ANÁLISIS CUANTITATIVO DE RIESGOS

Omar A. Samaniego
Lima 2017, Quality Consulting Solutions
comercial@quality-consulting.org

El proceso de Realizar el Análisis Cuantitativo de Riesgos tiene como fin analizar numéricamente el
efecto combinado de los riesgos individuales del proyecto previamente identificados, así como otras
fuentes de incertidumbre sobre los objetivos principales del proyecto. Este proceso permite cuantifica r
la exposición al riesgo del proyecto en general, así como proporcionar información cuantitativa
vez
adicional sobre los riesgos, lo que a su permite mejorar y/o actualizar la planificación de la respuesta a
los riesgos (PMI 2017).

La faceta más conocida del análisis cuantitativo es la simulación de Montecarlo la que ha sido usada
para modelar una variedad de sistemas físicos y conceptuales (Palisade 2020) usando probabilidades
(Sokolowski, Banks 2010).

El modelado es el proceso de producir un modelo, el cual es una representación de la construcción y

trabajo de un algún sistema de interés. Un modelo es similar, pero más simple que el sistema que
representa (Maria 1997).

Un sistema es una combinación de elementos organizados para alcanzar uno o más propósitos
establecidos (ISO 15288 2008) .

Una simulación es la operación del modelo del sistema. El modelo puede ser reconfigurado y sujeto de
experimento; lo que sería usualmente imposible, muy costoso, o impráctico en el sistema que este
representa (Maria 1997).
que
Cabe señalar, el proceso del análisis cuantitativo no es obligatorio para cada proyecto, lo que destierra
el mito de que, además, la gestión de riesgos se basa en la aplicación de una simulación y modelado, o
que este tipo de aplicación sirve para evaluar mejor los riesgos individuales. Sin embargo, estos últimos
son considerados de manera específica en la medida que afecten la probabilidad del logro del costo y
plazo del proyecto.

Para llevar a cabo el análisis cuantitativo se requiere una alta calidad de los datos, lo que tiene que ver
con el detalle de la información, su disponibilidad y precisión de manera general. Este análisis permite
además actualizar la respuesta a riesgos, siendo que ambos, el análisis cuantitativo y el plan de
respuesta a riesgos han de ser actualizados de manera periódica durante el tiempo de vida del
proyecto.

Consideremos el caso de un proyecto de expansión minera de una mina de cobre (por ejemplo,
Southern Perú, o Codelco Chile). Se debe definir la conveniencia o no del proyecto, para ello se lleva a
cabo preliminarmente un análisis de árbol de decisiones para definir la conveniencia de llevar a cabo
una expansión a través de la repotenciación de una planta ó la construcción de una nueva. Asimismo,
la oficina de proyectos de la minera lleva a cabo una estimación del proyecto mediante la programación
de actividades, así como la estimación del costo relacionado, eso conllevará a un escenario de
probabilidad de logro del plazo y el costo. Esto puede llevarse a cabo de manera interna, o mediante
la contratación de una empresa de Gerencia de Proyectos local o global para dicha estimación.

Subsecuentemente se lleva a cabo la licitación, solicitando en las bases una simulación estadística que
debe ser entregada y explicada por los ofertantes. Esto ayuda a contrastar simulaciones y evidenciar
supuestos no previstos por cualquiera de las partes. Es parte también de las bases un listado de riesgos
individuales con la consecuente evaluación de probabilidad e impacto, así como el plan de respuesta a
riesgos.

Luego de recibir las propuestas y evaluarlas la minera ha obtenido dos inputs importantes, una
contrastación del análisis cualitativo y cuantitativo del proyecto previsto de parte de los postores, lo
que le da nuevos elementos de entradas, supuestos, planes de acción, etc., que le permitirán
robustecer su propio plan de gestión de riesgos. Un criterio que puede tomarse en cuenta es la
categorización de riesgos que la minera puede tener en cuenta para evaluar a sus postores, estos
pueden ser:

§ Riesgos Técnicos.
§ Riesgos Legales.
§ Riesgos Sociales.
§ Riesgos de Cumplimiento (compliance).
§ Riesgos del Plazo
§ Riesgos del Costo
§ Riesgos Reputacionales.
§ Riesgos de Seguridad (safety), Salud y Medioambiente.
§ Riesgos contra el Patrimonio (security).

De la incidencia y nivel de detalle de los riesgos se puede definir qué contratista tiene un perfil más
proactivo. Luego de adjudicado el proyecto, es necesario hacer un replanteo conjunto del plan de
gestión de riesgos entre el contratista y el contratante. En el caso del análisis cuantitativo, es
recomendable lograr un mismo modelo que permita un lenguaje común, esto demandará el uso del
cronograma base del proyecto donde se listen las diversas partidas y sus códigos; primará aquí la
propuesta ganadora habiendo incorporado elementos que sean concordados con la minera, por
ejemplo, hitos específicos y relaciones de dependencia de estos, uno de ellos puede ser el hito de arribode
equipos (por ejemplo, chancadora primaria). Este hito podría haber estado identificado por la minera,
pero el contratista lo habría considerado como un insumo ya disponible. Así dicho, estas adiciones y/o
cambios al cronograma pueden afectar los resultados finales de la probabilidad del logro del plazo, que
de mantenerse por ejemplo entre el 90% al 95% puede implicar un rango aceptable para las partes.

El nivel de detalle para la evaluación cuantitativa del riesgo también viene dado por el nivel de
disgregación de las partidas (México: Conceptos), es decir en vez de tener una sola partida de relleno
masivo para la plataforma de la planta, se consideran partidas divididas en niveles de cota que deben
ser logradas y/o sectores de excavación y relleno, o tipo de material de relleno.
ENTRADAS

Plan de Gestión de Proyectos

Plan de Gestión de Riesgos

El plan de gestión de proyectos especifica si se requiere el análisis cuantitativo del proyecto desde un
inicio, o dados determinados eventos como por ejemplo una variación del 10% del costo del proyecto.
Asimismo, brinda detalles de los recursos disponibles para el análisis, como son el tipo de programa
para la evaluación de la simulación.

Línea Base del Alcance

Describe el punto a partir del cual el efecto de los riesgos individuales y otras fuentes de riesgos han
de ser evaluadas en materia del alcance. Las fuentes de riesgo se pueden definir como (Hillson 2014):

§ Riesgos de Eventos (riesgo estotástico) referidas a posibles eventos en el futuro.

§ Riesgos de Variabilidad (incertidumbre aleatoria) que describe un aspecto de la tarea planeada

o situación como incierta.

§ Riesgo de Ambigüedad (incertidumbre epistémica) referida a la incertidumbre que deviene de

la ausencia de conocimiento o entendimiento.

§ Riesgos Emergente referidos a aquellos que devienen de los puntos ciegos, también llamados
como cisnes negros, y son imposibles de anticipar; en este caso la pandemia del COVID19 no
entra en esta categoría.

Así dicho, el cambio en el precio del metal como por ejemplo el Plomo, Zinc y Cobre puede (riesgo de
evento) puede conllevar a cambios en el diseño del circuito de una planta a pesar de que el diseño
original estaba avanzado a más del 50%.

Línea Base del Cronograma

Describe el punto a partir del cual el efecto de los riesgos individuales y otras fuentes de riesgos han
de ser evaluadas en materia del plazo (PMI 2017). Un ejemplo al respecto corresponde al incremento
del rendimiento de las actividades constructivas con poca variabilidad de parte de un frente de trabajo.
Este dato permitirá prever un acortamiento de la duración de las actividades, las que luego pueden
actualizarse en el modelo a simular.

Línea Base del Costos

Describe el punto a partir del cual el efecto de los riesgos individuales y otras fuentes de riesgos han
de ser evaluadas en materia del costo (PMI 2017). En ese sentido, eventos como la caída del precio del
acero puede suponer un cambio a favor en las estimaciones del costo de la partida de acero del
proyecto, ya sea para la habilitación de acero de refuerzo o estructural; dato que hay que considerar
para la actualización de la simulación.
Documentos del Proyecto

Lista de supuestos

Las listas de supuestos contribuyen en tanto que la evaluación de estos puede afectar los objetivos del
proyectos, como por ejemplo el inicio temprano del pintado, que de no darse y además vincularse con
una dependencia no prevista como la interferencia entre contratistas terceros implicará una nueva
configuración del modelo a simular.

Base de las Estimaciones

La base de las estimaciones se puede ver reflejada en la forma de modelar la variabilidad como parte
del análisis cuantitativo. El fundamento empleado conlleva a haber definido el propósito de la
estimación (verificación de probabilidad de cumplimiento de hitos, mantenimiento del costo del
proyecto), metodología empleada, fuentes, nivel de detalle y validez de los datos.

Estimados de Costos
Al
A lo igual que la duración de las actividades una mayor disgregación de los costos ayuda a un mejor
modelado y por tanto simulación. Por ejemplo, no es lo mismo tener una línea de Gantt para la partida
de pintura, que tener dos líneas una para la aplicación de base y la otra para acabado; asimismo, que
disgregarlo además por tipo de uso por ejemplo para tuberías, y estructuras.

Pronósticos de Costos

En este aspecto, en Guía del PMBOK (2017) se recomienda el uso de indicadores como la estimación a
la compleción (Estimate to Complete – ETC), presupuesto a la compleción (Budget at Completion –
BAT), y el índice de la performance a la compleción, los que pueden ser empleados paraestablecer
comparación
con los resultados del análisis cuantitativo.

Estimaciones de la Duración

La duración de las estimaciones son una base para la evaluación de la variabilidad, en este caso se
recomienda referenciar las fuentes de donde proviene los datos de las estimaciones, esto es juicio
experto, experiencia de proyectos similares, entre otros.

Lista de Hitos

La lista de hitos a verificar han de ser convenidos entre el contratante y el contratista, adicionalmente
de hitos internos que se manejen. El logro o no de los hitos internos sirven de puntos de actualización
del modelo a simular, a fin de verificar la mejora o no de probabilidades prevista del logro de plazo o
costo del proyecto. Un aspecto importante es el hito de la primera liberación dada la primera
compleción, esto se debe entender como el momento cuando se logra el primer entregable
completado, es decir conforme a requerimientos es decir especificaciones técnicas, lo que es diferente
a decir que logró el metrado (volumen, peso, área, longitud) esperado.
Requerimientos de Recursos

El requerimiento de recursos en términos del análisis cuantitativo concerniente a la exposición al riesgo

general del proyecto, demanda disponer de datos históricos de tiempos de provisión, así como
considerar variaciones a este dado eventualidades (riesgo de toma de carreteras por protestas) para
tener una mejor estimación de la probabilidad del logro de los objetivos del proyecto.

Registro de Riesgos

El registro de riesgos contiene riesgos individuales, como el descrito en el párrafo anterior, que pueden
afectar datos como la duración de una actividad, que subsecuentemente pueden afectar la simulación
en caso de usar Montecarlo.

Reporte de Riesgos

El reporte de riesgos inicial es un insumo importante que sirve como línea de referencia para las futuras
actualizaciones, por lo que es recomendable adjuntar y/o revisar la primera edición de este en las
futuras actualizaciones. La primera edición contendrá la probabilidad de logro del plazo y costo del
proyecto en la oferta.

Pronósticos del cronograma

como
Los pronósticos iniciales sirven con línea de referencia para subsecuentes actualizaciones, es
recomendable mantener dos tipos de cronogramas, uno con el alcance original y otro con la
incorporación de los cambios o nuevos alcances. Las proyecciones pueden ser llevadas a cabo vía
proyección de la curva de avance. Por otro lado, cabe señalar que los reportes de avance valorizados
pueden ingresar mucho ruido en la estimación, dado que los datos concernientes no siempre se
relacionan con la conformación del entregable sino con, por ejemplo, la compra de insumos, o la
recepción de estos. Las estimaciones generadas pueden ser contrastadas con intervalos de confianza
en términos de probabilidad en caso de usar una simulación estadística.

Factores ambientales de la empresa

En el análisis cuantitativo son útiles informaciones de fuera de la organización sobre la mejor manera
de modelar, o valores típicos de las duraciones. Es recomendable en ese sentido buscar papers al
respecto dado que tienen la información más reciente y suelen ser la fuente de artículos y libros. Una
buena fuente de recursos es Palisade que ofrece el software @Risk.

Activos de los procesos de la organización

Los activos de los procesos de la organización pueden encontrarse en la información de proyectos

similares, así como las memorias del modelado y simulación, es decir el documento (físico o no) sobre
los criterios empleados para la modelación y simulación, como capturas de pantalla o video paso a
paso de las simulaciones.
Es importante tener muy establecido un sistema de trazabilidad que permita manejar códigos únicos
de actividades y recursos, dado que en el tiempo podrán hacerse comparaciones más evidentes sobre
las estimaciones, probabilidad inicial prevista del cumplimiento de las estimaciones y la realidad final.
HERRAMIENTAS Y TÉCNICAS

Juicio Experto

El juicio experto lo constituyen personas o grupos,los que pueden de tener las siguientes competencias
(PMI 2017):

§ Traducción de los riesgos individuales y otras fuentes de incertidumbre a entradas numéricas

para el análisis cuantitativo.

§ Selección de la forma de selección más apropiada para el modelo a simular, y/o a analizar; por
ejemplo, los defectos de soldadura se pueden analizar desde una distribución Binomial o de
Poisson.

§ Conocimiento de técnicas de modelado para el contexto del proyecto.

§ Identificación de qué herramientas puedenser la más adecuadas para lastécnicas de modelado.

§ Capacidad de interpretar las salidas del análisis cuantitativo.

Recopilación de Datos
de
En la Guía del PMBOK (2017) se señala a las entrevistas como una fuente recopilación de información,
la que puede darse en reuniones entre el departamento de presupuestos, involucrados de proyectos
similares, así como de expertos. Hay que evitar las contribuciones con sesgos como exagerar una
duración por una experiencia pasada particular, en condiciones no más existentes. Por ejemplo, la
búsqueda de canteras en el pasado y la explotación de estaspudo haberse impacto en su duración en
un proyecto con un determinado cliente minero, sin embargo, en esta ocasión es el cliente quien
provee material de un botadero de roca, aplicable para un tipo específico de relleno.

Habilidades Interpersonales y de Equipo

El entrevistador debe propiciar un clima de confianza, por lo que en ocasiones debe dejar abierta la
posibilidad de reuniones personales, por ejemplo, de miembros que puedan considerar una estimación
de una partida muy irreal, por lo que la simulación puede arrojar datos no confiables. Así un tren de
actividades de tendido de tuberías previsto, puede no estar considerando las paradas por inspecciones
requeridas por la supervisión, así como el ratio de reprocesos; la información puede suponer tomar
estimaciones más conservadoras para el modelado y subsecuentemente una variación en los
resultados de la simulación.

Representación de la Incertidumbre

Según la ISO 31010 (2019) la incertidumbre es un término que abarca muchos conceptos subyacentes,
los que pueden describirse entre otras aceptaciones como:
 § La incertidumbre que reconoce la variabilidad intrínseca de algunos fenómenos, y que no puede
ser reducido con mayor investigación; por ejemplo, el lanzamiento de dados (a veces referida
como incertidumbre aleatoria).

§ La incertidumbre que generalmente resulta de la falta de conocimiento (incertidumbre

epistemológica), puede ser reducida con la recopilación de más datos, mediante el
refinamiento de modelos, mejora en la técnica de muestreo, etc.

Una distribución probabilística refleja un comportamiento de variables sujetas a incertidumbre en

diferentes lecturas estadísticas, y es expresada por una fórmula matemática. Así dicho, los siguientes
son los pasos para seleccionar distribuciones probabilísticas que mejor describan variables inciertas
(Mun 2008):

§ Definir la variable en cuestión. Listar todo lo que se sabe acerca de las condiciones que rodean
la variable. Ser capaz de recolectar información aceptable sobre la variable incierta desde datos
históricos. Si los datos históricos no están disponibles, usar el propio juicio, basado en
experiencia, listando todo lo que se sabe sobre la variable incierta.

§ Revisar las descripciones de las distribuciones probabilísticas.

§ Seleccionar la distribución que caracteriza dicha variable. Una distribución caracteriza una
variable cuando las condiciones de la distribución son coincidentes, o se acercan, a las de la
variable en mención.

Análisis de Datos

Simulación

La ejecución de actividades son una variable del tipo continua, por lo que se asocian a distribuciones
de variable continua como la PERT, siendo esta un miembro de la familia de las distribuciones Beta.
PERT son las siglas de Program Evaluation and Review Technique, el cual fue el programa para abordar
la incertidumbre de la duración y costo del desarrollo del sistema de misiles Polaris. El equipo que
desarrolló el método deseaba saber la media y la varianza de la duración de las actividades, y se escogió
la distribución beta dado el atractivo de esta al tener parámetros que son manejables (Clark 1961), en
este caso hablamos de que en una estimación se tienen tres valores de esta: la optimista, más probable, y
pesimista. Este tipo de asignación es probabilística, dado que se trata de obtener un valor en función
de la probabilidad de lograrlo, y en el caso de la distribución PERT (o beta PERT) se tienen como datos
de ingreso los tres valores antes mencionados. También existe una asignación determinística, que en
términos sencillos es asignar un valor determinado a una actividad, sin brindar rangos, por ejemplo,
que el montaje de una estructura en particular tenga una duración de cinco días. El siguiente gráfico
muestra la distribución y sus valores típicos:
 Figura 4.1. Distribución PERT

Fuente: Elaboración propia, 2020.

Pensemos en el siguiente ejemplo para una actividad A:

Tabla 4.1. Valores y estimación PERT

Duración (días) Análisis

[VM]
[VO] [VP] Desviación
Actividad Más probable Esperado Varianza
Optimista Pesimista estándar
(realista)
.
["#] + 4 ∗ ["(] + [")] [")] − ["#] [")] − ["#]
A 8 10 15 , -
6 6 6

A 8 10 15 10.5 1.2 1.4

Fuente: Gordillo, 2019 (adaptado).

Así, asumiendo tres actividades secuenciales sin mayor interacción con otras, se tiene la siguiente
tabla:

Tabla 4.2. Valores y estimación PERT

Duración (días) Análisis

[VM]
[VO] [VP] Valor Desviación
Actividad Más probable Varianza
Optimista Pesimista Esperado estándar
(realista)
A 8 10 15 10.5 1.2 1.4

B 6 9 16 9.7 1.7 2.8

C 3 5 10 5.5 1.2 1.4
24 25.7 (5.5)^0.5 5.5
Fuente: Gordillo, 2019 (adaptado).
Para este set de actividades se puede definir una duración meta, cuyo origen puede ser contractual,
requerimiento, y/o parecer de los stakeholders. Así se tendría:

Tabla 4.3. Duración y estadísticos.

Media de la duración del Probabilidad del

Duración meta Desviación estándar
proyecto cumplimiento
22 25.7 2.3 5.9%
Fuente: Gordillo 2019 (adaptado).

Aquí la media es 2.3 es decir menor que el 10% del promedio, el cual es recomendable para definir un
valor de media aceptable (Gordillo 2019). Como línea general, un valor de media es confiable en tanto
menor sea el valor de la desviación estándar.

Para obtener la probabilidad de cumplimiento, se calcula el área bajo la curva de la distribución (ver
Figura 4.1). En este caso se puede tomar en consideración el Teorema del Límite central que establece
si se tiene una población con una media de μ y una desviación estándar σ y se toma un número
suficientes de muestras volviendo a reponer las muestras extraídas, entonces la distribución de las
medias de la muestra será aproximadamente una distribución normal. Esto se mantiene verdadero sea
que el origen de la población sea normal o sesgada (ósea que la distribución sea o no simétrica),
siempre que el tamaño de la muestra sea suficientemente largo (mayor a 30 usualmente); si la
población es de origen normal, el teorema sigue siendo verdadero incluso para muestras menores a
30 (LaMorte 2016).

Así dicho, se aplicar el teorema del límite central para estimar la probabilidad, haciendo la excepción
de la incidencia del número de muestra solo por efectos del ejemplo. Se tiene entonces que la
probabilidad de cumplimiento es de 5.9% (usando todos los decimales para este cálculo). Se empleó
para ello la función =NORMDIST(22,25.7, 2.3,1) en Google Sheets, siendo el valor 1 la indicación para
que se use la opción de la función de distribución acumulativa, es decir el área bajo la curva de
distribución.

Ahora, en la vida real se darán varios eventos dentro de los parámetros indicados en la tabla 4.3, es
decir que en ocasiones en vez de completar las actividades en 25.7 días se completa en 22,.26.5, 24.1,
..25.1, Xn, y suponiendo que la totalidad de estos números resultantes sea n=10, y que 22 aparece sólo
1 vez, diríamos así que probabilidad de que se logren las actividades en 22 días es de 10%. Sin embargo,
una iteración de 10 veces es menos fiable que una de 1,000 ó 10,000, por otro lado, si queremos algo
más fiable, la iteración debiera estar enmarcada en la una distribución mayormente aceptada para la
estimación de la duración de actividades, en este caso se emplea PERT.
 Tabla 4.4. Valores y estimación PERT

Duración (días) Análisis

[VM]
[VO] [VP] Desviación
Actividad @RISK Más probable Esperado Varianza
Optimista Pesimista estándar
(realista)
A 10.5 8 10 15 10.5 1.2 1.4
B 9.7 6 9 16 9.7 1.7 2.8
C 5.5 3 5 10 5.5 1.2 1.4
25.7 24 25.7 (5.5)^0.5 5.5
Fuente: Gordillo 2019 (adaptado).

Para el cálculo de los valores bajo la columna @RISK se empleó el comando a “Insert Function”
seleccionando variable continua y la distribución PERT.

Figura 4.2. Comandos del Software @Risk para selección de distribución.

Fuente: Palisade (2019)

Luego se ingresan [VO], [VM], [VP] y se obtienen los mismos valores que la columna “Esperado” dada
la configuración prevista @Risk de obtener la media. Para correr la simulación se fija el valor 25.7 (click
en dicho valor) en la columna @RISK y se selecciona “Add Output” y se asigna un nombre a la salida.
 Figura 4.3. Comandos del Software @Risk uso del comando Add Output.

Fuente: Palisade (2019)

Luego se selecciona un número de iteraciones (por ejemplo 10,000) y se inicia la simulación haciendo
click en “Start Simulation”.

Figura 4.4. Comandos del Software @Risk uso del comando Start Simulation

Fuente: Palisade (2019)

Se obtiene la siguiente distribución donde se observa que para el valor de 22 días se obtiene una
probabilidad de 6.9% de que se pueda lograr.

Gráfico 4.1. Distribución PERT evaluando el valor meta de 22 días.

Fuente: Gordillo 2019 (adaptado).

Si se mueve el cursor para el valor de 25.7 que es la media de la distribución PERT en este ejemplo se
usó
obtiene una probabilidad de 52.6%. Lo cual es consistente dado que cuando se uso el teorema del
límite central tomando una distribución normal la media de dicha distribución es 50%, dado que es
simétrica.
 Gráfico 4.2. Distribución PERT evaluando luego de la simulación.

Fuente: Gordillo 2019 (adaptado).

Como se puede ver en la figura 4.2, una de las opciones de distribución es la triangular (opción
RiskTriang), la cual también considera tres valores: mínimo, más probable,yel máximo. Esta distribución
se suele tomar cuando no hay datos históricos sobre los cuales definir la distribución más apropiada, o
simplemente proyectos sobre los que no se tiene información. No obstante, esta distribución no
representa la realidad necesariamente, dado que para el caso de costos la función de probabilidad (es
decir el valor del área bajo la curva de probabilidad) para un subsistema de costos esta segado a la
derecha, es decir la “cola” de la distribución se proyecta a la derecha; esto debido a que los altos costos
resultantes de la construcción son por lo general el resultado de eventos inesperados (Chau 1995). El
siguiente es un ejemplo de aplicación tomado de Palisade, se trató de un proyecto de Telecom con 550
días de duración esperada y otras variables.

Figura 4.5. Actividades a ser evaluadas con el Software @Risk

Fuente: Sich 2013 (adaptado).

A estos valores se le pueden agregar en columnas adicionales valores de duración de actividades según
el valor optimista, pesimista y el más probable, que en el caso de la distribución triangular sería el
promedio de los dos valores (ver figura 4.6).

Figura 4.6. Adición de duraciones en el Software @Risk

Fuente: Sich 2013 (adaptado).

Los tres valores pueden ser adicionados vía juicio experto, y/o validando los generados por la opción
presentada usando la distribución triangular.
 Figura 4.7. Adición de duraciones en el Software @Risk

Fuente: Sich 2013 (adaptado).

Subsecuentemente se fija el valor vía el comando “Add Output” según se muestra en la figura abajo y
referencia el valor de la fecha final.

Figura 4.8. Uso del comando Add Output en el Software @Risk

Fuente: Sich 2013 (adaptado).

 Figura 4.9. Uso del comando Add Output en el Software @Risk

Fuente: Sich 2013 (adaptado).

Luego se indica el número de iteraciones y se inicia la simulación seleccionado el comando “Start

Simulation”.

Figura 4.10. Uso del comando Start Simulation en el Software @Risk

Fuente: Sich 2013 (adaptado).

El resultado se muestra en el histograma abajo presentado, en este se puede apreciar que la
probabilidad de cumplir con una duración de 650 días corresponde al 22%, en tanto que la probabilidad de
cumplir con una duración de 787.8 es del 90%, siendo además que la duración meta de 550 ni siquiera
aparece tabulada dada la baja probabilidad de su ocurrencia. Las acciones que derivan de este análisis
son:

§ Desistir de participar.
§ Definir un nivel aceptable de probabilidad (por ejemplo 85%).
§ Replantear las actividades para una mejora de la probabilidad manteniendo la fecha objetivo.
§ Replantear las actividades para una mejora de la probabilidad modificando la fecha objetivo.

Gráfico 4.3. Resultado de la Simulación del Software @Risk

Fuente: Sich 2013 (adaptado).

Análisis de Sensibilidad

Para el replanteo de actividades se puede hacer uso del análisis de sensibilidad a través del diagrama,
de tornado que provee las actividades más incidentes en el resultado obtenido. Se tiene así que (ver
Gráfico 4.4) las actividades “R1 – Tower 1 Risk Schedule Impact” y “R1 – Tower 1 Risk Cost Impact” son
las más incidentes, a las que cabría un replanteo, lo que podría conllevar a:

§ Realizar la actividad en dos turnos de trabajo antes no contemplados.

§ Llevar a cabo en paralelo con otras actividades.
§ Replantear algún proceso operativo tal que el tiempo se reduzca.

En cuanto al replanteamiento sería por ejemplo pre-armar en terreno tal que el íntegro de la torre se
monta en la posición final, vs una opción original de montar por secciones.
 Gráfico 4.4. Análisis de Sensibilidad del Software @Risk

Fuente: Sich 2013 (adaptado).

Árbol de Decisiones

Otra herramienta para la toma de decisiones corresponde al árbol de decisiones donde se grafican
escenarios para una determinada decisión. Cada decisión es precedida por un nodo cuadrado, y para
probabilidad de ocurrencia es precedida por un nodo circular. Tal como se puede apreciar, las
probabilidades de las ramas o sub-ramas suman 100%.

El siguiente ejemplo aplica para la decisión de invertir o no en la expansión de una planta de lixiviación
de cobre. En este caso la definición de la probabilidad sobre un mercado de alta o baja demanda
dependerá de un estudio de mercado que puede ser realizado por la misma empresa o una consultora.
Los datos de entrada para esta estimación pueden ser:

§ Precio de los futuros de los commodities (por ejemplo el cobre).

§ Tendencia de consumo de cobre por grandes compradores (por ejemplo China).
§ Participación del mercado.
§ Tendencia de ventas.
§ Estimación de volúmenes de cobre en proyectos de expansión similares de la competencia.
§ Volúmenes de producción de cobre (a escasez de cobre, mayor el precio de este).
§ Criterios de elasticidad de la demanda (qué tanto se afecta la demanda por factores
determinados).
§ Variación del precio del cobre.
§ Variación histórica entre la estimación de demanda y la realidad final de venta.

El esquema de decisión de árbol no es un método para estimar el beneficio esperado, sino un método
cuantitativo para una elección sobre la comparación entre el mayor valor monetario esperado
(Estimate Monetary Value – EMV), y debe ser usado en conjunto con las evaluaciones del retorno de
la inversión (Return of Investment – ROI), para el cual entra a tallar el monto de inversión de la planta
(Capital Expenditure – Capex), así como el costo de operación de la planta (Operational Expenditure –
Opex). Por lo que los valores de EMV obtenidos no deben ser determinantes para descartar las
opciones menos favorables.

A continuación un ejemplo en el cual se considera lo siguiente:

Tabla 4.5. Datos de entrada para el diagrama de árbol

Descripción Monto

MÁXIMA DEMANDA (acumulada en los siguientes 3 años) 2,400MM

MÍNIMA DEMANDA (acumulada en los siguientes 3 años) 960MM

CAPACIDAD MÁXIMA NUEVA PLANTA

2,800MM
(toneladas métricas de mineral expresada en dólares)
CAPACIDAD MÁXIMA ANTIGÜA PLANTA CON EXPANSIÓN
1,400MM
(toneladas métricas de mineral expresada en dólares)
Fuente: Elaboración propia 2013.

En el caso a continuación se puede apreciar que los valores de probabilidad de demanda son los
mismos para cualquier de las elecciones sobre la construcción de la planta, dado que son datos
independientes al quehacer de la empresa por lo general. Así, ante lo datos de demanda esperados, la
opción de la construcción de una nueva planta es 49% más favorable que mantener la antigua planta
con una expansión.

Figura 4.7. Diagrama de Árbol

Fuente: Elaboración propia 2013.

 Tabla 4.6. Memoria de cálculo el diagrama de árbol para expansión de la planta vieja

Sección Descripción

D La demanda menos inversión equivale a 1,400MM – 3MM = 1,397MM

Con una demanda de 2,400MM lo máximo que se podría atender con la expansión de
C
la planta vieja es de 1,400MM (ver tabla 4.5)
Considerando el nodo de posibilidad “ó” como una suma, se tiene entonces para la
B
expansión en la planta vieja en alta demanda 1,397MM*0.6 + 957MM*04 = 1,221MM
Al ser 1,814MM mayor que 1,221MM se selecciona la opción de mayor EMV, en este
A
caso 1,814MM.
Fuente: Elaboración propia 2013.

Diagrama de Influencias

Los Diagramas de Influencia (Influece Diagrams – ID) son gráficos dirigidos acíclicos que modelan
problemas de decisión bajo incertidumbre; estos diagramas codifican tres elementos básicos de una
decisión (Bayesfusion 2020):

§ Opciones de decisión disponibles

§ Factores que son relevantes para la decisión, incluida la forma en que interactúan entre sí y
cómo las decisiones los afectarán, y finalmente, ????
§ Preferencias del tomador de decisiones sobre los posibles resultados del proceso de toma de
decisiones.

Como define Bayesfusion (2020), estos tres elementos están codificados en el diagrama de influencia
por medio de tres tipos de nodos: nodos de decisión (rectángulos), variables aleatorias (óvalos), y
nodos de valores (rombo). Los tipos de ID más populares son aquellos en los que tanto las opciones de
decisión como las variables aleatorias son discretas. Un nodo de decisión en un ID es básicamente una
lista de etiquetas que representan opciones de decisión.

Al describir cada variable aleatoria mediante probabilidad condicional puede identificarse su relación
con redes bayesianas de probabilidad condicional.

Figura 4.8. Diagrama de Influencia

Fuente: Bayesfusion 2020.

La probabilidad condicional es aquella cuyo valor depende de un factor, por ejemplo, si decimos que
en una prueba médica sólo detecta el 70% de casos positivos sobre “enfermos”, no quiere decir que si
tomamos aleatoriamente una población de “enfermos” y “no enfermos” se van a detectar el 70% de
los casos. Esto se debe a que este dato inicial de detección del 70% es solo un valor de una serie de
posibilidades descritas en la siguiente tabla.

Tabla 4.7. Tabla de relaciones de probabilidad condicional

Realidad Posibilidades Resultados Relativos

Enfermo Detección Positiva (70%) Verdadero Positivo
No Detección Positiva Falso Negativo
No Enfermo Detección Positiva Falso Positivo
No Detección Positiva Verdadero Negativo
Fuente: Elaboración propia 2020.

Para obtener la probabilidad de positivos de una muestra aleatoria se divide la proporción que
representa los casos verdadero positivo (columna Resultados Relativos) sobre el total de las
proporciones de verdadero y falso positivo. Cabe señalar, que si en vez de hablar de “enfermos”
hablamos de defectos, por ejemplo soldadura, podemos obtener la confiabilidad de la inspección a
partir de los datos obtenidos.

Definidos así el ID y las probabilidades condicionales es posible desarrollar modelos probabilísticos de

Figura 4.9. Modelo probabilístico a partir de redes bayesianas, caso de funcionamiento de aire acondicionado.

Fuente: BayesFusion LLC, 2020.

SALIDAS

Actualización de los documentos del Proyecto

Los resultados del análisis cuantitativo pueden ser incorporados en el Reporte de Riesgos descrito, así
como en otros documentos. Los elementos que pueden adosarse el reporte pueden ser:

Evaluación de la exposición general de riesgos.

Según se indica en la Guía del PMBOK son dos las mediciones que deben darse:

§ Oportunidades de éxito del proyecto para fechas de fin del proyecto, o milestones específicos,
como el inicio de las fundaciones luego del movimiento de tierras considerando riesgos
individuales que pueden afectar los datos de entrada en la simulación, por ejemplo, la
probabilidad de una protesta social que afecte el rendimiento de la operación dado que los
revelos del personal operario demoran en llegar a obra.
§ Medida de la variabilidad del proyecto presentado como los posibles resultados del proyecto,
como por ejemplo días de extensión del plazo, sobre costos estimados.

Análisis probabilístico detallado del proyecto.

El resultado de este análisis se puede presentar a través de curvas – S, diagrama de tornados que
resultan del proceso de simulación remarcando las sugerencias con respecto a los elementos más
incidentes que devela el diagrama. Así también, sugiere en la Guía del PMBOK, el análisis de criticidad,
el cual es una modificación cuantitativa del análisis cualitativo de modos de falla (Failure Mode and
Effect Analyisis – FMEA), y que se le denomina FMECA. Esta variación fue desarrolla por el ejército de
los Estados Unidos para evaluar el efecto potencial de las fallas de los equipos militares y/o sus
componentes según su probabilidad y severidad de ocurrencia.

Para el caso de la construcción, habría que determinar la probabilidad de ocurrencia de determinadas

no conformidades, así como su impacto medio. A continuación, un ejemplo aplicable a equipos donde
el modo de criticidad de falla viene expresado de la siguiente forma por la productoria de b, a, lr, t
siendo estos valores obtenidos de estudios realizados en el comportamiento de los componentes y
equipos.

Tabla 4.8. Ejemplo de FMECA

Ratio
Ítem Modos de
Tiempo Probabilidad
modo Ratio
Criticidad
Unidad Subsistema Tag Item Causas Operación efecto falla modo
falla falla falla (lr)
(t) (b) falla (Cm)
(a)
Sum. Fisura en pared,
Almac. de T-
de Reservorio Filtración ruptura de bomba 61320 1 1 1.5E-05 9.20E-01
subsistema 1001
agua de drenage
Impulsor degradado,
Sum. Transporte
Almac. de P- filtración de
de Bomba de agua < 61320 1 0.35 1.21E-05 0.258788
subsistema 1001 empaque, motor
agua 1000 gpm
degradado
Fuente: Borges, 2016.
En general, los resultados del análisis pueden conllevar según se sugiere en la Guía del PMBOK a:

§ Determinar la cantidad de reserva para contingencias como montos para absorber un pico de
personal a fin de cumplir un hito de término logrando, así mantener un 90% de probabilidad de
éxito del plazo del proyecto.

§ La identificación de los riesgos individuales del proyecto a partir de la definición de partidas

incidentes identificadas en el diagrama de tornado, lo que conllevaría a un mayor análisis, sobre
todo si está en ruta crítica.

§ Los principales factores de incertidumbre del proyecto, como pueden ser los conflictos sociales
la totalidad del proyecto, siendo que la “paz social” es un aspecto para la continuidad entera
del proyecto.

Lista priorizada de riesgos individuales del proyecto.

El análisis también conlleva a revisar la lista priorizada de riesgos individuales, como pueden también
ser los vinculados a los conflictos sociales, los que pueden afectar un elemento sensible descrito en el
diagrama de tornado, por ejemplo, el abastecimiento de material de relleno que pasa cerca de las
zonas de asentamiento de comunidades agrícolas.

Tendencias en los resultados del análisis cuantitativo de riesgos.

A medida que los hitos se van cumpliendo o desfasando, así como se va materializando el verdadero
costo del proyecto, se requieren nuevas actualizaciones del proyecto tal que arrojen nuevos valores de
probabilidad de logro del plazo y costo. Por ejemplo, que el inicio de los trabajos, así como el inicio de
la primera liberación (compleción) se vean afectados, implicará una verificación necesaria de impacto
de ello en el resultado del proyecto.

Respuestas a riesgos recomendadas.

Las recomendaciones en este nivel corresponden a elementos que pueden afectar el nivel general de
exposición al riesgo del proyecto, o riesgos individuales específicos. Como, por ejemplo, los climáticos,
que reducen la hora disponible de labores si se trata de tormentas, dado que no es posible llevar a
cabo trabajos a cielo descubierto. El inicio de las estaciones de lluvia se verifican vía reportes históricos,
o la contratación de instituciones y/o consultores que tengan acceso a información específica y
actualizada, según ello y las probabilidades de ocurrencia que pueda proveer se adelantan acciones de
repuesta a riesgos. Una respuesta recomendada es priorizar el montaje de la estructura y cobertura
para que los trabajos al interior de la planta en construcción no se vean impactados, así como crear
estructuras temporales para talleres de soldadura, esto mantendría el rendimiento previsto incluido
de
en el modelo en simulación.
BIBLIOGRAFÍA DE LA SECCIÓN

Borges, Victor (2016). “From FMECA to RAM studies”. Fecha de Consulta: 04/08/2020. Disponible en:
<https://blogs.dnvgl.com/software/wp-content/uploads/2016/04/FMECA-Spreadsheet.png>

Bayesfusion (2020). “What are influence diagrama?”. Fecha de Consulta: 05/07/2020. Disponible en:
<https://www.bayesfusion.com/influence-diagrams/>

Evidentious Model Inc. (2020). “Heat Equations Autodiscretized Hybrid”. Fecha de Consulta: 05/07/2020. Disponible en:
<https://demo.bayesfusion.com/bayesbox.html>

Clark, CE.,(1961). “The PERT model for the distribution of an activity time”, Operations Research, 10, 405-406. Estados
Unidos: System Development Corporation.

Chau, K.W. (1995). Montecarlo Simulation of Construction Costs Using Subjective Data, Construction Management and
Economics (1995) 13, 369 – 383. Taiwan: Department of Surveying, The University of Hong Kong.

The validity of the triangular distribution assumption in Monte Carlo simulation of construction costs, Construction
Management and Economics, 13(1), 15-2 1.

Gordillo, Victor (2019). “Caso de aplicación de Análisis Cuantitativo de Riesgos - Simulación de Montecarlo”. Fecha de
Consulta: 03-09-20. Disponible en: <https://youtu.be/VGtHPz9AmtU>

Hillson, D. (2014). How to manage the risks you didn't know you were taking. Paper presented at PMI® Global Congress
2014—North America, Phoenix, AZ. Newtown Square, PA: Project Management Institute.
<https://www.pmi.org/learning/library/manage-risks-didnt-know-were-taking-9275>

LaMorte, Wayne, W. (2016). “Central Limit Theorem”. Fecha de Consulta: 03-08-2020. Disponible en:
<https://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_probability/BS704_Probability12.html>

Palisade (2019). Pantallas del Software Palisade. <https://www.palisade.com/risk/monte_carlo_simulation.asp>

Project Management Institute (2017). Guía de los Fundamentos para la Dirección de Proyectos (Guía del PMBOK). Estados
Unidos: Project Management Institute, Inc.

Maria, Anu (1997). Introduction to Modeling and Simulation, Proceeding of the 1997 Winter Simulation Conference, State
University of New York at Binghamton. Estados Unidos: Department of System Science and Industrial Engineering.

ISO (2008). ISO/IEC 15288, IEEE Std 15288-2008, Systems and software engineering — System life cycle processes

ISO (2019). IEC 31010, Gestión de Riesgos – Técnicas de Evaluación de Riesgos.

Mun, Johnathan (2008). Advanced Anlytical Models+DVD, over 800 Models and 300 Applications from the Basel II Accord
to Wall Street and Beyond. Estados Unidos: Wiley Finance.

Sokolowski, John, A., Banks, Catherine, M. (2010). Modeling and Modelation Fundamentarls, Theoretical Underpinnings
and Practical Domains. Estados Unidos: John Wiley & Sons, Inc.