como el diagrama de barras lo muestra y que ene una probabilidad baja
de ocurrir (de hecho despreciable). Véase el extremo izquierdo del rango de duraciones.
Recuérdese que la asignación PERT de duraciones de este ejemplo da muchas menos opor-
tunidades de lograr duraciones menores a la esperada que de lograr duraciones mayores.
Aunque la es mación puntual (no-PERT) toma el valor más común de las duraciones para
sus cálculos, no toma en cuenta el efecto de las combinaciones de las diversas instancias
posibles de duración y en este caso no ofrece una es mación ni siquiera plausible.
Capítulo 4 67
Aquí es donde surge la necesidad de «curarse en salud», porque se sabe que aunque
las duraciones asignadas contengan las mejores es maciones de los empos, también es
cierto que muy frecuentemente las tareas encontrarán inconvenientes, situaciones impre-
vistas o procedimientos no ajustados al caso, o porque simplemente hay fallas humanas y,
por lo tanto, la es mación sin margen «de seguridad» se quedará siempre corta.
Si la estrategia exigiera un 95 % de confianza se tendría que considerar (véase el gráfico)

que L95% = 104 h, y el análisis sugeriría tomarse un margen adicional de 28 h (28+76=104
h) para comprometerse. Si ahora el nivel de confianza pudiera ser rebajado a 80 % (se
encuentra L80% = 100 h en el gráfico), el nuevo margen sería de 24 h, en tanto el análisis
no-PERT no sea sensible a estos cambios.
En el diagrama siguiente se pueden revisar los resultados de los campos MC Frec Crí ca (o
Cri cidad) y MC Clase Crí ca obtenidas en la simulación.
NOTA
Los límites de aceptación/rechazo de los riesgos vienen definidos por las polí cas de las em-
presas y están basadas en la consideración simultánea de la probabilidad de ocurrencia del
riesgo y de la severidad con que el riesgo afecta al proyecto cuando este se produce.
Curiosamente en este cronograma no hay rutas crí cas alternas a pesar de la variabilidad
incluida (véase el campo MC Frec Cri ca del diagrama de barras).
NOTA
Esta es una ilustración del tratamiento a la variabilidad de las duraciones. El nivel de detalle
de esta red de trabajo puede ser reducido y aquellos programadores con prác ca frecuente
podrían seguramente reducir el número de ac vidades a 10 o 12 líneas, aunque tendrá que
tenerse en cuenta que la simplificación en ac vidades mayores (y, por tanto, más complejas)
hará al modelo algo «más tosco» al momento de reproducir los comportamientos PERT.
5
Capítulo
LA PROGRAMACIÓN
ESTOCÁSTICA
En la literatura técnica, la expresión «programación estocás ca» se refiere usualmente al

amplio dominio de los métodos matemá cos de op mización de procesos produc vos que
con enen aspectos probabilís cos y abarcan fenómenos y procesos muy variados. En este
texto se usará esa expresión para referirse a la programación de trabajos cuyo modelo de red
con ene aspectos probabilís cos del po existe / no existe para algunos segmentos donde,
además, las duraciones pueden tener un comportamiento aleatorio.
Los componentes del cronograma que aún no están plenamente definidos, ya sea por des-
conocimiento o porque simplemente no es posible determinar si ocurrirán finalmente, agre-
gan incer dumbre a la duración total de las ac vidades. Es decir, hay partes del trabajo que
eventualmente, o más adelante, se confirmarán si se requieren ejecutar, pero que en el
momento de planear no se puede determinar qué caso se dará efec vamente.
Esto es válido en casi todas las áreas de la ac vidad humana, en par cular en la industria.
Por ejemplo, en el área de desarrollo de productos o procesos nuevos en los que el marco
conceptual correspondiente no está completamente definido y algunas partes del proceso
no están aún claramente previstas. También está presente en el área de proyectos por el
carácter único de las obras o emprendimientos, y en el área de mantenimiento se introduce
por la naturaleza aleatoria de los procesos de falla.
Lo que se está diciendo es que en el cronograma de un proceso habrá segmentos que po-
drían no ejecutarse, dependiendo de factores que aún no se definen, o incluso habrá otros
casos que se podrían ejecutar más de una vez, o que habrán puntos de decisión donde se
abandonarán segmentos del plan (que ya no se volverán a revisar más) para con nuar otras
opciones alternas.
Este comportamiento no es modelable en los productos informá cos más conocidos de pro-
gramación de proyectos, puesto que sus metodologías asumen que todas las ac vidades
programadas se ejecutan siempre y se ejecutan una única vez. Este sesgo conceptual de los
productos informá cos ha dejado sin soporte a este po de consideración en los procesos
de planificación y programación co dianos.
El GERT23 fue la técnica matemá ca desarrollada para analizar redes con este comporta-
miento estocás co. Incluso su u lidad se ex ende más allá del análisis de redes de trabajo
hasta el análisis de fenómenos o procesos secuenciales de cualquier po.
Sin embargo, para las tareas de planificación de trabajos se debe preparar un desarrollo
diferente más enfocado al quehacer diario del programador de proyectos. Esto deberá com-
plementarse con un desarrollo conceptual que permita el tratamiento de estos casos de
manera correcta.
Se empezará definiendo los casos más frecuentes de comportamiento estocás co en la pro-

gramación de trabajos.
5.1 Estructuras estocásticas

Si se revisan las formas en que los efectos aleatorios se presentan en las ac vidades de
trabajo se encuentran los siguientes cuatro pos de estructuras lógicas:
1. Actividad estocástica independiente. Es una ac vidad que puede exis r o no en cada

instancia de cálculo24 independientemente de las ac vidades con las que se conecta
(predecesoras o sucesoras). La probabilidad de existencia (u ocurrencia) está definida
como una caracterís ca de la ac vidad; cuando la instancia corresponde a una ocurren-
cia (o caso de existencia), la duración de la ac vidad está controlada por las caracterís -
cas PERT (duraciones Op mista, Más Probable, Pesimista) que tuviera.
Durante el desarrollo de la ingeniería de un producto, podría ocurrir que se recibe la

no ficación en la que, a par r de cierta fecha futura, la regulación nacional agregará
restricciones adicionales (de seguridad, o de calidad por ejemplo) siempre y cuando no
se haya sobrepasado cierto hito del proceso de diseño.
Dado que los requisitos adicionales agregan un proceso no considerado inicialmente,

aparecerá una nueva ac vidad por desarrollar (con sus duraciones e incer dumbres
de duración propias); por otro lado, la condición sobre el progreso logrado en el diseño
antes de la fecha de aplicación de la regulación dice que exis rán oportunidades para
que nuestro producto quede exonerado de las nuevas regulaciones, lo que se traduce
en una probabilidad de lograr el hito, que dependerá del estado actual del progreso
y del trabajo pendiente por completar. En este contexto, al preguntar a un programa-
dor sobre qué opciones muestra el cronograma, probablemente evaluará ambos casos
23
Véase NASA (1966). No se hará uso de este método en el presente libro, ya que ene un valor general en el análisis
probabilís co de la duración de los procesos secuenciales de muy diversos pos. Los desarrollos presentados aquí son
específicos para la programación de proyectos.
24
Cuando hacemos referencia a una «instancia» de un programa nos estamos refiriendo a un caso individual, cualquie-
ra de los experimentos mentales, donde se generan muchos casos de un mismo programa que van difiriendo unos de
otros en sus duraciones y casos de existencia / no-existencia.
Capítulo 5 71
LA PROGRAMACIюN ESTOCЕSTICA
(exoneración/aplicación de nueva regulación) de duraciones y propondrá la duración más

corta como la posibilidad op mista planteando, además, la necesidad de estar prepara-
dos para la posibilidad pesimista.
2. Grupo colapsable. Es un grupo de ac vidades que «colapsan» (es decir, dejan de exis r)
todas en simultáneo de acuerdo a algún patrón probabilís co. Surgen en las redes de
trabajo cuando se llega a un punto (o hito) de decisión y debe escogerse entre ejecutar-
la o no ejecutarla (y pasar a la siguiente ac vidad sucesora). Cuando el grupo «ocurre»,
todas las ac vidades están presentes; y cuando el grupo está colapsado, todas sus ac -
vidades dejan de exis r. Cuando el grupo «ocurre» (existe), las duraciones de la ac vi-
dades tendrán valores aleatorios en el sen do PERT (distribuidas según la fdp de cada
proceso). Es posible que el grupo tenga configuraciones complejas con series y ramales
en paralelo, aunque todo el grupo ene un único hito o evento común de inicio y puede
tener uno o varios puntos de «salida» a través del que se conecta al resto de la red. Si-
milarmente a las ac vidades azules del diagrama siguiente que se conectan al resto de
la red de trabajo por medio de las relaciones lógicas de color rojo.
Si el grupo colapsable puede aislarse y tratarse como una unidad aislada, se comportaría
como una ac vidad estocás ca independiente. Sin embargo, la posibilidad de estable-
cer relaciones de precedencia múl ples con otras áreas del programa y desarrollar una
lógica interna más compleja la diferencian de ese caso.
En la planificación de trabajos de mantenimiento siempre hay algún componente de

incer dumbre cuando se plantean las diversas ac vidades del proceso lineal: aislamien-
to de seguridad, desmontaje, desensamble, limpieza, inspección, montaje y pruebas, y
realineamientación del equipo al sistema. Pueden aparecer grupos de ac vidades to-
talmente nuevas a par r de las inspecciones y que se insertan en la secuencia principal
alargando la duración original.
Es decir, el descubrimiento de un fallo oculto inminente o en desarrollo llevará a replan-

tearse el alcance de trabajo (ac vidades adicionales —una o varias—) para repararlo. La
naturaleza, extensión y complejidad de estas ac vidades nuevas de reparación posiblemen-
te no puedan ser an cipadas con claridad. La probabilidad de ocurrencia/colapso deberá
calcularse usando el conocimiento disponible del proceso de fallo y su estado de desarrollo.
3. Hito de decisión. Representa un punto de toma de decisiones. Usualmente, un hito es

un punto a par r del cual surgen varias opciones de ejecución posibles y de las cuales
debe escogerse solo una. Cada ramal es un futuro posible que excluye a los otros ra-
males alterna vos, es decir, cada uno se comporta como un grupo colapsable. Al llegar
al hito o evento (con la información de sus predecesoras posiblemente) se toma la de-
cisión, con un test, una prueba, o una verificación respecto a qué rama del futuro se
desarrollará.
Las ramas rechazadas desaparecen del programa de ejecución.
Como las ramas de ejecución son eventos excluyentes entre sí, las probabilidades
acumuladas de todos los casos no pueden exceder de 100 %, aunque sí pueden ser
menores, el remanente respecto de 100 % significará un ramal virtual (implícito) que
no hace nada.
Hito de decisión
En la planificación de un trabajo puede surgir la situación en que enen que conside-

rarse tecnologías o procesos excluyentes y esto depende de resultados que en ese mo-
mento ( empo de ejecución) estarán definiéndose. Por ejemplo, la pica decisión «re-
parar vs. reemplazar» a veces ene que aplazarse hasta el momento en que se realiza
la inspección y se toma conocimiento exacto de la situación del equipo o componente,
luego el proceso con núa por una de las ramas y la otra ya no existe más.
Cuando el método de reparación por usar depende de la extensión (aún no medida) de un

proceso de falla, se estará en disyun vas similares; por ejemplo, en el caso de la pintura
se recomienda re-pintar una superficie cuando el área total dañada corresponde a más de
una fracción determinada del área total, caso contrario solo se realizan retoques de pin-
tura a los sectores dañados. Si se estuviera programando un plan anual de pintura, puede
esperarse que los procesos de daño de pintura vayan progresando a lo largo del periodo
por efectos climá cos pero al presente, no se tendría claridad acerca de en cuál lado se
habrá decantado el criterio re-pintar/retocar en la fecha planeada. Sin embargo, cuando
esa fecha llegue, se deberá optar por uno de esos métodos, desapareciendo el otro. Las
probabilidades de ocurrir de cada ramal deberán es marse con los medios técnicos dispo-
nibles basados en los procesos sicos de daño de pintura.
Capítulo 5 73
Las ac vidades estocás cas independientes y los grupos colapsables pueden verse
como casos de hitos de decisión donde un ramal realiza un proceso y el otro ramal con-
siste en no hacer nada.
4. Ciclo de Repetición. Consiste en un grupo de ac vidades que se ejecutan tantas veces

como sea necesario hasta cumplir una condición. Es decir, hay un hito donde se verifica la
condición lógica y se selecciona qué ruta, de dos posibles rutas, se debe seguir, estas son:
Se con núa el flujo de trabajo hasta el final.

Se ejecuta un segmento del programa que, además, retorna el flujo a un punto (o hito
de inserción) previo al hito de decisión, lo que obliga a repe r algunas ac vidades ya
ejecutadas.
Decisión
La decisión estocás ca se caracteriza por una probabilidad de corregir/repe r el trabajo

cada vez que se llega al hito de decisión. En ocasiones, hay un proceso de aprendizaje
en las repe ciones y esto hace que la probabilidad P de repe r el ciclo vaya cambiando
cada vez.
Cuando en los programas se incluyen ac vidades de pruebas o verificaciones, se está

introduciendo esta condición, pues al terminar las ac vidades de verificación y al en-
contrarse que no se ha cumplido la especificación buscada aparecen ac vidades de
«corrección» adicionales que muy usualmente retrotraen el proceso a un punto en el
que hay que repe r ac vidades ya ejecutadas anteriormente para llegar, de nuevo, al
evento donde pueda comprobarse si se ha cumplido o no con la especificación, y otra
vez se decide «corregir» o «aceptar» el resultado saliendo del lazo de repe ción.
Como se puede ver las situaciones estocás cas están muy presentes en el día; sin em-
bargo, han sido eliminados de los cronogramas por los programadores porque no dispo-
nen de herramientas para tratarlas de manera efec va.
5.2 El modelo estocástico de probabilidades

Examínese el comportamiento de las duraciones de un proceso o ac vidad cuando ene
solo una probabilidad P, menor que uno, de ocurrir (o exis r).
Sea f(t) la fdp de las duraciones de una ac vidad no estocás ca (véase las barras rojas en el
diagrama), cuyo dominio de duraciones está en el intervalo [Opt., Pes.], se recordará que:
Llámese g(t) a la fdp estocás ca, con una probabilidad P de exis r, de la misma ac vidad
(barras azules en el diagrama).
Cuando se produce el comportamiento estocás co la fdp de duraciones no cambia de

forma, puesto que la estructura interna de las ac vidades no cambia, ni sus procesos de
ejecución25. Sin embargo, se notará que hay una probabilidad de casos de duración cero
(0) que corresponden a la situación cuando la ac vidad no existe o está colapsada; el valor
de esta probabilidad (casos de duración = 0) debe ser por definición (1 – P) porque se sabe
que
De lo anterior se desprende que:

g (t ) = P ⋅ f (t )
(5.2.1)
Para el intervalo (abierto) de t: ]0, +∞[
25
Esto evidencia la condición implícita de que los procesos internos de las ac vidades son independientes de las proba-
bilidades de existencia de la ac vidad misma.
Capítulo 5 75
NOTA
Obsérvese que g(0) es un valor puntual de la fdp y además ene una probabilidad de ocu-
rrencia finita (= 1 – P), es decir, la integral de g(t)26
en ese punto no es cero .
5.3 La implementación de estructuras estocásticas

en MS Project
Para poder modelar el comportamiento estocás co de las ac vidades de un programa en
MS Project se requiere definir una estructura de datos que dé soporte a los algoritmos de
generación de instancias de un grupo estocás co: decidir si un elemento del programa
existe o colapsa.
Las instancias existe/no-existe de un elemento estocás co se generarán de acuerdo al po

de estructura que se tratará:
1. Una ac vidad estocás ca ene una probabilidad propia de colapsar/exis r.
2. Un grupo colapsable de ac vidades ene una probabilidad caracterís ca de exis r/

no-exis r en conjunto.
3. Un hito de decisión define, entre varios ramales compe dores, cuál existe, colapsando
a los otros grupos compe dores.
4. Un hito decide entre la repe ción de un ciclo o la con nuación al siguiente proceso de
acuerdo a su probabilidad caracterís ca.
La instancia de un elemento estocás co que colapsa (caso: no-existe) se tratará dándole
a la tarea/tareas una duración cero y se mantendrá la estructura de relaciones de pre-
cedencia intacta. De este modo, se simulará el colapso o no-existencia sin necesidad de
modificar la red de ac vidades.
Un elemento estocás co existente se tratará como un caso normal (no estocás co) de
ac vidades con duraciones de acuerdo a sus parámetros PERT.
De esta manera, las estructuras po 1 y 2 se tratarán aplicando el proceso menciona-

do (colapsando) directamente a los componentes involucrados según sus probabilidades
caracterís cas.
Las estructuras po 3 —hitos de decisión— se tratarán seleccionando el ramal que exis rá

y colapsando los otros ramales, según las probabilidades asignadas.
26
La función de la que hablamos existe y se llama «de Impulso o función delta de Dirac: δ(t)» ene valor cero para cual-
quier punto t≠0 y su integral de -∞ hasta +∞ es 1. Como referencia, fue u lizada por el sico P. Dirac en el desarrollo
de su teoría cuán ca de la materia y también se usa en la teoría de control automá co. No nos introduciremos en la
matemá ca asociada a este po de funciones.
Las estructura po 4 —Ciclo de Repe ción— no puede ser implementada de esta manera;
sin embargo, se desarrollarán herramientas para simular esta estructura usando las otras.
5.3.1 Interfaz para usuario

Para implementar las tareas estocás cas independientes, grupos o redes colapsables e
hitos de decisión, el usuario deberá u lizar los siguientes campos de la base de datos de
MS Project:
Campo y po dato Nombre personalizado

13 Text29 MCE Tipo Elem
14 Text30 MCE GrupoE
15 Number17 MCE Cta Ocurr
16 Number18 MCE Prob Ocurr
10 Number19 -
17 Flag20 MCE HitoE
NOTA
MCE se refiere a un proceso de Monte Carlo con efectos estocásticos. La numeración
de la tabla es correlativa con la presentada en 4.3 (La implementación de la variabili-
dad en MS Project).
A. Text29 / MCE Tipo Elem

Clasifica a los elementos que tendrán comportamiento estocás co. El usuario asigna el
valor. Tiene 5 valores admisibles:
1. "HG". Hito de Grupo, define un hito de grupo colapsable. Cada grupo debe tener
un solo hito de definición; si se marca más de uno, el sistema usará el primero que
encuentre para caracterizar al grupo e ignorará el segundo, pero consumirá algunos
recursos.
2. "HD". Hito de Decisión, marca los hitos de decisión incluidos en el cronograma.
3. "TG". Tarea de Grupo, marca las tareas pertenecientes a un grupo colapsable. Van
asociadas a hitos HG.
4. "TE". Tarea Estocás ca, marca las tareas independientes con comportamiento esto-
cás co, no van asociadas a un hito HG.
5. " " . Define lo que NO se tratará estocás camente.

Capítulo 5 77
El módulo está limitado a no más de 50 hitos estocás cos, agregar hitos estocás cos
redundantes a un grupo ocupará vacantes de este límite sin provecho.
NOTA
El usuario debe asegurar que los datos de los hitos del programa, sean o no estocás cos,
estén correctos al iniciar el proceso; pues el sistema recorre la red de ac vidades y busca
los hitos estocás cos para iden ficarlos como paso previo a los cálculos. El sistema emite
un reporte hitos de decisión para comprobación del usuario.
NOTA
El algoritmo emite un mensaje de conteo de hitos estocás cos para la verificación del
usuario y, así, tenga la oportunidad de cancelar el proceso (<Ctrl>+<Pausa/Inter> y luego
botón <Fin>) en la pantalla de cancelación).
B. Text30 / MCE GrupoE

Contendrá el nombre del grupo o estructura. Es un valor que el usuario selecciona
libremente. Dependiendo del po de elemento (campo: MCE Tipo Elem) significará:
Para tipos HG y TG. Almacena el nombre del grupo de elementos pertenecientes al
mismo grupo colapsable. El hito de definición del grupo y las tareas del grupo con-
tendrán el mismo texto para que sean reconocidos como pertenecientes al grupo.
NOTA
Esta forma de conectar las tareas a los grupos de definición permite ser muy flexible. Por
ejemplo, el hito de definición podría estar fuera o desconectado de la red a la cual defina.
La red, a su vez, podría ser disjunta, es decir, con «huecos» no-estocás cos o dividida en
subgrupos estocás cos separados. Tampoco limita el po ni el número de relaciones de
precedencia con el resto de la red.
Para tipos HD y TE. Almacena el nombre del elemento. No necesita asignarse a otro
componente, ene solamente propósito informa vo para el usuario (es opcional
para estos pos). Deberá asegurarse que el nombre asignado en estos casos, si se
usa alguno, es diferente de los asignados para los pos HG y TG.
C. Number17 /MCE Cta Ocurr

El algoritmo MCE lo usa para contar las veces que el elemento estocás co ha «ocurri-
do» y lo almacena en este campo. Es un campo informa vo y de control, su modifica-
ción por el usuario no ene efectos.
NOTA
Para el caso de hitos de decisión (HD) este campo mostrará simplemente el número de
iteraciones realizadas, que deberá coincidir con la suma de los respec vos campos de
todos sus hitos sucesores.
D. Number18 / MCE Prob Ocurr

El algoritmo MCE lo usa para leer la probabilidad de ocurrencia (o existencia) de los
elementos estocás cos:
Hitos de grupos colapsables ( pos HG)

Tareas estocás cas independientes (TE)
El usuario registrará en este campo los valores porcentuales (0 a 100, admite valores
con dos decimales) de esta probabilidad caracterís ca. Sin uso para los pos HD o TG.
E. Number19 /-
El algoritmo MCE lo usa para registrar el iden ficador de la tarea sucesora sorteada de
un hito de decisión. Es decir, cuando el algoritmo define qué ramal existe en cada instan-
cia de cálculo, guarda el Id del elemento sucesor —si es de po tarea (TE)— en el campo
Number19 del hito de decisión, si el sucesor es un hito HG no modifica este campo.
Es un campo para cálculos internos, su modificación por el usuario no ene efectos.

El algoritmo de variabilidad también lo u liza en sus cálculos internos. (Véase 4.3 La
implementación de la variabilidad en MS Project).
F. Flag20 / MCE HitoE

El algoritmo MCE lo usa para registrar qué hitos son verdaderos, es decir, al iniciar el
proceso copia el estado del campo Milestone, de manera que, posteriormente, en
alguna de las iteraciones, cuando una tarea o resumen ene una instancia de duración
cero (0) se puede consultar a este campo para determinar si es una tarea/resumen
colapsada o un hito verdadero. Es un campo para uso interno, su modificación por el
usuario no ene efectos.
No existen campos ni valores específicos para modelar estructuras de repe ción. Los
Ciclos de Repe ción no enen soporte para ser modelados; sin embargo, (véase 9.4.4
Ciclos de Repe ción) se pueden simular con estas mismas estructuras.
Capítulo 5 79
NOTA
Los algoritmos desarrollados comparten algunos segmentos del programa con los algo-
ritmos PERT (de variabilidad), una de ellas es sobre calcular la frecuencia (%) con que un
elemento de la red ha pertenecido a la Ruta Crí ca a lo largo de las iteraciones desarro-
lladas. Este valor se registra en el campo MC Frec Crit (véase ítem 7 de la tabla de campos
personalizados en 4.3.1 Interfaz para el ususario), debe tenerse en cuenta que para que
una instancia de elemento estocás co se registre como crí co en este campo debe cum-
plir dos condiciones: 1. Pertenecer a la Ruta Crí ca en esa instancia de cálculo. 2. No estar
colapsado. Se descartan como conteos de Frecuencia Crí ca aquellos en que una porción
de una cadena de ac vidades crí ca está colapsada (es decir, cuando NO existe.)
5.3.2 Resumen de implementación de elementos estocásticos

Las tres estructuras estocás cas básicas se definen asignando los valores indicados en la
siguiente tabla:
MCE po
Elemento MCE prob ocurr MCE GrupoE
elem
1 Actividad estocástica <Un valor entre 0 %
TE No requerido
independiente y 100 %>
2
Grupo colapsable o estocástico
<Un valor entre 0 % <El nombre que
Hito de definición HG
y 100 %> identifica al grupo>
<El nombre que
Tareas de grupo TG -
identifica al grupo>
3 Hito de decisión
Hito de definición HD - No requerido
Valores de los
sucesores inmediatos Según el tipo del
Ramales u opciones TE o HG
entre 0 % y 100 %. elemento sucesor
Suma ≤ 100 %
5.4 El algoritmo Monte Carlo estocástico

Para introducir los algoritmos que ges onan el comportamiento estocás co de las ac vi-
dades de un cronograma se han agregado dos nuevos bloques al diagrama lógico mostra-
do en 4.2 (El algoritmo Monte Carlo de variabilidad):
 «Iden fica y cuenta componentes (hitos) estocás cos».

 «Genera nueva instancia de componentes (hitos) estocás cos».
Y se ha modificado el bloque:
«Genera instancia de Existencia/No-existencia y duración de Tarea».
Véase texto en verde en el diagrama lógico adjunto.
A la estrategia general del algoritmo Monte Carlo para variabilidad se le agrega ahora un
proceso inicial de iden ficación de hitos estocás cos. Así pues, cuando se con núe hacia
el lazo de generación de las instancias del cronograma se anteceda a cada iteración por la
generación de la correspondiente instancia del conjunto de hitos estocás cos que a su vez
definen el comportamiento de las duraciones de las ac vidades incluidas en sus respec -
vas estructuras (grupos o decisiones).
A con nuación, y de acuerdo al estado de los hitos estocás cos generados, se procede a
colapsar (anular la duración) o generar la instancia de duración (PERT) de las ac vidades
del cronograma.
El resto del algoritmo permanece sin cambios.
La misión del bloque «Iden fica y cuenta componentes (hitos) estocás cos» consiste en
crear una lista (interna) de hitos de grupo colapsable y de hitos de decisión, para esto
usa el campo MCE Tipo Elem como dato discriminador entre los hitos del programa. De
esta manera, se registran: el iden ficador de ac vidad (campo Id), el nombre del grupo
estocás co asociado (campo MCE GrupoE) y la probabilidad caracterís ca para los grupos
colapsables (campo MCE Prob Ocurr), además, se genera un reporte de consistencia de
probabilidades para los hitos de decisión similar al ejemplo adjunto. Ni las tareas estocás -
cas independientes ( po TE) ni las tareas de grupo ( po TG) se registran en esta lista. Véase
el código de Visual Basic de esta subru na (CuentaHitosHE) a con nuación:
Capítulo 5 81
DIAGRAMA LÓGICO DEL PROCESO DE MONTE CARLO
Monte Carlo
Inicializa variables
Revisa consistencia de
duraciones
Identifica y cuenta componentes

(hitos) estocásticos
Sí
Mensaje reporte
¿Hay inconsistencias? de inconsistencias
No
Por cada iteración Fin
Genera nueva instancia de

componentes (Hitos) Estocásticos
Recorre líneas del

cronograma
¿Es Tarea?
No Sí
Genera instancia de Existencia/
No-existencia y duración de tarea
¿Fin recorrido de
cronograma?
No Sí
Genera instancia de
cronograma (calcula)
Almacena datos de
instancia de cronograma
¿Fin de iteraciones?
Sí
No
Prepara reporte
Guarda resultados
Fin
Public Sub CuentaHitosHE(C As Integer, Lista As Variant, PO As Variant, Id As Variant)

Dim Tk As Task, RptHD As String
C = 0: RptHD = "REPORTE DE HITOS DE DECISIÓN" & vbCr & vbCr
RptHD = RptHD & "[Hito] Suma Prob" & vbCr 'Prepara encabezado de reporte
For Each Tk In ActiveProject.Tasks 'Recorre tareas del proyecto actual
If Tk.Milestone And (Tk.Text29 = "HG" Or Tk.Text29 = "HD") Then 'Si es
hito estocástico
Select Case C
Case MaxHE 'Caso demasiados hitos, emite mensaje y termina
MsgBox "Demasiados hitos de grupos E definidos. Se
ignorará el resto"
Exit For 'Each Tk
Case Else 'Recopila datos
C = C + 1
Lista(C) = Tk.Text30 'Nombre de grupo
Id(C) = Tk.Id 'Identificador de linea de programa
Select Case Tk.Text29
Case "HG" 'caso Grupo colapsable
PO(C) = Tk.Number18 / 100 'La
probabilidad de ocurrencia
Case "HD" 'caso hito de decisión
VerificaHD Tk, RptHD 'Prepara
reporte de hitos HD
Case Else 'caso tipo de hito no válido
MsgBox "Tipo Hito [" & Tk.Id & "]
no válido"
End Select 'Case Tk.Text29
End Select 'Case C
End If 'Tk.Milestone
Next Tk
MsgBox RptHD, , "MCE" 'Presenta reporte de hitos de decisión
End Sub
El bloque «Genera nueva instancia de componentes (hitos) estocás cos» prepara la ins-
tancia de hitos en dos pasos, primero procesa los hitos de decisión ( po HD) y en segundo
paso los hitos de grupo (HG).
El proceso toma los hitos de decisión para generar una instancia de sus hitos de grupo
sucesores sorteando aleatoriamente los ramales del hito (comparando la variable Alea
contra la pila de probabilidades acumula vas S), el estado «existe» se registra en la varia-
ble doble indexada Estado(J,1) (Existe = True, No-existe = False; con J el índice del hito).
Los hitos de grupo no-sucesores de hitos de decisión (aquellos que no fueron revisados
en el paso anterior) son procesados ahora generando la instancia «existe/no-existe» al
sortear un valor aleatorio contra la probabilidad caracterís ca del grupo.
Capítulo 5 83
A con nuación, véase el código de Visual Basic de la subru na:
Public Sub InstanciaHE(C As Integer, Estado As Variant, PO As Variant, Lista As Variant,

TbId As Variant)
Dim J As Integer, TS As Task, S As Single, Alea As Single, IndHito As Integer
'Pasada de Inicialización de estado de actualización de hitos
For J = 1 To C
Estado(J, 2) = False 'No actualizado
Next J
'Actualiza HGs sucesores de HDs

For J = 1 To C 'Recorre tabla de hitos estocásticos 1ra pasada
If ActiveProject.Tasks(TbId(J)).Text29 = "HD" Then 'Si Hito de decisión
If Estado(J, 2) = False Then 'Si NO está actualizado
ActiveProject.Tasks(TbId(J)).Number17 = ActiveProject.
Tasks(TbId(J)).Number17 + 1
S = 0
Alea = Rnd * 100 'Indice de sorteo
ActiveProject.Tasks(TbId(J)).Number19 = 0 'Borra TE anterior
For Each TS In ActiveProject.Tasks(TbId(J)).Successor
Tasks 'Para sucesores de hito J
S = S + TS.Number18
IndHito = IndiceHE(TS.Id, C, TbId)
If S >= Alea Then
If IndHito = 0 Then
ActiveProject.Tasks(TbId(J)).
Number19 = TS.Id
Else
Estado(IndHito, 1) = True 'Existe
End If
TS.Number17 = TS.Number17 + 1
Alea = 200 'Evita repetición de la condición
Else
If IndHito > 0 Then Estado(IndHito, 1) =
False 'Colapsa
End If 'S >= Alea
If IndHito > 0 Then Estado(IndHito, 2) = True
'Pasa sucesor a estado
ACTUALIZADO
Next TS 'For Each
End If 'No está actualizado
End If 'Caso es HD - Hitos de Decisión
Next J
'Actualiza HGs no-sucesores de HDs

For J = 1 To C 'Recorre tabla de hitos estocásticos 2da pasada
Alea = Rnd 'Indice de sorteo
If ActiveProject.Tasks(TbId(J)).Text29 = "HG" Then 'Si es Hito de grupo
colapsable
If Estado(J, 2) = False Then 'Si NO esta actualizado Actualiza

If Alea > PO(J) Then 'Si Indice > probabilidad de
ocurrencia: COLAPSO
Estado(J, 1) = False
Else 'EXISTE
Estado(J, 1 = True
ActiveProject.Tasks(TbId(J)).Number17 =
ActiveProject.Tasks
(TbId(J)).Number17 + 1
'Cuenta EXISTEs
End If 'Alea
End If 'Estado no Actualizado
End If 'Caso HG - Hitos de Grupo
Next J
End Sub
El bloque «Genera instancia de Existencia/No-existencia y duración de tarea» ahora agrega

un paso intermedio para tratar ac vidades estocás cas, la subru na ExisteTarea verifica
la instancia de la tarea (usando la probabilidad de grupo o la probabilidad individual según
sea el caso), y colapsa o genera la nueva duración (según sus parámetros PERT) con la fun-
ción DuraPERT, esta misma función se aplica luego para generar las instancia de duración
de las tareas no-estocás cas remanentes.
Véase el segmento del código de Visual Basic siguiente:
'Re-estima duraciones
For Each T In ActiveProject.Tasks
If Not T.Summary Then
Select Case T.Text29 'Según el tipo de tarea
Case "TE", "TG" 'Casos estocásticos
If ExisteTarea(T, CtaHE, ListaHE, EstadoHE, Temp) Then
T.Duration = DuraPERT(T)
Else
T.Duration = 0
End If
Case Else 'Otros
End Select 'T.Text29
End If 'Not T. Summary
Next T
Ejecución del proceso de cálculo
Una vez completado el modelo del proyecto que consiste en:
1. Definición de ac vidades
2. Definición de relaciones de precedencia
3. Asignación de duraciones PERT

Capítulo 5 85
4. Definición de elementos estocás cos
5. Asignación de recursos y costos y aplicación de restricciones externas)
Se está listo para iniciar los procesos de cálculo. Para ello realice la siguiente secuencia:
<Alt>+<F8>/<Nombre de archivo>!Visita Tareas/Ejecutar o

<Ctrl>+<j>
Aparecerán mensajes propios del análisis PERT (variabilidad) y

luego se mostrará el siguiente reporte (o uno similar):
El cual mostrará la lista de hitos de decisión iden ficados en el

programa junto con la suma de probabilidades de ocurrencia
de sus sucesores. Una marca (*) señalará los casos en que esta
suma no es válida.
El programador podrá revisar estos hitos y confirmar la ejecu-

ción o cancelarla para corregir algún parámetro.
De aceptar el reporte, aparecerá otro reporte con el nú-

mero de hitos estocás cos iden ficados. Nuevamente se
tendrá la posibilidad de confirmar o cancelar para corregir.
Luego de aceptar, se inician los algoritmos de

cálculo y aparecerá la ventana de progreso de
ejecución.
Al concluir el proceso, presentará el reporte de duración

y número de iteraciones de ejecución:
Luego aparecen una serie de reportes en pantalla para los elementos y atributos
seleccionados:
Finalmente, aparece el mensaje recordatorio de la data generada junto con la ubicación y

nombre de los archivos.
Como ya se dijo el úl mo paso que el sistema ejecuta al terminar es restaurar las dura-
ciones de las ac vidades, copiando el valor del campo Duración4 en el campo Duración.
Los datos de iteraciones e histogramas generados pueden recuperarse fácilmente con una
hoja de cálculo para su análisis y tratamiento posterior.
NOTA
El algoritmo diseñado puede hacer que, al final de un proceso, algunas ac vidades del cro-
nograma estén colapsadas (con duraciones cero) y se muestren como una serie de hitos,
esto es normal aunque puede resultar confuso. Para evitar la tarea manual de copiar las
duraciones originales en la columna Duración (restaurando el cronograma original), el sis-
tema hace la copia respec va de las duraciones como úl mo paso automá co del proceso
de cálculo.
Capítulo 5 87
NOTA
Debe verificarse que todas las líneas del programa están en modo Automá co de progra-
mación (campo Task Mode para MS Project 2010) antes de lanzar el proceso, caso contrario
no serán actualizadas al irse generando las diversas instancias y, por tanto, los resultados
incluirán estas ac vidades como restricciones, no como ac vidades que responden a las
respec vas cadenas de duraciones previas.
5.5 Ejemplos estocásticos
Ejemplo 1:
Curvas de frecuencia de duraciones
Se revisará el caso de un par de grupos de ac vidades, ambos grupos idén cos en sus
parámetros PERT (duraciones O/E/P) con la diferencia de que un grupo es estocás co y
el otro no. Por ahora no preocupa la estructura lógica del grupo27, se quiere revisar sola-
mente cómo cambia el perfil de frecuencias de las duraciones (la fdp) cuando se agrega
comportamiento estocás co a una estructura.
Para el caso se ha considerado una probabilidad de existencia P = 75 %.
Al procesar ambos casos con el algoritmo Monte Carlo y graficar los resultados (en cual-
quier hoja de cálculo) se ob enen los diagramas de barras que se muestran a con nuación:
27
El ejemplo intenta ser un análisis genérico compara vo entre los comportamientos estocás cos y no-estocás cos para
una estructura cualquiera. Para el caso se ha u lizado una cadena de 4 ac vidades con duraciones PERT (1/2/3) h que se ha
definido como grupo colapsable (P=75 %) y se le compara contra la misma cadena sin comportamiento estocás co.
Arriba se muestra el resultado no-estocás co y abajo el caso estocás co. También se evi-
denciarán algunos límites de confianza.
Lo primero que se observa es que el sector donde aparecen las «ocurrencias» de ambos
casos es el mismo, en el ejemplo va desde la duración 5.61 a la duración 10.55 en los dos
diagramas. También se observa que el perfil o forma de la curva también se man ene con
un pico alrededor de la duración = 7.8 horas
En el caso usual, no-estocás co, el sector de duraciones [6.61, 10.55] horas con ene el
100 % de los casos; en el caso estocás co con ene solamente la fracción correspondiente
Capítulo 5 89
a la probabilidad de ocurrencia que se lee P ≈ 74 % (el resto del 100 % respecto a las no
ocurrencias, véase barra a 26 % —260/10 de frecuencia rela va— en el extremo izquierdo
del gráfico estocás co que corresponde a los colapsos) con que se caracterizó al grupo.
Si se denomina C(P,T) al nivel de confianza de f(t) con probabilidad de ocurrencia igual a P

para las duraciones menores o iguales a T (t ≤ T), se puede escribir:
Para el caso no-estocás co (P = 100 %):
(5.5.1)
Para el caso estocás co, con g(t) la fdp estocás ca con probabilidad P de ocurrencia:
Que se separa en:
Donde la integral de la izquierda toma en cuenta los casos de colapso del grupo (es decir,
en t = 0), con r 0
Intui vamente, sin jus ficación rigurosa28, se dirá que:
Usando 5.2.1
Usando 5.5.1 (5.5.2)
Independientemente de la forma de f(t).
Es decir, los niveles de confianza del caso estocás co y no-estocás co para un mismo límite
T pueden transformarse de acuerdo a la relación 5.5.2
Por ejemplo, si un grupo no-estocástico tiene un N. C. al 80 % en t = L (C(1,L) = 0.8),

cuando se agrega comportamiento estocástico al grupo, dígase una probabilidad de
ocurrencia P = 0.25, ese mismo límite (t = L), proporciona un nivel de confianza de:
28
Recuerde la nota 26 de 5.2 (El modelo estocás co de probabilidades).
Nótese que el N. C. del caso estocás co es siempre mayor que el N. C. del caso no-estocás-
co calculados para el mismo límite T (límites derechos).
Lo que equivale a decir que para un mismo N. C. el límite de duración estocás ca estará
a la izquierda del límite de duración del caso no-estocás co (los casos colapsados en t = 0
desplazan los N. C. y sus límites de duración hacia la izquierda).
En una expresión paradójica, aparentemente contra-intui va, se diría, en términos co -

dianos, que dada una duración seleccionada, el caso estocás co daría «más confianza» de
ocurrir que el caso no-estocás co.
Límites de confianza
Usando los resultados anteriores, también se puede buscar la correlación entre el límite
de duraciones L del comportamiento no-estocás co de un grupo de ac vidades y el límite
M del comportamiento estocás co del mismo grupo que dan el mismo nivel de confianza
(N.C.) en ambas situaciones.
Se parte de:
(5.5.3)
Prob( t ≤ L ) = (1 − P) + P ⋅ Prob( t ≤ M) (5.5.4)
Se observa que basta conocer la función Prob (que depende solo de f(t) no-estocás ca)
para correlacionar L y M.
NOTA
Si no se conociera la forma de f(t) y el número de ac vidades del grupo es suficiente para
permi r asumir un comportamiento Normal de f(t) se podría usar las tablas de probabilidad
de esta fdp para calcular uno de los límites teniendo conocido el otro (se asume que también
se conoce la media μ y la desviación estándar σ de la distribución f(t) o en su defecto los
valores de la muestra correspondientes).
Por ejemplo, si para el caso no-estocás co se ha calculado:

Una duración media de 8.015

Una desviación estándar de 0.851.


L1% como el límite inferior al 1 %: 6.043


L99% como el límite superior al 99 %: 9.640


Capítulo 5 91
Y el comportamiento estocás co se definió con probabilidad P = 0.75 de ocurrencia para

el grupo.
¿Cuál será el límite al 70 % de N. C. al tener comportamiento estocás co?
Se iden fica directamente (L70% = 8.36) en el diagrama no-estocás co con una Prob(t ≤
8.36) = 0.70
Recordar la ecuación 5.5.4:
Prob( t ≤ L ) = (1 − P) + P ⋅ Prob( t ≤ M)
Y reemplazando datos:
0.70 = (1 – 0.75) + 0.75 ⋅ Prob( t ≤ M)
Prob( t ≤ M) = 0.60
Si se revisa de nuevo el diagrama no-estocás co se encuentra para este nivel de confianza:
t M = 8.15
El cual se compara contra el valor que se lee en el diagrama estocás co para una proba-
bilidad de 70 %: ~7.96
Con un error de 2.4 % de desviación.
Como ilustración se puede verificar la aproximación normal haciendo el conocido cambio

de variable para normalizar la variable a N(0,1) y se puede escribir:
Z=
( t − µ ) = ( t − 8.015)
σ 0.851
Y se necesita encontrar el límite al 60 % de N. C.
Prob( t ≤ M) = Prob (z ≤ ZM ) = 0.60
Buscando en tablas N(0,1) para 0.60 de probabilidad resulta:
ZM = 0.253347 =
( t M − 8.015)
0.851
t M = 8.23
Que se compara con el valor tM ~ 7.96 extraído del diagrama estocás co con errores de
3-4 %. Nótese que no se ha verificado que la forma de la fdp sea normal para poder usar
este método (son solo tres ac vidades), se ha confiado en que la gráfica «se parece» a la
distribución normal.
Hágase el ejercicio con el otro extremo de los N. C., así se tendrá:
Que al 1 % de N.C.
Otra vez en 5.5.4
Prob( t ≤ L ) = (1 − P) + P ⋅ Prob( t ≤ M)
Y reemplazando datos:
0.01 = (1–0.75) + 0.75 ⋅ Prob( t ≤ M)

Prob( t ≤ M) = −0.323
Esto no debe extrañar, los límites inferiores de N. C. que se pueden transformar no deben
ser menores de un límite que lleve a la Prob(t≤M) a valores nega vos. Debido a que el
grupo de frecuencias colapsadas (1 – P) imponen un límite a la ecuación 5.5.2 de la que
derivan 5.5.3 y 5.5.4
Ejemplo 2:
Modelar las diversas estructuras estocás cas en MS Project, que se muestran en la red de
trabajos adjunta.
Id 0 Pruebas
P(%)0
Id 1 Serie de Solitarios Id 2 EstocSolitario 1 Id 3 EstocSolitario 2 Id 4 EstocSolitario 3

P(%)0 TE P(%)90 TE P(%)50 TE P(%)15
Decisiones
Id 5 de Solitarios Id 6 Hito de Decisión Id 7 EstocSolitario 1 Id 37 Final
P(%)0 HD P(%)0 TE P(%)15 P(%)0
Id 8 EstocSolitario 2
TE P(%)25
Id 9 EstocSolitario 3
TE P(%)30
Id 10 'ƌƵƉŽƐƚŽĐĄƐƟĐŽ Id 11 Hito de Grupo Id 12 Tarea de Grupo Id 13 Tarea de GrupoE 2 Id 14 Tarea de GrupoE 3

E1
P(%)0 HG P(%)75 GE1 TG P(%)0 GE 1 TG P(%)0 GE 1 TG P(%)0 GE 1
Decisiones Id 16 Hito Decisión Id 17 Hito de Grupo: Id 18 Tarea 1 de Grupo Id 19 Tarea 2 de Grupo Id 20 Tarea 3 de Grupo
Id 15 de Grupos Decisión 1 de Decisión 1 de Decisión 1 de Decisión 1
P(%)0 HD P(%)0 HG P(%)50 GD 1 TG P(%)0 GD 1 TG P(%)0 GD 1 TG P(%)0 GD 1
Id 21 Hito de Grupo: Id 22 Tarea 1 de Grupo Id 23 Tarea 2 de Grupo Id 24 Tarea 3 de Grupo

Decisión 2 de Decisión 2 de Decisión 2 de Decisión 2
HG P(%)25 GD 2 TG P(%)0 GD 2 TG P(%)0 GD 2 TG P(%)0 GD 2
Decisiones Id 26 Hito Decisión Id 29 Hito de Grupo: Id 30 Tarea 1 de Grupo Id 31 Tarea 2 de Grupo Id 32 Tarea 3 de Grupo
Id 25 Combinadas Combo Decisión 1 de Decisión 1 de Decisión 1 de Decisión 1
P(%)0 HD P(%)0 HG P(%)25 GD 3 TG P(%)0 GD 3 TG P(%)0 GD 3 TG P(%)0 GD 3
Id 33 Hito de Grupo: Id 34 Tarea 1 de Grupo Id 35 Tarea 2 de Grupo Id 36 Tarea 3 de Grupo

Decisión 2 de Decisión 2 de Decisión 2 de Decisión 2
HG P(%)15 GD 4 TG P(%)0 GD 4 TG P(%)0 GD 4 TG P(%)0 GD 4
Id 27 TE Individual 1
TE P(%)15
Id 28 TE Individual 2
Capítulo 5
TE P(%)5
93
Respuesta:
La tabla siguiente muestra los datos asociados al diagrama:
En color verde se enen los resúmenes («hammock») y en naranja se han marcado los hitos.
Las cuatro columnas de la derecha, cuyos tulos comienzan con MCE corresponden a la
implementación estocás ca, las (4) columnas que empiezan con MC corresponden a la im-
plementación Monte Carlo de variabilidad de las duraciones, las (4) columnas de duración
son campos por defecto de MS Project.
Al revisar las estructuras creadas, observe a los resúmenes iden ficados en texto verde en
la tabla y como paralelogramos en el diagrama de red de trabajos.
Capítulo 5 95
[1] Serie de Solitarios
Corresponde a una cadena de tres ac vidades estocás cas cada una independiente de la
otra, pos TE (véase los Id 2, 3 y 4 en el diagrama, con probabilidades de ocurrencia 90 %,
50 % y 15 %, respec vamente) y obsérvese que no hay ningún hito asociado.
Las curvas de frecuencia acumulada de las duraciones (en decimales de hora) se muestran
a con nuación:
[1] Serie de Solitarios
[2] EstocSolitario 1 (P = 90 %)
Obsérvese que el comportamiento de [1] dice que la máxima duración observada (en mil
iteraciones) es de 0.78 h, aunque la suma de las duraciones máximas definidas individual-
mente es 0.92 h, que de no hacerse este análisis, se hubiera reportado como el caso pesi-
mista, sobrevalorando este riesgo (una duración mayor a 0.78 h no ene casi probabilidad
de ocurrir).
Al 95 % de confianza se encuentra que la serie terminará en 0.525 h o menos y que hay

alrededor de 4.1 % de casos en que no se ejecuta ninguna de las ac vidades. Esta informa-
ción mejora cualquier es mación intui va que pudiera hacerse.
Capítulo 5 97
[5] Decisiones de Solitarios
Corresponde a una decisión con tres opciones estocás cas y cada una es una ac vidad
simple independiente de la otra, pos TE (véase los Id 7, 8 y 9 en el diagrama, con proba-
bilidades de ocurrencia 15 %, 25 % y 30 %, respec vamente) y enen un hito de decisión
asociado ([6]). Obsérvese también que entre las tres opciones NO se agotan todas las po-
sibilidades (suma de probabilidades menor que 100 %). Implícitamente existe la opción de
no hacer nada (cuarta opción) con una probabilidad cercana a 32 %.
Las curvas de frecuencia acumulada de las duraciones (en decimales de hora) se muestran
a con nuación:
[5] Decisiones de Solitarios)
Se notará un gran acumulación de frecuencias de ocurrencia hacia la izquierda de la escala

de duraciones, de hecho al 90 % de confianza la duración es de 0.63 h (38 min) y al 95 %
es de 0.84 h (51 min).
Una es mación intui va daría, usando las duraciones pesimistas:
Máx. (80 min, 40 min, 20 min) = 80 min
Sobreprotegiendo al programa.
[10] Grupo Estocás co
Corresponde a un grupo (serie) que se ejecuta/colapsa por entero, cada tarea es diferente
a las otras tres, pos TG (véase los Id 12, 13 y 14 en el diagrama) y enen un hito de deci-
sión asociado ([11]) con una probabilidad de ocurrencia de 75 %.
Las curvas de frecuencia acumulada de las duraciones del grupo (en decimales de hora) se
muestran a con nuación:
[10] Grupos Estocásticos (P = 75 %)
Al 95 % de confianza se ene una duración de 1.68 h (101 min).
Se observa claramente una frecuencia de colapso de 25 %.
La es mación intui va diría (80 min + 40 min + 20 min = 140 min) 2.33 h.
Nuevamente obsérvese que se está sobreprotegiendo al programa.

Capítulo 5 99
[15] Decisiones de Grupos
Corresponde a un hito de decisión ([16], po HD) que ene dos opciones cada una un
grupo estocás co (hitos [17] y [21], po HG) con probabilidades de ocurrencia de 50 % y
25 %, respec vamente. Nótese que implícitamente existe la tercera opción de no ejecutar
ninguna, con la probabilidad remanente de 25 % (= 100 – 50 – 25).
[15] Decisiones de Grupos
En este caso la duración al 95 % de confianza es de 1.5 h (90 min).

[25] Decisiones Combinadas
Corresponde a un hito de decisión ([26], po HD) que ene cuatro opciones, dos ac vida-
des independientes ([27] y [28], pos TE) y dos grupos estocás cos (hitos [29] y [33], pos
HG) con probabilidades de ocurrencia de 15 %, 5 %, 25 % y 15 %, respec vamente. Nótese
la opción de no ejecutar ninguna de las anteriores (quinta opción), con la probabilidad
remanente de 40 %.
[25] Decisiones Combinadas
Se encuentra una frecuencia de colapsos de cerca al 40 %.
La duración al 95 % de confianza es de 0.71 h (43 min)

5.6 Modelos matemáticos de estructuras estocásticas
A con nuación se muestra un sumario de las ecuaciones y casos especiales analizados en Anexos 9.4.
Tipo de CASO GENERAL CASO ESPECIAL :

Grupo Análisis Ec. Ac vidades iguales Ec.
Serie μD 9.4.1.A.5
9.4.1.A.7
... ...
9.4.1.A.4
9.4.1.A.6
a sumatorios y r recorre a valores
... ...
Paralelo μ D 9.4.1.B.7
Tardío
9.4.1.B.9
P* 9.4.1.B.11
9.4.1.B.12
Paralelo μ 9.4.1.C.7
D
Tem-
prano
9.4.1.C.9
P** 9.4.1.C.11
9.4.1.C.12
P* = P(di Max), la probabilidad que la ac vidad i sea la mayor.

P** = P(di Min), la probabilidad que la ac vidad i sea la menor.
Tipo de Grupo CASO GENERAL CASO ESPECIAL :

Análisis Ec. Ac vidades iguales Ec.
Hitos de μD 9.4.3.2
decisión
9.4.3.4
Con la condición:
Ciclos de μ' 9.4.4.B.3 -

repetición
C' P1 - -
Decisión
S
0/0/
P2 0/0/
r1 % según ecuación 9.4.4.A.4

Ciclos de μ' -
repetición
P ⋅ μR S
μS + 9.4.4.E.2
con Q
probabilidad
decreciente C" -
con P 1 y P2 según ecuaciones 9.4.4.E.4 y 9.4.4.E.5 y
r1% según ecuación 9.4.4.E.8
P1
Decisión
μR S
μR S / R S /
Q
S P2
μR S / R S / ⎡⎣r1% μ R S 2
2.3263
.3263 r11% σR S ⎤⎦
Verificando que Pe cumpla con 9.4.4.E.12

Similarmente al caso anterior de la variabilidad de duraciones, se ha desarrollado un mó-

dulo en Visual Basic que calcula los parámetros de los Ciclos de Repe ción.
Este módulo se ejecuta a través de la macro CalculaCiclo (<Alt+F8>: para ver lista de ma-
cros instaladas) que muestra un cuadro de diálogo similar al siguiente:
Donde se ob enen las duraciones O, M y Pe para las sus tuciones de doble rampa, y las
probabilidades P1 y P2 de los ramales. Se dispone de las opciones para los casos de proba-
bilidad constante y para probabilidad decremental.
Se dispone del botón Calc. Triang que invoca la ventana de la macro CalculaT, anteriormente
presentada en el caso de los modelos matemá cos de variabilidad, para ayudar en la es ma-
ción de los valores de duración media y desviación estándar de las ac vidades S y R.
5.7 ¿Cuánta probabilidad aplicar al cronograma?

El problema de cómo debe asignarse el comportamiento estocás co (las probabilidades
de ocurrencia) a los eventos o estructuras dependerá de la naturaleza del fenómeno o
suceso involucrado.
Para fenómenos sicos la naturaleza misma del evento se deberá dar una guía: la teoría
de confiabilidad, la teoría del desarrollo de las fallas —tasas de corrosión, tasas de des-
gaste/erosión/abrasión, tasas de desarrollo de fracturas, tasas de deformación o cambios
microestructurales para fenómenos de fluencia lenta—, etc., dirán qué se puede esperar
en los respec vos casos.
Capítulo 5 105
Los métodos cuan ta vos para calcular las probabilidades de ocurrencia de fenómenos
sicos suelen ser bastante simples y muy similares a lo presentado en este libro. Sin em-
bargo, los datos base para los cálculos no están disponibles. Al final y a fin de producir re-
sultados oportunos, se tendrá que dar una es mación lo más juiciosa posible combinando
el juicio de expertos y datos.
Para casos humanos (de falla humana), la situación es más difusa, lo cual no quiere decir
que para fenómenos sicos todo esté resuelto. Tiene que contemplarse los modos de fallo
de los procedimientos, del equipamiento, del nivel técnico o formación del personal, de los
planes que se siguen y de los sistemas de control.
En este aspecto (análisis de fallas), la teoría de confiabilidad y los sistemas de ges ón basa-
dos/centrados en fiabilidad deberían aportar datos para la planificación de mantenimien-
to. Para proyectos, los planes de respuesta a riesgos iden ficados deben dar el soporte.
NOTA
Nunca está demás insis r sobre la importancia del registro de datos reales de ejecución
como base de las futuras es maciones: esto es parte del sistema de control de costos —no
confundir con contabilidad de costos— de la organización ejecutora y la posterior genera-
ción de un banco de modelos de ejecución de trabajo son fundamentales. Las Unidades de
Programación de Mantenimiento y la oficina de Control de Proyecto para los proyectos son
las responsables de esto.
5.8 Un caso estocástico más verosímil

Para ilustrar el ejercicio de la programación estocás ca y la implementación en MS Project
de sus peculiaridades, se con nuará el desarrollo del ejemplo del programa de manteni-
miento de un intercambiador de calor po AES-6000-1200 ( po canal y cabezal flotante,
con haz de tubos de 6 m de longitud y 1.2 m de diámetro) de 800 tubos de 3/4 pulg. de
diámetro) presentado en 4.10 (Un caso de variabilidad más verosímil).
Los no familiarizados con estos equipos pueden revisar Anexos 9.3.2 (Descripción del inter-
cambiador de calor po AES-1.2 × 6 m) para algunos detalles de las partes y nombres usados.
ADVERTENCIA
Si bien en este ejemplo se u liza un caso usual de trabajos de mantenimiento, el énfasis
puesto en los comportamientos estocás cos y de variabilidad de duraciones hace que, fi-
nalmente, el programa o cronograma de trabajo resulte sesgado en su atención a dichos
fenómenos. Un cronograma «real» tendría un aspecto más compacto quizá similar a Anexos
9.3.17 (Diagrama de precedencias simplificado).
La estructura lógica
Las ac vidades estocás cas (Id 42 en adelante, véase las redes de trabajos en Anexos
9.3.3, 9.3.4 y 9.3.5) se generan como resultado de las inspecciones por realizar (ac vida-
des: 16, 17 18 y 19) y de los resultados de las pruebas hidrostá cas planeadas (hitos: 30 y
38). Véase Anexos 9.3.1 (Red de trabajo de mantenimiento)
Conviene aclarar que ahora no se está interesado en aquello que puede salir diferente
en la ejecución normal del trabajo que altere las duraciones esperadas (variabilidad), eso
sería fácilmente modelado con el comportamiento PERT de las duraciones, ahora se está
buscando situaciones en que aparecen (o desaparecen) ac vidades de la red de trabajo.
En términos de proyecto, que aparecen o desaparecen partes del alcance.
Por ejemplo, resultado de las inspecciones al canal y al bonete (ac vidad 17) pueden surgir
necesidades de reparación, y estas reparaciones a su vez pueden tener soluciones alter-
na vas que dependerán de las caracterís cas técnicas del caso ( po de falla, si son pun-
tuales, dispersas, generalizadas, etc.), es decir, se abre un abanico de opciones que NO se
confirmarán hasta haber realizado la inspección. Algo así como el siguiente diagrama:
Relleno de Relleno de Reparación

De inspección Id 48 casco con Id 49 casco con Id 50 de bridas
Id 47 de Canal y Bonete soldadura plancha exterior (superf. De se
P%0 TE P % 50 TE P % 50 TE P%2
Que se lee según la siguiente leyenda (La forma de rombo corresponde a resúmenes):
/ĚŽŶƷŵĞƌŽĚĞůşŶĞĂ EŽŵďƌĞŽĂĐƟǀŝĚĂĚ
dŝƉŽƐƚŽĐĄƐƟĐŽ WƌŽďĂďŝůŝĚĂĚĚĞŽĐƵƌƌĞŶĐŝĂ EŽŵďƌĞĚĞůŐƌƵƉŽĞƐƚŽĐĄƐƟĐŽ

(P %)
La recomendación de trabajos de reparación (ac vidad 17) podría incluir lo indicado en las
ac vidades 48, 49 y 50 individualmente o combinadas. Por mencionar las más comunes.
Las relaciones de precedencia que se muestran son preferenciales, de hecho no importa

el orden de ejecución pues el elemento no estará disponible para con nuar el trabajo sino
hasta que todas las tareas de reparación decididas se hayan terminado.
NOTA
Este modelo introduce la restricción adicional de que solo se puede trabajar un po de
reparación por vez (no hay trabajos simultáneos) y es un supuesto del ejemplo; podría per-
fectamente tenerse un cronograma con las 3 en simultáneo.
Capítulo 5 107
Cada po de reparación (ac vidades 48, 49 y 50) ene una probabilidad propia de ocu-
rrencia que podría estar limitada o relacionada por las otras. Por ejemplo, la ac vidad 48
se realiza para casos de daños puntuales y rela vamente concentrados, en cambio cuando
el mismo po de defecto encontrado está muy extendido o se ha generalizado se opta por
la ac vidad 49. También es posible que ambas sean necesarias.
NOTA
En rigor puede argumentarse que podría haber la posibilidad de que el daño esté tan exten-
dido que se declara inservible al componente y no se ejecuta ninguna reparación, con lo que
se haría el reemplazo por uno nuevo disponible; en caso no haya disponibilidad del repuesto,
el trabajo se de ene, el programa quedará inconcluso y debería reprogramarse de acuerdo a
posteriores decisiones que pueden ir ramificándose casi sin límites por las diversas opciones
que aparecen. Este caso se excluye del presente análisis; salvo indicadores de una probabili-
dad significa va de ocurrencia, este caso no debería tomarse en cuenta.
Regresando al ejemplo, la naturaleza de la ac vidad [50] hace que su probabilidad sea

totalmente independiente de las otras dos. Por tanto, se está ante un caso de ac vidades
estocás cas independientes que se ejecutan en serie, aunque no necesariamente en el
orden mostrado (esa decisión dependerá de los resultados de la inspección y de la dispo-
nibilidad de recursos al momento de la ejecución).
Finalmente, también es posible que no sea necesaria ninguna reparación.
Esta situación o similares ocurren para cada caso de un componente inspeccionado.
La cadena de ac vidades (48, 49 y 50) representa estas condiciones apropiadamente.
Se puede aplicar la misma lógica a los grupos derivados de la inspección de casco (ac vi-
dades 44, 45 y 46) y de la inspección de Tapa de canal (52, 53 y 54) como se muestra en
Anexos 9.3.3 (Red de trabajos estocás cos- inspecciones de casco, canal, bonete y de tapa
de cabezal flotante) que además muestra unas relaciones de precedencia preferenciales
entre los grupos, estas se han adicionado en el supuesto que solo hay una cuadrilla dedi-
cada a estas ac vidades y, por tanto, no se puede programar más de una ac vidad en cada
momento. Recordar que estas relaciones preferenciales deben vigilarse y pueden modifi-
carse atendiendo a la situación del trabajo y recursos.
Existen además casos de opciones excluyentes, tal como los resultados de las inspecciones
al extremo fijo del haz de tubos (ac vidad 56), véase el siguiente diagrama (extraído de
Anexos 9.3.4 Red de trabajos estocás cos - inspecciones al haz de tubos):
Decisiones de
Id 56 Haz de Tubos
HD P % 0 Haz T
Reparaciones Recs. Re-expandido Reparación de

en Extremo Id 58 Extremo Fijo Id 59 de tubos (1 a Id 60 Placa
Id 57 Fijo 80) L. Fijo portatubos (Su
P%0 HG P % 2 HT-Fijo TG P % 0 HT-Fijo TG P % 0 HT-Fijo
Reemplazo de Recs. Placa Corte de tubos Presentación de

placas Id 62 PT Fija Id 63 y liberación Id 64 tubos en
Id 61 portatubos Fija de P Pl. Pt. Fija
P%0 HG P % 40 HT-PTFi TG P % 0 HT-PTFi TG P % 0 HT-PTFi
Expandido de Inspección de
Id 65 tubos en Id 66 expandido en
Pl. Pt. Fija Pl. Pt. Fija
TG P % 0 HT-PTFi TG P % 0 HT-PTFi
En este caso las ac vidades [59] y [60] forman parte de un grupo estocás co ( po: HG.
Nombre de grupo: HT-Fijo) con 2 % de probabilidad de ocurrencia.
Las ac vidades que siguen a la [62] también ocurren o dejan de ocurrir al mismo empo,
colapsan u ocurren al 40% de probabilidad en grupo (nombre: HT-PTFij).
Es más, cuando ocurre el ramal superior (hito [58]) el ramal inferior (hito [62]) no ocurre
y viceversa. Es decir, ambos ramales son mutuamente excluyentes. La ocurrencia de uno
colapsa la existencia del otro, son ramales dependientes entre sí. Cuando la inspección
decide ejecutar el ramal superior automá camente borra el ramal inferior de las opciones
posibles y viceversa.
La estructura se implementa con el hito de decisión [56] ( po: HD) y los hitos de definición
de grupo [58] y [62] ( pos: HG) y los nombres de grupo estocás cos: HT-Fijo y HT-PTFij.
En Anexos 9.3.4 se puede revisar el diagrama completo de esta sección y se encontrarán

relaciones más complejas. En par cular aparece el hito de decisión [68], intermedio, que
da lugar a una estructura similar para los posibles trabajos en el otro extremo de haz de
tubos (lado flotante).
El hito de grupo que define el reemplazo de placas deflectoras (ac vidad [79], po HG,
con probabilidad de ocurrencia de 1 %, y nombre de grupo: HT-PD) da inicio a otra opción
de ac vidades de reparación y representa el caso en que se decide reemplazar las placas
deflectoras, lo que requiere el recorte de los tubos en una de las placas porta-tubos y el
posterior expandido, con la correspondiente pérdida de longitud de tubos. No se incluye
el trabajo de fabricación de nuevas placas, se sabe que la unidad de planificación fue capaz
de prever el caso en sus análisis de riesgos y acopió an cipadamente un juego de placas.
Capítulo 5 109
La ac vidad [91] ( po TE, con 5 % de probabilidad de ocurrencia) representa la posibilidad

de realizar trabajos de clausura de tubos.
Si el número de tubos por clausurar fuera excesivo (más de 80 en el programa), se pasa-

ría a la alterna va que inicia el hito de grupo [93] ( po HG, con 0.5 % de probabilidad de
ocurrencia, nombre de grupo: HT-Reent) que representa la posibilidad de tener que reem-
plazar los tubos del haz.
Todo este conjunto extenso de alterna vas está estructurado a par r del hito de decisión
[56] Decisiones de haz de Tubos ( po HD).
Finalmente, se llega al caso de las pruebas, picamente una prueba termina en una ac -
vidad de evaluación de resultados donde se decide con nuar con el programa normal o
introduce nuevas ac vidades que luego retornan el proceso a un punto anterior del flujo
para repe r la prueba y llegar otra vez a la ac vidad de evaluación de resultados.
Por ejemplo, como resultado de las pruebas hidrostá cas del lado tubos aparece el hito
[30] donde se define si se con núa o se procede al ramal de retorno del ciclo donde apa-
rece la siguiente secuencia (hito [112] y siguientes) que incluye ac vidades excluyentes
y combinaciones de grupos de ac vidades: trabajos de reajuste de bridas o excluyente-
mente reemplazo de empaquetaduras por fugas observadas. Esto puede darse en tres
juntas diferentes (a. En el cabezal flotante, b. Entre el canal y su tapa y c. Entre el canal y
la placa porta-tubos fija) combinándolas de 2 en 2, o 1 por 1 o todas o ninguna. Véase el
diagrama de red siguiente extraído de Anexos 9.3.5 (Red de trabajos estocás cos - pruebas
hidrostá cas):
De PH lado
Id 112 Tubos
P0
Decisiones Reajuste de
PH Tubos -
Id 113 Tapa Ca FS Id 114 brida de
Tapa de
HD P 0 TE P 5
FS FS
Reemplazo de Decisiones Reajuste de
empaquetadura
Id 115 co PH Tubos - Id 120 brida de
FS Id 116 Tapa Ca FS Tapa de
TE P 1 HD P 0 TE P 5
FS FS
Reemplazo de Decisiones Reajuste de
empaquetadu-
Id 118 ra PH Tubos - Id 120 brida
co FS Id 119 Junta Ha FS Haz/Canal
TE P 1 HD P 0 TE P 5
FS FS
Reemplazo de Retorna a
empaquetadu-
Id 121 ra <Llenado de
co FS Id 122 haz
TE P 1 P0
NOTA
Se podría argumentar que existe una cuarta opción que es la falla de tubos, sin embargo
cuando se detecta esta situación normalmente no se puede iden ficar los tubos fallados
(salvo casos catastróficos muy raros, y si ene probabilidad significa va debería incluirse) y
se pasa a la prueba de lado casco donde se hace la iden ficación y corrección debidas. Véase
la ac vidad [123] y siguientes.
Los hitos [113], [116] y [119] (todos po HD) inician tres grupos de decisión de (2) ramales
mutuamente excluyentes cada uno.
Para este ejemplo, la probabilidad de retorno del ciclo viene dada por la probabilidad de
existencia de las ac vidades sucesoras del hito [113] de entrada.
Como este grupo está compuesto de tres pares de ac vidades estocás cas en serie, donde
cada par es un hito de decisión, se ene un caso de tres ac vidades independientes en
serie al 6 % de probabilidad de ocurrencia cada una, lo que significa que la probabilidad de
existencia del trío se puede calcular con el complemento respecto de 100 % de los casos
de no existencia simultánea, es decir, para el ciclo de retorno la probabilidad de ocurrencia
será (en decimales):
Nótese el hito final [122] que remite (Retorna a...) al punto anterior en la secuencia (ac -
vidad [27]) «Llenado de haz de tubos con agua, purgado y venteo».
Los probables trabajos derivados de la prueba hidrostá ca del lado casco se definen en el
hito [38], dando eventualmente paso al ramal de retorno que se representa con las ac vi-
dades que inician los hitos de decisión [124], [127] y [131] ( pos HD) dando cuenta de los
posibles trabajos de represión de fugas en las juntas bridadas del casco y de los posibles
clausura/re-expandido de tubos en el extremo del lado canal del haz de tubos.
Para el caso del ciclo asociado a las pruebas hidrostá cas del lado casco se enen dos hitos
de decisión (al 6 % de probabilidad) más un grupo estocás co (al 40 % de probabilidad)
cada uno independiente de los otros dos.
La probabilidad de ejecutar la secuencia de retorno del hito [123] es:
Finalmente, el hito [136] remite a la ac vidad (previa en la secuencia) [35] Retorna a <Lle-
nado de casco con agua, purgado y venteo>.
Capítulo 5 111
NOTA
Estos ciclos no pueden modelarse directamente en MS Project porque que el so ware no
acepta rutas cíclicas. Por lo que se han implementado como cadenas de ac vidades simples.
Las ac vidades [122] y [136] no enen sucesor alguno.
Completando el modelo
El desarrollo completo de las redes de precedencia de los trabajos por definir (con com-
portamiento estocás co) se muestra en Anexos 9.3.6 (Red de trabajos completa)
Se notará de inmediato que la red de las ac vidades por definir varias veces es más exten-
sa que la red de trabajos definidos (un aspecto más acentuado en los trabajos de mante-
nimiento). Una de las razones para ello es el nivel de detalle con que se han tenido que
explicar los diferentes componentes que modelan el comportamiento estocás co hallado
en la secuencia de trabajo, pero también refleja la naturaleza de una situación con incer -
dumbres vista con los ojos abiertos. La red muestra la complejidad asociada al tratamiento
y que el trabajo asociado de prever las incer dumbres representa un esfuerzo significa vo.
Lo cual quizá explique por qué los cronogramas en la vida diaria simplemente aceptan la
incer dumbre e incorporen sus efectos nega vos como algo inevitable, «programando»
los retrasos, desapareciendo lo incierto, al final ya no hay incer dumbre. Pese a ello, debe
recordarse que al eliminar las incer dumbres también se están eliminando posibles fuen-
tes de oportunidades asociadas.
También se observará que ya se han modelado los diversos grupos colapsados e hitos de
decisión para todos los casos, de manera rela vamente simple de acuerdo a la herramien-
ta propuesta.
Este modelo aún no representa la situación final buscada, es decir, los Ciclos de Repe ción
que siguen a las pruebas hidrostá cas no operan como tales, están simplemente agre-
gados como ramas de ejecución/colapso de ejecución única (sin retornos a la secuencia
anterior de trabajo).
Si se tratase de lanzar un proceso de simulación de Monte Carlo estocás co con el progra-

ma de trabajos tal como está, reportaría el comportamiento previsto para el escenario que
incluye solo el comportamiento de las ac vidades adicionales que surjan de las inspeccio-
nes (pero ciclos excluidos). Para poder hacer esto las duraciones PERT (op mista, esperada
y pesimista) deben agregarse al modelo. En general, se considerará una variabilidad de
duraciones similar al ejemplo original de variabilidad de duraciones:
Op mista (o límite de cola inferior al 1 %) = 80 % de la duración esperada.

Pesimista (o límite de cola superior al 99 %) = 2 veces la duración esperada.


NOTA
Se debe repe r que en la vida real esto no es así, habrán ac vidades con gran cer dumbre
en los es mados de sus duraciones (sin variabilidad) y algunas pocas con rangos amplios de
es mación de duraciones (con variabilidad).
Para las ac vidades en las que se disponga de datos específicos o análisis más profundos
de las duraciones se usarían los valores disponibles.
Esa información debería permi r correcciones no solo de la probabilidad de ocurrencia

sino además del modelo pico de trabajo y de las previsiones de po y can dad de trabajo
esperados (disciplinas y horas-hombre).
El resultado de la asignación de duraciones mencionadas puede verse en el cronograma de

Anexos 9.3.8 (Cronograma de mantenimiento de un intercambiador de calor).
Como segundo paso de esta etapa los diversos componentes estocás cos del programa
deben definirse: los grupos colapsados deben caracterizarse con la probabilidad de ocu-
rrencia/colapso respec vo y los ramales de los hitos de decisión deben repar rse las posi-
bilidades de ocurrencia según lo previsto. Esto se ha hecho con la consideración de esperar
trabajos ru narios o usuales, es decir, las ac vidades estocás cas derivadas de las inspec-
ciones enen bajas probabilidades (1 %-2 %-5 %) de ocurrencia. Salvo las referidas a:
TRABAJOS POR DEFINIR CON PROBABILIDAD SIGNIFICATIVA
Id Tipo Probabilidad (%) Duración h Fuente de incer dumbre
48-49 Serie Indep 50/50 32 Inspección de canal y bonete
Inspección de tapa de cabezal

52-53 Serie Indep 30/30 32
flotante
Reemplazo de placa portatu-

62-66 Grupo Serie 40 43
bos fija
Reemplazo de placa exp. / clau-

130-136 Grupo Serie 40 11.5
sura de tubos (retorno)
Para implementar los Ciclos de Repe ción que se originan en los hitos [30] y [38] se usó el
El modelo C' mostrado en Anexos 9.4.4.D para ambos casos.'
Capítulo 5 113
Para el Ciclo de Pruebas Hidrostá cas de Lado Tubos:

<S> es la cadena que va de la ac vidad [27] hasta la [30].

<R+S> es la cadena que va desde la ac vidad [113] hasta la [122] y de ahí se reinserta

en la ac vidad [26] y termina en la [30]. La parte <R> está representada por el resumen
[112]: de PH Tubos (Sección R). Para obtener los parámetros «M» y «Pe» de <R+S> se
pueden copiar estas cadenas a un proyecto aparte y calcularlas para leer sus parámetros
como grupo, para ello bastará agregar un resumen que las agrupe, véase la implementa-
ción en Anexos 9.3.9, esto se ha hecho con los resultados que se muestran en 9.3.11 y
9.3.12. Una segunda opción sería usar <S> y <R> independientemente para calcular los
parámetros de <S+R>.
Para el Ciclo de Pruebas Hidrostá cas de Lado Casco:

<S> es la cadena que va desde la ac vidad [34] a la [38].

<R+S> es cadena que va de la [124] a la [136] y retorna a la [27] terminando en la [38].


Véase también Anexos 9.3.9, 9.3.11 y 9.3.12
NOTA
En Anexos 9.3.12 (Parámetros de sus tución de Ciclo de Repe ción con un modelo de doble
rampa cóncava) muestra los resultados de aplicar el modelo de doble rampa cóncava a las
ac vidades <S>, <R> y <R+S>. Las celdas en color beige corresponden al cálculo basado en
datos de <S> y <R> y los datos en celdas amarillas corresponden a tratar <R+S> como un
grupo. Para el ejemplo se han usado los valores basados en <R+S>.
Las sus tuciones de doble rampa cóncava se agregaron al cronograma antes de realizar
los cálculos, resultando el diagrama del anexo 9.3.7 (Red de trabajos completa - Ciclos de
Repe ción sus tuidos) y el cronograma del anexo 9.3.10 (Cronograma de sus tución de
Ciclos de Repe ción). Nótese la asignación de duraciones y probabilidades a las ac vida-
des de sus tución de la [113] a la [121].
Al revisar las ac vidades estocás cas (con campo MCE Tipo Elem no nulo) se podrá ve-
rificar la asignación de nombres de grupo y probabilidades de ocurrencia del resto de
elementos. Véase otra vez Anexos 9.3.8 (Cronograma de mantenimiento de un intercam-
biador de calor)
Resultados
Luego de lanzar el proceso itera vo (véase ejecución del proceso de cálculo en la imple-
mentación de estructuras estocás cas en MS Project) con el modelo definido como se
menciona arriba, se ob enen los siguientes resultados:
Curvas de frecuencia – con ac vidades estocás cas:
D. Media Desv. Est.

142.6 35.48
L1% L99%
83.4 238.8
Se notará inmediatamente que la cola derecha de las curvas de frecuencia se ex ende bas-
tante, apareciendo una segunda giba de frecuencias alrededor de la abscisa 150 h, mos-
trando el efecto de las diversas ac vidades posibles y sus probabilidades de ocurrencia.
La nueva duración media del trabajo es 143 h que ocurre en el punto 56 % de las frecuen-
cias acumuladas, veáse curva de rombos azules; que es más bien una probabilidad baja
(aproximadamente 1 oportunidad de fallar de cada 2 casos), en términos de dar confianza
en su cumplimiento.
Una es mación no-estocás ca habría tomado la duración resultante de la instancia de

duraciones más probables (76 h total desde su perspec va) e intentaría agregar un mar-
gen que respondiera a las eventualidades mencionadas en la tabla de TRABAJOS POR DE-
FINIR CON PROBABILIDAD SIGNIFICATIVA (véase Completando el Modelo). Posiblemente
alternaría entre una ponderación del valor esperado de las duraciones extras (suma del
producto de probabilidades de ocurrencia x duraciones) y el mejor criterio intui vo que
pudiera reunir. Es decir, posiblemente agregaría entre 43 h (caso individual mayor) y 47 h
(caso ponderado) proponiendo un intervalo [119, 123] h como es mación y agregaría la
palabra pesimista para moderar el impacto.
Capítulo 5 115
Las probabilidades menores y posibles repe ciones no entrarían en esta es mación y di -

cilmente podría manipularlas sa sfactoriamente. Tampoco consideraría, salvo a nivel intui-
vo, el efecto de los márgenes libres disponibles en las cadenas estocás cas.
Del gráfico se puede obtener el intervalo de probabilidades para esas duraciones: [37 %,
40 %] que evidentemente no son casos pesimistas sino por el contrario resultan ser muy
op mistas.
Los límites de duración, extraídos de la tabla de frecuencias resultante, para varios niveles
de confianza se pueden véase en la tabla siguiente:
Nivel de confianza Límite de duración

(%) (horas laborables)
1 1 83.4
2 80 163
3 90 184
4 95 208
5 99 239
Lo que permi rá seleccionar una duración que confortablemente (o audazmente si se

quiere) esté de acuerdo a nuestras polí cas de control de riesgos, se espera poder cumplir
y comprometer contractualmente.
Esta vez el Margen de Duración al 95 % de confianza es de 81 h tomando como base el

caso no-PERT (la mejor es mación del caso no-PERT reporta al 95 % una duración de 119
o 123 h = 76 + {43 o 47} h).
Nótese que el margen respecto al caso PERT (que ignora las ac vidades estocás cas) diría,
siempre al 95 % de confianza, 208 – 104 = 104 h adicionales (¡50 %!).
Por otro lado, existen probabilidades bastante significa vas de terminar pronto, por ejem-
plo, hay una probabilidad de aproximadamente 40 % de terminar antes de las 123 h, ¿agre-
ga esto valor adicional al proyecto? Si es así, ¿qué se puede hacer para que el proyecto se
«exponga» a esta oportunidad? ¿Qué componentes del trabajo permiten esta posibilidad?
¿Se pueden controlar? Nótese que la es mación no-PERT habría dado esta situación como
un hecho, cuando es solamente una posibilidad que requiere atención de parte de la direc-
ción del proyecto para poder iden ficarla y luego aprovecharla, la diferencia en la ac tud
podría ser fundamental29. Alguien que da por sentado algo tendrá pocos incen vos para
buscar ese algo y no sería extraño que desperdicie la oportunidad al no estar atento.
Las curvas de frecuencia acumulada de los diversos grupos estocás cos que modelan las
ac vidades resultantes de las inspecciones se muestran en Anexos 9.3.13 (Curvas de fre-
cuencia acumulada - ac vidades resultantes de inspecciones).
29
La ges ón de oportunidades es diferente de la ges ón de riesgos, requiere de una búsqueda de soluciones innovado-
ras y de una mentalidad emprendedora-maximizadora del valor del proyecto.
Los resultados correspondientes a las pruebas hidrostá cas (estructuras de Ciclos de Re-
pe ción) se muestran en Anexos 9.3.11 donde se pueden comparar las probabilidades de
existencia u ocurrencia calculadas en el acápite La estructura lógica de este ejemplo (16.9 %
para la P.H. lado tubos y 47 % para P.H. lado casco).
El rasgo más notorio para cualquier programador al revisar estos resultados es que el tra-
bajo adicional para generar los modelos de ejecución de las ac vidades estocás cas no
parece estar balanceado frente al trabajo para generar el modelo de ejecución definido,
que son el objeto del plan. Aunque los resultados sí que parecen indicar que la intuición
podría no tener referencias suficientes para dar con es maciones sólidas ni la es mación
puntual ofrecer un resultado confiable de cumplimiento. En Anexos 9.3.17 (Diagrama de
precedencias simplificado) se muestra un cronograma más prác co para esta situación, en
el que cada caso de incer dumbre se ha representado con una sola ac vidad.
5.9 Un programa en conflicto con un tren

Ejemplo:
Este es otro ejemplo de comportamiento estocás co que resulta intui vamente di cil de
es mar. La situación se refiere a que se ene un programa de trabajo donde algunas de las
ac vidades pueden compe r por un espacio o recurso contra una serie (un tren) de otras
ac vidades, las mismas que de coincidir en el empo con las del programa (usando el recurso
o espacio limitados) enen prioridad de ejecución, y retrasan (porque entran en algún po
de conflicto —de recursos o de espacio o simple incompa bilidad— con algunas de ellas) las
ac vidades del programa. Las ac vidades del tren enen fechas de inicio variables.
Se puede aclarar el caso con el ejemplo de las reparaciones de una instalación de despa-
cho (el programa de trabajo) que no puede dejar de operar y que cada cierto empo, con
regularidad que incluye algo de variabilidad, debe dar servicio a los clientes que vienen a
cargar (el tren o convoy de embarques), estos carguíos compiten con algunas ac vidades
del programa de mantenimiento y enen prioridad sobre ellas, debido a su alto valor eco-
nómico, por ejemplo.
Puede visualizarse esta situación en el siguiente diagrama:

Capítulo 5 117
Donde las ac vidades roja, verde, amarilla y violeta entran en conflicto en mayor o menor
grado con las ac vidades grises de la parte baja. Cuando esto sucede, la ac vidad de color
debe esperar a que la ac vidad gris termine para poder iniciarse, esto afectará al pro-
grama aguas abajo reconfigurando las probabilidades de interferencias de las ac vidades
subsecuentes. Otra caracterís ca es que esto solo ocurre con algunas ac vidades (las de
color, por ejemplo) dejando sin afectar al resto (las ac vidades blancas). ¿Qué Margen de
Duración se debe considerar para esta situación?
Respuesta:
El caso de una ac vidad aislada con fecha de inicio (T) y duración (D) conocidas, y un tren
de ac vidades con fechas de inicio (ti) y duraciones (di), donde ti es probabilís co y las
instancias «i» son independientes entre sí se ha analizado en Anexos 9.4.6 (Ac vidad en
conflicto con un tren), véase el diagrama siguiente:
T
D
1 2 ... i n
d1 di
t1
ti
Que considerando la ecuación 9.4.6.2 se puede representar por:
T D
P1 P2 P3 Pi Pn
1 2 ... i n A
d1 di
t1
ti
Donde las probabilidades de ocurrencia P1, … Pn son las probabilidades de que las ac vi-
dades del tren o convoy afecten a la ac vidad A del programa. Nótese que las ac vidades
interferencia se anteponen a la ac vidad analizada.
Véase el ejemplo del diagrama de barras siguiente:
Con el tren de ac vidades mostrado con las ac vidades 12 al 24, que simula las 4 ac vida-
des prioritarias (Id: 24, 21, 18, y 15), y las fechas es madas de arribo (ac vidades: 22, 19,
16, y 13, con comportamiento PERT). El programa afectado consiste de las ac vidades T1 a
T10 (Id: 2 al 11), donde las ac vidades pasibles de ser afectadas son T4, T6 y T8.
Para calcular las probabilidades con que estas ac vidades son impactadas véase el cuadro
siguiente:
«Vagón» del Tren

i 0 1 2 3
Variabil. de O 5.00 7.00 9.00 11.00
fecha inicio de
E 6.00 8.00 10.00 12.00
un vagón de
tren P 7.00 10.00 12.00 13.00
T D Dur. Vagón d 2.00 2.00 2.00 3.00
8.8 2.0 Pi 0.020 1.00 0.76 0.00

T4 - Afectada
11.2 2.0 Pi 0.00 0.11 0.99 1.00
T6 - Afectada
T8 - Afectada 3.2 2.0 Pi 0.020 0.00 0.00 0.00
Los valores Pi son las probabilidades de impacto de los «vagones» de interferencia (0, 1, 2 y
3) sobre las tareas del programa (T4, T6 y T8). Y se han implementado usando las fórmulas
4.1.3 y 4.1.4 en la ecuación Fi (T+D)-Fi (T-di) del grupo de ecs. 9.4.6.1 y siguientes.
Se encuentra que el «vagón» 0 del tren de interferencia impacta a las tareas T4 y T8 (las
respec vas Pi —en texto rojo— son mayores que cero, pero sin efecto sobre T6), el vagón
1 impacta sobre T4 y T6, el vagón 2 sobre T4 y T6 también, y el vagón 3 solo afecta a la
ac vidad T6 del programa.
Capítulo 5 119
Con este análisis se puede plantear el modelo estocás co en MS Project siguiente:
Donde las tareas afectadas han sido reemplazadas por grupos en serie de ac vidades es-
tocás cas independientes ( po TE) antecediéndolas, y se les ha asignado una duración mí-
nima, pero mayor que cero, evitando conver rlas en hitos, para no deformar el programa
en exceso.
Luego de realizar un proceso de Monte Carlo (1k iteraciones) se ob ene:

Y:
Donde se puede observar que existe

aproximadamente 85 % de probabilida-
des de terminar alrededor de las 241
horas de duración (de hecho no existen
casos menores ni casos mayores hasta
las 259 h de duración).
Además se observa que existe un 15 %

de probabilidades de terminar alrededor
de las 259 horas de duración.
O similarmente, para un diagrama en

fechas se pueden ver que existen dos
fechas (separadas) como probables tér-
minos del trabajo:
Nótese, en el diagrama de Gan inicial, que las ac vidades afectadas por las interferencias
no se hallan sobre una misma ruta que lleve al término del trabajo, es decir, se hallan en
ramales paralelos entre sí.
El caso de más de una ac vidad, pasible de interferencias, sobre una misma ruta incluye
una complejidad extra que no se ha resuelto: Cuando la ac vidad más temprana queda
retrasada por alguna interferencia, ese retraso se transmi rá aguas abajo a la siguiente ac-
vidad pasible de interferencia, cambiando su posición respecto del tren de interferencia,
con lo cual el método (que calcula la probabilidad de interferencias en la situación previa)
queda desactualizado.
Se necesitaría un proceso que luego de confirmar el retraso inicial pudiera recalcular las
probabilidades de la nueva situación aguas abajo el proceso y generar la instancia Monte
Carlo correspondiente, o definir todas las alterna vas de ocurrencia y sus respec vas pro-
babilidades, para modelarlas en un hito de decisión. Esta solución no se ha abordado en
este trabajo.
Capítulo 5 121
5.10 Una decisión complicada

Ejemplo:
Esta situación es un ejemplo de comportamiento estocás co de una situación real que

requería definir la estrategia que minimizará los costos. Cada día de duración cuesta 80 k$.
Esta vez existe un tren de oportunidades o ventanas de 12 horas disponibles para ejecutar
un programa de tareas, las ventanas de oportunidad se producen cada 5 días (o cada 120
horas) aproximadamente.
El programa consiste en el re ro de un brazo de carga, de un terminal marino, efectuar

mantenimiento sobre este brazo y reinstalarlo; al mismo empo deberán reemplazarse 2
defensas de muelle, sin embargo, los trabajos de re ro y reinstalación del brazo de carga y
las defensas se hacen con el mismo equipo (una grúa sobre plataforma marina), es decir,
deben ejecutarse una por una.
Finalmente, puede re rarse y reinstalar el brazo de carga desde la posición actual de la

grúa marina pero luego se tendrá que reubicar dicha grúa para poder realizar los trabajos
con las defensas, de manera que es obligatorio el traslado en algún momento. Este mo-
vimiento marino debe realizarse durante una de las ventanas de oportunidad y ene una
variabilidad de duraciones significa va, si el movimiento no se completa en menos de 12
horas debe cancelarse y esperar la siguiente ventana de oportunidad. Véase el diagrama
de barras siguiente:
La decisión a tomar consiste en seleccionar la estrategia adecuada (que minimice costos):

mover la grúa primero retrasando los trabajos o Re rar el brazo de carga primero dejando
la movilización de la grúa para la siguiente ventana de oportunidad.
Respuesta:
Véase el programa Gan , donde se muestran ambas estrategias (Resumen [13] Mover la
Grúa 1ro y resumen [29] Re rar el Brazo 1ro) donde las barras azules muestran la instan-
cia de la primera ocurrencia exitosa, las barras vacías medianas la siguiente instancia y las
barras finas negras muestran la tercera instancia de ocurrencia, las instancias subsiguien-
tes —teóricamente sin límite— no se muestran, pero están implícitas. Allí también pueden
revisarse las duraciones PERT asignadas.
La forma más adecuada de modelar esta situación es considerándola como casos de Ciclos
de Repe ción, con la condición de repe ción basada en la probabilidad de completar las
maniobras de movilización de grúa en 12 horas o menos, véase las ac vidades [16] y [37].
La probabilidad (P) de repe ción de la maniobra es la correspondiente a NO completar la

movilización de la grúa en menos de 12 horas y está definida por las duraciones PERT asigna-
das (6 / 12 / 30 h); en este caso P se evalúa fácilmente haciendo proporciones geométricas
sobre el modelo triangular de probabilidades, como (30 – 12)/(30 – 6) = 0.75 (o 75 %) de pro-
babilidades de tener que esperar (no hacer nada durante 5 días) hasta la siguiente ventana.
Usando los diagramas lógicos del caso se puede mostrar:
Decisión
R
S T
Donde:
S representa el intento de movilizar la grúa en menos de 12 h, con duraciones PERT
truncadas (6/12/12 h)
R representa el resto de la espera hasta la próxima ventana de oportunidad (S + R = 5
días, sin variabilidad en este ejemplo)
T es la serie de tareas que siguen a la movilización de la grúa y que se realizan solo una vez.
Se quiere transformar el Ciclo

de Repe ción en: P1
Decisión O/O/
S P2 T
O/O/
Capítulo 5 123
Con una probabilidad de tener que repe r la maniobras de (P =) 75 % y ( μ R + μS ) = 120h,

con lo cual las probabilidades P1, P2 y el número de repe ciones r1 % se pueden calcular
con las ecuaciones 9.4.4.C.6, 9.4.4.C.7 y 9.4.4.A.4
Para ambos casos (la ac vidad [16] y la ac vidad [37]) esto resulta: P1 = 43.4 %, P2 = 56.6 %, y
r1% = 20 ciclos (véase también la ecuación 9.4.4.D2)
Es decir:
Decisión 43 %
0/0/360 h
6/12/12 57 % T
0/0/2394 h
Que al introducirse en el cronograma y ejecutar la simulación (1k) muestra:

Con los siguientes resultados:
[13] MOVER GRÚA 1ro
D. Media Desv. Est.

256.20 136.5
L 1% L99%
96 662
[33] - RETIRAR BRAZO DE CARGA 1ro

Capítulo 5 125
D. Media Desv. Est.

221.5 135.1
L1% L99%
90 609
Los resultados en forma tabular se muestran a con nuación:
Ac vidad: [13] - MOVER GRUA 1rro Ac vidad: [33] - RETIRAR BRAZO

DE CARGA 1ro
Intervalo duraciones = Intervalo duraciones =
[112, 752] h LABORABLES [104,664] h LABORABLES
Clasificando duraciones en 20 Clases Clasificando duraciones en 20 Clases
(Ancho de Clase: 32 h LABORABLES) (Ancho de Clase: 28 h LABORABLES)
Cl. Fr.Rel F.Rel.Ac Centro de Clase Cl. Fr.Rel F.Rel.Ac Centro de Clase
1 7.90 7.9 128.0 1 30.3 30.3 118.0
2 29.40 37.3 160.0 2 27.6 57.9 146.0
3 21.50 58.8 192.0 3 4.4 62.3 174.0
4 7.10 65.9 224.0 4 2.5 64.8 202.0
5 4.50 70.4 256.0 5 4 68.8 230.0
6 1.90 72.3 288.0 6 4.8 73.6 258.0
7 3.90 76.2 320.0 7 3 76.6 286.0
8 3.40 79.6 352.0 8 3 79.6 314.0
9 3.90 83.5 384.0 9 2.7 82.3 342.0
10 3.20 86.7 416.0 10 2 84.3 370.0
11 2.30 89.0 448.0 11 3.2 87.5 398.0
12 2.10 91.1 480.0 12 2.5 90 426.0
13 2.80 93.9 512.0 13 2.3 92.3 454.0
14 1.70 95.6 544.0 14 0.9 93.2 482.0
15 1.10 96.7 576.0 15 1.8 95 510.0
16 0.60 97.3 608.0 16 1.5 96.5 538.0
17 1.00 98.3 640.0 17 0.9 97.4 566.0
18 1.00 99.3 672.0 18 0.9 98.3 594.0
19 0.40 99.7 704.0 19 1.3 99.6 622.0
20 0.30 100.0 736.0 20 0.4 100 650.0
Donde se puede observar que la estrategia [33] – RETIRAR BRAZO DE CARGA 1ro es con-
sistentemente menos costosa que la estrategia [13] – MOVER GRÚA 1ro, por ser de dura-
ción más corta; si, por ejemplo, se ven las duraciones obtenidas por interpolación:
Nivel de Duración de Duración de Dif. durac

confianza (%) estrategia [13] estrategia [33] [13]–[33]
50 178.9 138.0 40.9
80 355.3 318.1 37.1
90 463.2 426.0 37.2
95 532.7 510.0 22.7
99 662.4 609.1 53.3
Se observa que de optar por la estrategia [33] se lograrán reducciones de costo por casi 1.5
días (120 k$) o más para todas las situaciones.
NOTA
Para que la simulación se calcule directamente los costos de cada estrategia simplemente
debería introducirse una ac vidad resumen que, iniciando junto con el cronograma, termi-
nase conjutamente con las úl mas ac vidades que involucran el uso de la grúa (ac vidades
[30] y [50] Montar Nvo Fender 2) a la que se le asignaría el recurso correspondiente a la grúa
con un costo de 80 k$/día. Con ello, las curvas y tablas podrían solicitarse directamente al
so ware en valores de costo.
6
Capítulo
ANÁLISIS DEL MARGEN
Para analizar la Ruta Crí ca de un proyecto con comportamiento estocás co y variabilidad

de duraciones se podría revisar el diagrama de red de trabajos correspondiente, similar a
Anexos 9.3.6, por ejemplo.
Recuérdese que esta red estará compuesta de ac vidades «normales» (sin variabilidad y
no-estocás cas), de ac vidades con variabilidad en sus duraciones y de ac vidades esto-
cás cas, estos dos úl mos pos de ac vidades además pueden ir combinados.
Por otro lado, al preguntar por la Ruta Crí ca en redes del po indicado, se ene que
preguntar por el conjunto de ac vidades o segmentos de red que algunas veces pertene-
cieron a la Ruta Crí ca en las simulaciones, lo que equivale a preguntar por las ac vidades
con alguna probabilidad (mayor que cero) de pertenecer a la Ruta Crí ca. Resultará no un
único camino o ruta sino varios ramales en paralelo, mostrando las llamadas rutas crí cas
alternas junto a la Ruta Crí ca permanente.
Se encontrará que si se filtran las ac vidades con Cri cidad mayor a cero (campo MC Frec
Crí c > 0) para mostrar solo la red crí ca, resultará un diagrama disjunto con segmentos
desconectados de la red principal, que no ayuda mucho, porque al ocultar las ac vidades
no-crí cas también oculta las relaciones de precedencia asociadas dejando incompleta
la lógica del trabajo. Véase, por ejemplo, Anexos 9.3.14 (Red de trabajos - agrupación por
Frecuencia Crí ca).
Regresando a la red completa, si ahora se marcan las ac vidades con su clase crí ca (bo-
tones30 del campo MC Clase Crí ca) y se separan las ac vidades estocás cas de las no-es-
tocás cas como en Anexos 9.3.16 (Red de trabajos completa - Cri cidad) se observará que
aparecen discon nuidades en la Cri cidad de algunas rutas alternas; por ejemplo, si se ven
las ac vidades [48] y [49] se notará que las ac vidades previas [44], [45] y [46] no enen
Cri cidad relevante (al menos no mayor que 20 %) lo cual parece contradecir que las ac -
vidades sucesoras [48] y [49] puedan tener más de 20 %.
30
El código de colores de los intervalos de Cri cidad es como sigue:
Rojo: [ 100 % , 80 % ]
Violeta: ] 80 % , 60 % ]
Amarillo: ] 60 % , 40 % ]
Verde: ] 40 % , 20 % ]
Sin marca: ] 20 %, 0 % ]
Si una instancia de segmento es crí ca, ¿no debería haber una cadena crí ca con nua
de principio a fin de que pase por él? Más aún, ¿no deberían tener mayor Cri cidad las
ac vidades previas que las sucesoras? Habida cuenta que una ac vidad previa debería ser
crí ca cada vez que sus ramales sucesores lo son y puede tener varios ramales alterna -
vamente crí cos.
Revise Anexos 9.3.10 donde se muestran los resultados numéricos. Se observa que las ac -
vidades previas [44], [45] y [46] nunca fueron crí cas (MC Frec Crí ca = 0) y las ac vidades
[48] y [49], en cambio, han sido crí cas alrededor de 20 % y 28 % de los casos, respec -
vamente. Si revisa el campo MCE Cta Ocurr, se ve que las ac vidades [44], [45] y [46] han
ocurrido —exis do en las simulaciones— 10, 9 y 7 veces, respec vamente, en un proceso
de 1000 iteraciones (1 % aprox.), mientras que [48] y [49] han ocurrido muchas más veces:
502 y 494 veces respec vamente en la misma simulación (50 % aprox).
Entonces la explicación es que [44], [45] y [46] han ocurrido (las pocas veces) cuando las
instancias de [48] y [49] no lograron ser crí cas o no exis an (es decir, las cadenas que
inician en [44] y terminan en [22] y [23] no fueron crí cas en esas instancias). En cambio,
[48] y [49] fueron crí cas cuando [44], [45] y [46] no exis an, con lo cual se explica la apa-
rente inconsistencia y discon nuidad.
De paso el mismo razonamiento se aplica a las cadenas posteriores [50], [52], [53] y [54]
no-crí cas.
Con el reporte mencionado (Anexos 9.3.10) se puede iden ficar cadenas y porciones de
cadenas de ac vidad que han pertenecido a la Ruta Crí ca y sobretodo CUÁNTAS veces
han afectado a la duración del trabajo, con lo que se ene una es mación de la probabi-
lidad del impacto en la duración, que es diferente (no confundir) de la probabilidad de
ocurrencia de un elemento. Para aclarar esto obsérvese, por ejemplo, que en el caso del
intercambiador de calor AES-1.2 × 6 m se muestra lo siguiente:
TABLA DE ELEMENTOS ESTOCASTICOS CON CRITICIDAD SIGNIFICATIVA

Frecuencia Prob. de
Tipo de elemento Id
Crí ca ocurrencia31
1 Grupo estocástico: HT_PTFij Hito 62 y actividades 38 % 40 %
de la 63 a la 66
2 Actividades independientes: Hitos 48 y 49 20 % - 28 % 50 %
trabajos en canal y bonete
3 Ciclo de repetición: PH Lado Hito de decisión 118 a 26 % - 34 % 37.4 % y 62.6 %
31
Casco (con P nominal 47 % ) hito 121
4 Ciclo de repetición: PH Lado Hito de decisión 113 0 % - 10 % 13.1 %
Tubos (con P nominal 16.9 % ) a hito 116 (tarea 114
nunca fue crítica)
5 Actividades Independientes: Hitos 52 y 53 6 % - 16 % 30 %
Trabajos en tapa de Cab.
Flotante
31
Los elementos no-estocás cos aparecen en los diagramas de los anexos 9.3.14 y 9.3.16 con probabilidad = 0 % (valor
por defecto), aunque en realidad enen 100 % de probabilidad de ocurrencia. Los Ciclos de Repe ción enen una pro-
babilidad nominal (mostrada en el hito) que al ser sus tuidos generan los ramales P1, P2 con probabilidades propias.
Capítulo 6 129
ANЕLISIS DEL MARGEN
Las siguientes ac vidades enen valores de Cri cidad muy bajas para considerarlas signifi-
ca vas individualmente o como grupo.
6 Ramal de hito de decisión Hito 69 y actividades

1%-2% 2%
[68], grupo: HT-Flo 70 y 71
7 Ramal de hito de decisión Hito 79 y actividades
~1 % 1%
[56], grupo: HT-PD 81 a 89
8 Tarea independiente: ramal de
hito de decisión [56], clausura 91 ~1 % 5%
de tubos con tapones
La tabla ilustra el hecho de la relación no necesariamente directa entre la probabilidad de

ocurrencia asignada y la que se ha llamado Frecuencia Crí ca (calculada). Este «desaco-
plamiento» se deriva del hecho de que la frecuencia con que un elemento se convierte
en parte de la Ruta Crí ca depende no solo de su probabilidad de ocurrencia sino de su
duración (o instancia de duración si se considera la variabilidad propia) y de la estructura
lógica en la que está incluida.
¿Cómo se compone el Margen de Duración? ¿Se puede asignar partes del margen a com-
ponentes específicos del programa?
Si se sigue el esquema propuesto en el capítulo 2 (La estructura de Margen de Duración),

se buscarían componentes con comportamiento con variabilidad y con comportamiento
estocás co y los que se cruzarán contra los mismos componentes clasificados según ten-
gan punto de impacto específico o no-específico.
Por ejemplo, el Margen de Duración que se ha estado discu endo en Resultados: un total
de 132 horas extras al 95 % de confianza, tomando como base la es mación puntual de
76 horas; ene 28 horas originadas por la variabilidad propia de las ac vidades; restando
otras 104 horas originadas por los elementos con comportamiento estocás co.
Esta porción estocás ca del margen puede además ser rastreada hasta su origen específi-
co y subdividida.
Revisando Anexos 9.3.14 (Red de trabajos - agrupación por Frecuencia Crí ca) donde se
clasifican los componentes que alguna vez fueron parte de la Ruta Crí ca (y, por tanto,
«aportaron» algo de duración al margen) y se seleccionan solo aquellos que enen com-
portamiento estocás co, buscando ac vidades con campo MCE Tipo Elem no vacío, se
encuentra lo mostrado antes en la TABLA DE ELEMENTOS ESTOCÁSTICOS CON CRITICIDAD
SIGNIFICATIVA, que son las ac vidades estocás cas que más han aportado al margen.
Para es mar cuanta duración agregan estos segmentos de red a la cons tución del margen
total de duración se debería concordar que el «aporte» al Margen de Duración del crono-
grama ocurre solo cuando la instancia de duración (PERT) del elemento o grupo excede
la instancia de holgura disponible, es decir, cuando el elemento es crí co o es parte de la
Ruta Crí ca. Otra forma de expresar esto, sucede cuando el segmento en consideración
aporta al margen cuando existe en la Ruta Crí ca, lo cual lleva a pensar que el compor-
tamiento de los segmentos de red crí cos puede representarse con las ecuaciones del
comportamiento estocás co.
La probabilidad de pertenecer a la Ruta Crí ca es lo que se ha denominado Cri cidad o

Frecuencia Crí ca en los resultados de los procesos de Monte Carlo, y opera del mismo
modo que la probabilidad de ocurrencia (llamada usualmente P), es decir, indica la fre-
cuencia con que la ac vidad ocurre (o por diferencia no ocurre) en la Ruta Crí ca. Por
tanto, se puede usar este valor de Cri cidad (C) en la ecuación de la duración media es-
tocás ca del segmento de red analizado para es mar el potencial de aporte del grupo al
margen total en términos de promedio.
Para el caso del mantenimiento del intercambiador de calor el aporte puede es marse
por medio de las fórmulas mostradas en Anexos 9.4 (Modelos de grupos estocás cos), por
ejemplo, para:
1. Grupo Estocástico HT-PTFij. Grupo de 4 ac vidades, [63] a [66], en serie.
Se puede revisar la ecuación 9.4.2.A.1: que calcula la duración esperada

del grupo, basado en la probabilidad de ocurrencia; se usa el valor de la Cri cidad (C) de
la siguiente manera:
Donde si se reemplazan los datos de las ac vidades [63] a [66]:
MD = C ⋅ ∑ 1 μ i = 0.38 ⋅ (15.2 + 17.73 + 19.0 + 2.53) = 20.69 h

n
Se debe recordar que las duraciones medias μi se calculan aceptando su comportamien-

to PERT (tenemos es maciones de duraciones Op mista/Esperado/Pesimista).
2. Actividades Independientes: [48] y [49]. Serie de 2 ac vidades.
Las ecuaciones base son 9.4.1.A.4 y 9.4.1.A.5, sus tuyendo la probabilidad de ocurren-
cia por la Cri cidad medida se tendrá:
n n
⎣ ( )(

)
Sa(n) = ∑ i=1 ∑ j=i+1…∑ ⎡⎢ ∏ r=i, j,…Cr ⋅ ∑ r=i,j,… μ r ⋅ ∏ s≠i,j,…,r (1 − Cs )⎤⎥
⎦
"a " sumatorios y "r " recorre "a " valores
Capítulo 6 131
Y la duración media del margen sería la suma de estas sumas parciales:
Para el caso (nótese que se ha reemplazado el subíndice i por el Id de la ac vidad para

mejor iden ficación):
= 0.20 ⋅ 5.066 ⋅ (1 − 0.28) + 0.28 ⋅ 30.40 ⋅ (1 − 0.20) = 7.53
3. PH Lado casco, actividades [119] y [120]. Ciclo de Repe ción (o su equivalente como
hito de decisión).
Se parte de la ecuación 9.4.3.2 y se modifica a , es decir:
4. PH Lado tubos, actividades [114] y [115]. Ciclo de Repe ción (o su equivalente como
hito de decisión).
Similarmente al caso anterior:
Nótese en este caso que de haber reconocido que la ac vidad [114] nunca fue parte de
la R.C. (C[114]=0) se habría dado a la ac vidad [115] el tratamiento de ac vidad estocás ca
independiente obteniendo exactamente los mismos resultados.
5. Actividades Independientes [52] y [53]. Serie de 2 ac vidades.
Se hace:
= 0.06 ⋅ 5.066 ⋅ (1 − 0.16) + 0.16 ⋅ 30.40 ⋅ (1 − 0.06) = 4.827
Resultando:
Obsérvese que estos son los impactos potenciales de estos grupos al margen total en
términos de promedio (una es mación puntual). Para determinar su aporte específico
se ene que revisar la estructura en la que están embebidos para determinar la holgura
disponible promedio y por diferencia calcular el margen específico agregado al margen
total; por ejemplo, los grupos PH (pruebas hidrostá cas) Lado casco (ac vidades [114]
y [115]) y Lado tubos (ac vidades [119] y [120]), respec vamente, están en paralelo
con las ac vidades no-estocás cas [29] y [37] y sería rela vamente sencillo es mar sus
aportes específicos aplicando las ecuaciones de los grupos en paralelo, en cambio los
aportes de los otros grupos requerirían resolver toda la estructura lógica entre las ac -
vidades [9] y [27] algo que puede ser engorroso aun considerando la estructura simple
del ejemplo y que por ahora no se ha abordado.
Se ene otra posibilidad para determinar el efecto específico de un componente esto-

cás co, se pueden lanzar procesos de Monte Carlo sobre el modelo final modificándolo
para que represente la situación buscada en cada caso.
Si uno se enfoca en los componentes 1 a 3 de la TABLA DE ELEMENTOS ESTOCASTICOS

CON CRITICIDAD SIGNIFICATIVA podrá plantear lo siguiente: anular la probabilidad de
ocurrencia de cada uno de esos tres casos y recalcular uno por uno la curva de frecuen-
cias de duración del programa para determinar las duraciones al 95 % de confianza,
luego haciendo la diferencia respecto de la duración del caso base (al 95 % de confianza
también) se tendrá el aporte específico de cada componente estocás co significa vo al
nivel de confianza seleccionado.
Los casos con Frecuencia Crí ca menor al 20 % no se individualizarían sino que por di-
ferencia se determinará su efecto conjunto y así se podrá establecer los contenidos del
margen por a) variabilidad, b) efectos estocás cos significa vos y c) efectos estocás cos
menores.
Luego de realizar los procesos de Monte Carlo mencionados se ob enen las curvas de
frecuencia acumuladas Anexos 9.3.15 (Curvas de frecuencia acumulada - duraciones
totales: casos de grupos estocás cos colapsados), donde por inspección/interpolación
de datos se leen los resultados de la siguiente tabla:
IMPACTO DE ELEMENTOS ESTOCÁSTICOS SIGNIFICATIVOS

Duración al 95 % Diferencia vs.
Elemento anulado Id’s
conf. caso base
1 Grupo estocástico: HT_PTFij Hito 62 y act. 63 a la 66 200 h 8h
2 Act. Independientes: Traba- 48 y 49 183 h 25 h
jos en canal y bonete
3 Ciclo de repetición: PH Lado Hito de decisión 118 a 162 h 46 h
Casco (con P nominal 47 % ) hito 121
Total 79 h
Capítulo 6 133
Caso Base: Duración con todos los efectos estocás cos actuando (208 h al 95 %).
NOTA
Cuando se anula un ramal de un hito de decisión (asignando a la probabilidad de ocurren-
cia del ramal un valor cero) el so ware se interrumpe señalando el caso anómalo, como
en los casos 2 y 3 de la tabla. En esa situación bastará asignar un valor muy cercano a cero
(0.01 %) para simular el efecto.
Si ahora se consolidan todos los resultados discu dos hasta aquí, se encuentra la si-
guiente composición del margen:
COMPOSICIÓN DEL MARGEN DE DURACIÓN
Componente Duración Margen al 95 %

1 Estimación puntual (sin variabilidad ni
76 h
comportamiento estocástico)
2 Variabilidad de duraciones 28 h
3 Comportamiento estocástico significativo 79 h
Grupo estocástico:
8h
HT_PTFij
Trabajo en canal y
25 h
bonete
PH Lado Casco 46 h
4 Comportamiento estocástico menor 25 h
132 h
208 h
Donde está claro cuales ac vidades son las que aportan en mayor proporción al Margen
de Duración y, por tanto, se podrán tomar acciones preven vas/correc vas específicas
con mucho mayor conocimiento del efecto a lograr y de cual componente del trabajo
afectar. También podrá evitarse consumir recursos en componentes de baja Cri cidad
orientando las decisiones sobre dónde u lizar los recursos de manera más efec va.
7
Capítulo
RESUMEN
El proceso para calcular, definir componentes y analizar el margen de duraciones que se ha

mostrado puede parecer excesivamente complicado y extenso desde el punto de vista de la
ac vidad diaria del programador; para aliviar al lector de esta impresión se hará una síntesis
del proceso.
Las etapas estándar32 para desarrollar un cronograma formal son:
1. Definir hitos.
2. Diseñar las ac vidades, basándose en la (EDT) estructura de desglose del trabajo.
3. Asignar secuencias a los trabajos.
4. Asignar recursos a las ac vidades
5. Es mar la duración de las ac vidades.
6. Analizar resultados producidos.
7. Aprobar.
Como se sabe estos pasos del desarrollo del cronograma no se realizan en secuencia estricta
en la prác ca, generalmente se va progresando simultáneamente en los pasos 1 al 5 por
segmentos del programa que luego se van integrando y se completan antes del paso 6. Sin
embargo, sí se deben recorrer todos los pasos.
El paso 6 se refiere a calcular la red de trabajos para producir fechas de inicio y término; por
tanto, el modelo debe estar terminado para que los resultados tengan valor ú l.
Para que la variabilidad y el comportamiento estocás co se integren al proceso mayor de

creación del programa:
32
Véase Project Management Ins tute (2011b), capítulo 3 «Schedule Model Good Prac ces Overview».
El paso 5 debe extenderse para incluir la iden ficación de ac vidades con variabilidad y asig-
nación de parámetros PERT de duración.
El paso 3 debe comprender la iden ficación de componentes estocás cos, modelado y asig-
nación de probabilidades33.
Mientras que el paso 6 deberá incluir:

1. La determinación del margen total
2. Desglose del margen en componentes por su origen.
3. Iden ficación de la Ruta Crí ca y las rutas alternas, clasificación según el impacto en el
Margen de Duración total.
La asignación de variabilidad es un proceso rela vamente simple puesto que consiste en re-
considerar algunas partes de la red de trabajos y repensar sus duraciones en términos PERT
sin afectar la lógica del trabajo ni modificar secuencias, es un proceso básicamente enfocado
a es mar las duraciones de ac vidades individuales dentro de un modelo de secuencias fijo.
La introducción del comportamiento estocás co puede ser algo más frustrante y confuso.
Tal como ocurre con los procesos de iden ficación de riesgos en general, se requiere que el
modelo o plan no-estocás co esté bastante desarrollado y completo para obtener resulta-
dos sa sfactorios, es decir, ¿cómo se puede iden ficar riesgos sin saber a qué ac vidades
afectan o como las afectan porque no están definidas? Asimismo, se necesitará de un buen
conocimiento de los requerimientos del trabajo y de los detalles técnicos que afectan a las
duraciones. En suma se necesita juicio experto.
A par r de este conocimiento se deberán plantear las opciones o alterna vas de ejecución
que se modelarán en redes de trabajo que se insertarán al caso no-estocás co, esto a su vez
crea cierta confusión debido a que el modelo vuelve a estar en desarrollo. La es mación de
probabilidades debería provenir de procesos externos como análisis de riesgos, análisis de
confiabilidad, análisis de fallas humanas, etc.
La determinación del margen será resultado de comparar la es mación puntual de la dura-

ción del programa con la duración resultante del modelo con incer dumbres a un nivel de
confianza determinado.
Se observa que al ir colapsando uno a uno los componentes de Cri cidad más significa va
se podrá ir determinando los aportes específicos al margen. Con lo que se logrará la debida
clasificación de los componentes de la Ruta Crí ca y rutas alternas crí cas.
33
En los ejemplos y desarrollos del texto se ha hecho uso extenso de las opciones de modelado de la variabilidad y del
comportamiento estocás co con fines explica vos y de familiarización con el módulo informá co desarrollado; sin em-
bargo, para casos reales un programador debería ser muy juicioso y racional en su aplicación empleándola solo donde
pudiera mejorar el comportamiento del modelo y su comprensión de él.
8
Capítulo
EPÍLOGO
La introducción de comportamientos aleatorios en las es maciones de duraciones y en la

lógica de los modelos de programación de trabajos debe responder a las necesidades de la
ac vidad que se está planificando.
Se ha mostrado que este comportamiento puede no ser previsto intui vamente con éxito
ni es mado correctamente con las aplicaciones disponibles. También es bastante conocido
que las usuales aplicaciones informá cas de programación de proyectos no las enen inclui-
das como componentes picos.
Esto ene como resultado que el programador haya aprendido a vivir sin esas herramientas
y ajuste sus modelos para evadir la presencia de lo incierto en lugar de resolverlo.
Se ha mostrado que esto no ene por qué ser así, que en vez de lo anterior, ya se enen las
herramientas para modelar con suficiente simplicidad la incer dumbre en nuestros crono-
gramas, en par cular usando MS Project, además, se ha podido desarrollar y comprobar que
las funciones presentadas las calculan correctamente, lo que debe permi r una ges ón más
técnica de los márgenes de duración de nuestros proyectos.
9
Capítulo
ANEXOS
9.1 CÓDIGO DE VISUAL BASIC
9.1.1. Código del algoritmo de Monte Carlo para variabilidad

de duraciones
Public Const MaxItera As Integer = 1001 'Iteraciones a calcular

Public Const NumClass As Integer = 20 'Número de clases en el perfil de acumulados
(Curva "S")
Public Const MaxSel As Integer = 20 ' Máxima cantidad de actividades seleccionadas
Sub VisitaTareas()
Dim Ln As String, LD As String, LF As String, LC As String, LT As String,

ListaParam As String
Dim AMC As String, Hora As Date, RutaProy As String, NomAct As String
Dim T As Task, CtaSel As Integer
Dim IdSel(0 To MaxSel) As Long, Ot As Double, Nt As Double, Pt As Double,
Moda As Double
Dim Dur(1 To MaxItera, 0 To MaxSel) As Double, ClasDur(0 To NumClass, 0 To
MaxSel) As Single
Dim Final(1 To MaxItera, 0 To MaxSel) As Date, ClasFin(0 To NumClass, 0 To
MaxSel) As Single
Dim Trab(1 To MaxItera, 0 To MaxSel) As Double, ClasTrab(0 To NumClass, 0
To MaxSel) As Single
Dim Cost(1 To MaxItera, 0 To MaxSel) As Double, ClasCost(0 To NumClass, 0
Dim I As Integer, j As Long, L As Long, F As Double
Dim Inco As String, ModoCalDefecto As Boolean, FinCalculo As String, Temp
As String
ModoCalDefecto = Application.Calculation
Application.OptionsCalculation False 'Establece Modo MANUAL de cálculo
RutaProy = "C:\MteCarlo\" & Left(ActiveProject.Name, Len(ActiveProject.

Name) - 4)
Hora = Time: AMC = "ANALISIS DE MONTECARLO"
Ln = "PROYECTO: " & ActiveProject.Name & vbCrLf
Ln = Ln & "Número de Iteraciones: " & MaxItera & vbCrLf
CtaSel = 0
'Inicializa campo Number1 (a cero) y cuenta/identifica actividades seleccionadas
T.Number1 = 0 ' Frecuencia Crítica
T.Number19 = Sqr((T.Duration2 - T.Duration1) * (T.Duration3 - T.Duration1))'
"raiz" de fdp asc
T.Number20 = Sqr((T.Duration3 - T.Duration1) * (T.Duration3 - T.Duration2))'
"raiz" de fdp desc
If T.Flag1 Then
Select Case CtaSel
Case MaxSel
MsgBox "Demasiadas Actividades seleccionadas. Se ignorará
exceso", , AMC
Exit For
Case Else
CtaSel = CtaSel + 1
IdSel(CtaSel) = T.ID 'T.Index
End Select
End If
Next T
'Revisa consistencia
Inco = "ACTIVIDADES INCONSISTENTES - REPORTE" & vbCrLf
If Not T.Summary And Not T.Milestone Then
If T.Duration1 > T.Duration2 Then
Inco = Inco & T.ID & vbTab & "Revisar duraciones Optimistas/
Esperadas" & vbTab & "O/E" & vbCrLf
End If
Inco = Inco & T.ID & vbTab & "Revisar duraciones Esperadas/Pesimistas"
& vbTab & "E/P" & vbCrLf
End If
If T.Duration2 = 0 Then
Inco = Inco & T.ID & vbTab & " Revisar duraciones Esperadas" &
vbTab & "E" & vbCrLf
End If
Next T
If Inco <> "ACTIVIDADES INCONSISTENTES - REPORTE" & vbCrLf Then
Open RutaProy & " - Incon.txt" For Output As #1
Print #1, Inco
Close #1
MsgBox Inco & vbCrLf & vbCrLf & "Proceso Cancelado", , AMC
Exit Sub
End If
MCProgreso.MxIt.Value = MaxItera
MCProgreso.NumItera.Value = 0
MCProgreso.Show vbModeless ‘Muestra ventana de progreso sin interrumpir
Randomize
For I = 1 To MaxItera
Capítulo 9 141
ANEXOS
MCProgreso.NumItera.Value = I 'Actualiza progreso

MCProgreso.DuraIt.Value = Hour(Time - Hora) & ":" & Minute(Time -
Hora) & ":" & Second(Time - Hora) & " h:m:s"
MCProgreso.Repaint

F = Rnd
If T.Duration1 = T.Duration3 Then ' Caso no hay variabilidad de duraciones
T.Duration = T.Duration2
Else
Moda = (T.Duration2 - T.Duration1) / (T.Duration3 - T.Duration1)
'La funcion de probabilidades acumuladas inversa
If F <= Moda Then
T.Duration = T.Duration1 + T.Number19 * Sqr(F)
Else
T.Duration = T.Duration3 - T.Number20 * Sqr(1 - F)
End If 'F <
Next T
'Calcula el nuevo caso Monte Carlo
Application.CalculateProject
'Controla Criticos. Requiere campo Number1 inicializado en cero

If T.Critical Then
T.Number1 = T.Number1 + 1
End If
Next T
Dur(I, 0) = ActiveProject.ProjectSummaryTask.Duration
Final(I, 0) = ActiveProject.ProjectSummaryTask.Finish
Trab(I, 0) = ActiveProject.ProjectSummaryTask.Work
Cost(I, 0) = ActiveProject.ProjectSummaryTask.Cost
If CtaSel > 0 Then

For j = 1 To CtaSel
Dur(I, j) = ActiveProject.Tasks(IdSel(j)).Duration
Final(I, j) = ActiveProject.Tasks(IdSel(j)).Finish
Trab(I, j) = ActiveProject.Tasks(IdSel(j)).Work
Cost(I, j) = ActiveProject.Tasks(IdSel(j)).Cost
Next j
End If
Next I ' = 1 to MaxItera
MCProgreso.hide 'Cierra ventana de progreso
Application.OptionsCalculation ModoCalDefecto 'Retorna Modo de Calculo a

estado inicial
'Normaliza Criticidad a valores porcentuales


T.Number1 = Int(T.Number1 * 100 / MaxItera)
Next T
'Mensaje de fin de Calculos
Hora = Time - Hora
FinCalculo = "Tiempo de Procesamiento: " & Hour(Hora) & ":" & Minute
(Hora) & ":" & Second(Hora) & " h:m:s" & vbCrLf
FinCalculo = FinCalculo & "Iteraciones: " & MaxItera
MsgBox FinCalculo, , AMC
'Reporte de actividad seleccionada (L) (Actividad.Id = IdSel(L))
For L = 0 To CtaSel
Select Case L
Case 0
ListaParam = ActiveProject.ProjectSummaryTask.Text1
Case Else
ListaParam = ActiveProject.Tasks(IdSel(L)).Text1
End Select
If InStr(ListaParam, "D") > 0 Then
Clasifica L, "D", Dur, ClasDur, LD, IdSel
MsgBox Ln & vbCrLf & LD, , AMC
End If
If InStr(ListaParam, "F") > 0 Or Len(Trim(ListaParam)) = 0 Then
Clasifica L, "F", Final, ClasFin, LF, IdSel
MsgBox Ln & vbCrLf & LF, , AMC
End If
If InStr(ListaParam, "T") > 0 Then
Clasifica L, "T", Trab, ClasTrab, LT, IdSel
MsgBox Ln & vbCrLf & LT, , AMC
End If
If InStr(ListaParam, "C") > 0 Then
Clasifica L, "C", Cost, ClasCost, LC, IdSel
MsgBox Ln & vbCrLf & LC, , AMC
End If
Next L
'Guarda Iteraciones
Open RutaProy & " - Itera.txt" For Output As #1 ' Abrir Archivo de
Iteraciones para escribir títulos
Print #1, "Id", vbTab, "Actividad", vbTab, "Iteración", vbTab,
"Duración (min)", vbTab, "Fecha Fin", vbTab, "Trabajo (hH’s)", vbTab,
"Costos" 'Titulos
For j = 0 To CtaSel 'Recorre Actividades seleccionadas
If j = 0 Then
NomAct = ActiveProject.ProjectSummaryTask.Name
Else
NomAct = Trim(ActiveProject.Tasks(IdSel(j)).Name)
End If
For I = 1 To MaxItera 'Recorre iteraciones
Print #1, IdSel(j), vbTab, NomAct, vbTab, I, vbTab, Dur(I, j),
vbTab, Final(I, j), vbTab, Trab(I, j), vbTab, Cost(I, j)
'Guarda registro.
Next I
Next j
Capítulo 9 143
ANEXOS
Close #1 'Cierra archivo de Iteraciones
'Guarda Histogramas
Open RutaProy & " - Histo.txt" For Output As #1
Print #1, Ln ' Guarda nombre proyecto.
For j = 0 To CtaSel
'Reporte de actividad seleccionada (J)
Select Case j
Case 0
Case Else
ListaParam = ActiveProject.Tasks(IdSel(j)).Text1
End Select
Clasifica j, "D", Dur, ClasDur, LD, IdSel
Print #1, LD, vbCrLf
End If
Clasifica j, "F", Final, ClasFin, LF, IdSel
Print #1, LF, vbCrLf
End If
Clasifica j, "T", Trab, ClasTrab, LT, IdSel
Print #1, LT, vbCrLf
End If
Clasifica j, "C", Cost, ClasCost, LC, IdSel
Print #1, LC, vbCrLf
End If
Next j
Close #1 'Cierra archivo de Histogramas
Ln = "Iteraciones e Histogramas Guardados en: " & vbCrLf & vbCrLf
Ln = Ln & RutaProy & " - <Itera/Histo>.txt" & vbCrLf & vbCrLf & "Fin del análisis"
MsgBox Ln, , AMC
End Sub
9.1.2 Código del algoritmo de Monte Carlo estocástico
'AMC-FT-GERT: Modulo 1 rev D4

Public Const MaxItera As Integer = 1000 'Iteraciones a calcular
Public Const NumClass As Integer = 20 'Número de clases en el perfil de acumulados
(Curva "S")
Public Const MaxSel As Integer = 20 ' Máxima cantidad de actividades seleccionadas
Public Const MaxHE As Integer = 50 'Máxima cantidad de histos estocásticos
Sub VisitaTareas()
Dim Ln As String, LD As String, LF As String, LC As String, LT As String,

ListaParam As String
Dim AMC As String, Hora As Date, RutaProy As String, NomAct As String
Dim T As Task, CtaSel As Integer
Dim IdSel(0 To MaxSel) As Long, Ot As Double, Nt As Double, Pt As Double,
Moda As Double
Dim Dur(1 To MaxItera, 0 To MaxSel) As Double, ClasDur(0 To NumClass, 0 To
MaxSel) As Single
Dim Final(1 To MaxItera, 0 To MaxSel) As Date, ClasFin(0 To NumClass, 0 To
MaxSel) As Single
Dim Trab(1 To MaxItera, 0 To MaxSel) As Double, ClasTrab(0 To NumClass, 0
Dim Cost(1 To MaxItera, 0 To MaxSel) As Double, ClasCost(0 To NumClass, 0
Dim I As Integer, J As Long, L As Long, F As Double
Dim Inco As String, ModoCalDefecto As Boolean, FinCalculo As String
Dim CtaHE As Integer, IdHE(1 To MaxHE) As Single
Dim EstadoHE(1 To MaxHE, 1 To 2) As Boolean
'En Estado HE el 1er índice: True - Existe, False - Colapso
'2do Indice: True - Actualizado, False - No actualizado
Dim Temp As String
ModoCalDefecto = Application.Calculation
Application.OptionsCalculation False 'Establece Modo MANUAL de cálculo
RutaProy = "C:\MteCarlo\" & Left(ActiveProject.Name, Len(ActiveProject.Name) - 4)

Hora = Time: AMC = "ANALISIS DE MONTECARLO"
Ln = "PROYECTO: " & ActiveProject.Name & vbCrLf
Ln = Ln & "Número de Iteraciones: " & MaxItera & vbCrLf
CtaSel = 0
'Inicializa campos y cuenta/identifica actividades seleccionadas
T.Number1 = 0 ' Frecuencia Crítica
T.Number19 = Sqr((T.Duration2 - T.Duration1) * (T.Duration3 - T.Duration1))
' "raiz" de fdp asc
T.Number20 = Sqr((T.Duration3 - T.Duration1) * (T.Duration3 - T.Duration2))
' "raiz" de fdp desc
T.Number17 = 0 'IContador de ocurrencias de Hitos y Tareas estocásticos
T.Flag20 = T.Milestone 'Marca Hitos verdaderos
T.Flag19 = (T.Duration1 = T.Duration3) 'Marca Tarea de duración invariante
If Not T.Flag19 Then T.Number16 = (T.Duration2 - T.Duration1) /
(T.Duration3 - T.Duration1) 'Moda
Capítulo 9 145
ANEXOS
If T.Flag1 Then
Select Case CtaSel
Case MaxSel
MsgBox "Demasiadas Actividades seleccionadas. Se ignorará
exceso", , AMC
Exit For
Case Else
CtaSel = CtaSel + 1
IdSel(CtaSel) = T.Id 'T.Index
End Select
End If
Next T
CuentaHitosHE CtaHE, ListaHE, POHE, IdHE 'Cuenta e identifica hitos estocásticos

MsgBox "Hitos Estocásticos encontrados : " & CtaHE & vbCrLf & vbCrLf &
"Cancelar: <Ctrl> + <Pausa/Inter>"
'Revisa consistencia
Inco = "ACTIVIDADES INCONSISTENTES - REPORTE" & vbCrLf
Inco = Inco & T.Id & vbTab & "Revisar duraciones Optimistas/Esperadas"
& vbTab & "O/E" & vbCrLf
End If
Inco = Inco & T.Id & vbTab & "Revisar duraciones Esperadas/Pesimistas"
& vbTab & "E/P" & vbCrLf
End If
If T.Duration2 = 0 Then
Inco = Inco & T.Id & vbTab & " Revisar duraciones Esperadas" & vbTab
& "E" & vbCrLf
End If
Next T
If Inco <> "ACTIVIDADES INCONSISTENTES - REPORTE" & vbCrLf Then
Open RutaProy & " - Incon.txt" For Output As #1
Print #1, Inco
Close #1
MsgBox Inco & vbCrLf & vbCrLf & "Proceso Cancelado", , AMC
Exit Sub
End If
MCProgreso.MxIt.Value = MaxItera
MCProgreso.NumItera.Value = 0
MCProgreso.Show vbModeless 'Muestra ventana de progreso sin interrumpir
Randomize
MCProgreso.NumItera.Value = I 'Actualiza progreso
If I = 10 * (Int(I / 10)) Then 'cada 10 iteraciones
MCProgreso.DuraIt.Value = Hour(Time - Hora) & ":" & Minute(Time - Hora)
MCProgreso.DuraIt.Value = MCProgreso.DuraIt.Value & ":" & Second(Time - Hora)
& " h:m:s"
MCProgreso.Repaint
End If 'cada 10 iteraciones
InstanciaHE CtaHE, EstadoHE, POHE, ListaHE, IdHE 'Genera nueva instancia

de hitos estocásticos
Temp = ""
If Not T.Summary Then

Select Case T.Text29 'Según el tipo de tarea
Case "TE", "TG" 'Casos estocásticos
If ExisteTarea(T, CtaHE, ListaHE, EstadoHE, Temp) Then
Else
T.Duration = 0
End If
Case Else ' Otros
End Select 'T.Text29
End If 'Not T. Summary
Next T
Application.CalculateProject 'Calcula la nueva instancia Monte Carlo - GERT
'Controla Criticos. Requiere campo Number1 inicializado en cero

Select Case True
Case T.Critical And T.Duration > 0 'Para Tareas y Resúmenes
Case T.Critical And T.Flag20 And SucesorCrit(T) 'Para Hitos con
sucesor crítico
End Select
Next T
Dur(I, 0) = ActiveProject.ProjectSummaryTask.Duration
Final(I, 0) = ActiveProject.ProjectSummaryTask.Finish
Trab(I, 0) = ActiveProject.ProjectSummaryTask.Work
Cost(I, 0) = ActiveProject.ProjectSummaryTask.Cost
If CtaSel > 0 Then

For J = 1 To CtaSel
Dur(I, J) = ActiveProject.Tasks(IdSel(J)).Duration
Final(I, J) = ActiveProject.Tasks(IdSel(J)).Finish
Trab(I, J) = ActiveProject.Tasks(IdSel(J)).Work
Cost(I, J) = ActiveProject.Tasks(IdSel(J)).Cost
Next J
End If
Next I '= 1 to MaxItera
MCProgreso.hide 'Cierra ventana de progreso
Application.OptionsCalculation ModoCalDefecto 'Retorna Modo de Calculo a

estado inicial
'Normaliza Criticidad a valores porcentuales

Capítulo 9 147
ANEXOS
T.Number1 = Round(T.Number1 * 100 / MaxItera, 1)

Next T
'Mensaje de fin de Calculos
Hora = Time - Hora
FinCalculo = "Tiempo de Procesamiento: " & Hour(Hora) & ":" & Minute(Hora)
& ":" & Second(Hora) & " h:m:s" & vbCrLf
FinCalculo = FinCalculo & "Iteraciones: " & MaxItera
MsgBox FinCalculo, , AMC
'Reporte de actividad seleccionada (L) (Actividad.Id = IdSel(L))
For L = 0 To CtaSel
Select Case L
Case 0
Case Else
ListaParam = ActiveProject.Tasks(IdSel(L)).Text1
End Select
Clasifica L, "D", Dur, ClasDur, LD, IdSel
MsgBox Ln & vbCrLf & LD, , AMC
End If
Clasifica L, "F", Final, ClasFin, LF, IdSel
MsgBox Ln & vbCrLf & LF, , AMC
End If
Clasifica L, "T", Trab, ClasTrab, LT, IdSel
MsgBox Ln & vbCrLf & LT, , AMC
End If
Clasifica L, "C", Cost, ClasCost, LC, IdSel
MsgBox Ln & vbCrLf & LC, , AMC
End If
Next L
'Guarda Iteraciones
Open RutaProy & " - Itera.txt" For Output As #1 ' Abrir Archivo de Iteraciones
para escribir títulos
Print #1, "Id", vbTab, "Actividad", vbTab, "Iteración", vbTab, "Duración (min)",
vbTab, "Fecha Fin", vbTab, "Trabajo (hH's)", vbTab, "Costos" 'Titulos
For J = 0 To CtaSel 'Recorre Actividades seleccionadas
If J = 0 Then
NomAct = ActiveProject.ProjectSummaryTask.Name
Else
NomAct = Trim(ActiveProject.Tasks(IdSel(J)).Name)
End If
For I = 1 To MaxItera 'Recorre iteraciones
Print #1, IdSel(J), vbTab, NomAct, vbTab, I, vbTab, Dur(I, J), vbTab,
Final(I, J), vbTab, Trab(I, J), vbTab, Cost(I, J) ' Guarda registro.
Next I
Next J
Close #1 'Cierra archivo de Iteraciones
'Guarda Histogramas
Open RutaProy & " - Histo.txt" For Output As #1

Print #1, Ln'Guarda nombre proyecto.
For J = 0 To CtaSel
'Reporte de actividad seleccionada (J)
Select Case J
Case 0
Case Else
ListaParam = ActiveProject.Tasks(IdSel(J)).Text1
End Select
Clasifica J, "D", Dur, ClasDur, LD, IdSel
Print #1, LD, vbCrLf
End If
Clasifica J, "F", Final, ClasFin, LF, IdSel
Print #1, LF, vbCrLf
End If
Clasifica J, "T", Trab, ClasTrab, LT, IdSel
Print #1, LT, vbCrLf
End If
Clasifica J, "C", Cost, ClasCost, LC, IdSel
Print #1, LC, vbCrLf
End If
Next J
Close #1 'Cierra archivo de Histogramas
Ln = "Iteraciones e Histogramas Guardados en: " & vbCrLf & vbCrLf
Ln = Ln & RutaProy & " - <Itera/Histo>.txt" & vbCrLf & vbCrLf & "Fin del análisis"
MsgBox Ln, , AMC
For Each T In ActiveProject.Tasks 'Recupera instancia original

If Not T.Summary Then T.Duration = T.Duration2
Next T
Application.CalculateProject
End Sub
Public Sub CuentaHitosHE(C As Integer, Lista As Variant, PO As Variant, Id As Variant)

Dim Tk As Task, RptHD As String
C = 0: RptHD = “REPORTE DE HITOS DE DECISIÓN” & vbCr & vbCr

RptHD = RptHD & “[Hito] Suma Prob” & vbCr
For Each Tk In ActiveProject.Tasks 'Recorre tareas

If Tk.Milestone And (Tk.Text29 = “HG” Or Tk.Text29 = “HD”) Then 'Si es
hito estocástico
Select Case C
Case MaxHE
MsgBox "Demasiados hitos de grupos E definidos. Se
ignorará el resto"
Exit For 'Each Tk
Capítulo 9 149
ANEXOS
Case Else
C = C + 1
Lista(C) = Tk.Text30 ' Nombre de grupo
Id(C) = Tk.Id 'Identificador de linea de programa
Select Case Tk.Text29
Case "HG" 'caso Grupo colapsable
PO(C) = Tk.Number18/100 'La probabilidad de ocurrencia
Case "HD" 'caso hito de decisión
VerificaHD Tk, RptHD
Case Else
MsgBox "Tipo Hito [" & Tk.Id & "] no válido"
End Select 'Case Tk.Text29
End Select 'Case C
End If 'Tk.Milestone
Next Tk
MsgBox RptHD, , "MCE"
End Sub
Public Sub InstanciaHE(C As Integer, Estado As Variant, PO As Variant, Lista As

Variant, TbId As Variant)
Dim J As Integer, TS As Task, S As Single, Alea As Single, IndHito As Integer
'Pasada de Inicialización
For J = 1 To C
Estado(J, 2) = False ' No actualizado
Next J
'Actualiza HGs sucesores de HDs

For J = 1 To C ' Recorre tabla de hitos estocásticos 1ra pasada
If ActiveProject.Tasks(TbId(J)).Text29 = "HD" Then ' Si Hito de decisión
If Estado(J, 2) = False Then ' Si NO está actualizado
ActiveProject.Tasks(TbId(J)).Number17 = ActiveProject.Tasks(TbId(J)).Number17 + 1
S = 0
Alea = Rnd * 100 'Indice de sorteo
ActiveProject.Tasks(TbId(J)).Number19 = 0 'Borra TE anterior
For Each TS In ActiveProject.Tasks(TbId(J)).SuccessorTasks 'Para
sucesores de hito J
S = S + TS.Number18
IndHito = IndiceHE(TS.Id, C, TbId)
If S >= Alea Then
If IndHito = 0 Then
ActiveProject.Tasks(TbId(J)).Number19 = TS.Id
Else
Estado(IndHito, 1) = True ' Existe
End If
TS.Number17 = TS.Number17 + 1
Alea = 200 'Evita repetición de la condición
Else
If IndHito > 0 Then Estado(IndHito, 1) = False ' Colapsa
End If 'S >= Alea
If IndHito > 0 Then Estado(IndHito, 2) = True 'Pasa sucesor a

estado ACTUALIZADO
Next TS 'For Each

End If 'No está actualizado
End If ' Caso es HD - Hitos de Decisión
Next J
'Actualiza HGs no-sucesores de HDs

For J = 1 To C ' Recorre tabla de hitos estocásticos 2da pasada
Alea = Rnd 'Indice de sorteo
If ActiveProject.Tasks(TbId(J)).Text29 = "HG" Then 'Si es Hito de grupo
colapsable
If Estado(J, 2) = False Then ' Si NO esta actualizado Actualiza
If Alea > PO(J) Then 'Si Indice > probabilidad de ocurrencia: COLAPSO
Estado(J, 1) = False
Else ' EXISTE
Estado(J, 1) = True
ActiveProject.Tasks(TbId(J)).Number17 = ActivePrOject.
Tasks(TbId(J)).Number17 + 1 'Cuenta EXISTEs
End If 'Alea
End If 'Estado no Actualizado
End If ' Caso HG - Hitos de Grupo
Next J
End Sub
Public Function ExisteTarea(Tk As Task, C As Integer, Lista As Variant, Estado As

Variant, Msje As String) As Boolean
Dim J As Integer, TPred As Task, PredEsHD As Boolean
Select Case Tk.Text29 'Según tipo tarea estocástica

Case "TE"
PredEsHD = False
For Each TPred In Tk.PredecessorTasks
If TPred.Text29 = "HD" Then PredEsHD = True ' Encuentra 1er pre
decesor tipo HD
Exit For
Next TPred
If PredEsHD Then
If Tk.Id = TPred.Number19 Then 'Identifica si Tk esta sorteado
ExisteTarea = True
Else
ExisteTarea = False
End If 'Tk.Id = TPred.Number19
Else
If Rnd < Tk.Number18 / 100 Then
Tk.Number17 = Tk.Number17 + 1
ExisteTarea = True
Else
ExisteTarea = False
End If 'Rnd < Tk.Number18/100
End If 'PredEsHD
Capítulo 9 151
ANEXOS
Case "TG"
For J = 1 To C ' Recorre hitos estocásticos
If Tk.Text30 = Lista(J) Then 'Si Tk pertenece al grupo colapsable J
ExisteTarea = Estado(J, 1)
Exit For
End If 'Tk.Text30
Next J
End Select ' Case Tk.Text29
End Function
Public Function DuraPERT(T As Task) As Double

Dim F As Single
If T.Flag19 Then ' Caso no hay variabilidad de duraciones
DuraPERT = T.Duration2
Else
F = Rnd
'La función de probabilidades acumuladas inversa
If F <= T.Number16 Then
DuraPERT = T.Duration1 + T.Number19 * Sqr(F)
Else
DuraPERT = T.Duration3 - T.Number20 * Sqr(1 - F)
End If 'F <
End Function
Public Sub VerificaHD(H As Task, Rpte As String)
Dim S As Single, T As Task

S = 0 'Inicializa
For Each T In H.SuccessorTasks
S = S + T.Number18 'Acumula probabilidades PORCENTUALES
If T.Number18 <= 0 Or T.Number18 >= 100 Then
MsgBox “AVISO: Rama de decisión [“ & T.Id & “] con probabilidad NO válida”
End If
Next T ' For each
If S < 0 Or S > 100 Then 'Si Suma inválida agrega marca al reporte
Rpte = Rpte & “ “ & H.Id & vbTab & S & vbTab & “*” & vbCr
Else
Rpte = Rpte & “ “ & H.Id & vbTab & S & vbCr
End If
End Sub
Public Function IndiceHE(Ident As Long, Cta As Integer, TablaId) As Integer

Dim K As Integer
For K = 1 To Cta 'Recorre tabla de Ids de HE
If TablaId(K) = Ident Then
IndiceHE = K
Exit Function
End If
Next K
If K = Cta Then MsgBox "Hito [" & Ident & "] no es estocástico!"
End Function
Public Function SucesorCrit(Hito As Task) As Boolean 'Confirma Hito como crítico

Dim Suc As Task
For Each Suc In Hito.SuccessorTasks

Select Case True
Case Suc.Critical And Suc.Duration > 0
SucesorCrit = True
Exit For
Case Suc.Critical And Suc.Flag20
SucesorCrit = SucesorCrit(Suc)
Exit For
End Select
Next Suc
End Function
Sub Clasifica(Act As Long, Tipo As Variant, Data As Variant, FrCl As Variant, LD As

String, Selec As Variant)
'Clasifica - cuenta casos de cada clase
Dim Delta As Double
Dim I As Integer, J As Integer
Dim Frag As Variant, Frag1 As Variant, Frag2 As Variant
Dim Max As Variant, Min As Variant
Dim Concepto As String, Unidades As String, Nombre As String
If Selec(Act) = 0 Then
Nombre = "[0] - " & ActiveProject.ProjectSummaryTask.Name
Else
Nombre = "[" & Selec(Act) & "] - " & ActiveProject.Tasks(Selec(Act)).Name
End If
'Revisa Extremos de Data

Max = 0: Min = 1000000000000# 'Un billon
If Min > Data(I, Act) Then Min = Data(I, Act)
If Max < Data(I, Act) Then Max = Data(I, Act)
Next I
'Inicializa frecuencias de clase
For I = 1 To NumClass
FrCl(I, Act) = 0
Next I
'Cuenta Casos y actualiza frecuencias de clase
Delta = (Max - Min) / NumClass
Select Case Data(I, Act)
Case Min
J = 1
Case Max
J = NumClass
Case Else
J = Int((Data(I, Act) - Min) / Delta) + 1
End Select
Capítulo 9 153
ANEXOS
If (J < 1) Or (J > NumClass) Then

LD = "ALARMA! Itera: " & I & " --> Clase: " & J & vbCrLf & "Dato: " &
Data(I, Act)
MsgBox LD & "--->Rango: " & Min & vbTab & Max
End If
FrCl(J, Act) = FrCl(J, Act) + 1
Next I
Select Case Tipo

Case "D"
Concepto = "Duraciones": Unidades = " hrs. LABORABLES"
Frag = Int(Min / 6 * 10) / 100
Frag1 = Int(Max / 6 * 10) / 100
Frag2 = Int(Delta * 10 / 6) / 100
Case "F"
Concepto = "Fechas-Fin": Unidades = " días"
Frag = CDate(Min)
Frag1 = CDate(Max)
Frag2 = Int(Delta * 100) / 100
Case "T"
Concepto = "Trabajo": Unidades = " hH’s"
Frag = Int(Min / 6 * 10) / 100
Frag1 = Int(Max / 6 * 10) / 100
Frag2 = Int(Delta * 10 / 6) / 100
Case "C"
Concepto = "Costos": Unidades = " $"
Frag = Int(Min * 100) / 100
Frag1 = Int(Max * 100) / 100
Frag2 = Int(Delta * 100) / 100
End Select
LD = "Actividad: " & Left(Nombre, 65) & vbCrLf

LD = LD & "Intervalo " & Concepto & " = [ " & Frag & " , "
LD = LD & Frag1 & " ] " & Unidades & vbCrLf & vbCrLf
LD = LD & "Clasificando " & Concepto & " en " & NumClass & " Clases" & vbCrLf
LD = LD & "(Ancho de Clase: " & Frag2 & Unidades & ")" & vbCrLf & vbCrLf
LD = LD & "Cl." & vbTab & "Fr.Rel" & vbTab & "F.Rel.Ac" & vbTab & "Centro de
Clase" & vbCrLf & vbCrLf
FrCl(0, Act) = 0
For I = 1 To NumClass
Select Case Tipo
Case "D", "T"
Frag = Int((Min + (I - 0.5) * Delta) / 6 * 10) / 100
Case "C"
Frag = Int((Min + (I - 0.5) * Delta) * 100) / 100
Case "F"
Frag = CDate((Min + (I - 0.5) * Delta))
End Select
FrCl(0, Act) = FrCl(0, Act) + FrCl(I, Act)
LD = LD & " " & I & vbTab & Round((FrCl(I, Act) * 100 / MaxItera), 3) & vbTab
LD = LD & Round((FrCl(0, Act) * 100 / MaxItera), 3) & vbTab
LD = LD & Frag & vbCrLf
Next I
End Sub
9.2 MODELOS DE VARIABILIDAD DE DURACIONES

En el modelado de redes de trabajos suelen aparecer agrupaciones de ac vidades que son
rela vamente frecuentes en la programación y que por su simplicidad pueden desarrollar-
se matemá camente de manera más o menos prác ca.
En esta parte se desarrollarán expresiones para es mar las duraciones PERT de estos agre-
gados de ac vidades y entender mejor su comportamiento.
La intención es simplificar y reducir el trabajo al ser capaces de sus tuir grupos de ac vi-
dades con ac vidades únicas o más simples con el mismo comportamiento dentro de los
modelos lógicos (redes de trabajos).
El supuesto, por confirmar, es que las estructuras lógicas pueden ser representadas adecua-
damente por la duración promedio y la desviación estándar de la duración. No desarrollamos
un criterio formal para esta comprobación y el programador deberá usar su mejor criterio.
Finalmente, estos desarrollos permiten verificar (y viceversa: son verificados por) la idonei-
dad del algoritmo de simulación Monte Carlo presentado al realizar el contraste entre los
valores producidos en la simulación y los valores calculados. Esto restringido a los casos de
estructuras o configuraciones más simples, en los que el cálculo se reduce y facilita (perfi-
les triangulares de fdp de duraciones y ac vidades iguales).
En este anexo:
Se repasan las aproximaciones PERT clásicas de la variabilidad de la duración promedio y
desviación estándar de la duración de una ac vidad.
Se desarrollan las ecuaciones para:
 Ac vidades en serie
 Ac vidades en Paralelo Tardío
 Ac vidades en Paralelo Temprano
Se discute la simplificación o equivalencias de las estructuras mencionadas.
Se revisa el método para es mar los extremos de cola al 1 % y 99 % de confianza.
9.2.1 Ecuaciones PERT

Recuérdese que para una ac vidad individual existen las aproximaciones PERT para:
La duración media o esperada: (9.2.1.1)
Donde: do = es la duración op mista (1 % de probabilidad de ocurrencia)

d = es la duración pica prevista (planeada) para la ac vidad
dp = es la duración pesimista (1 % de probabilidad de no-ocurrencia)
Capítulo 9 155
ANEXOS
La desviación estándar es: (9.2.1.2)
Cuando la distribución de las duraciones es la función beta.
Cuando la fdp es triangular (véase la ecuación 4.1.1 y siguientes) la media y la desviación

estándar toman otros valores que difieren ligeramente de 9.2.1.1 y 9.2.1.2
9.2.2 Caso actividades en serie

Este caso queda definido para una cadena de ac vidades que se ejecutan unas tras otras
inmediatamente sin restricciones externas a la propia cadena. Las probabilidades de
ocurrencia de las duraciones individuales son independientes entre sí.
1 2 ... n
Este es el caso original del problema PERT de la duración de la Ruta Crí ca y es aplicable
a cualquier cadena que no tenga restricciones.
La duración de cualquier cadena es: (9.2.2.1)
Donde: n – es el número de ac vidades en la cadena

di – es la duración de la ac vidad i-ésima
Por tanto, la duración esperada de la cadena será:
(9.2.2.2)
Donde: μi – es la duración esperada de la ac vidad i-ésima, ec. 9.2.1.1
La desviación estándar de la cadena es: (9.2.2.3)
Donde: σi – es la desviación estandar de la ac vidad i-ésima, ec. 9.2.1.2
9.2.3 Caso actividades en Paralelo Tardío (caso usual)

Este caso queda definido para un grupo de ac vidades
1
que se ejecutan al mismo empo, sin restricciones ex-
ternas al grupo. Las probabilidades de ocurrencia de las
2
duraciones individuales son independientes entre sí.
Todas enen un evento común predecesor y un evento
común sucesor. n
NOTA
En programación esta estructura corresponde al grupo de ac vidades que están agrupa-
das en un resumen, el evento posterior al grupo solo inicia cuando TODAS las ac vidades
del grupo se han terminado.
Por tanto, la duración del grupo (D) será igual a la duración de la ac vidad más larga
(véase el caso Paralelo Temprano para otra definición de duración del grupo):
(9.2.3.1)
La duración esperada del grupo será:
i=1, 2,...,n (9.2.3.2)
Donde max(di ) iden fica al evento: la ac vidad i-ésima es la de mayor duración

La probabilidad de que di sea la máxima duración resulta de evaluar la probabilidad del
evento simultáneo dj ≤ di para todas las j≠i. Es decir, dado un t cualquiera [0, +∞[, se está
buscando evaluar:
(9.2.3.3)
Dado que di = t.
Si fi es la fdp de duraciones de la ac vidad i, el valor esperado de duración (la media de

los casos en que la ac vidad i es la mayor) será:
(9.2.3.4)
Y como el caso i es excluyente del resto:
(9.2.3.5)
Si todas las actividades son idénticas con fdp idén cas, la ec. 9.2.3.4 se convierte en:
{ }
μ i = ∫ t ⋅ f ( t ) ⋅ Probn−1 (d ≤ t ) dt (9.2.3.6)
Donde la probabilidad Prob(d ≤ t) es la función acumula va de f(t) y resulta ser F(t). Si

se usa la aproximación de El modelo triangular de probabilidades (véase Anexos 4.1), se
obtendrá:
(9.2.3.7)
Capítulo 9 157
ANEXOS
Que luego de aplicar los resultados 4.1.1 al 4.1.4 se convierte en:
Tramo O-E: (9.2.3.8)
Tramo E-P: (9.2.3.9)
Y (9.2.3.10)
Estas integrales se resuelven, para dar:
(9.2.3.11)
(9.2.3.12)
Haciendo μi idén cas para todos los casos en la ec. 9.2.3.5:
(9.2.3.12a)
Por tanto, luego de aplicar 9.2.3.11 y 9.2.3.12 en la ecuación anterior resulta:
(9.2.3.13)
Que resulta rela vamente simple de evaluar con una hoja de cálculo estándar, aunque
el número de ac vidades puede ser un limitante para la precisión del cálculo. Se ha
comprobado que para valores de n iguales a 50 o menores los límites de precisión no
afectan los resultados sensiblemente. Para otros valores de n se sugiere inspeccionar el
«tamaño» del error de precisión (los ceros al final del valor de cada término k-ésimo) y
compararlo con el valor final de μD.
Alterna vamente se puede modelar el caso directamente a par r de la evaluación de

f(t) y Fn-1(t), par cionando el intervalo op mista-pesimista y calculando los valores de
f y F de cada par ción para aproximar la integral 9.2.3.7 en una hoja de cálculo con re-
sultados similares, en este caso hay que asegurar que cuando n crece exista un número
suficiente de par ciones con aporte significa vo al sumatorio para obtener resultados
con precisión adecuada.
La desviación estándar del grupo es:
Donde i=1, …,n
Nuevamente, si se considera que hay (n) casos iguales que agrupan la data (cada grupo
corresponde a cada caso de «la ac vidad i es la mayor»):
(9.2.3.14)
Nótese que los sumatorios del numerador recorren las duraciones dij con j recorriendo la
data al interior de cada caso de i. Siendo gij las frecuencias de aparición de cada valor de
dij cuando la ac vidad i es la de mayor duración:
Finalmente: (9.2.3.15)
Si se desarrolla:
(9.2.3.16)
Donde: veáse ecs. 9.2.3.7 y 9.2.3.12a
Es decir:
Que se integrará por tramos O-E y E-P, además la primera integral (con t2) será compon-
drá de dos resultados: JOE y JEP y la integral de la derecha en HOE y HEP:
(9.2.3.17)
Capítulo 9 159
ANEXOS
Que por medio de un tratamiento similar al que resolvió la media (μ) resultan:
(9.2.3.18)
(9.2.3.19)
(9.2.3.20)
(9.2.3.21)
Que se reemplazarían en la ecs. 9.2.3.17 y 9.2.3.15 para calcular las varianzas (y su raíz
cuadrada la desviación estándar) individuales y del grupo.
9.2.4 Caso actividades en Paralelo Temprano (la más corta)

Este caso (tal como el caso Paralelo Tardío) queda definido para un grupo de ac vidades
que se ejecutan al mismo empo sin restricciones externas al grupo. Las probabilidades
de ocurrencia de las duraciones individuales son independientes entre sí. Todas enen
un evento común predecesor y un evento común sucesor. Sin embargo, el evento común
sucesor no requiere que TODAS las ac vidades se completen antes que el evento ocurra,
basta con que se complete al menos una (es decir, el evento sucesor se lanza al terminar
la PRIMERA ac vidad).
Una situación como esta puede ser necesaria para es mar la fecha en que los recursos
(las cuadrillas responsables, por ejemplo) empiezan a liberarse de una tarea con múl -
ples frentes, y así poder asignarlas a otras tareas pendientes.
NOTA
Esta estructura no es modelable en la mayoría de las aplicaciones informá cas de ges ón
de cronogramas.
Por tanto, la duración del grupo será igual a la duración de la ac vidad más corta:
(9.2.4.1)
La duración esperada del grupo será similarmente a 9.2.3.2:
i=1, 2,...,n (9.2.4.2)
Donde min(di) iden fica al evento: la ac vidad i-ésima es la de menor duración.
La probabilidad de di sea la menor duración resulta de evaluar la probabilidad de los

eventos simultáneos dj ≥ di para todas las j≠i. Es decir, dado un t cualquiera en el intervalo
[0, +∞], se busca evaluar:
(9.2.4.3)
Dado que di = t.
Si fi es la fdp de duraciones de la ac vidad i, el valor esperado de duración (la media de

los casos en que la ac vidad i es la menor) será:
Como:
(9.2.4.4)
Y como el caso i es excluyente del resto:
(9.2.4.5)
Si todas las ac vidades son idén cas con fdp idén cas, la ec. 9.2.4.4 se convierte en:
(9.2.4.6)
Donde la probabilidad Prob(d ≤t) es la función acumula va de f(t) y resulta ser F(t). Si se
usa la aproximación de «El modelo triangular de probabilidades» (véase acápite 4.1), se
ob ene:
(9.2.4.7)
Que luego de aplicar los resultados 4.1.1 al 4.1.4 se convierte en:
Tramo O-E: (9.2.4.8)

Capítulo 9 161
ANEXOS
Tramo E-P: (9.2.4.9)
Y (9.2.4.10)
Estas integrales se resuelven, para dar:
(9.2.4.11)
(9.2.4.12)
Haciendo μi idén cas para todos los casos en la ec. 9.2.4.5:
(9.2.4.12a)
Por tanto, luego de aplicar 9.2.4.11 y 9.2.4.12 en la ecuación anterior resulta:
(9.2.4.13)
Con similares comentarios a los hechos para 9.2.3.13
La desviación estándar del grupo es:
Donde i=1, …,n
Nuevamente, si se considera que hay (n) casos iguales que agrupan la data (cada grupo
corresponde a cada caso de «la ac vidad i es la de duración más corta»):
(9.2.4.14)
Nótese que los sumatorios del numerador recorren las duraciones dij con j recorriendo la
data al interior de cada caso de i. Siendo gij las frecuencias de aparición de cada valor de
dij cuando la ac vidad i es la de menor duración:
Finalmente: (9.2.4.15)
Se desarrolla:
(9.2.4.16)
Donde: véase las ecs. 9.2.4.7 y 9.2.4.12a
Es decir:
Que se integrará por tramos O-E y E-P, además la primera integral (con t2) será llamada
JOE y JEP y la integral de la derecha HOE y HEP:
(9.2.4.17)
Que por medio de un tratamiento similar al que resolvió la media (μ) resulta:
(9.2.4.18)
(9.2.4.19)
(9.2.4.20)
(9.2.4.21)
Que se reemplazarían en las ecs. 9.2.4.17 y 9.2.4.15 para calcular la varianza (y su raíz
cuadrada: la desviación estándar).
Capítulo 9 163
ANEXOS
9.2.5 Simplificación de series y grupos paralelos

Se afirmará, sin demostraciones matemá cas, que:
Una serie: A B C equivale a: A+B+C
Es decir, la media de la duración(μD) y la desviación estándar(σD) de ambos casos son

iguales.
Esto es bastante intui vo, dado que A, B y C forman una cadena de ac vidades, también
se puede agruparlas en dos ac vidades en serie digamos {(A+B) y C} o en {A y (B+C)}, por
ejemplo, y eso no debe cambiar la forma en que se distribuyen las probabilidades de las
duraciones del conjunto, dado que los grupos son solo paquetes subje vos para nuestro
mejor entendimiento de los trabajos, los procesos internos que controlan sus duraciones
no son afectados por las agrupaciones que se usen.
Como ilustración se puede modelar en MS Project un conjunto de tres quintetos iguales

de ac vidades diferentes en serie tal como se muestra en el diagrama siguiente:
Y se han marcado los resúmenes [0], [1], [7] y [13] para monitorear sus duraciones, véa-
se los campos MC Sel y MC Lista Parámetros y las duraciones op mista, más probable
y pesimista. Luego de ejecutar el proceso de simulación se encuentran los siguientes
resultados:
Parámetros grupales
SERIE Monte Carlo (1k iteraciones)
ecs. 9.2.2.2 y 9.2.2.3
Grupo i i
L1% L99%
Q1 35.66 3.54 27.21 43.52 106.40 5.77
Q2 35.61 3.75 27.37 44.19 107.20 5.95
Q3 35.49 3.60 27.06 43.43 106.00 5.79
Grupal 106.77 6.44
Al lado derecho de la tabla se han incluido los resultados de usar las ecuaciones 9.2.2.2 y
9.2.2.3 (Paralelo Tardío) sobre los quintetos Q1, Q2 y Q3 como si cada uno fuera un ramal
pico del trío en paralelo ( enen las mismas cinco ac vidades y duraciones).
Se pueden observar desviaciones de hasta –10 % en σ con respecto a los valores obser-
vados en Monte Carlo.
También se puede asegurar que los grupos siguientes son equivalentes:
A
A // A
A A // A // A
A
A
Capítulo 9 165
ANEXOS
La implementación en MS Project resulta:
Los parámetros que se ob enen son:

Paralelo Parámetros grupales
Monte Carlo (1k iteraciones)
Tardío ecs. 9.2.3.13 y 9.2.3.17
Grupo i i
L1% L99%
Q1 35.56 3.56 27.02 43.21 38.09 2.33
Q2 35.46 3.68 26.76 43.85 38.34 2.50
Q3 35.71 3.63 27.40 43.57 38.38 2.35
Grupal 38.63 2.76
Con resultados similares.
9.2.6 Estimación de duraciones optimista, esperada y pesimista

de grupos
Se sabe que para grupos combinados de ac vidades, no solo series o grupos en paralelo
simples, la duración del conjunto (D) se aleja del perfil triangular y se acerca a formas
más suaves, y mientras mayor sea la can dad de ac vidades esto es más probable. Es
decir, la variable aleatoria:
(9.2.6.1)
Se acercará a una distribución:

 Normal – N (0,1) si el tamaño de la muestra es mayor que 120.
 t-Student - tn (0,1) si el tamaño de la muestra (n) es menor o igual que 120.
Normalmente en los procesos de Monte Carlo el número de iteraciones supera los mi-
llares por lo que se estará en el dominio de la distribución Normal. Se usará esto para
establecer las duraciones op mista (Do) y pesimista (Dp) de los grupos de ac vidades y se
podrá representarlas como una sola ac vidad con duraciones PERT (Do, D, Dp) que pueda
insertarse en el modelo de Monte Carlo.
Caso n > 120 – Distribución normal

El caso del límite op mista (Do) parte de establecer el límite inferior para Z que hace que
la probabilidad de la cola a la izquierda de la distribución N(0,1) sea del 1 % (véase «El
modelo triangular de probabilidades» en el texto para revisar cómo se definió este valor)
o en términos de la distribución:
De las tablas de N(0,1) se ob ene: que es independiente del tamaño de

la muestra.
Aplicando la inversa del cambio de variable (de 9.2.6.1) resulta:
Y (9.2.6.2)
Para el extremo pesimista (99 %):
Y como :
(9.2.6.3)
Para otros valores del nivel de confianza (P) de Zp% se puede usar este mismo procedi-
miento seleccionando Z de tablas de la distribución normal.
Caso n ≤ 120 – Distribución t- Student

Para estos casos se usa el es mador de t-student en las ecuaciones 9.2.6.2 y 9.2.6.3 en
lugar de Z y que depende del número de ac vidades (grados de libertad más exactamen-
te) y del nivel de confianza buscado, esta variable también está disponible públicamente
en tablas.
Capítulo 9 167
ANEXOS
Caso par cular: Serie de ac vidades iguales

Si ahora se par culariza y se asume que todas las actividades son iguales, es decir, si se
está hablando de series de ac vidades repe das (n veces), todas con los mismos μi y σi
como parámetros de duración conocidos, resultará:
(9.2.6.4)
(9.2.6.5)
9.2.7 Identidades matemáticas usadas 1

A lo largo de las demostraciones anteriores han aparecido algunas relaciones integrales
que se repiten, he aquí las soluciones usadas:
168
Mito intercambiador
de calor AES-6m- Inicio
12m/800 tubos 3/4”I
9.3
ID:1 ID:2
Desensamble Instalación de ZĞƟƌŽƚĂƉĂĐĂŶĂů ZĞƟƌŽĚĞĂŶĂů

platos ciegos
ID:4 ID:3 ID:5 ID:6
ZĞƟƌŽĚĞŽŶĞƚĞ ZĞƟƌŽĚĞdĂƉĂĚĞ ZĞƟƌŽĚĞ,ĂǌĚĞ

>ŝŵƉŝĞǌĂ ĚĞĂď&ůŽƚĂŶƚĞ ĂďĞǌĂů&ůŽƚĂŶƚĞ tubos
ID:7 ID:8 ID:9
ID:10
>ŝŵƉŝĞǌĂĚĞdĂƉĂ
ĐĂŶĂů͕ĂŶĂů͕ Recorrido de
Bonete y tapa espárragos (142 un)
ĐĂďĞǌĂůŇŽƚĂŶƚe
ID:11 ID:13
>ŝŵƉŝĞǌĂŝŶƚĞƌŝŽƌ
de casco
ID:14
Inspecciones >ŝŵƉŝĞǌĂĚĞŚĂǌĚĞƚƵďŽƐ
con equipo de presión Inspección de
interior y exterior casco
ID:15
ID: 12 ID: 16
Inspección de Inspección de
ĂŶĂůǇŽŶĞƚĞ dĂƉĂĚĞĂďĞǌĂů
ĚĞĐĂď͘&ůŽƚĂŶƚĞ ŇŽƚĂŶƚĞ
ID: 17 ID: 19
Ensamble
ID:20 /ŶƐƉĞĐĐŝſŶ,Ăǌ
de tubos
DŽŶƚĂũĞĚĞdĂƉĂ
ID: 18 DŽŶƚĂũĞĚĞ,Ăǌ ĚĞĂď͘&ůŽƚĂŶƚĞ
de tubos
ID: 22
ID: 21
9.3.1 Red de trabajo de mantenimiento
W,ůĂĚŽƚƵďŽƐ
DŽŶƚĂũĞĚĞĂŶĂů
ID:25
ID: 23 Instalación de
DŽŶƚĂũĞĚĞdĂƉĂ bomba de prueba
ĂŶĂů ŚŝĚƌŽƐƚĄƟĐĂ >ůĞŶĂĚŽĚĞŚĂǌĚĞ
Elevación de presión ID: 24 ID: 26 tubos con agua
y mantenimiento purgado y venteo
por 1h y reducción
de presión ambiente ID: 27
ID: 28
Drenaje y vaciado ZĞƟƌŽĚĞ
ĚĞŚĂǌĚĞƚƵďŽƐ ŝŶƐƚĂůĂĐŝſŶĚĞW,
ID: 29 ID: 31
W,ůĂĚŽĐĂƐĐŽ
Aceptación/ Montaje de
ID:33 ZĞĐŚĂǌŽĚĞŵŽŶƚĂũĞ ŽŶĞƚĞĚĞĂď͘
ĚĞŚĂǌĚĞƚƵďŽƐ &ůŽƚĂŶƚĞ
ID: 30 ID: 32
Instalación de
EL INTERCAMBIADOR DE CALOR AES-1.2 × 6 m
bomba de prueba
ŚŝĚƌŽƐƚĄƟĐĂ
Drenaje y vaciado
ID: 34 Elevación de presión de casco ZĞƟƌŽĚĞ ZĞƟƌŽĚĞƉůĂƚŽƐ
Llenado de casco y mantenimiento por ŝŶƐƚĂůĂĐŝſŶĚĞW, ciegos &ŝŶ
con agua 1h y reducción de ID: 37
purgado y venteo presión ambiente ID: 39 ID: 40 ID: 41
ID: 35 ID: 36 Aceptación/
ZĞĐŚĂǌŽĚĞŵŽŶƚĂũĞ
de intercambiador
ID: 38
Capítulo 9 169
ANEXOS
9.3.2 Descripción del intercambiador de calor tipo AES-1.2 × 6 m

Un intercambiador de calor es un equipo de proceso que usando un fluido caliente trans-
fiere calor (calienta) otro fluido considerado frío. Los fluidos no se mezclan y la transfe-
rencia de calor ocurre a través de las paredes de los tubos con un fluido circulando por
dentro de los tubos y el otro circulando por fuera.
Existen varias formas construc vas, para nuestro ejemplo en el texto la norma TEMA
define el po AES por la forma de las tapas de extremo (A y S) y el casco cilíndrico (E).
Véase los diagramas de ensamble y despiece de partes a con nuación:
Entrada
Salida fluido fluido frío
caliente
Entrada Salida
fluido caliente fluido frío
Haz de tubos
Tapa de
cabezal Bonete o
Placa de Placa de flotante tapa de lado
portatubos Tubos Placas portatubos
Canal deflectoras flotante
de canal flotante
Tapa Canal
Casco
9.3.3 Red de trabajos estocásticos - inspecciones de casco, canal,

bonete y de tapa de cabezal flotante
Relleno de Refuerza de Reparación de

De inspección casco con casco con bridas (superf.
Id 43 casco Id 44 soldadura Id 45 plancha exterior Id 46 de sello)
P%0 TG P%1 TE P%1 TE P%1
Relleno de Refuerzo de Reparación de

De inspección de casco con casco con bridas (superf.
Id 47 canal y bonete Id 48 soldadura Id 49 plancha exterior Id 50 de sello)
P%0 TG P % 50 TG P % 50 TE P%2
De inspección de Relleno de Refuerzo de Reparación de

tapa de cab. casco con casco con bridas (superf.
Id 51 ŇŽtante Id 52 soldadura Id 53 plancha exterior Id 54 de sello)
P%0 TG P % 30 TE P % 30 TE P%1
De
inspección de
Id 55 Haz de tubos
P%0
Decisiones de
Id 56 Haz de tubos
HD P%0 Haz T
Re-expandido Reparación de
Reparaciones Recs. de tubos (1 a Placa
Id 57 de Extremo Fijo Id 58 Extremo Fijo Id 59
80) L Fijo Id 60 portatubos (Sup
P%0 HG P%2 HT- Fijo TG P%0 HT- Fijo TG P%0 HT- Fijo
Reemplazo de Corte de tubos Presentación

placas Recs. Placa Reparaciones
Id 61 portatubos Fija Id 62 PT Fija Id 63 de liberación Id 64 de tubos en de Extremo
de PI.Pt Fija PI.Pt Fija Id 67 Flotante
P%0 HG P%40 HT-PTFi TG P%0 HT-PTFi TG P%0 HT-PTFi P%0
Expandido de Inspección de Recs. Re-expandido Reparación de

Hito Decisión Extremo Id 70 de tubos (1 a Placa
Id 65 tubos de PI.Pt expandido en Id 69
Id 66 Id 68 Intermedio Flotante 80) L.Flotante Id 71 portatubos (Sup
Fija PI.Pt Fija
HD P%0 Ext-Flo HG P%2 HT-Flo TG P%0 HT-Flo TG P%0 HT-Flo
TG P%0 HT-PTFi TG P%0 HT-PTFi
Reemplazo Reemplazo de Recs. PlacaPT Corte de tubos Presentación Expandido de Inspección de

de placas Recs. Desgüace de Placa Portatubos tubos en PI.Pt expandido en
Id 79 ĞŇĞĐƚŽƌĞƐ Id 80 haz Id 73 Flotante Id 74 y liberación de Id 75 de tubos en Id 76 Flotante Id 77 PI.Pt Flotante
Id 78 ĚĞŇĞĐƚŽƌĂƐ Id 72 de Ca FI.Pt Flotante PI.Pt Flotante
P%0 HG P%1 HT-PD P%0 P%0 HG P%1 HT-PTFl TG P%0 HT-PTFl TG P%0 HT-PTFl TG P%0 HT-PTFl TG P%0 HT-PTFl
Limpieza de Ensamble de
Corte de tubos Id 82 PI.Pt 1 (retro de Id 84 haz
Id 81 de liberación casquillos y reb TG P%0
de PI.Pt 1 TG P%0 HT-PD
TG P%0 HT-PD Acondicionado
Liberación Id 85 o reparación de
Id 83 de Placas PI.Pt 1
Clausura de ĚĞŇĞĐƚŽƌĂƐ TG P%0 HT-PD
Tubos Id 91 tubos con TG P%0 HT-PD
Id 90 tapones (1 a 80)
P%0 TE P%5 Presentación Presentación Expandido Inspección de
Id 86 de Placas Id 87 de Tubos en Id 88 de Tubos en Id 89 expandido en
ĞŇĞĐƚŽƌĂƐ PI.Pt 1 PI.Pt 1 PI.Pt 1
Reentubado TG P%0 HT-PD TG P%0 HT-PD TG P%0 HT-PD TG P%0 HT-PD
Recs. total - Reusando
Id 93 Reentubado Id 92 parte
HG P%0.5 HT-Ree P%0
Desgüace de Limpieza de PI.Pt

Id 94 haz Acondicionado
Id 98 Ϯ;ƌĞƟƌŽĚĞ Id 104 o reparación
P%0 HT-Ree casquillos y reb de PI.Pt 2
TG P%0 HT-Ree TG P%0 HT-Ree
Corte de tubos Corte de tubos
de liberación Id 97 de liberación
Id 95 de PI.Pt 1 de PI.Pt 2
Liberación de Acondicionado Inspección de
TG P%0 HT-Ree TG P%0 HT-Ree Id 99 Placas Id 102 o reparación de
ĚĞŇĞĐƚŽƌĂƐ Placas Defec Id 108 expandido en
PI.Pt 1
TG P%0 HT-Ree TG P%0 HT-Ree
TG P%0 HT-Ree
Liberación de Acondicionado Presentación Presentación Expandido Expandido Inspección de Fin

Ensamble de Presentación Decisiones de
Id 96 W/͘Wƚϭ;ƌĞƟƌŽĚĞ Id 101 o reparación Id 103 de Placas Id 105 de PI.Pt 2 Id 106 Id 107 de tubos en Id 109 de tubos en Id 110 expandido de
Id 100 haz casquillos y reb de PI.Pt 1 ĞŇĞĐƚŽƌĂƐ de tubos PI.Pt 1 PI.Pt 2 tubos en PI.Pt 2 Id 111 Haz de tubos
P%0 HT-Ree TG P%0 HT-Ree TG P%0 HT-Ree TG P%0 HT-Ree TG P%0 HT-Ree TG P%0 HT-Ree TG P%0 HT-Ree TG P%0 HT-Ree TG P%0 HT-Ree P%0
Capítulo 9
ANEXOS
9.3.4 Red de trabajos estocásticos - inspecciones al haz de tubos

171
172
ŶĞǆŽϵ͘ϯ͘ϱͲZĞĚĚĞƚƌĂďĂũŽƐƉŽƌĚĞĮŶŝƌĚĞƵŶŝŶƚĞƌĐĂŵďŝĂĚŽƌĚĞĐĂůŽƌ
De PH lado Decisiones Reajuste de brida Decisiones Decisiones Retorna a

Tubos de PH Tubos - de Tapa de Cab. Id 117 Reajuste de brida de PH Tubos - Reajuste de brida <Llenado de haz
Id 112 Id 113 Id 114 Id 116 de PH Tubos - de Tapa de Canal Id 119 Id 120 de Haz/Canal
(Sección R) Tapa Cab. Flot Flotante Tapa canal Junta Haz/Can Id 119 de tubos co
P%0 HD P%2 TE P%5 HD P%0 TE P%5 HD P%0 TE P%5 HD P%0
Reemplazo de Reemplazo de Reemplazo de

Id 115 empaquetadura Id 118 empaquetadura Id 121 empaquetadura
de Tapa Cab. F de Tapa de Can de Haz/Canal
TE P%1 TE P%1 TE P%1
De PH lado Decisiones Decisiones Re-expandido o

de PH Lado Reajuste de brida de PH Lado Reajuste de Clausura de
Id 123 casco Id 125 de Bonete de Cab. Id 127 Id 128 brida Haz/Casco Id 130
(Sección R)
Id 124 Casco-Junta E Casco-Junta Tubos Observa
P%0 HD P%0 TE P%5 HD P%0 TE P%5 P%0
Rec. Re-Exp
Reemplazo de Reemplazo de
Id 129 empaquetadura Id 131 o Clausura de ZĞƟƌŽĚĞdĂƉĂĚĞ
Id 126 empaquetadura Id 132 Canal
de Bonete de c de Haz de tubos Tubos Observa
TE P%1 TE P%1 HG P%40 PHC-RX TG P%0 PHC-RX
Re-expandido de
Id 133 tubos (1 a 80)
TG P%0 PHC-RX
Clausura de
Id 134 tubos con
tapones (1 a 80)
TG P%0 PHC-RX
Id 135 Montaje de Tapa

de Canal
TG P%0 PHC-RX
Retoma a
<Elevación de
Id 136 presión y mante
9.3.5 Red de trabajos estocásticos - pruebas hidrostáticas
P%0
Anexo 9.3.6
DIAGRAMA DE RED DE MANTENIMIENTO DE UN INTERCAMBIADOR DE CALOR
/ŶĐůƵǇĞĐƟǀŝĚĂĚĞƐƉŽƌĚĞĮŶŝƌ
1
2 3
5 6
4
7 8 9
10 11 13
12
14
15
16
17 19
18 21 22
23 24
26 27
20
25
28 29 31
30
33
9.3.6. Red de trabajos completa
32
112 34 35 36 37
42 43 44 45 46
113 114
47 48 49 50
115 116 117 119 120 122 38 39
52 53 54
51
118 121 40
55 41
56
57 58 59 60
61
67 62 63 64 65 66
72 68 69 70 71
78
80 73 74 75 76 77
79
84 81 82
90 83 123
92 91 85 86 87 88 89
124 125 127 128
94 93
129
95 96 116
97 98 130 131
99 132
100
101 103 133
102 135
136
104 105 106 107 109 110
Capítulo 9
ANEXOS
108
111
173
174
Anexo 9.3.7
DIAGRAMA DE RED DE MANTENIMIENTO DE UN INTERCAMBIADOR DE CALOR
/ŶĐůƵǇĞĐƟǀŝĚĂĚĞƐƉŽƌĚĞĮŶŝƌǇŝĐůŽƐĚĞZĞƉĞƟĐŝſŶ^ƵƐƟƚƵŝĚŽƐ
1
2 3
5 6
4
7 8 9
10 11 13
12
14
15
16
17 19
18 21 22
23 24
26 27
20
25
28 29 31
30
33
32
34
112
42 43 44 45 46
113 114 116
47 48 49 50
52 53 54 115
51
55
56
57 58 59 60
61
67 62 63 64 65 66
72 68 69 70 71
78
80 73 74 75 76 77 35 36 37 39
79
84 81 82
38
90 83
40 41
92 91 85 86 87 88 89
117
94 93
95 96 118 119 121
97 98
120
99
100
101 103
102
104 105 106 107 109 110
108
111
9.3.7. Red de trabajos completa - Ciclos de Repetición sustituidos
Capítulo 9 175
ANEXOS
9.3.8 Cronograma de mantenimiento de un intercambiador

de calor
Tipo AES-1200-6000
Anexo 3.8
NOTA
1) Los campos MC Sel y MC Lista Parámetros
a recopilar.
2) Los campos GERT Tipo Elem y GERT GrupoE
3) Los campos , y GERT Cta Ocurr mostrarán valores obtenidos luego que se ejecute un proceso
de Monte Carlo, normalmente antes de iniciar un cálculo estos campos deberían estar en blanco o vacíos, aunque su contenido
remanente (posiblemente de un cálculo anterior) no afecta al proceso.
Capítulo 9 177
ANEXOS
9.3.9 Cronograma soporte para Ciclos de Repetición

9.3.10 Cronograma de sustitución de Ciclos de Repetición

Capítulo 9 179
ANEXOS
9.3.10
Anexo
180
NOTA
1. Las ac vidades [112] y siguientes de la red original de trabajo (las ac vidades de retorno de los Ciclos de Repe ción de las pruebas
hidrostá cas de los lados tubo y casco) del cronograma base, véase Anexos 9.3.8 (Cronograma de mantenimiento de un intercambia-
dor de calor), han sido sus tuidas por los modelos de doble rampa cóncava como se muestran (Id 112 a 121) en este cronograma.
2. Los campos MC Frec Crítica, MC Clase Critica y GERT Cta Ocurr han sido actualizados por el algoritmo, en este caso se realizó un
proceso de 1,000 iteraciones.
Véase también notas del anexo 9.3.1.

Capítulo 9 181
ANEXOS
9.3.11 Curvas de frecuencia acumulada – actividades en Ciclos de

Repetición
De PH Lado Tubos - Sección C’ (= R + S)
D. Media Desv. Est.

9.88 2.12
L1% L99%
6.16 17.77
De PH Lado Tubos - Sección S
D. Media Desv. Est.

9.47 1.64
L1% L99%
6.56 13.10
De PH Lado Tubos - Sección R
Con f0.26 = 82.2 %
D. Media Desv. Est.

0.61 1.22
L1% L99%
- 7.74
De PH Lado Casco - Sección C’ (= R + S)
D. Media Desv. Est.

15.56 7.52
L1% L99%
5.78 30.24
Capítulo 9 183
ANEXOS
De PH Lado Casco - Sección S
D. Media Desv. Est.

9.50 1.65
L1% L99%
6.45 13.12
De PH Lado Casco - Sección R
Con f0.63 = 56.4 %
D. Media Desv. Est.

6.39 7.09
L1% L99%
- 20.48
9.3.12 Parámetros de sustitución de Ciclo de Repetición con un

modelo de doble rampa cóncava
PH Lado Tubos
Opt Esp Pes
S= 6.56 8.04 13.08 9.47 1.64
R= 0.00 0.26 7.40 0.61 1.22
C' = 6.16 9.07 17.77 9.88 2.12
P = 16.9 %
Err = 1.00 %
r(Err) = 3.157 3 (ec. 9.4.4.A.4)

Parámetros de doble rampa cóncava basado en datos individuales de S y R
O= 0.000 MO = 2.06 fM = 0.00575 (ec. 9.4.4.C.3a) P1 = 87.6 % (ec. 9.4.4.C.6)

M= 2.057 (ec. 9.4.4.D.1) PM = 38.83 fO = 0.85804 (ec. 9.4.4.C.4) P2 = 12.4 % (ec. 9.4.4.C.7)
P= 40.883 (ec. 9.4.4.D.2) PO = 40.88 gO = 0.00605 (ec. 9.4.4.C.5)
Parámetros de doble rampa cóncava basado en datos de C'

O= 0.000 MO = 2.015 fM = 0.0065 P1 = 86.9 %
M= 2.015 PM = 36.190 fO = 0.86925 P2 = 13.1 %
P= 38.205 PO = 38.205 gO = 0.00686
PH Lado Casco
Opt Esp Pes
S= 6.45 8.46 13.12 9.50 1.64
R= 0.00 0.63 20.48 6.39 7.09 ojo: Doble giba
C' = 5.78 8.61 30.24 15.56 7.52 ojo: Doble giba
P = 47.0 %
Err = 1.00 %
r(Err) = 7.420 7
Parámetros de doble rampa cóncava basado en datos individuales de S y R

O= 0.000 MO = 14.08 fM = 0.00256 P1 = 76.4 %
M= 14.084 PM = 154.93 fO = 0.11130 P2 = 23.6 %
P= 169.017 PO = 169.02 gO = 0.00279
Capítulo 9 185
ANEXOS
Parámetros de doble rampa cóncava basado en datos de C'

O= 0.000 MO = 13.79 fM = 0.00552 P1 = 62.6 %
M= 13.788 PM = 106.16 fO = 0.09706 P2 = 37.4 %
P= 119.951 PO = 119.95 gO = 0.00623
9.3.13 Curvas de frecuencia acumulada - actividades resultantes

de inspecciones
De inspecciones de casco
Con f1.06 = 97.4 %
D. Media Desv. Est.

1.419 3.137
L1% L99%
- 6.77
De inspección de canal y bonete
D. Media Desv. Est.

17.938 15.714
L1% L99%
- 46.13
De inspección de tapa de cabezal flotante
Con f1.29 = 48.7 %

f3.89 = 13.7 %
D. Media Desv. Est.

11.077 14.024
L1% L99%
- 44.67
De inspección de haz de tubos
Con f3.03 = 56.6 %
D. Media Desv. Est.

25.444 27.399
L 1% L99%
- 94.12
/ŶƚĞƌĐĂŵďŝĂĚŽƌ^ͲϲͲϭ͘ϮŵƌϰĂͲŽŵƉůĞƚŽ͘ŵƉƉ DϱϭͲWƌŽďĂďŝůŝĚĂĚǇƌŝƟĐŝĚĂĚĞŶůĂZĞĚ ͬDϬϭͲ&ƌĞĐ͘ƌŝƟĐĂͬƌŝƟĐĂů&ƌĞƋ
9.3.14
D&ƌĞĐƌşƟĐĂ͗ϭϬϬͲфϭϭϬ
2 3 8
P% 0 P% 0 P% 0
D&ƌĞĐƌşƟĐĂ͗ϵϬͲфϭϬϬ
5 6
P% 0 P% 0
D&ƌĞĐƌşƟĐĂ͗ϴϬͲфϵϬ
D&ƌĞĐƌşƟĐĂ͗ϲϬͲфϳϬ
12 18 21
P% 0 P% 0 P% 0
9
P% 0
111
P% 0
D&ƌĞĐƌşƟĐĂ͗ϰϬͲфϱϬ
56
P% 0
D&ƌĞĐƌşƟĐĂ͗ϯϬͲфϰϬ
14 16
P% 0 P% 0
62 63 64 65 66
P% 40 P% 0 P% 0 P% 0 P% 0
D&ƌĞĐƌşƟĐĂ͗ϮϬͲфϯϬ
48 49
P% 50 P% 50
D&ƌĞĐƌşƟĐĂ͗ϭϬͲфϮϬ
53
P% 30
D&ƌĞĐƌşƟĐĂ͗ϬͲфϭϬ
7 79 81 82 85 86 87 88 89
P% 0 P% 1 P% 0 P% 0 P% 0 P% 0 P% 0 P% 0 P% 0
68 69 70 71
P% 0 P% 2 P% 0 P% 0
91
P% 5
52
P% 30
Red de trabajos - agrupación por Frecuencia Crítica
Capítulo 9
ANEXOS
187
188
/ŶƚĞƌĐĂŵďŝĂĚŽƌ^ͲϲͲϭ͘ϮŵƌϰĂͲŽŵƉůĞƚŽ͘ŵƉƉ DϱϭͲWƌŽďĂďŝůŝĚĂĚǇƌŝƟĐŝĚĂĚĞŶůĂZĞĚ ͬDϬϭͲ&ƌĞĐ͘ƌŝƟĐĂͬƌŝƟĐĂů&ƌĞƋ

D&ƌĞĐƌşƟĐĂ͗ϭϬϬͲфϭϭϬ
Ϯϳ Ϯϴ ϯϭ ϯϮ ϯϰ ϯϱ ϯϲ ϯϵ ϰϬ
WйϬ WйϬ WйϬ WйϬ WйϬ WйϬ WйϬ WйϬ WйϬ
D&ƌĞĐƌşƟĐĂ͗ϵϬͲфϭϬϬ
D&ƌĞĐƌşƟĐĂ͗ϴϬͲфϵϬ
Ϯϯ Ϯϰ Ϯϲ Ϯϵ
WйϬ WйϬ WйϬ WйϬ
D&ƌĞĐƌşƟĐĂ͗ϲϬͲфϳϬ
ϯϴ ϭϭϴ ϭϮϭ
WйϬ Wйϯϱ WйϬ
D&ƌĞĐƌşƟĐĂ͗ϰϬͲфϱϬ
D&ƌĞĐƌşƟĐĂ͗ϯϬͲфϰϬ
ϯϳ
WйϬ
ϭϮϬ
Wйϯϳ͘ϰ
D&ƌĞĐƌşƟĐĂ͗ϮϬͲфϯϬ
ϭϭϵ
WйϲϮ͘ϲ
D&ƌĞĐƌşƟĐĂ͗ϭϬͲфϮϬ
ϮϮ ϯϬ ϭϭϯ ϭϭϱ ϭϭϲ
WйϬ WйϬ Wйϯϱ Wйϭϯ͘ϭ WйϬ
D&ƌĞĐƌşƟĐĂ͗ϬͲфϭϬ
Capítulo 9 189
ANEXOS
9.3.15Curvas de frecuencia acumulada - duraciones totales:

casos de grupos estocásticos colapsados
Duración del programa para el intercambiador de calor AES-6 1.2 × 6m (caso base):
D. Media Desv. Est.

143 35.5
L1% L99%
86.3 239
L95 % = 208
Duración del programa para [47] y [48] - inspecciones de canal y bonete COLAPSADOS
D. Media Desv. Est.

136 36.6
L1% L99%
84.2 238
L95 % = 200
Duración del programa para [61] - De reemplazo de placas portatubos fija COLAPSADO
D. Media Desv. Est.

125 29.1
L1% L99%
84.9 213
L95 % = 183
Duración del programa para [117] - De PH lado casco (Sección C’) COLAPSADO
D. Media Desv. Est.

129 25.8
L1% L99%
84.9 188
L95 % = 162
ID: 0 - 41
1 21 22 27 28 29
30
31 32
2 3 5 6
7 8 9 12 18
14 16
11 13
4
14 17 19 23 24 26
15
20
25
33
ID: 42 - 141
42
43 44 45 46 113 114 116
115
48 49 50 52 53 54
47
51
55 56 79 81 82 85
83 86 87 88 89
62 63 64 65 66
93 95 96 101 103 105 106 107 109 110
108
97 98 104
9.3.16 Red de trabajos completa - Criticidad
99 102
91 111
58 59 60 68 69 70 71
73 74 75 76 77 ID: 0 - 41
57
61 34 35 36 37
67
38
72
78 39 40 41
80
84
90
92
Capítulo 9
ANEXOS
ID: 42 - 141
94
118 119 121
100
112
120
117
191
192
Mito intercambiador
de Calor
Desensamble
BE U-6m-12m (800 Limpieza Inspecciones Ensamble
tubos 3/4”)
ID:1 0 ID:4 0 ID:10 0 ID:15 0 ID:20 0
Instalación de Recorrido de
Inicio ZĞƟƌŽdĂƉĂĐĂŶĂů ZĞƟƌŽĚĞĂŶĂů espárragos (142 un)
platos ciegos
ID:2 0 ID:3 0 ID:5 0 ID:6 0 ID:13 0
ZĞƟƌŽĚĞŽŶĞƚĞ ZĞƟƌŽĚĞdĂƉĂĚĞ ZĞƟƌŽĚĞ,ĂǌĚĞ Limpieza de haz de tubos

con equipo de presion /ŶƐƉĞĐĐŝſŶ,ĂǌĚĞ
de Cab Flotante Cabezal Flotante tubos tubos
interior y exterior
ID:8 0 ID:9 0 ID: 18 0 DŽŶƚĂũĞĚĞ,ĂǌĚĞ DŽŶƚĂũĞĚĞdĂƉĂ
ID:7 0 ID: 12 0
tubos de Cab. Flotante
ID: 21 0 ID: 22 0
>ŝŵƉŝĞǌĂĚĞdĂƉĂ Limpieza interior Inspección
canal, Canal, Bonete y de casco de casco
ƚĂƉĂĐĂďĞǌĂůŇŽƚĂŶƚĞ
ID:11 0 ID:14 0 ID: 16 0
Inspección de Canal y W,ůĂĚŽƚƵďŽƐ

/ŶƐƉĞĐĐŝſŶĚĞdĂƉĂ
Bonete de cab.
ĚĞĂďĞǌĂůŇŽƚĂŶƚĞ
Flotante ID:25 0
ID: 17 0 ID: 19 0
Instalación de
DŽŶƚĂũĞĚĞdĂƉĂ bomba de prueba
Montaje de Canal
Canal ŚŝĚƌŽƐƚĄƟĐĂ
ID: 23 0 ID: 24 0 ID: 26 0
dZ:K^WKZ
DEFINIR
(Una ac vidad por grupo estocás co).
ID: 42 0 WŽƐŝďůĞƐ WŽƐŝďůĞƐ WŽƐŝďůĞƐ WŽƐŝďůĞƐ

Reparaciones de Reparaciones de Reparaciones de ZĞƉĂƌĂĐŝŽŶĞƐĚĞdĂƉĂ
,ĂǌĚĞdƵďŽƐ Casco Canal y Bonete de Cab. Flotante
ID: 43 0 ID: 44 0 ID: 45 0 ID: 46 0
Elevación de presión y
mantenimiento por 1h y Llenado de haz de
reducción de presión tubos con agua
ambiente purgado y venteo
ID: 28 0 ID: 27 0
9.3.17 Diagrama de precedencias simplificado
Drenaje y vaciado de ZĞƟƌŽĚĞŝŶƐƚĂůĂĐŝſŶ Montaje de Bonete W,ůĂĚŽĐĂƐĐŽ

haz de tubos ĚĞW, de Cab. Flotante
ID: 29 0 ID: 31 0 ID: 32 0 ID:33 0
ĐĞƉƚĂĐŝſŶͬ Elevación de presión

Instalación de Llenado de casco Drenaje y vaciado
Rechazo de montaje y mantenimiento ZĞƟƌŽĚĞ
bomba de prueba con agua purgado de casco
de haz de tubos por 1h y reducción ŝŶƐƚĂůĂĐŝſŶW,
ŚŝĚƌŽƐƚĄƟĐĂ y venteo de presión ambiente
ID: 30 0 ID: 37 0
ID: 34 0 ID: 35 0 ID: 28 0 ID: 39 0
ZĞƟƌŽĚĞƉůĂƚŽƐ
ciegos
ĐĞƉƚĂĐŝſŶͬ
WŽƐŝďůĞƐ Retorno a Rechazo de montaje ID: 40 0
Reparaciones de <Llenado de haz de de intercambiador
W,/͘dƵďŽƐ dƵďŽƐĐŽŶĂŐƵĂх ID: 38 0 Fin
ID: 47 0 ID: 48 0
ID:41 0
WŽƐŝďůĞƐ Retorno a
Reparaciones de <Llenado de Casco
W,/͘ĐĂƐĐŽ ĐŽŶĂŐƵĂх
ID: 49 0 ID: 50 0
Capítulo 9 193
ANEXOS
9.4. MODELOS DE GRUPOS ESTOCÁSTICOS

Se revisarán las posibilidades de reemplazar un conjunto grande de ac vidades estocás -
cas con una ac vidad o un conjunto (más) simple.
En este anexo se revisan varios casos de:

1. Ac vidades estocás cas independientes (estructuras en serie y en paralelo).
2. Grupos estocás cos colapsables (estructuras en serie y en paralelo).
3. Hitos de decisión.
4. Ciclos de Repe ción (con probabilidad fija y decreciente).
5. Comportamiento doble estocás co.
6. Ac vidades en conflicto con un tren.

Buscando los mismos beneficios mencionados en Anexos 9.2:
Entender el comportamiento de las estructuras.

Simplificar34 la programación y reducir los empos de procesamiento.


Verificación (en doble dirección) de la idoneidad de los algoritmos de simulación y las


ecuaciones desarrolladas.
9.4.1 Actividades estocásticas independientes

En este acápite se revisarán los modelos para ac vidades estocás cas independientes
que se estructuran en grupos serie y en paralelo.
A. Caso de un grupo en serie
La duración de cualquier cadena de (n) ac vidades en serie es:
(9.4.1.A.1)
Donde di es la duración de cada ac vidad. En este caso esta duración viene a ser el
resultado de dos procesos: la existencia/no-existencia de la ac vidad y cuando existe
la duración es el resultado de la evaluación PERT. Se podrá escribir entonces:
(9.4.1.A.2)
34
En Anexos 9.2 previnimos al lector contra el uso indiscriminado del promedio y la desviación estándar de las duracio-
nes para representar el comportamiento de las estructuras lógicas de trabajo. En este anexo se deberá ejercer todavía
más dicha alerta, donde el lector comprobará que las fdp resultantes difieren mucho de la forma usual de la distribución
normal, razón por la cual no se ha provisto el cálculo de la desviación estándar de la duración en ningún caso. Aunque
puede inferirse muy sencillamente a par r de los casos no estocás cos.
Donde h(P) es una función que en cada instancia de evaluación toma los valores 0 o 1
de acuerdo a la probabilidad P de ocurrencia; y t es la evaluación PERT de la duración
de la ac vidad en esa instancia.
Por tanto, la duración esperada de la cadena será:
(9.4.1.A.3)
Con hi variando entre 0 y 1 en cada instancia de duración, el conjunto de hi = 1 va defi-

niendo el conjunto de ac vidades existentes.
Hecho que enfa za el comportamiento estocás co de las duraciones di. De manera

que para la ac vidad i:
Donde Ni,o es el número de casos en que la ac vidad i colapsa (hi = 0) y para los que ti,0
= 0, y Ni,1 es el resto de casos (hi = 1)
(9.4.1.A.3a)
Y μi es el valor esperado de la duración no estocás ca, de la ac vidad o en términos de

duraciones PERT (R-Pesimista, E-Esperado, O-Op mista) en la ecuación 4.1.7:
Nótese el uso de R para representar la duración pesimista. Reservando P para las pro-
babilidades de existencia/ no-existencia de las ac vidades.
Para evaluar el valor esperado de la sumatoria (ec. 9.4.1.A.3) se ene que

considerar que habrá combinaciones de diferentes tamaños de grupos de ac vidades
existentes cada una con su probabilidad propia.
Por ejemplo, sea S1(n) la suma de las medias (o valores esperados) de duración de los
casos de una sola ac vidad existente (resto colapsadas), con i el índice de la ac vidad
existente:
(9.4.1.A.4a)
Para los casos de pares de ac vidades existentes (resto de pares colapsados) se tendría:
(9.4.1.A.4b)
Capítulo 9 195
ANEXOS
Generalizando para los casos de grupos de «a» ac vidades existentes:
n n
⎣ ( )(

)
Sa(n) = ∑ i=1 ∑ j=i+1…∑ ⎢⎡ ∏ r=i, j,…Pr ⋅ ∑ r=i,j,… μ r ⋅ ∏ s≠i,j,…,r (1 − Ps )⎥⎤
⎦ (9.4.1.A.4c)
"a " sumatorios y "r "recorre "a " valores
En el úl mo caso (todas las ac vidades exis endo al mismo empo) se ene:
(9.4.1.A.4d)
Y la duración media sería la suma de estas sumas parciales:
(9.4.1.A.5)
Caso especial: Cuando todas las ac vidades son iguales, se ene para un «i» cualquie-
ra la siguiente especialización de las ecuaciones 9.4.1.A.4 y 9.4.1.A.5:
(9.4.1.A.6)
Y la duración media sería la suma de estas sumas parciales:
(9.4.1.A.7)
Ejemplo 1:
Supóngase una serie de 3 ac vidades iguales con una probabilidad independiente de

ocurrencia P = 0.75 y las duraciones PERT = 10/20/40. Calcular la duración media.
Respuesta:
Usando las ecuaciones 9.4.1.A.6 y 9.4.1.A.7:
Este mismo caso se ha modelado en un cronograma MS Project tal como se muestra,

véase los campos MCE Tipo Elem y MCE Prob Ocurr, nótese que el resumen [9] ha sido
seleccionado para análisis de duraciones:
Con los siguientes resultados (1000 iteraciones):

Capítulo 9 197
ANEXOS
Se observa (eje de duraciones en horas) que:
D. Media Desv. Est.

52.39 min 20.05 min
L1% L99% Con un muy buen acuerdo entre

13.63 min 89.67 min ambos resultados.
Nótese en el extremo izquierdo la barra de frecuencias colapsadas a ~1.5 % y si se

recuerda que la probabilidad de las tres ac vidades colapsadas al mismo empo es:
(1 – P)3 = (1 – 0.75)3 = 1.56 % se encontrará una buena coincidencia.
Ejemplo 2:
Supóngase una serie de 3 ac vidades iguales con duraciones PERT = 10/20/40 y con unas
probabilidades de ocurrencia 0.45, 0.75 y 0.90. Calcular la duración media.
Respuesta:
Usando las ecuaciones 9.4.1.A.4 y 9.4.1.A.5 (probabilidades diferentes):
= 2 ⋅ 3.33 ⋅ {0.45 ⋅ 0.75 ⋅ (1 − 0.9) + 0.45 ⋅ 0.9 ⋅ (1 − 0.75) + 0.75 ⋅ 0.9 ⋅ (1 − 0.45)}
También este caso se ha modelado en un cronograma MS Project tal como sigue, véase
los campos MCE Tipo Elem y MCE Prob Ocurr, nótese que el resumen [5] ha sido selec-
cionado para análisis de duraciones:
Luego de ejecutar el proceso Monte Carlo para casos estocás cos se ob enen los si-
guientes resultados (1000 iteraciones):
Se observa (eje de duraciones en horas):
D. Media Desv. Est.

49.47 min 18.67 min
L1% L99%
También con un muy buen acuerdo
8.3 min 1.5 min entre ambos resultados.
Otra vez se leen las frecuencias colapsadas al extremo izquierdo ≈ 0.6 %, y se pueden
comparar contra la probabilidad de que las tres ac vidades se hallen colapsadas al mis-
mo empo:
Capítulo 9 199
ANEXOS
B. Caso de grupo en Paralelo Tardío

La duración de un grupo de (n) ac vidades estocás cas independientes en Paralelo
Temprano viene dada por la mayor de las duraciones de las ac vidades. Llámese diMax
al evento: la duración de la ac vidad i cuando es la de mayor duración.
La media de la duración del grupo será:
Donde diMax es excluyente de cualquier otra ac vidad j
Entonces (9.4.1.B.1)
La probabilidad que la ac vidad i sea la mayor equivale a la probabilidad de que todas

las otras ac vidades duren menos, esto puede ocurrir de varias maneras similares al
caso en serie (véase la ecuación 9.3.11.4), es decir, si se fija una duración t, se tendrá
que la probabilidad del primer caso, en que ninguna de las ac vidades j≠i existe (todas
están colapsadas al mismo empo) se escribe así:
(9.4.1.B.2a)
La probabilidad de todos los casos en que existe solo una ac vidad que dura menos
que t y el resto están colapsadas se escribe:
(9.4.1.B.2b)
Donde es la probabilidad que la ac vidad j dure (dj) menos que t.
La probabilidad de existan parejas de ac vidades j, k que duren menos que t y el resto

de ac vidades estén todas colapsadas es:
(9.4.1.B.2c)
La probabilidad del caso de que existan grupos de «a» ac vidades con duración menor
a «t» y el resto (n – 1 – a ac vidades) estén colapsadas es:
(9.4.1.B.2d)
Con el índice «r» recorriendo el conjunto de grupos de «a» ac vidades existentes y «s»
recorriendo el conjunto de «n – 1 – a» ac vidades restantes colapsadas.
Finalmente, el úl mo caso, corresponde a la probabilidad del único grupo de tamaño

«n – 1» (descontando la ac vidad «i» obviamente) de ac vidades todas existentes con
duración menor a t, que se escribe:
(9.4.1.B.2e)
Y la suma de todos estos casos da la probabilidad de todas las maneras en que las ac-
vidades, excepto la ac vidad «i», tengan duraciones menores a «t», es decir, si S(i) es
la probabilidad dicha:
(9.4.1.B.3)
Dado que la probabilidad de existencia de la ac vidad «i» reduce la fdp de «i» a: Pi · fi(t) se
encontrará que la esperanza de la duración de la ac vidad «i» (E(diMax)) cuando todas las
otras enen duración menor se escribe:
(9.4.1.B.4)
Nótese que denota la media de «i» cuando es la mayor y, por tanto, es diferente a
la media usual μi
Reemplazando 9.4.1.B.3 en 9.4.1.B.4:
(9.4.1.B.5)
Con Ka el conjunto de grupos de «a» ac vidades existentes (excluyendo la ac vidad

«i») y Ma es el conjunto (complementario de Ka) de «n – 1 – a» ac vidades colapsadas
(excluyendo la ac vidad «i»). Si ahora se reorganizan los factores independientes de t
fuera de la integral, resulta:
(9.4.1.B.6)
Donde puede reconocerse que el factor integral de la derecha es la ecuación de la

duración media de una ac vidad individual que pertenece a un grupo paralelo (tardío)
no estocás co de a+1 ac vidades. Véase la ecuación 9.2.3.4 en 9.2.3 Caso ac vidades
en Paralelo Tardío (caso usual).
Finalmente, la media de la duración del grupo resulta de sumar la esperanza de

para todos los (n) casos de «i» según la ecuación 9.4.1.B.1:
(9.4.1.B.7)
Capítulo 9 201
ANEXOS
Caso especial: cuando todas las ac vidades son iguales, se ene para un «i» cualquiera:
(9.4.1.B.8)
(9.4.1.B.9)
Ejemplo 1
Supóngase un grupo de 4 ac vidades iguales en paralelo. Calcular la duración media.
Respuesta:
Para calcular μi, se tendrá que para la ac vidad «i» los términos del sumatorio en «a» de
la ecuación 9.4.1.B.8 son:
Si se restringe aún más las condiciones para que las ac vidades tengan duraciones PERT
Op mista/Esperado/Pesimista (O/E/R), se podrá calcular las integrales con las fórmulas
desarrolladas para el caso no-estocás co.
NOTA
Puede recordarse que:
Haciendo las duraciones PERT = 10/20/40 y la probabilidad de ocurrencia 0.75 se calcu-

la, usando las fórmulas triangulares para desarrolladas para el caso no
estocás co :
35
Por tanto:
Entonces, usando la ecuación 9.4.1.B.9 se ob ene:
Este caso se ha modelado en un cronograma MS Project tal como se muestra, véase los
campos MCE Tipo Elem y MCE Prob Ocurr, nótese que el resumen [11] ha sido marcado
para reportar duraciones:
35
Podremos evitar el cálculo manual de estas ecuaciones si recordamos que la integral se puede
resolver con la aplicación de Visual Basic desarrollada para calcular los grupos en Paralelo Tardío (no estocás co) sim-
plemente considerando que es el valor medio de una ac vidad individual y por tanto el resultado μD debe dividirse
por el número de ramales de cada sumando, que en el ejemplo es igual a r+1, con r el exponente de F(t) en la integral.
Capítulo 9 203
ANEXOS
Luego de ejecutar el proceso Monte Carlo estocás co se ob enen los siguientes resulta-
dos (1000 iteraciones):
Observe (eje de duraciones en horas):
D. Media Desv. Est.

28.49 min 5.563 min
L1% L99% Con un muy buen acuerdo en-

13.63 min 38.00 min tre ambos resultados.
La probabilidad que una ac vidad «i» en par cular sea la mayor (es decir, sea la Ruta
Crí ca del grupo Paralelo Tardío) se puede calcular considerando la ecuación 9.4.1.B.4:
(9.4.1.B.10)
(9.4.1.B.11)
Donde la integral de la derecha ya aparece en el cálculo de la varianza de duración (caso

no estocás co) de grupos en Paralelo Tardío.
Para el caso de ac vidades iguales resulta:
(9.4.1.B.12)
Ejemplo 2:
Siguiendo con el ejemplo anterior calcúlese ahora la probabilidad de que la ac vidad «i»
sea la mayor (véase la ecuación 9.4.1.B.12):
Respuesta:
NOTA
Recordar que (véase las ecuaciones 9.2.3.16 hasta 9.2.3.21):
Capítulo 9 205
ANEXOS
Usando P=0.75 resulta:
C. Caso de grupo en Paralelo Temprano

La duración de un grupo de (n) ac vidades estocás cas independientes en Paralelo
Temprano viene dada por la menor de las duraciones de las ac vidades. Llámese diMin
al evento: la duración de la ac vidad i cuando es la de menor duración.
Donde diMin es excluyente de cualquier otra ac vidad j
Entonces (9.4.1.C.1)
La probabilidad que la ac vidad i sea la menor equivale a la probabilidad de que todas

las otras ac vidades duren más, esto puede ocurrir de varias maneras similares al caso
en serie (véase la ecuación 9.4.1.A.4), es decir, si se fija una duración t, se tendrá que
la probabilidad del primer caso, en que solo existe una ac vidad que dura más que t y
el resto están todas colapsadas se escribe:
(9.4.1.C.2a)
Donde es la probabilidad que la ac vidad j dure (dj) menos que t y

Pk.es la probabilidad de existencia de la ac vidad k.
La probabilidad de que existan parejas de ac vidades j, k que duren más que t y que el
resto de ac vidades estén todas colapsadas es:
(9.4.1.C.2b)
La probabilidad del caso de que existan grupos de «a» ac vidades con duración mayor
a t y que el resto (n – 1 – a ac vidades) estén colapsadas es:
Sa(i) = ∑ j≠i… ∑ {∑ ⎡⎣∏ r r≠ i,j,.. (P ⋅ (1 − F (t ))) ⋅ ∏

r r s≠ i, j
(1 − Ps )⎤⎦} (9.4.1.C.2c)
Con el índice «r» recorriendo el conjunto de grupos de «a» ac vidades existentes que
duran más que t y «s» recorriendo el conjunto de «n – 1 – a» ac vidades restantes
colapsadas.
Finalmente, el úl mo caso, corresponde a la probabilidad del único grupo de tamaño

«n – 1» (descontando la ac vidad «i» obviamente) de ac vidades todas existentes con
duración mayor a t, que se escribe:
S(ni−) 1 = ∏ j≠i ⎡⎣Pj ⋅ 1 − Fj ( t ) ⎤⎦ (9.4.1.C.2d)
Y la suma de todos estos casos da la probabilidad de todas las maneras en que las ac-
vidades, excepto la ac vidad «i», tengan duraciones mayores a t, es decir, si S(i) es la
probabilidad dicha:
(9.4.1.C.3)
Dado que la probabilidad de existencia de la ac vidad «i» reduce la fdp de «i» a: Pi·fi(t)
se encuentra que la esperanza de la duración de la ac vidad «i» (E(diMin)) cuando
todas las otras enen duración mayor se escribe:
(9.4.1.C.4)
Nótese que μ i denota la media de «i» cuando es la mayor y, por tanto, es diferente a
la media usual μ i.
Reemplazando 9.4.1.C.3 en 9.4.1.C.4:

+∞ n −1
⎡ ⎛ ⎞⎛ ⎞⎤
E(di Min ) = μˆ i = ∫ t ⋅ Pi ⋅ fi ( t ) ⋅ ∑ ⎢ ∑ ⎜ ∏ Pr ⋅ ⎣⎡1 − Fr ( t )⎦⎤⎟ ⎜ ∏ [1 − Ps ]⎟ ⎥ dt
0
⎝
a=1 ⎣ Ka r∈Ka ⎠ ⎝ s∈Ma ⎠ ⎦ (9.4.1.C.5)
Con Ka el conjunto de grupos de «a» ac vidades existentes (excluyendo la ac vidad

«i») y Ma es el conjunto (complementario de Ka) de «n – 1– a» ac vidades colapsadas
(excluyendo la ac vidad «i»). Si ahora se reorganizan los factores independientes de t
fuera de la integral, resulta:
(9.4.1.C.6)
Capítulo 9 207
ANEXOS
Donde puede reconocerse que el factor integral de la derecha es la ecuación de la du-

ración media de una ac vidad individual que pertenece a un grupo paralelo (tempra-
no) no estocás co de a+1 ac vidades. Véase la ecuación 9.2.4.4 en el Caso ac vidades
en Paralelo Temprano (la más corta).
Finalmente, la media de la duración del grupo resulta de sumar la esperanza de

para todos los (n) casos de «i» según la ecuación 9.4.1.C.1:
(9.4.1.C.7)
Caso especial: cuando todas las ac vidades son iguales, se ene para un «i» cualquiera:
(9.4.1.C.8)
(9.4.1.C.9)
Ejemplo 1:
Supóngase un grupo de 4 ac vidades iguales en Paralelo Temprano. Calcular la duración

media.
Respuesta:
Para calcular μi, se ene que para la ac vidad «i» los términos del sumatorio en «a» de
la ecuación 9.4.1.C.8 son:
Si se restringe aún más las condiciones para que las ac vidades tengan duraciones PERT
Op mista/Esperado/Pesimista (O/E/R), se podrá calcular las integrales con las fórmulas
desarrolladas para el caso no-estocás co.
NOTA
Se puede recordar que:
Haciendo las duraciones PERT = 10/20/40 y la probabilidad de ocurrencia 0.75 se calcula,

usando las fórmulas triangulares para desarrolladas para el caso
no estocás co :
36
Por tanto:
Entonces usando la ecuación 9.4.1.C.9 se ob ene:
Este caso tampoco se puede modelar en un cronograma MS Project.

-----------------
La probabilidad que una ac vidad «i» en par cular sea la mayor (es decir, sea la Ruta
Crí ca del grupo Paralelo Tardío) se puede calcular considerando la ecuación 9.4.1.C.4 o
la 9.4.1.C.6:
(9.4.1.C.10)
(9.4.1.C.11)
36
De manera similar, al caso Paralelo Tardío, esta integral se puede calcular automá camente con la aplicación de Visual
Basic desarrollada para el caso no estocás co de Paralelo Temprano, considerando que el resultado μD debe dividirse
por el número de ramales del caso, r + 1 en el ejemplo, donde r es el exponente de (1–F(t)) en la integral.
Capítulo 9 209
ANEXOS
Donde la integral de la derecha ya aparece en el cálculo de la varianza de duración

(caso no estocás co) de grupos en Paralelo Temprano. Véase las ecuaciones 9.2.4.16 y
siguientes:
Para el caso de ac vidades iguales resulta:
(9.4.1.C.12)
Ejemplo 2:
Siguiendo con el ejemplo anterior, calcúlese ahora la probabilidad de que la ac vidad «i»
sea la mayor (véase la ecuación 9.4.1.C.12):
Respuesta:
NOTA
Se puede recordar que (véase las ecuaciones 9.2.4.16 hasta 9.2.4.21):
Con O/E/R las duraciones op mista, probable y pesimista de f(t).

Usando P=0.75 resulta:
9.4.2 Grupos estocásticos colapsables

A. Caso de un grupo en serie
Aprovechando la ecuación 9.4.1.A.1 y recordando que para un grupo colapsable la
probabilidad de ocurrencia P se aplica al conjunto.
(9.4.2.A.1)
Ejemplo:
Supóngase un grupo de n=3 ac vidades iguales con duraciones PERT 10/20/40 y una
probabilidad de grupo de 0.5
Calcular la duración media del grupo.
Respuesta:
Aplicando la ecuación 9.4.2.A.1:

Capítulo 9 211
ANEXOS
La implementación en MS Project del grupo mencionado es la siguiente, véase los cam-

pos MCE Tipo Elem, MCE Prob Ocurr y MCE GrupoE, y nótese el resumen [17] marcado
para reportar duraciones.
Los resultados obtenidos para 1000 iteraciones del Monte Carlo estocás co son:
D. Media Desv. Est.

36.01 min 34.52 min
L1% L99%
0 min 91.42 min
Con 50 % de casos colapsados.
B. Caso de grupo en Paralelo (Tardío)

Recordando la ecuación para el comportamiento no estocás co de un grupo en Para-
lelo Tardío (véase las ecuaciones 9.2.3.4 y 9.2.3.7):
Agregando ahora la probabilidad grupal P resulta:
(9.4.2.B.1)
-----------------------
Caso especial: Si todas las fi(t) son iguales (ac vidades iguales), el factor integral de la
ecuación 9.4.2.B.1 es:
Que se evalúa en términos de duraciones PERT (O/E/R):
Y en la ec. 9.4.2.B.1 resulta:
(9.4.2.B.2)
Ejemplo:
Hay cuatro ac vidades iguales en Paralelo Tardío con duraciones O/E/R = 10/20/40, sobre
el grupo se ene una probabilidad de existencia P = 75 %. Es mar la duración promedio.
Respuesta:
Usando la ecuación 9.4.2.B.2 (y la 9.2.3.13) se puede calcular:
La implementación en MS Project se muestra a con nuación, véase el campo MCE Tipo

Elem que define los componentes. Obsérvese que el hito [26] es el único que recibe una
probabilidad de ocurrencia, y que todos comparten el nombre de grupo estocás co. Las
flechas de relación lógica entre las barras evidencian la estructura en paralelo.
Capítulo 9 213
ANEXOS
Como resultado del proceso monte Carlo Estocás co se ene:
D. Media Desv. Est.

22.90 min 13.43 min
L1% L99%
0 min 30.11 min
Con 25 % de colapsos.
C. Caso de grupo en Paralelo (Temprano)
Recordando la ecuación para el comportamiento no estocás co de un grupo en Para-
lelo Temprano (véase ecuaciones 9.2.4.4 y 9.2.4.5):
Agregando ahora la probabilidad grupal P resulta:
(9.4.2.C.1)
-----------------------
Caso especial: Si todas las fi(t) son iguales (ac vidades iguales), el factor integral de la
ecuación 9.3.12.C.1 es:
Que para el modelo triangular se evalúa en términos de duraciones PERT (O/E/R). Véa-
se la ecuación 9.2.4.7 y siguientes en:
Y en la ec. 9.3.12.C.1 resulta:
(9.3.12.C.2)
Ejemplo:
Hay cuatro ac vidades iguales en Paralelo Temprano con duraciones O/E/R = 10/20/40,
sobre el grupo se ene una probabilidad de existencia P = 75 %. Es mar la duración
promedio.
Respuesta:
Usando la ecuación 9.3.12.C.2 (y la 9.2.4.13) se puede calcular:
La implementación en MS Project no es posible para este caso.
9.4.3 Hitos de decisión

La duración de un grupo de ac vidades estocás cas que definen (n) ramales de un hito
de decisión viene dada por la duración de la ac vidad existente en cada instancia de
decisión.
Llámese diExi al evento: la duración de la ac vidad i cuando es la ac vidad existente

mientras todas las otras se hallan colapsadas.
con i=1…n
(9.4.3.1)
La esperanza de diExi es simplemente:
Y (9.4.3.2)
La estructura del hito de decisión agrega la condición

----------
Capítulo 9 215
ANEXOS
Caso especial: Si todas las probabilidades Pi = P son iguales, la sumatoria de la ecuación

9.4.3.2 resulta:
(9.4.3.3)
Y si las ac vidades son iguales también:
(9.4.3.4)
Ejemplo:
Sea un grupo de ac vidades que definen 4 ramales de un hito de decisión tales como:
Id 33 Hito de Decisión Id 34 Rama 1

HD P% 0 TE P% 15
Id 35 Rama 2
TE P% 45
Id 36 Rama 3
TE P% 30
Id 37 Rama 4
TE P% 10
Id 38 Final
P% 0
Id Dur. Op m Dur Más Prob Dur. Pesim

34 10 15 20
35 20 25 30
36 30 35 40
37 40 45 50
Calcular la duración media.
Respuesta:
La ecuación 9.4.3.2 (ac vidades diferentes) es aplicable:

La implementación Monte Carlo Estocás co del hito de decisión resulta como sigue:
Véase los campos MCE Tipo Elem, MCE Prob Ocurr y MC Select.
Y las curvas de frecuencia siguientes (duraciones en decimales de hora):
D. Media Desv. Est.

27.86 min 8.65 min
L1% L99%
5.12 min 46.40 min
Se notarán cuatro picos de frecuencia y también notarán que en todos los casos estas
gibas coinciden con los intervalos de duración individual de las ac vidades del grupo.
Esta es una caracterís ca de los hitos de decisión, la curva de frecuencias rela vas com-
binadas resulta ser la superposición (suma) de las curvas individuales.
Capítulo 9 217
ANEXOS
9.4.4. Ciclos de Repetición

A. El modelo de decisiones excluyentes
Para el modelado de las ac vidades cíclicas recuérdese la descripción hecha en 5.1
(Estructuras estocás cas), se convendrá que un Ciclo de Repe ción puede aproximarse
por un grupo de ac vidades que representen todos los casos posibles de repe ciones
ejecutándose una cada vez (y colapsando los otros casos), es decir, gráficamente:
R Decisión
Decisión
Sin repetición
S
S
Se puede representar como:
Decisión Decisión
Hito de Una repetición
decisión S
R S
Decisión Decisión
Dos repeticiones
S
R S R S
Decisión Decisión Decisión

r repeticiones
S ... r ...
R S R S
Donde cada caso de repe ción del ciclo es un ramal de un hito de decisión, y las repe-
ciones pueden extenderse teóricamente sin límite (r→+∞).
Si se asume que P es la probabilidad de ejecutar un ciclo, entonces la probabilidad de

no ejecutarlo es (1 – P) y se podría tener la tabla siguiente que daría las probabilidades
de cada caso:
TABLA DE REPETICIONES , PROBABILIDADES Y DURACIONES
Repe ciones Probabilidad Duración

1 0 (1 – P) S
2 1 P (1 – P) S+C
3 2 P2 (1 – P) S + 2C
… r Pr (1 – P) S + rC
Donde S es la duración de la parte no cíclica del lazo y C (=S+R) es la duración de la

parte cíclica del lazo, que incluye la duración del lazo de «retorno» y la repe ción de
la parte directa (S).
Evidentemente no se puede generar un sinnúmero de ramales y se debe limitar esta

situación; supóngase que se define un límite de probabilidad debajo del cual NO se
considerarán más casos de repe ción, es decir, si la probabilidad acumulada de los
términos desechados es:
(9.4.4.A.1)
Y se quiere limitar este error (truncamiento de la serie) a un valor ξ se tendría:
(9.4.4.A.2)
Donde i inicia en r+1, pero k inicia en 0.
Sin embargo, el término , con k recorriendo valores desde 0 hasta +∞ es

la suma de las probabilidades de todos los casos de la tabla de repe ciones y que por
definición debe ser 1.
Es decir:
(9.4.4.A.3)
Y el número límite de repe ciones resulta:
(9.4.4.A.4)
Siendo r el entero más cercano.
En la tabla siguiente se pueden encontrar varios pares de valores de probabilidad (P) y

error (ξ) y el correspondiente valor de r calculados de este modo.
NÚMERO DE CICLOS DE REPETICIÓN r vs. P y
0.01 0.02 0.03 0.05 0.1

0.9 65.6 59.0 55.1 50.3 43.7
0.8 31.0 27.9 26.0 23.7 20.6
0.7 19.4 17.4 16.3 14.9 12.9
0.6 13.5 12.2 11.4 10.4 9.0
P 0.5 10.0 9.0 8.4 7.6 6.6
0.4 7.5 6.8 6.3 5.8 5.0
0.3 5.7 5.2 4.8 4.4 3.8
0.2 4.3 3.9 3.6 3.3 2.9
0.1 3.0 2.7 2.5 2.3 2.0
Capítulo 9 219
ANEXOS
Nótese que por encima de P = 0.5 aparecen altos valores de r.
Este sector de la tabla significa que el ramal «por definir» (con probabilidad P > 0.5 de
ocurrencia) ene más probabilidades de ejecución que el ramal «definido» lo que no
es una situación normal, es decir, el programador debería revisar el plan de trabajo
para plantear un secuencia altamente probable con «desviaciones improbables», esto
seguramente implicará alterar la lógica inicial y replantear las ac vidades.
Al fin y al cabo, uno planea ac vidades que con a poder ejecutar y la inclusión de una
ac vidad no deseable —como una repe ción o corrección— con mayor probabilidad
de ejecución que la secuencia planeada indicará que el plan ene un importante de-
fecto estratégico o de concepto.
Con esto parece que el límite de repeticiones para contener el error total a menos
del 1 % está alrededor de 10; sin embargo, implementar 10 ramales en cada hito de
decisión tampoco se ve muy prác co desde el punto de vista del programador que
ene que desarrollar, verificar y mantener al día un modelo con varios cientos o miles
de ac vidades y quizá varias decenas de Ciclos de Repe ción. Lo más sensato será
definir las repe ciones de acuerdo a la probabilidad P y al error que se admita. Dado
que se está en una situación estocás co con es maciones PERT, un margen de 1 % a 3
% para el error parece aceptable, lo que llevaría a considerar r = 9 como máximo para
P cercano a 0.5, o r = 4 para P cercano a 0.2
Ejemplo de repe ciones - modelo de decisiones excluyentes
Para ilustrar el modelo de hitos de decisión para un ciclo de repe ciones, se ene el
siguiente caso simple:
Se preparará el modelo MS Project para la confi-

R Decisión guración que se muestra en la vista adjunta.
S Ambas ac vidades con duración nominal 10 h

cada una (O/E/P = 8/10/15). Y una probabilidad
de repe ción de 45 %.
Como se ha explicado, el modelo consiste en presentar cada instancia de repe ción

como un ramal de decisión.
Respuesta:
El hito [1] configura la estructura de decisiones. Nótese que MCE Prob Ocurr = 45 para
este elemento, registrando el valor de la probabilidad de repe ción del caso, como re-
cordarán esta asignación de valor en este po de componente (HD) no ene efecto y es
solo informa vo para el programador.
El primer ramal [2] Grupo 1P consiste de un paso por «Sigue» sin repe r, el hito [3] po
HG define el grupo estocás co MCE GrupoE = 1P (de una sola ac vidad37) este mismo
hito ene MCE Prob Ocurr = 55 como parámetro.
El segundo ramal [6] Grupo 2P 1R realiza un paso por «Sigue» y luego ejecuta un (1)
lazo de retorno. El hito [7] ( po HD) de definición del grupo estocás co 2P 1R ene la
probabilidad 24.75.
El resto de casos se generan similarmente agregando cada vez una tarea de «Retorno» y
una tarea «Sigue» en serie.
De inmediato se notará la principal desventaja de este método que es haber genera-

do una mul tud de tareas (71) para representar un Ciclo de Repe ción de solamente
dos tareas.
Luego de ejecutar el cálculo se ob enen los resultados mostrados en los campos MC

Frec Crí ca, MC Clase Crí ca y MCE Cta Ocurr.
37
También pudo usarse una ac vidad estocás ca independiente para modelar este grupo usando el po TE.
Capítulo 9 221
ANEXOS
Nótese que el Grupo 1P está marcado (con botones amarillos en MC Clase Crí ca) con
aprox. 55 % de casos perteneciente a la Ruta Crí ca, seguido de Grupo 2P 1R (con aprox.
24 % y botones verdes) y que el resto de casos ([20], [30], [42] y [56] se han cerrado para
mostrar una presentación sencilla) siguen con valores decrecientes lo cual coincide con
nuestra intuición acerca de las posibilidades de existencia de las repe ciones.
Las curvas de frecuencia resultantes se muestran a con nuación:

Ac vidad [1]: modelo de repe ciones excluyentes

Intervalo de duraciones = [0 , 152.8] h laborables
Clasificando de duraciones en 20 clases

(Ancho de clase: 7.64 h laborables)

1 0.38 0.4 3.82
2 55.31 55.7 11.5
3 0.00 55.7 19.1
4 4.12 59.8 26.7
5 19.37 79.2 34.4
6 0.45 79.6 42.0
7 4.02 83.7 49.7
8 7.12 90.8 57.3
9 0.45 91.2 65.0
10 2.10 93.3 72.6
11 2.90 96.2 80.2
12 0.38 96.6 87.9
13 1.10 97.7 95.5
14 0.80 98.5 103.2
15 0.08 98.6 110.8
16 0.55 99.1 118.4
17 0.38 99.5 126.1
18 0.13 99.6 133.7
19 0.23 99.9 141.4
20 0.15 100.0 149.0
D. Media Desv. Est.

28.7 25.1
L1% L99%
1 118.4
La simulación resulta exitosa, sin embargo, el excesivo número de ac vidades adicio-

nales la hace poco prác ca. Imagínese situaciones con no un par de ac vidades si no
grupos de varias ac vidades en las secciones «S» y «R» del ciclo.
Este análisis muestra que es factible reemplazar un Ciclo de Repetición con un hito de
decisión cuyas ramas sucesoras sean la implementación de los casos de repe ciones
sucesivas de los retornos en el diagrama de red. Aunque el costo de la «expansión» del
diagrama puede ser muy alto en términos de empo de implementación y en empo de
procesamiento.
NOTA
Aquí aparece un primer caso de lo que se puede llamar comportamiento doble estocás -
co, pues las ac vidades del Ciclo de Repe ción pueden ser estocás cas en sí mismas y se
les aplicará además una probabilidad de existencia global a cada ramal como se mostró en
la tabla de Repe ciones-Probabilidades-Duraciones al inicio de esta discusión. Este com-
portamiento se explorará más adelante
B. El modelo μ’
Buscando otra aproximación al tema se puede preguntar: ¿cuál es la duración espera-
da de un Ciclo de Repe ción?
La duración esperada de un Ciclo de Repe ción sería (inspeccionando la tabla de repe-

ciones, probabilidades y duraciones):
(9.4.4.B.1)
Capítulo 9 223
ANEXOS
(9.4.4.B.2)
Si ahora se recuerda que S y C son ac vidades con variabilidad PERT en sus duraciones,
se concluirá:
(9.4.4.B.3)
Inspeccionando el resultado se observa que cuando P ≥ 0.5 el término cíclico (duración

C) empieza a dominar el valor total, en cambio para probabilidades (P) bajas la duración
del tramo directo (duración S) es la que domina.
Esto permite modelar un Ciclo de Repe ción de un modo más sencillo y directo. Por
ejemplo, se puede transformar:
Decisión Decisión
R
en
S S' R'
Donde la duración del ciclo es y usando la ecuación 9.4.4.B.3 se tendrá:
(9.4.4.B.4)
Las duraciones «equivalentes» resultan:
(9.4.4.B.5)
(9.4.4.B.6)
Es decir, se puede estimar la duración promedio de un Ciclo de Repetición usando la

misma cadena de actividades con duraciones «equivalentes» o agregando probabi-
lidades de existencia grupales a las cadenas S y R (agregando comportamiento doble
estocás co).
NOTA
Habrá la tentación de plantear como equivalente al Ciclo de Repe ción un par de ac -
vidades en serie (en realidad un par de grupos de ac vidades) S y R, con probabilidades
estocás cas tales como en 9.4.4.B.5 y 9.4.4.B.6, pero esto no es estrictamente exacto pues
los perfiles de distribución de frecuencias no serán equivalentes, y se debe a los términos
de grados elevados en las ecuaciones 9.4.1.A.4. Véase también el 9.4.5 (Grupos doble
estocás cos)
Ejemplo de repe ciones - modelo μ’
Para ilustrar el modelado para un Ciclo de Repe ciones usando dos ac vidades equiva-
lentes en serie se repe rá el caso anterior:
Prepárese el modelo MS Project para la configura-

R Decisión ción que se muestra en la vista adjunta.
S Ambas ac vidades con duración nominal 10 h cada

una (O/E/P = 8/10/15). Y una probabilidad de repe-
ción de 45 %.
Respuesta:
En el diagrama de barras siguiente puede apreciarse la implementación de las ac vida-

des equivalentes ([8] y [9]) basadas en las originales ([3] y [4]). Las mismas que enen
los factor de corrección (1/(1-P) y P/(1-P)) que se muestran en el campo MCE Prob Ocurr
(y que no enen ningún efecto en el cálculo pues ninguna ene carácter estocás co).
Con dichos factores se han modificado las duraciones O/E/P de cada caso.
Capítulo 9 225
ANEXOS
Al ejecutar el proceso Monte Carlo resulta:
D. Media Desv. Est.

29.06 2.85
L1% L99%
22.91 36.0
Con resultados bastante pobres en cuanto al perfil fdp obtenido, aunque hay coinciden-
cia aceptable para la media. Compárase con los resultados en «Ejemplo de repe ciones
-modelo de decisiones excluyentes»:
D. Media Desv. Est.

28.65 25.08
Es decir, predice aceptablemente el valor medio pero no la forma de la curva de frecuen-

cias que es fundamental para es mar límites de control o de confianza.
C. La doble rampa cóncava

Si se vuelve a observar el perfil de frecuencias del ejemplo para el modelo de decisio-
nes excluyentes y se abstraen los comportamientos de variabilidad (PERT) de duracio-
nes, se notará que la curva de frecuencias caracterís ca de los Ciclos de Repe ción
ene la forma de la figura al lado. Para el ejemplo se ha usado:
P = 0.6
S=1
R=1
Donde las duraciones (sin variabilidad) van a «saltos» (múl plos de R + S) y la secuen-
cia de frecuencias individuales es cóncava hacia arriba.
Se puede verificar que mientras P → 1 la «curva» de frecuencias se hace más lineal

y por el contrario cuando P → 0 la curva se vuelve más y más cóncava (hacia arriba)
de manera que en el límite solo sobrevive el caso sin repe ción (duración = 1 en el
ejemplo).
Usando esto se desarrollará un modelo triangular (que se denominará de doble rampa

cóncava) que aproxime este comportamiento para una ac vidad de ese po. Veáse el
siguiente diagrama:
Trácense dos rampas:
f: Que inicia en O (la duración op mista,le-

tra «O») con valor fo y se ex ngue en M
con valor fm
g: Que inicia en O (letra «O») con valor go

y finaliza en Pe (la duración pesimista) con
valor cero pasando también por M con va-
lor fm.
La duración M debe determinarse de acuerdo al siguiente razonamiento:
Si se hace que estas dos curvas (sumadas) representen la fdp de un Ciclo de Repe ción,
el área debajo de (O, fo), (M,fm) y (Pe,0) debe ser igual a 1 (nótese que se usa la notación
de segmento para las diferencias ).
Es decir:
(9.4.4.C.1)
Ahora aplíquese la condición que M sea el valor esperado de las duraciones38, es decir,
desde el gráfico:
38
Parece intui vamente adecuado. No tenemos jus ficación técnica para esto, simplemente estamos buscando una
forma sencilla y efec va de representación de los Ciclos de Repe ción. Probablemente, existe una condición más co-
rrecta para un mejor ajuste a las curvas de frecuencias para este punto y será una función de los mismos puntos, pero
la determinación de esa condición no está en este texto
Capítulo 9 227
ANEXOS
Que se reduce a:
(9.4.4.C.2)
Despejando de 9.4.4.C.1:
(9.4.4.C.3)
En la ec 9.4.4.C.2:
Se puede despejar:
(9.4.4.C.3a)
Y en 9.4.4.C.3:
(9.4.4.C.4)
Para despejar go se puede deducir del diagrama que:
(9.4.4.C.4a)
Y reemplazando 9.4.4.C.3a:
(9.4.4.C.5)
Se puede calcular ahora la probabilidad de ocurrencia (P1) correspondiente al triángulo

debajo de f y por encima de g en el segmento de duraciones de O a M. Directamente
del gráfico:
Usando 9.4.4.C.3a y 9.4.4.C.4a: (9.4.4.C.6)
Mientras que la probabilidad debajo de g (P2) es simplemente:
(9.4.4.C.7)
La implementación de esta estructura en una red de ac vidades consiste de un hito de

decisión con dos ramales con probabilidades de ocurrencia P1 y P2 que representan a
f y g, respec vamente.
D. El modelo C’
Con la representación de ac vidades PERT usada antes, es decir, con las duraciones
Op mista/Más probable/Pesimista en los bloques de ac vidades, se podrá represen-
tar la doble rampa cóncava como:
Hito P1
Desición
/ /M
P2
/ /Pe
NOTA
Las probabilidades P1, P2 podrían generar casos doble estocás cos
NOTA
Obsérvese que para generar una rampa con el modelo triangular de duraciones se usa
el valor de la duración op mista (Ơ) como valor esperado, esto genera un rampa con
pendiente nega va hacia la derecha, podría generarse una pendiente nega va hacia la
izquierda si para la duración esperada se usase la duración pesimista (Pe).
Con los desarrollos anteriores se puede ahora plantear la sus tución sugerida en la dis-
cusión de la ecuación 9.4.4.B.3 generando dos (2) ac vidades fic cias con duraciones
PERT tal como se muestran a con nuación:
P1
Hito
Desición
P2
Esto, que matemá camente se puede hacer correcta o razonablemente, además se

necesita que sea intuitivamente comprensible y operable por el programador que está
preparando, actualizando y manteniendo al día un cronograma. Es decir, estas ac -
vidades equivalentes deben plantearse en términos de las ac vidades originales del
Ciclo de Repe ción. Tal como está propuesto se pierde el significado de las ac vidades
en aras de la implementación matemá ca.
Capítulo 9 229
ANEXOS
Variando la aproximación al caso nótese que el Ciclo de Repe ción ene una parte no-es-
tocás ca: la primera pasada por el ramal directo «S» y que las posteriores eventualidades
(estocás cas) de repe ción se van presentando en múl plos de (S+R) con probabilidad
conocida. Es decir, se puede plantear representar el ciclo como en el diagrama:
Decisión
S C'
Con S la ac vidad obligatoria del ciclo y una ac vidad extra C’ que represente el incre-
mento de duraciones por los casos de repe ciones de S+R.
Esto ene la ventaja de ser más manejable por el programador en términos intui vos,
también da la oportunidad de manejar el margen de duraciones representado por
C’ en términos de ejecución de trabajo y ges ón de riesgos. Se podría dejar C’ como
parte natural de la secuencia de trabajo o, dependiendo de si forma parte de la Ruta
Crí ca y la frecuencia (Cri cidad) con que lo hace se podría trasladar al Margen de
Duración total del proyecto, agregando la ventaja de que ahora se tendría un conoci-
miento exacto sobre el origen y comportamiento de este componente del margen; es
decir, se podrá re rarlo del margen o confirmarlo en cuanto se verifique la ocurrencia.
Ganando capacidad para predecir el final del trabajo.
Observando la ecuación 9.4.4.B.3 se deduce que la duración promedio de esta ac vi-

dad C’ es:
(9.4.4.D.1)
Y se comporta de tal manera que el desarrollo triangular en rampas le es aplicable con

la duración «Ơ» igual a cero (o), la duración «M» igual al valor de μC' en la ecuación
9.4.4.D.1 y la duración «Pe» será un valor a es mar determinando el número de repe-
ciones (r) para un error menor al 1 %. Véase la ecuación 9.4.4.B.4
La estructura del Ciclo de Repe ción consis ría de la ac vidad (o grupo de ac vidades
«S» y el grupo de retorno «C’» se representaría con el hito de decisión con dos ramas,
cada rama con probabilidades es madas con 9.4.4.C.6 y 9.4.4.C.7.
P1
Decisión
S
P2
NOTA
Obsérvese que las ocurrencias de repe ción no ocurren sobre un dominio con nuo de
duraciones, sino sobre valores discretos múl plos de (S+R), es decir es un fenómeno
con resultados discretos. El modelo de rampas es un modelo de dominio con nuo; por
tanto, debe entenderse que las probabilidades intermedias calculadas con el modelo de
rampa deben es marse sobre valores acumulados y sobre «anchos de duración» que
coincidan con múl plos de (S+R) para ser correctos.
Para comprender mejor lo dicho repase la definición de la duración «Pe» de la ram-

pa que corresponde a g(t) (la línea roja en el diagrama del modelo de doble rampa
cóncava).
La ac vidad C’ (que es la cadena R concatenada con la cadena S de ac vidades y to-

mada como grupo) puede tener variabilidad en sus duraciones además de contener
elementos estocás cos propios. Por lo que la duración de C’ tendrá una distribución
de probabilidades.
La duración del Ciclo de Repe ciones se puede analizar considerando los casos (y sus
probabilidades) de repe ción de C’ (o de su fdp más exactamente) de acuerdo a lo
mostrado en la tabla de Repe ciones-Probabilidades-Duraciones.
Para el caso sin repe ción no hay instancia de C’.

Para una repe ción se ene la fdp ubicada a (1) C’ de duración.
Para dos repe ciones se ene la fdp ubicada en 2 · C’.
Para n repe ciones se ene la fdp ubicada en n · C’ de duración.
O gráficamente los casos se presentan de la siguiente manera:

Capítulo 9 231
ANEXOS
Se notará que el caso genérico de n repe ciones ene una probabilidad de ocurrir de
Pn(1-P) y su fdp correspondiente ene una desviación estándar n veces la desviación
del caso original.
Por tanto, la duración «Pe», basada en «r» repe ciones, deberá tener la forma:
(9.4.4.D.2)
Basada en la duración media de C’, con k una medida del número de desviaciones es-
tándar necesarias para asegurar que el úl mo caso de repe ción, de la instancia n C’,
está incluido.
Ejemplo de Repe ciones – Modelo C’
Para ilustrar el modelado para un Ciclo de Repe ciones usando el modelo de doble ram-
pa cóncava.
Prepárese el modelo que se muestra en la vista MS

R Decisión
Project adjunta.
S Ambas ac vidades con duración nominal 10 h cada

una (O/E/P = 8/10/15). Y una probabilidad de repe-
ción de 45 %.
Repuesta:
Se necesita modelar el Ciclo de Repe ción en la siguiente estructura:

P1
Decisión
S'
P2
Se usan las ecuaciones 9.4.4.C.6 y 9.4.4.C.7 para calcular:
P1=0.660
P2=0.340
Con la ecuación 9.4.4.A.4 se calcula:

Con 4.1.7 y 4.1.9 se calculan: y
Usando k = 2.3263 en 9.4.4.D.2 resulta:
Finalmente, de la ecuación 9.4.4.D.1:
Resulta la siguiente estructura:

0.660
Decisión
0/0/18
8/10/15
0.340
0/0/167
El modelo en MS Project de esta estructura es:
Se notará que las duraciones Expected de [76] y [77] no son cero como se propuso, esto
es porque se ha preferido mantener en vigor la restricción:
Op mis c Dur≤Expected Dur≤Pessimis c Dur
Explicada en 4.3 La implementación de la variabilidad en MS Project, de manera que

en lugar de cero se ha puesto el menor valor posible en las mismas unidades de dura-
ción, la cercanía de este valor al cero asegura que no habrá desviaciones de las rampas
propuestas.
Luego de ejecutar el algoritmo de Monte Carlo estocás co se ob enen los siguientes

resultados:
D. Media Desv. Est.

34.21 34.06
L1% L99%
4.80 147.0
Capítulo 9 233
ANEXOS
Ac vidad [73]: Modelo C' de ciclo

Intervalo de duraciones = [8.70 , 174.68] h laborables
Clasificando de duraciones en 20 Clases
(ancho de clase: 8.29 h)
1 38.82 38.8 12.8
2 29.89 68.7 21.1
3 6.02 74.7 29.4
4 3.02 77.8 37.7
5 2.20 80.0 46.0
6 2.35 82.3 54.3
7 2.30 84.6 62.6
8 2.17 86.8 70.9
9 1.78 88.6 79.2
10 2.17 90.7 87.5
11 1.55 92.3 95.8
12 1.25 93.5 104.1
13 1.15 94.7 112.4
14 1.25 95.9 120.7
15 1.35 97.3 129.0
16 0.73 98.0 137.3
17 0.93 98.9 145.6
18 0.45 99.4 153.9
19 0.28 99.7 162.2
20 0.35 100.0 170.5
Usando los datos de las iteraciones (el archivo <Nombre archivo>-Itera.txt) se ha pre-
parado el siguiente diagrama de superposición de frecuencias de ambos casos, inter-
polando los datos de la tabla de fecuencias C’ sobre la tabla de frecuencias del caso de
repe ciones excluyentes:
Encontrando una interesante coincidencia entre las curvas de frecuencia acumulada

(curva azul-C’ versus curva roja-repe cion excluyente).
Considerando la economía de líneas de programa lograda con el modelo C’, la simulación
(aproximación) obtenida se ve sa sfactoria.
NOTA
En el entusiasmo producido por el análisis de la fac bilidad para modelar las repe ciones
se ha dejado de lado el significado del proceso analizado. Cuando se afirma que existe la
probabilidad P de repe r unas ac vidades ¿A qué se está refiriendo? ¿Qué ac vidad o
proceso de la vida real es la que causa estas posibilidades?
Por ejemplo, en el ámbito de proyectos y mantenimiento existe la situación en la que

luego de haber instalado, reemplazado o mantenido (plan preven vo) un componente
este debe ser inspeccionado para verificar su estado de funcionamiento antes de en-
tregarlo al cliente o a la siguiente etapa del trabajo. Este es un proceso de control de
calidad del trabajo realizado y el resultado de esta verificación se determina a través
de pruebas e inspecciones. Existe entonces la probabilidad que el componente esté
defectuoso aun cuando esté sicamente perfectamente bien (puede estar ensamblado
incorrectamente o regulado equivocadamente o descalibrado, etc.). La probabilidad P
será entonces esa probabilidad y comprenderá la posibilidades de que la falla sea de
origen (en caso el componente sea nuevo) o de que no se haya completado el proceso
debido de configuración para el servicio previsto o de un error en el procedimiento de
mantenimiento/montaje/ensamble.
Esto quiere decir que la ac vidad previa (S) ya ha desarrollado ac vidades de inspección,
regulación y control y deja un remanente de probabilidades de falla. Así, P mide la falta
de confiabilidad de los procesos (ac vidades) previos y puede considerarse más o menos
constante y presente, desde la primera pasada sin repetición, mientras no se cambien los
procedimientos de control.
Existe otra forma de repe ción donde no hay ac vidad previa (S) que modifique con sus
controles el estado del componente , esto se refiere al caso de las inspecciones de mante-
nimiento, donde toda la ac vidad previa ene por obje vo permi r la inspección de algu-
nos de los componentes de la instalación para determinar su estado de integridad mecá-
nica y la posible necesidad de trabajos de reparación, en este caso P es la probabilidad de
que el componente tenga una falla, esté desgastado o contenga un defecto intrínsecos y
no por causa de las ac vidades desarrolladas para preparar la inspección.
Capítulo 9 235
ANEXOS
La repe ción lleva a realizar trabajos de corrección (la ac vidad R) que retornan al mismo
hito de inspección para una nueva comprobación. La probabilidad P mide en este caso el
estado inicial del componente (necesita o no necesita reparaciones), pero los trabajos de
corrección modifican ahora el estado del componente y agregan una nueva condición que
debe cambiar la probabilidad de repe ción.
En ambos casos la repe ción ejecuta procesos de corrección para eliminar defectos y evi-
tar una nueva repe ción. Sin embargo, la segunda nos lleva a una situación diferente.
E. Ciclo de Repe ción con probabilidad decremental

Existen varias formas en que la probabilidad de repe ción de los ciclos puede quedar
afectada por las ac vidades de retorno.
Ahora se examinará el caso en que los Ciclos de Repe ción se generan porque se llega
a un punto de evaluación donde se revisa la condición inicial y se decide corregir o
cambiar algo hasta llegar a una meta o especificación; la necesidad de corregir ene
la probabilidad P de ocurrir y es independiente de las ac vidades ejecutadas hasta ese
momento. Luego de realizar las correcciones o cambios del caso la probabilidad de
tener que corregir otra vez dependerá solamente de la confiabilidad del trabajo hecho
que ene una probabilidad Q de éxito39.
En términos de trabajos de mantenimiento o de comisionado de un equipo: en la pri-

mera pasada se inspecciona el componente y existe una probabilidad P de que requie-
ra correcciones por su condición propia, luego de ejecutar las correcciones se eliminan
las causas (la falla) que originaron el ciclo, y se ene la probabilidad Q de haber corregi-
do existosamente la situación, y esta probabilidad Q depende solamente de la calidad
de los procedimientos de corrección.
39
También podemos plantear otra situación, por ejemplo, una en que las probabilidades de retorno dependan no solo
de la condición inicial y de la confiabilidad de los procesos del ciclo de retorno sino, además, de la confiabilidad de las
inspecciones para detectar si se ha logrado la condición o la especificación buscada. Habrían posibilidades de error
como dar por bueno una situación defectuosa o al revés de rechazar una condición en especificación.
En la siguiente tabla se muestra este escenario:
REPETICIONES, PROBABILIDADES DECRECIENTES Y DURACIONES
r Prob de éxito luego Duración Prob de repe r luego

de r repe ciones de r repe ciones
1 0 (1 – P) S P
2 1 P·Q S+C P.(1 – Q)
3 2 P·Q·(1 – Q) S + 2C P.(1 – Q)2
… r P·Q·(1 – Q)r–1 S + rC P.(1 – Q)r
Nótese que la probabilidad de éxito en el ciclo de retorno (Q) solo afecta al proceso
cuando se ejecutan ciclos de retorno; por tanto, no afecta a la primera pasada (r = 0)
pues aún no se ha ejecutado ningún ciclo, y en esa situación las probabilidades de re-
pe ción están controladas solamente por la condición del equipo (P).
El efecto de la información obtenida o de las correciones realizadas hace que se reduz-

can las probabilidades de las repe ciones a par r del segundo ciclo, coherentemente
con el hecho de que las ac vidades de retorno no se hacen a ciegas sino con el propó-
sito de no repe r otra vez el ciclo.
La duración esperada será el homólogo de la ecuación 9.4.4.B.1. Recordando que

C = R + S:
E(D) = (1 − P) ⋅ S + ∑ 0 P ⋅ Q ⋅ (1 − Q ) ⋅ (S + i ⋅ C)
+∞ i−1
(9.4.4.E.1)
E(D) = (1 − P) ⋅ S + P ⋅ Q ⋅ ∑ 0 (1 − Q ) ⋅ (S + i ⋅ C)
+∞ i−1
E(D) = (1 − P) ⋅ S + P ⋅ Q ⋅ {∑ +∞
0
(1 − Q )i−1 ⋅ S + ∑ 0 (1 − Q )i−1 ⋅ (i ⋅ C)}
+∞
{
E(D) = (1 − P) ⋅ S + P ⋅ Q ⋅ S ⋅ ∑ 0 (1 − Q )
+∞ i−1
+ C ⋅∑ 0 (1 − Q )
+∞ i−1
}
⋅i
⎧ C⎫
E(D) = (1 − P) ⋅ S + P ⋅ ⎨S + ⎬
⎩ Q⎭
P⋅C
E ( D) = S + (9.4.4.E.2)
Q
Capítulo 9 237
ANEXOS
Cuando la efec vidad del ciclo de retorno es perfecta (Q = 1) la media resulta (véase
la ecuación 9.4.4.E.1):
E ( D) = S + P ⋅ C (9.4.4.E.3)
Que muestra que la duración del ciclo siempre será mayor que la de simplemente S.
NOTA
Para Q = 0, que es el caso cuando NO se es capaz de efectuar las correcciones la ecua-
ción 9.4.4.E.1 ofrece erróneamente el mismo resultado: (1 – P)·S; y obsérvese que cuan-
do esto ocurre (NO se puede llegar a la especificación requerida) el programa de trabajo
queda inconcluso porque no se ha podido pasar los requerimientos de control de ca-
lidad. El programa de trabajo planteado pierde validez (ciclos de retorno sin fin) como
modelo de ejecución aunque tengamos una duración promedio como la indicada.
NOTA
Más de un supervisor de mantenimiento/comisionado tendrá anécdotas donde se en-
zarzó en un aparente ciclo sin fin de repe ciones de pruebas hasta que, finalmente,
agotado, dio de baja el equipo. También deberá recordar si en esos retornos aprendió o
descubrió más sobre las causas de la falla que le permi eran modificar sus procedimien-
tos o con nuó repi endo la misma secuencia sin cambios.
Abajo se ene un ejemplo graficado de curvas de frecuencia con los siguientes

parámetros:
P = 0.6
Q = 0.5
S=1
R=1
También se observa que conforme se tenga un mejor desempeño en las ac vidades

de retorno (Q → 1) la curva de frecuencias se hace más cóncava dejando solamente
la pasada directa y la primera repe ción, desapareciendo las otras posibilidades de
mayor número de repe ciones. Véase el ejemplo siguente:
P = 0.6
Q = 0.95
S=1
R=1
Que se interpreta ante las probabilidades de fallo/defecto inicial moderadamente alto

(P = 0.6) que causan un 40 % de casos que NO enen fallo (duración = 1) del restante 60 %
de casos la alta capacidad de corrección (Q = 0.95) hace que se resuelvan 57 % a la primera
repe ción (duración = 3) dejando un 3 % de casos que se resuelven casi todos en la segunda
repe ción (duración = 5) y en sucesivas repe ciones cada vez más raras.
NOTA
Los programadores que hayan tenido la experiencia de lidiar con eventos estocás cos
reconocerán esta situación, normalmente aceptan solo una repe ción del ciclo como
situación probable, despreciando los casos de mayor número de repe ciones confiados
en la efec vidad de las ac vidades de retorno. Esto puede ser bastante acertado en el
ámbito de mantenimiento donde los sistemas de inspección pueden otorgar valores
muy altos de la probabilidad Q; en cambio en otros ámbitos como los de diseño, desa-
rrollo de productos o aplicaciones nuevas, o en inves gación este valor de la probabili-
dad de efec vidad/aprendizaje posiblemente no tenga sistemas similares que aseguren
valores altos. Estas son áreas donde domina la estrategia heurís ca (prueba y error… y
corrección).
Capítulo 9 239
ANEXOS
Ejemplo de repe ciones con probabilidad decremental - modelo de decisiones

excluyentes
Se ene el siguiente caso simple:
R Decisión
Ambas ac vidades con duración nominal 10 h cada una (O/E/P = 8/10/15). Y una proba-
bilidad de repe ción inicial de 60 % y una efec vidad del ciclo de retorno de 95 %.
Se preparará el modelo MS Project para es mar sus duraciones. Como se ha explicado,

el modelo consiste en presentar cada instancia de repe ción como un ramal de decisión.
Respuesta:
Similar al caso anterior (con probabilidades de repe ción constantes) el hito [2] configu-
ra la estructura de decisiones.
El primer ramal [3] Grupo 1P consiste de un paso por «Sigue» sin repe r, el hito [4] po
HG define el grupo estocás co MCE GrupoE = 1P (de una sola ac vidad40) este mismo
hito ene MCE Prob Ocurr = 40 como parámetro.
El segundo ramal [7] Grupo 2P 1R realiza un paso por «Sigue» y luego ejecuta un (1) lazo
de retorno. El hito [8] ( po HG) de definición de este grupo estocás co 2P 1R ene una
probabilidad de ocurrencia de 57 %.
El resto de casos se generan similarmente agregando cada vez una tarea de «Retorno» y
una tarea «Sigue» en serie y reduciendo la probabilidad de retorno al 5 %
De nuevo se nota la desventaja de este método que es haber generado 30 tareas para
representar un Ciclo de Repe ción de solamente dos tareas.
Luego de ejecutar el cálculo se ob enen los resultados mostrados en los campos MC

Frec Crí ca y MC Clase Crí ca.
40
También pudo usarse una ac vidad estocás ca independiente para modelar este grupo, usando el po TE.
Nótese que el Grupo 1P está marcado (con botones verdes en MC Clase Crí ca) con
aprox. 39.5 % de casos perteneciente a la Ruta Crí ca, detrás del Grupo 2P 1R (con
aprox. 58 % y botones amarillos) y que el resto de casos siguen con valores decrecientes.
Las curvas de frecuencia resultantes se muestran a con nuación:
Capítulo 9 241
ANEXOS
Ac vidad: [1] - Modelo de Repe ciones Excluyentes

Intervalo duraciones = [ 8.1 , 77.25 ] h LABORABLES
Clasificando duraciones en 20 Clases
(Ancho de clase: 3.45 h LABORABLES)
1 27.6 27.6 9.82
2 12.6 40.2 13.28
3 0 40.2 16.74
4 0 40.2 20.2
5 0 40.2 23.65
6 3.4 43.6 27.11
7 19.7 63.3 30.57
8 24.8 88.1 34.03
9 8.7 96.8 37.48
10 0.9 97.7 40.94 D. Media Desv. Est.
11 0 97.7 44.4 24.68 12.08
12 0.1 97.8 47.86
13 0.7 98.5 51.31 L1% L99%
14 0.5 99 54.77 6.50 54.77
15 0.7 99.7 58.23
16 0.2 99.9 61.69
17 0 99.9 65.14
18 0 99.9 68.6
19 0 99.9 72.06
20 0.1 100 75.52
La ecuación 9.4.4.E.2 predice la duración media: E(D) = 11 + 0.6 ⋅ 22 = 24.89

0.95
El Modelo C” de Doble Rampa
La implementación de un modelo de doble rampa se basa en el hecho de que las curvas

de frecuencias real vas son cóncavas hacia arriba en toda su extensión. Ya se ha visto,
por el ejemplo anterior, que esto no es siempre cierto para el caso de repe ciones con
probabilidades decreciente. Para combinaciones de las probabilidades de fallo o defec-
tos iniciales (P) altas y confiabilidad de las ac vidades de retorno (probabilidad Q) me-
dio-bajas se genera una rampa creciente hacia la derecha en el tramo de duraciones
entre la primera y segunda pasadas.
Por tanto, el método propuesto no sería aplicable, se deben hacer algunas adaptaciones.
Véase el diagrama siguiente:
Decisión
S C''
Si se separa la primera pasada de duración S (que se ejecuta siempre), se encuentra que

el resto de los casos sí producen una curva cóncava hacia arriba a lo largo del dominio
de las duraciones.
Entonces se puede usar una rampa doble para representar (C”) las frecuencias rela vas
a par r de la segunda pasada (desde la primera repe ción), véase las líneas celestes en
el diagrama adjunto:
fO
gO
fM
O' Pe
M
Capítulo 9 243
ANEXOS
Sin embargo, el modelo de la doble rampa cóncava debe revisarse, pues ahora ya no re-
portaría las probabilidades asociadas a la primera pasada (1 – P) del Ciclo de Repe ción.
Para lo dicho debe notarse que dado que la primera pasada se excluye del conjunto de
casos, la población reducida representa el 100 % de los casos a representar.
Es decir, la ecuación 9.4.4.C.1 aún es válida (la suma de todos los casos es el 100 % de los
casos) para esta población reducida:
MO ⋅ fO + PeO ⋅ fM = 2
2 − PeO ⋅ fM
Por tanto, 9.4.4.C.3 se repite: fO =
MO
Importante: Con O (la duración op mista) igual a la duración de S+C.
Dado lo anterior se repite el raciocinio seguido en 9.4.4.C la doble rampa cóncava y se
arriba otra vez a la ecuación 9.4.4.C.3a
4 ⋅ MO
fM = 2 2
2 ⋅ MO + PeM − PeO ⋅ MO
La probabilidad de ocurrencia (P1’) correspondiente al triángulo debajo de f y por encima

de g en el segmento de duraciones de O a M es:
fM ⎛ PeO2 ⎞
Véase la ecuación 9.4.4.C.6: P1' = 1 − ⎜ ⎟⋅
2 ⎜⎝ PeM ⎟⎠
fM ⎛ PeO2 ⎞
Y la probabilidad debajo de g es: P2' = ⎜ ⎟
2 ⎜⎝ PeM ⎟⎠
Sin embargo, al integrar estos resultados en el modelo que incluye a la primera pasada
estos valores deben corregirse para representar sumadas solamente a la probabilidad P,
es decir:
⎡ f ⎛ P O2 ⎞ ⎤
P1 = P ⋅ P1' = P ⋅ ⎢1 − M ⎜ e ⎟ ⎥ (9.4.4.E.4)
⎢ 2 ⎜⎝ PeM ⎟⎠ ⎥
⎣ ⎦
⎡ f ⎛ P O2 ⎞ ⎤
P2 = P ⋅ P2' = P ⋅ ⎢ M ⎜ e ⎟ ⎥ (9.4.4.E.5)
⎢ 2 ⎜⎝ PeM ⎟⎠ ⎥
⎣ ⎦
La estructura del Ciclo de Repe ción consis ría de una Trifurcación con un ramal S de
casos (con probabilidad de ocurrencia: 1 – P) y el grupo de retorno C” se representaría
como dos ramas, cada rama con probabilidades es madas como se muestra:
1–P
Decisión S
P1
/ /M Donde sabemos que:
P2 P1 + P2 = P ≤ 1
/ /Pe
Obsérvese que la primera rama de decisión (ac vidad S) ene una probabilidad de ocu-
rrencia de 1 – P, lo cual da cuenta de los casos en que el ciclo solo ejecuta la primera
pasada (sin repe ción)41.
El valor de M es el del valor medio o valor esperado de la serie de repe ciones excluyen-
do la primerada pasada sin repe ción, es decir, en la ecuación 9.4.4.E.1:
+∞ i −1
E(D) = (1 − P) ⋅ S + ∑1 P ⋅ Q ⋅ (1 − Q ) ⋅ (S + i ⋅ C )
Hay que re rar el primer sumando y corregir el denominador, es decir:

+∞ i −1
M=
P⋅Q ⋅ ∑ 1 (1 − Q ) ⋅ (S + i ⋅ C)
P
M = Q⋅ S⋅ { ∑ 1 (1 − Q ) + C ⋅ ∑ 1 (1 − Q ) ⋅ i}
+∞ i −1 +∞ i −1
⎪⎧ S C ⎪⎫
M = Q⋅⎨ + 2 ⎬
⎪⎩ Q Q ⎪⎭
C
M=S+
Q
(9.4.4.E.6)
Para determinar Pe, se usa la ecuación 9.4.4.D.2, pero ahora hay que agregar la duración
del primer paso por S, resultando:
Pe = μS + r ⋅ μC′ + k r ⋅ σC' (9.4.4.E.7)
41
Los lectores interesados notarán aquí que con este po de raciocinio se abren posibilidades para la generación de cur-
vas de fecuencia más complejas, es decir, el modelo de decisiones excluyentes permite por medio del diseño cuidadoso
de las ramas de decisión (duraciones PERT y probabilidades de ocurrencia) generar comportamientos más complejos.
El obje vo de este texto está enfocado en la ges ón de las incer dumbres en las duraciones de los cronogramas, por lo
que aquí no se con núa inves gando esa línea de desarrollo.
Capítulo 9 245
ANEXOS
Se debe determinar primero el número de repe ciones (r1%) que limite el error, de las
probabilidades que despreciamos, de los casos con más repe ciones. Para es mar este
valor se presenta la suma de las probabilidades de todos los casos de la siguiente manera:
+∞ i −1
T = (1 − P) + ∑1 P ⋅ Q ⋅ (1 − Q ) =1
Se busca el número (r) de repe ciones que acota la suma de las probabilidades de los
términos superiores a un valor menor a ξ:
+∞ i −1
ξ≥ ∑ r+1 P ⋅ Q ⋅ (1 − Q )
+∞
ξ ≥ P ⋅ Q ⋅ (1 − Q ) ⋅ ∑ 0 (1 − Q )
r i
P ⋅ Q ⋅ (1 − Q )
r
ξ≥
1 − (1 − Q )
ξ ≥ P ⋅ (1 − Q )
r
⎡ξ ⎤
Ln ⎢ ⎥ ≥ r ⋅ Ln [1 − Q ]
⎣P⎦
Y como (1 – Q) es menor que 1, resulta:
⎡ ξ⎤
Ln ⎢ ⎥
r≥ ⎣ P⎦
(9.4.4.E.8)
Ln [1 − Q ]
De manera que r será el entero siguiente más cercano al evaluar este resultado. En par-
cular r1% se op ene cuando ξ=0.01
Tal como se hizo en el caso de repe ciones con probabilidades constantes, la Trifurcación:
1–P
Decisión S
P1
/ /M
P2
/ /Pe
Equivale a:
P1
Decisión
C/C/M-S
S P2
C/C/Pe-S
Donde se sabe que:

C = O'− S = S + R (9.4.4.E.9)
C
M−S =
Q (9.4.4.E.10)
Pe − S = r ⋅ μC′ + k r ⋅ σC′
(9.4.4.E.11)
Esta segunda forma es más conveniente desde el punto de vista del programador por
la ventaja de mostrar una ac vidad no-estocás ca (S) seguida de una estructura esto-
cás ca (el hito de decisión) que se puede interpretar como la variabilidad de duración
asociada a las repe ciones.
Existen además condiciones adicionales para M y Pe de manera que por ejemplo:
Pe – O > 3 ⋅ (M – O) (9.4.4.E.12)
Relación que resulta de considerar las posiciones rela vas del centroide del triángulo
debajo de g y de la media (M) del conjunto.
El criterio final correspondería a restringir los valores de P1 y P2 a valores posi vos. Es

decir, en las ecuaciones 9.4.4.E.4 y 9.4.4.E.5
⎡ f ⎛ P O2 ⎞ ⎤
P1 = P ⋅ ⎢1 − M ⎜ e ⎟ ⎥ > 0
⎢ 2 ⎜⎝ PeM ⎟⎠ ⎥
⎣ ⎦
⎡ f ⎛ P O2 ⎞ ⎤
P2 = P ⋅ ⎢ M ⎜ e ⎟ ⎥ > 0
⎢ 2 ⎜⎝ PeM ⎟⎠ ⎥
⎣ ⎦
La condición para P2>0 no agrega restricciones a Pe cuando se desarrolla, en cambio la

condición P1>0 lleva a:
( ) (
Pe3 − 3(2M − O) Pe2 + 3 2M2 − O2 Pe − 2M3 − O3 − (M − O) > 0 ) 3
(9.4.4.E.13)
Que se puede resolver para llegar a soluciones42 reales:
42
La ecuación es cúbica en Pe y se aplica el método de Cardano para llegar a las soluciones, se descartan las soluciones
complejas:
Pe > 3 R + 2 Q3 + R 2 + 3 R − 2 Q3 + R 2 − (2 ⋅ M − O)
Donde:
Q = −2 ⋅ (M − O)
2
7 ⋅ (M − O) + 4 ⋅ O2 ⋅ (M − O)
3
R=
2
Capítulo 9 247
ANEXOS
Para evitar la complicación de resolver semejante ecuación se ha encontrado que si se hace:
M−O<
(Pe − O)
5
Es decir: Pe > O + 5 ⋅ (M − O) (9.4.4.E.14)
La condición está asegurada.
Ejemplo de repe ciones con probabilidad decremental - modelo de decisiones

excluyentes
Supóngase la siguiente estructura de repe ción:
R Decisión
Donde S y R enen duraciones PERT [8/10/15] horas. La probabilidad inicial de ejecutar

el lazo R es 65 % (= P) y considérese que habiendo realizado este lazo la probabilidad de
volver a repe rlo es de 25 % (confianza en los procesos Q = 75 %)
Modelar esta situación en MS Project.
Respuesta:
Modelo de repeticiones excluyentes. Se usará como referencia base para este caso.
Se modela en MS Project de la siguiente manera:
Donde el número de repe ciones con menos de 1 % de truncamiento de probabilidades

se determinó con la ecuación 9.4.4.E.9
⎡ ξ⎤ ⎡ 0.01 ⎤
Ln ⎢ ⎥ Ln ⎢
r≥ ⎣ P⎦ = ⎣ 0.65 ⎥⎦ = 3.01 → 4
Ln [1 − Q ] Ln [1 − 0.75]
Que permite controlar el número de instancias de repe ción que debemos agregar en
este modelo.
Las probabilidades de cada rama de decisión se ob enen de la tabla de REPETICIONES,

PROBABILIDADES DECRECIENTES Y DURACIONES.
Los resultados de la simulación Monte Carlo (1k) se muestran a con nuación:
D. Media Desv. Est.

30.28 18.7
Capítulo 9 249
ANEXOS
Ac vidad: [0] – Ciclos Rep Decrem caso RepExcluy

rD6x [P=0.65, Q=0.75]
Intervalo Duraciones = [0,106.48] h. LABORABLES
(Ancho de Clase: 5.32 h. LABORABLES)
1 0.1 0.1 2.7
2 15.5 15.6 8.0
3 18.3 33.9 13.3
4 0.0 33.9 18.6
5 0.1 34.0 24.0
6 17.5 51.5 29.3
7 28.4 79.9 34.6
8 3.6 83.5 39.9
9 0.0 83.5 45.3
10 3.6 87.1 50.6
11 6.9 94.0 55.9
12 1.4 95.4 61.2
13 0.30 95.70 66.6
14 1.40 97.10 71.9
15 1.10 98.20 77.2
16 1.10 99.30 82.5
17 0.10 99.40 87.8
18 0.00 99.40 93.2
19 0.30 99.70 98.5
20 0.30 100.00 103.8
La ecuación 9.4.4.E.2 predice para la duración media:

0.65 ⋅ 22
E(D) = 11 + = 30.07
0.75
El modelo de rampa doble. Para este modelo se necesita definir primero las probabilida-
des P1 y P2 con la serie de ecuaciones que terminan en las ecuaciones 9.4.4.E.4/5. Esta
secuencia se calcula mejor a pasos, de manera que se inicia con las duraciones PERT de
S y R (ecuaciones 4.1.7 y 4.1.9) obtenemos:
µC” (µS + R ) = 22.0

σC” = 2.082
Con un error al 1 % (ecuación 9.4.4.E.8) se ob ene: r = 4.

Luego las duraciones de ciclo sin el primer término se calculan:
Variable Trifurcación Bifurcación

Dur. Optim. Ciclo O 33.0 22.0
Dur. Esper. Ciclo M 40.33 29.33
Dur. Pesim. Ciclo Pe 108.7 97.7
Si se verifica además la condición 9.4.4.E.14:
Variable Trifurcación Bifurcación

Pe>O+5·(M – O) 69.65 58.65
No es necesario cambiar valores. Usando los valores previos en la ecuación 9.4.4.C.3a:

fM = 0.006944 para ambas condiciones.
Y las probabilidades (ecuaciones 9.4.4.E.4 y 9.4.4.E.5) resultan, también para ambos

casos:
P1 = 0.461
P2 = 0.189
Entonces los modelos MS Project para ambos casos se muestran:
El primer caso (Trifurcación) se ha modelado con el hito [44]-Hito Decisión, ( po HD) y

tres ac vidades estocás cas independientes ( po TE):
[45]-Tarea Sigue con probabilidad de ocurrencia de 35 %

[46]-Tarea OOM con una probabilidad de 46.15 %
[47]-Tarea OOPe con una probabilidad de 18.9 %
También se puede observar que a las tareas [46] y [47] mencionadas se les ha asignado
duraciones (campo Dura on) muy cortas, esto no ene relevancia en los cálculos puesto
que el proceso genera las correspondientes duraciones aleatorias según sus respec vos
modelos de probabilidad, y solo afecta a la presentación.
Capítulo 9 251
ANEXOS
El segundo caso (Bifurcación) se ha modelado con la ac vidad no-estocás ca [49]-Tarea

Sigue y el hito [50]-Hito Decisión, ( po HD) con dos ac vidades estocás cas indepen-
dientes ( po TE):
[51]-Tarea OOM con una probabilidad de 46.1 %

[52]-Tarea OOPe con una probabilidad de 18.9 %
Nótese que el campo MCE GrupoE ene asignado el valor DblR para todos las ac vi-
dades, esto no ene relevancia en ejemplo puesto que los hitos de decisión (HD) no
necesitan de ese campo para ges onar las instancias de duraciones u ocurrencias de las
ac vidades (véase la tabla Resumen de implementación de elementos estocásticos en
5.3 La implementación de estructuras estocás cas en MS Project).
Los resultados del proceso Monte Carlo estocás co (3k iteraciones) para la Trifurcación son:
Ac vidad: [43] - Modelo de Rampa Doble (P=65%,

Q=75%) Trifurcación
Intervalo duraciones = [8.08,104.53] h LABORABLES
Clasificando duraciones en 20 Clases
(Ancho de Clase: 4.82 h LABORABLES)
Cl. Fr.Rel F.Rel.Ac Centro de Clase D. Media Desv. Est.
1 30.37 30.37 10.49 31.8 19.1
2 3.57 33.93 15.31
3 0.00 33.93 20.13
4 0.00 33.93 24.96
5 0.00 33.93 29.78
6 39.13 73.07 34.6 Recuerde la predicción de la
7 11.67 84.73 39.42 ecuación 9.4.4.E.2 para la dura-
ción media:
8 2.13 86.87 44.25
9 2.03 88.90 49.07 0.65 ⋅ 22
E(D) = 11 + = 30.07
10 1.60 90.50 53.89 0.75
11 1.53 92.03 58.71
12 1.20 93.23 63.54
13 1.33 94.57 68.36
14 1.30 95.87 73.18
15 1.03 96.90 78
16 0.87 97.77 82.83
17 0.90 98.67 87.65
18 0.50 99.17 92.47
19 0.60 99.77 97.29
20 0.23 100.00 102.12
Para la bifurcación los resultados son:

Ac vidad: [48] - Modelo de Rampa Doble C"
(P=65%, Q=75%) Bifurcación
Intervalo Duraciones = [8.18,105.65]h.LABORABLES
(Ancho de Clase: 4.87 h. LABORABLES)
Cl. Fr.Rel F.Rel.Ac Centro de Clase D. Media Desv. Est.
1 30.73 30.73 10.62 31.3 18.6
2 3.80 34.53 15.49
3 0.00 34.53 20.36
4 0.00 34.53 25.24
5 5.33 39.87 30.11
6 34.10 73.97 34.98
7 11.80 85.77 39.85
8 1.90 87.67 44.73
9 1.70 89.37 49.6
10 1.70 91.07 54.48
11 1.63 92.70 59.35
12 1.60 94.30 64.22
13 1.33 95.63 69.1
14 1.07 96.70 73.97
15 0.83 97.53 78.84
16 0.97 98.50 83.72
17 0.53 99.03 88.59
18 0.53 99.57 93.46
19 0.30 99.87 98.34
20 0.13 100.00 103.21
Capítulo 9 253
ANEXOS
Con resultados casi indis nguibles entre la Trifurcación y la Bifurcación.
Cuando se compara el resultado del modelo de doble rampa con el de repe ciones ex-
cluyentes se observa un éxito en el modelo.
Si se grafican los resultados del modelo de doble rampa (C”, en azul) sobre el gráfico
de los resultados del modelo de repe ciones excluyentes (en rojo), resulta el siguiente
diagrama:
Ejemplo - mantenimiento de 7 válvulas
Supóngase que se planea el mantenimiento de siete grandes válvulas de control de fluc-

tuaciones transitorias en un sistema de turbo-compresión de gases. Primero se desmon-
tarán los actuadores de las válvulas ac vidades [2] a [4] en el diagrama de barras que
sigue) para inspección por separado y luego son retornadas a su posición de trabajo en
secuencia inversa de trabajos (ac vidades [10] a [12]). Las vávulas permanecen en el si-
o para ser mantenidas (ac vidades [6] a [9]) esto implica el desensamble de la válvula,
inspección, reemplazo de partes (programa preven vo) y, finalmente, una calibración y
prueba. Se en ende que existen posibilidades de encontrar fallos durante las pruebas
que implicaran volver a desensamblar la válvula armada, inspeccionarla, repararla/rea-
justarla y volverla probar antes de devolverla a operación.
Las probabilidades de fallo inicial (P) son altas y se han es mado en 45 %, se con a en
que a pesar de encontrar problemas no previstos los especialistas a cargo serán capaces
de resolver el 90 % de los imprevistos (Q).
Para programar lo anterior se ha desarrollado el siguiente modelo de ac vidades y

duraciones:
Donde el programador ha interpuesto la ac vidad [9]-<Repe r: Desen-ensamble co-

rrección, Ensamble y Calibracion/Prueba> para representar una (1) posible repe ción
de ac vidades con una duración de 10.5 h.
Existen otras restricciones adicionales, como 1) solo se puede atender una válvula a la
vez en el taller y 2) solo hay una cuadrilla para remover y volver a instalar los actuadores
de las válvulas desde o hasta la ubicación de servicio.
Capítulo 9 255
ANEXOS
El programa maestro que incluye estas consideraciones para las siete válvulas ene la
siguiente forma:
Proveer una es mación de duraciones al 95% de confianza, y comentar oportunidades

de terminación más temprana.
Respuesta:
Usando la estructura lógica actual se puede plantear las ac vidades de repe ción según
el modelo de Bifurcación de acuerdo a lo siguiente:
1. No se ha mencionado alguna variabilidad de duraciones que sea relevante por lo que
no se introducirán comportamientos PERT en las ac vidades
2. La duración de una repe ción (S+R) es de 10.5 h, y sabiendo que la ac vidad directa
(S, véase [21]-Calibración y Prueba) dura 1.5 h, significa que el ramal de repe ción
(R) dura 9.0 h.
Los parámetros de la Bifurcación resultan como se muestra en el siguiente diagrama de
barras:
Donde la ac vidad [21] hace las veces de ramal directo (S) y la ac vidad de repe ción/
retorno (S+R) [22] se ha iden ficado como una repe ción con probabilidades decrecien-
tes que se ha desglosado usando las ecuaciones respec vas como una doble rampa, con
probabilidades (P1 = 29.01 % y P2 = 15.99 %). Se ha mantenido como duración nominal
de las ac vidades [24] y [25] la duración original de la ac vidad de repe ción de manera
que se sigue presentando la es mación puntual (no-estocás ca) del programa.
Obsérvese que al no considerar variablidad de duraciones todas las duraciones PERT son
iguales y solo se estudia el comportamiento de las repe ciones.
Si hacemos este desglose en los siete casos de ac vidades de repe ción la simulación
Monte Carlo para el programa integrado resulta en lo siguiente:
D. Media Desv. Est.

205.5 1.99
Donde el intervalo de duraciones varía entre 201.2 h y 210.7 h, nótese la estrecha des-
viación estándar resultante.
La duración al 95 % de confianza corresponde aproximadamente a 208.6 h, en cambio

existen buenas posibilidades de terminar (temprano) antes de 205.2 h (50 %).
La es mación puntual (200.5 h) no ene virtualmente posibilidades de ocurrir, sin em-

bargo, el programador se sen ría confiado en su es mación, pues ya ha incluido una
eventualidad de repe ción para todos los casos.
9.4.5 Grupos dobles estocásticos

Un grupo doble-estocás co es una estructura lógica formada por componentes esto-
cás cos, a los que además se les aplica un nivel general superior de probabilidad de
ocurrencia. Semejante a que en la estructura de la figura:
Capítulo 9 257
ANEXOS
Las ac vidades azules tuvieran comportamiento estocás co propio cada una por sepa-
rado pero, además, sobre todo el grupo se aplicará una probabilidad de ocurrencia /
no-ocurrencia simultánea a todas las ac vidades.
En general y dependiendo de la estructura lógica entre las ac vidades no será correcto

aplicar la probabilidad grupal a las ac vidades individualmente. Se mostrarán las razones
de esta afirmación.
Supóngase que f sea la fdp de un grupo cuyos elementos enen comportamiento esto-
cás co por sí mismos. La forma de f será compleja posiblemente incluyendo valores en
cero correspondiente a colapsos del grupo derivados de las probabilidades individuales
combinadas de sus elementos.
Si a este grupo se le aplica una probabilidad P de ocurrencia, la fdp resultante g, será

como en la ecuación 5.2.1:
(9.4.5.1)
Con
Para r → 0 y se tendrá:
Además, posiblemente F(t) ≤ 1
La probabilidad de colapso del grupo doble-estocás co sería:
Z0 = 1 − P ⋅ F ( t ) (9.4.5.2)
Similar a lo mostrado en 5.5 Ejemplos estocás cos.
Si además se recuerda que la probabilidad de colapso del caso estocás co simple (antes
de aplicar la probabilidad de ocurrencia adicional P) es:
Se llega a: (9.4.5.3)
Y (9.4.5.4)
NOTA
Observando que la media de la duración de una estructura de ac vidades resulta afectada
proporcionalmente por la probabilidad grupal habrá la tentación de «corregir» las dura-
ciones individuales de la misma manera.
De un modo gráfico esto úl mo se expresa:
Q
P1 P2 Pn P1 P2 Pn
T1 T2 Tn QT1 QT2 QTn
Esta úl ma modificación (la de la derecha) produce una duración promedio correcta pero
el perfil de frecuencias de las duraciones no será el correcto (las probabilidades de colap-
so o duración nula no serán correctas, por ejemplo).
Para el caso de la izquierda si se usa la ecuación 9.4.5.2:
Mientras que para el lado derecho se tendrá:
Que no son equivalentes.
Por otro lado, analícese el caso de una serie de ac vidades; se quiere averiguar qué po
de relación hay entre los diagramas:
Q
P1 P2 Pn QP1 QP2 QPn
T1 T2 Tn T1 T2 Tn
Recordando la duración media de un grupo de ac vidades estocás cas (con probabilidad

Pi cada una) en serie, véase las ecuaciones 9.4.1.A.4 a 9.4.1.A.5:
"a" sumatorios y "r" recorre "a" valores

Capítulo 9 259
ANEXOS
Si se reemplaza las Pi de cada ac vidad con duración Ti, por(Q·Pi) y se llaman Ri a los
nuevos términos:
Es decir:
Finalmente, resulta que:
(9.4.5.5)
Obsérvese que no hay una relación proporcional directa entre aplicar la probabilidad Q
a cada ac vidad de un grupo serie y la aplicación de esa misma probabilidad al grupo
entero, porque la estructura lógica que relaciona las ac vidades agrega elementos no
lineales, tal como se muestra en las sucesivas potencias de la probabilidad Q que acom-
pañan a los términos ).
Para la probabilidad de colapso del caso de la izquierda úsese la ecuación 9.4.5.2 otra
vez y:
Mientras que para el lado derecho se tendrá:
Y tampoco hay un resultado equivalente.
Para el caso de un grupo de actividades en paralelo los diagramas a analizar son:

Q
P1 QP1
T1 T1
P2 QP2
T2 T2
Pn QPn
Tn Tn
La ecuación de la duración media de un grupo en Paralelo Tardío es (véase ecuación

9.4.1.B.7):
Reemplazando otra vez Pi por(Q·Pi) y llamando μD* a la duración resultante:

Capítulo 9 261
ANEXOS
Es decir, tampoco aquí se ene una relación directa entre la duración media de un grupo
de ac vidades estocás cas independientes en paralelo afectadas cada una por una pro-
babilidad Q de ocurrencia adicional a su probabilidad de ocurrencia propia y la duración
del mismo grupo de ac vidades antes de afectarlas con la probabilidad Q.
oOo
Para analizar una estructura de hito de decisión se usa la ecuación 9.4.3.2:
Nuevamente agregando la probabilidad Q adicional:
(9.4.5.6)
Si a un grupo de ac vidades en un hito de decisión se le aplica una probabilidad Q grupal

de ocurrencia, la duración promedio sí podrá es marse afectando a las ac vidades indi-
viduales con la misma probabilidad Q.
El algoritmo de simulación Monte Carlo presentado y explicado no puede manejar estos

casos debido a su estrategia de priorizar los hitos de decisión primero, luego los hitos de
grupo y, finalmente, las tareas. Solo el caso de una estructura de hitos de decisión puede
ser simulado manipulando las probabilidades individuales de las ac vidades.
Ejemplo de hito de decisión
Sea un grupo de (4) ac vidades estructuradas en un hito de decisión tal como en el

diagrama:
Hito Decisiones Id 3 Tarea 1 P: 20

ID: 2 DOp: 10 m DProb: 20 m DPes: 40 m Tipo: TE
Id 4 Tarea 2 P: 20
DOp: 10 m DProb: 20 m DPes: 40 m Tipo: TE
Id 5 Tarea 3 P: 20
Id 6 Tarea 4 P: 20
Las probabilidad de cada caso es 20 %, y son del po TE. Implícitamente está la quinta
opción de no hacer nada (también al 20 % de probabilidad).
Modelar la aplicación de una probabilidad de ocurrencia (Q) grupal de 60 %.
Respuesta:
Para los hitos de decisión puede aplicarse la probabilidad grupal sobre cada ac vidad
para generar el caso doble estocás co. Es decir:
Hito Decisiones Id 9 Tarea 1 P: 12

ID: 8 DOp: 10 m DProb: 20 m DPes: 40 m Tipo: TE
Id 10 Tarea 2 P: 12
Id 11 Tarea 3 P: 12
Id 12 Tarea 4 P: 12
Donde se ve que la probabilidad P de cada ac vidad ha sido reducida al 60 % de su valor

original.
Resultando en la siguiente implementación en tabla de tareas en MS Project, véase los

campos MCE Tipo Elem, MCE GrupoE y MCE Prob Ocurr:
Capítulo 9 263
ANEXOS
El resultado de la simulación de estos casos muestra (duraciones en decimales de horas):
[1] Decisiones Base
D. Media Desv. Est.

0.304 0.178
L1% L99%
- 0.6
[7] Simula Doble E (Q=60 %, n=4)
D. Media Desv. Est.

0.194 0.201
L1% L99%
- 0.589
Puede calcularse el valor por medio de la ecuación 9.4.5.6 donde μD se calcu-

la con la ecuación 9.4.3.2, es decir:
Que equivale a 0.1866 horas con buena coincidencia con los resultados de la simulación
Monte Carlo.
9.4.6 Actividad en conflicto con un tren

Este caso se refiere a una ac vidad A (véase el cuadro A en el diagrama siguiente), de
duración D, que está programada en la fecha T, que NO puede ocurrir al mismo empo
que ninguna ac vidad de una serie de ac vidades (i).
Las fechas de inicio ti enen variabilidad.
T
D
1 2 ... i n
d1
t1 di
ti
La probabilidad de conflicto (es decir, que algunas de sus partes coincidan en el empo)
entre la ac vidad i y la ac vidad A para cualquier i estará definida por la cercanía entre T
y ti, los intervalos de variación de esta úl ma y las duraciones D y di.
Si fi y Fi son la fdp y función de probabilidades de la fecha de inicio de la ac vidad i, en-

tonces el retraso de A debido a i (la ac vidad A tendrá que esperar hasta que i finalice)
vale t+di – T y ocurre en el intervalo y su media o esperanza Ed es:
(9.4.6.1)
En resumen:
Intervalo para ti Retrasa A en: Probabilidad Esperanza del retraso
Véase la ec. 9.4.6.1
Finalmente, si las fechas ti son independientes entre sí, el efecto acumulado de todas las
(n) ac vidades i sobre la ac vidad A sería:
Capítulo 9 265
ANEXOS
Para la probabilidad de retraso:
(9.4.6.2)
Y para el retraso mismo:
(9.4.6.3)
Teóricamente43 el número de ac vidades i no ene límites lo que llevaría a sumatorias

con n→∞, pero en la realidad existen algunas condiciones que dan una oportunidad de
simplificar el cálculo y el modelado.
Normalmente ocurre que ti<tj cuando i<j. Es decir, la secuencia nunca invierte el orden,
solo hay variaciones en los empos transcurridos entre las ac vidades i.
Es decir, conociendo los extremos op mista y pesimista de cada ti se podrá seleccionar

las ac vidades i que podrían afectar a la ac vidad A, posiblemente limitándose a 2 o 3
ac vidades cercanas en el empo a A evitando sumatorios demasiado extensos.
9.4.7 Identidades matemáticas usadas 2

A lo largo de las demostraciones anteriores han aparecido algunas relaciones integrales
que se repiten, he aquí las soluciones usadas cuando f(t) es triangular con O/E/R sus
duraciones PERT y :
43
La evaluación de estas expresiones dependerá de las funciones fi y Fi y en par cular si consideramos el modelo trian-
gular pueden plantearse soluciones algebraicas. Estas soluciones no se presentan en este texto.
9.5 LISTA DE VERIFICACIÓN44

1. (2.2) ¿Las relaciones de precedencia aplicadas son del po «duras»? ¿Están bien defini-
das? ¿Somos conscientes de las relaciones «blandas» (preferenciales)? ¿Iden ficamos
las relaciones laxas por falta de información?
2. (2.3) ¿Las duraciones es madas para los trabajos con enen factores por «improduc -
vidad aparente»?
3. (2.4) ¿Las duraciones de los trabajos con enen márgenes de con ngencia individuales?
¿Hay una acumulación no realista de márgenes de con ngencia?
4. (2.5) ¿Hay márgenes de con ngencia que el programador o el equipo del proyecto
desconozcan?
5. (2.7) ¿Están las dependencias exteriores iden ficadas y agregadas al modelo?
6. (2.8) ¿Se ha evaluado el grado de fiabilidad de las duraciones asignadas? ¿Se han de-
sarrollado es maciones de intervalo (op mista/ pesimista) de las duraciones especial-
mente para las de mayor incer dumbre?
7. (2.9) ¿Es la red de trabajo una representación adecuada del trabajo a realizar? ¿Refleja
nuestras intenciones y la estrategia propuesta para el trabajo?
8. (4.4) ¿Está definido el intervalo de fechas de terminación del cronograma?
9. (4.5) ¿Se ha es mado la probabilidad de ocurrencia de las fechas de término?
10.(4.6) ¿Se ha definido el nivel de riesgo y la fecha de término asociada que se compro-
meterán frente al cliente?
11. (4.7) ¿Se ha definido el margen de con ngencia del cronograma?
12.(4.8) ¿Se conocen las causas que generan el margen de con ngencia? ¿Cómo se
compone el margen? ¿Qué ac vidades o porciones del programa aportan más a la
incer dumbre?
13.(4.10) ¿Se ha evaluado si los márgenes son los adecuados contra los riesgos y posibles
retrasos?
44
Los números entre paréntesis corresponden a preguntas extraídas de Reátegui, J. (2012), «Conformidad», p. 83. Exis-
ten listas de verificación de varios autores para comprobar la conformidad de los cronogramas, las preguntas presenta-
das aquí están dirigidas a revisar el resultado del alto nivel del cronograma, más que el detalle técnico.
Capítulo 9 267
ANEXOS
14.(4.11) ¿El cronograma refleja correctamente la variabilidad esperada?
15.(4.12) ¿Se han iden ficado Rutas Crí cas alternas? ¿Hay porciones del cronograma que
puedan «compe r» con la Ruta Crí ca para definir la duración total?
16. (4.13) ¿Se ha reformulado el cronograma para que la Ruta Crí ca sea la que necesitamos?
Bibliografía
» Ariely, D. (2008). Predictably Irra onal: The Hidden Forces That Shape Our Decisions. Londres:
HarperCollins Publishers.
» Goldra , E. (2012). Cadena crí ca. Buenos Aires: Ediciones Granica.
» Kendrick, T. (2003). Iden fying and Managing Project Risk. Nueva York: Amacom.
» NASA (1966). GERT: Graphical Evalua on and Review Technique. California: The Rand
Corpora on.
» Project Management Ins tute.

(2011a). Prac ce Standard for Project Es ma ng. Pennsylvania: Project Management
Ins tute.
(2011b). Prac ce Standard for Scheduling. 2.a edición. Pennsylvania: Project Management
Ins tute.
(2013a). A Guide to the Project Management Body of Knowledge (PMBOK® Guide). 5.a edi-
ción. Pennsylvania: Project Management Ins tute.
(2013b). The Silver Linning of Project Uncetarin es. Pennsylvania: Project Management
Ins tute.
» Reátegui, J. (2012). Programación de obras de instrumentación. Lima: Fondo Editorial de la
PUCP.
» Taleb, N. (2009). El cisne negro. Buenos Aires: Editorial Paidós SAICF.

Impreso en los talleres gráficos de
EDITORIAL

Programación de Proyectos: Con Incertidumbres

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

Programación de Proyectos: Con Incertidumbres

Cargado por

Copyright:

Formatos disponibles

PROGRAMACIÓN DE PROYECTOS

© Derechos de autor registrados:

© Derechos de edición, arte gráﬁco y diagramación reservados:

Edición a cargo de:

Teléfono: (511) 748 0560

Primera edición e-book: mayo 2016

Disponible en: macro.bibliotecasemlinea.com

ISBN N.° 978-612-304-308-7

Ha sido jefe de la unidad de planeamiento, programación y control del departamento de

CAPÍTULO 1: Riesgos e incertidumbre ................................................................ 15

CAPÍTULO 2: La estructura del Margen de Duración ........................................ 19

CAPÍTULO 3: El control del Margen de Duración ............................................... 23

CAPÍTULO 4: La programación con variabilidad de duraciones ....................... 27

CAPÍTULO 5: La programación estocástica ......................................................... 69

CAPÍTULO 7: Resumen ......................................................................................... 135

CAPÍTULO 8: Epílogo ........................................................................................... 137

CAPÍTULO 9: Anexos ............................................................................................ 139

Bibliografía .......................................................................................................... 269

Cuando un profesional de la programación de proyectos, o de cualquier proceso con inicio

4. ¿Alguien más ha revisado el es mado de duraciones y ha agregado incluso más empo

Y las preguntas de los gerentes...

Las que hacen los jefes de programación...

Será responsabilidad de la organización, con sus procedimientos de es mación de dura-

2. El carácter estocástico de algunos componentes del programa. Es el segundo efecto y

El estudio de estos comportamientos y su implementación en MS Project para la correcta

En el segundo capítulo, «La estructura del Margen de Duración», se expone el concepto de

En el sexto capítulo, «Análisis del margen», se reinterpreta el signiﬁcado de la Ruta Crí ca

En el sép mo capítulo, «Resumen», se muestra un sumario del proceso que el programa-

Y en el octavo capítulo, «Epílogo», se llega a la úl ma conclusión de todo lo presentado a

En el capítulo 9 «Anexos» se incluye información adicional como soporte de las teorías y

En el anexo «El intercambiador de Calor - AES1.2 × 6 m» se muestran en detalle los varios

En el anexo «Modelos de grupos estocás cos» se explica el modelado matemá co del

En el anexo «Lista de veriﬁcación» se encuentra la lista de preguntas mencionada en la

Avanzando en el esclarecimiento de la incer dumbre en los proyectos, se han propuesto las

1. Riesgos en proyectos. También conocidos como los desconocidos-conocidos, son bá-

2. Incertidumbres en proyectos. Referidos también como desconocidos-desconocidos, son

Asimismo, se encuentran las siguientes deﬁniciones relacionadas:

Nótese la dicotomía conocido/desconocido que revela la naturaleza peculiar de la incer -

Categorías de incer dumbre Fuentes de la incer dumbre (ejemplos)

Relacionado a las capacidades de los diferentes grupos

Un contexto organizacional dinámico y complejo que

Incertidumbre técnica no anticipada al inicio o espe-

Un contexto exterior complejo y cambiante que condu-

Subestimación significativa o desconocida de la comple-

Mala práctica o falta de estándares de dirección de

2. La subes mación de las duraciones de una serie de ac vidades.

4. Falla en el suministro de un entregable por parte de un involucrado.

La respuesta usual ante la posibilidad de estos fenómenos es la generación de un Margen de

Para entender cómo se compone el Margen de Duración de un cronograma se debe enten-

Como se ha dicho el Margen de Duración es un empo adicional al estrictamente es mado

Es decir, se quiere comprometer ante el cliente a un periodo de empo de realización que

Los problemas derivados de errores humanos (de planiﬁcación, de comunicación, coordina-

Por supuesto, estos comportamientos no son excluyentes y pueden darse en simultáneo.

COMPOSICIÓN DEL MARGEN DE DURACIÓN

Origen propio Origen externo

Dependencias, Cambios en los

Decisiones, confirma- Suspensiones de activi-

Punto de Impacto Punto de Impacto

De acuerdo a lo anterior, el Margen de Duración de un proyecto debería contener los pos

Como bien se sabe independientemente del estado de éxito o fracaso de un proyecto, al

El método para ir consumiendo el margen dependerá de si el componente ene un punto de

Ahora se reportan 3 días de adelanto para la terminación respecto a la fecha original y un

Entonces, la duración de un proyecto se basó en la duración promedio de la cadena más lar-