Grop Masterdp Usc v2023 24 Acg

DIRECCIÓN
Gestión DE PROYECTOS
de riesgos – RIESGOSen
y oportunidades Y OPORTS.
proyectos
Estos apuntes no constituyen un texto detallado; el

alumno debe completarlos con los detalles o matices que
se comenten en clase por el profesor.
DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.
Dirección de Proyectos
Riesgos y oportunidades
Inicio sesiones
Page 1
1
Riesgos y oportunidades
Ponentes:
Mª Pilar de la Cruz
Alfredo del Caño
Grupo de Ingeniería y Dirección de Proyectos
Universidade da Coruña
La tarea de dirigir el proyecto: similitudes con la conducción.

Los clientes: los hay de todo tipo, con diferentes actitudes.
Situaciones frecuentes:
• Desproporción entre propuestas y contratos y expectativas de
directivos y clientes.
• Diferentes objetivos, ambiciosos, y a veces en conflicto
(interrelacionados); ¿todos son extremadamente, igualmente
importantes?.
• Recursos y herramientas prometidos que no se corresponden
con la posterior realidad.
• El responsable de proyecto: todo el día apagando fuegos; en
situaciones embarazosas; todo se le complica; el proyecto le
parece demasiado grande con respecto a lo esperado; le parece
que trabaja más de lo que era esperable; a veces le parece que
todos están perdiendo la cabeza; tendrá buenos resultados si es
un gran profesional, gran trabajador, y tiene buena suerte; incluso
en ese caso tendrá problemas; en otro caso, siempre será un
buen chivo expiatorio.
Page 2
2
Preparados, listos, ya!!!
Ya, listos, preparados!!!
Page 3
3
Las fases de un proyecto son:

• iniciación
• gran entusiasmo
• desilusión
• caos
• búsqueda del culpable
• castigo de inocentes
• promoción de los no participantes
Anónimo
La precipitación tropieza en sus propios

talones y se traba y detiene a sí misma
Séneca
HISTÓRICAMENTE: ALGUNOS BOTONES DE MUESTRA

Construcción
Sydney Opera House: Coste estimado (1967) = 6 M A$
Coste real (1973) = 100 M A$
Nuevos productos
Concorde (1959-1978):Estimación de costes = 95 M£
Costes reales desarrollo = 1.140 M£
Costes reales producción = 700 M£
Ingresos (1978) = 350 M£
Informática (The Standish Group Report, 1995; sobre más de 8.000 proyectos)
• El 31% de los proyectos se cancelaban antes de terminar
• El 53% costaban un 189% de la estimación inicial
• Grandes corporaciones: de los completados, sólo se alcanzaba el
42% de la funcionalidad propuesta inicialmente
• Sólo el 16% se completaban a tiempo y sin sobrecostes
Page 4
4
ALGUNOS BOTONES DE MUESTRA:
actualmente siguen registrándose

retrasos, sobrecostes, problemas de
funcionalidad y rentabilidad (social,
económica), en todos esos tipos de
proyectos
ALGUNOS BOTONES DE MUESTRA

Informática
• El 24% de los proyectos se cancelan antes de terminar o se
suministra el producto pero nunca se llega a usar.
• El 44% tienen retrasos, sobrecostes o merma de funcionalidad.
• Sólo el 32% se completan a tiempo, sin sobrecostes y con la
funcionalidad prevista.
(The Standish Group Report, 2009).
Page 5
5
ALGUNOS BOTONES DE MUESTRA:
Una parte muy importante de esos

problemas proviene de una
inadecuada (o inexistente) gestión de
riesgos y oportunidades
¿Eficacia en la dirección de
proyectos sin una adecuada gestión
de riesgos y oportunidades?
Page 6
6
ALGUNOS BOTONES DE MUESTRA
El riesgo es algo cotidiano que nos afecta

a todos en la vida diaria.
E intuitivamente solemos desarrollar

nuestras propias estrategias y acciones
informales de respuesta al riesgo
Page 7
7
Dirección de proyectos
Gestión de Oportunidades y Riesgos

(O&Rs)
Estos apuntes no constituyen un texto detallado; el

alumno debe completarlos con los detalles o matices que
se comenten en clase por el profesor.
P de la Cruz - A del Caño 1
GESTIÓN DE O&Rs: INTRODUCCIÓN
Introducción
Page 1
1
Incertidumbre
Falta de certeza sobre lo que va a
ocurrir en el futuro

Incertidumbre
presente en todo proyecto, por la propia
definición de proyecto
(carácter único; por lo menos, en alguna de sus partes, nunca antes se había
realizado de la presente manera, o en las presentes circunstancias)
Page 2
2
Riesgo “individual”
• Tradicionalmente (RAE): contingencia o proximidad de un daño.
• Concepto actual (*): hecho o condición incierta que, si ocurriese,
tendría un efecto positivo o negativo (oportunidades, amenazas)
sobre al menos un objetivo del proyecto (rentabilidad,
funcionalidad, plazo, coste, calidad, sostenibilidad, etc.).
• Preferible: usar los términos oportunidad y riesgo (o amenaza).
• Origen de O&Rs: la incertidumbre.
• Incertidumbres hay muchas, pero
nos centramos en las que afectan
a los objetivos del proyecto.
Nivel general de riesgo del
proyecto: efecto global sobre el
proyecto de todas las
incertidumbres, positivas y
negativas.
(*) PMBOK (2017) P de la Cruz - A del Caño 5

O&Rs se componen de:
• Sus causas (hechos ciertos, que se sabe que están
ocurriendo o han ocurrido).
• Una incertidumbre producida por dichas causas
(puede ocurrir, o no: P < 100%).
• Y las consecuencias sobre objetivos del proyecto, de
que dicha incertidumbre se llegue a materializar en la
realidad.
¿ ?
Page 3
3
• Definir O&Rs: metalenguaje para dicha definición
(descripción formal del riesgo), estructurado en 3 partes:
– “como consecuencia de [causas],
– puede ocurrir que [acontecimiento incierto;
incertidumbre],
– lo cual llevaría a [efectos o impactos sobre los
objetivos del proyecto]”.
• Ejemplo: como estamos usando hardware nuevo (causa:

requisito concreto y cierto), pueden darse errores
inesperados en la integración del sistema (riesgo:
incertidumbre), que llevarían a sobrecostes en el proyecto
(efecto: sobre el objetivo de coste).

• Ejemplos (causa + incertidumbre + consecuencia):
– Como consecuencia de que la aplicación informática es
más compleja de lo que se pensaba, puede ocurrir que su
diseño dure más de lo esperado, lo que llevaría a retrasos y
sobrecostes de ...
– Nuestra organización nunca ha llevado un proyecto como
éste antes (causa: hecho), podríamos entender mal las
necesidades del cliente (riesgo: incertidumbre), y nuestra
solución no tendría el rendimiento deseado por el cliente
(efecto sobre un objetivo: posibilidad asociada).
– Tenemos que realizar parte de la producción con fuentes
externas (causa); puede que podamos aprender nuevas
prácticas de la empresa que contratemos (o del socio que
seleccionemos) para ello (riesgo), llevando ello a mayores
productividad y rentabilidad (efecto).
Page 4
4
2 incertidumbres (o más):
• Una misma causa una + (o más)
y una – (o más)
• Ejemplo:
• Causa: proyecto certificación ISO; periodo de crisis con baja
actividad de la empresa; huecos en la agenda del personal; se
ha decidido: redacción de procedimientos y manual por el
personal de la empresa asesorados por un consultor, en vez
de que sea éste el que los redacta.
• Incertidumbre (-): podría aumentar la contratación y que el
personal tenga demasiado trabajo de contratos con clientes
(que pagan los salarios, y este proyecto no) como para atender
este proyecto: (consecuencias) como mínimo, retrasos.
• Incertidumbre (+): podría suceder que las documentaciones
generadas sean realistas y muy fáciles de implantar:
(consecuencias) ahorros de tiempo y coste.
Conceptos asociados:
• La probabilidad de que llegue a producirse el hecho,
• y el impacto del mismo sobre los objetivos del proyecto
(magnitud de los retrasos, ahorros en costes, bajas en
calidad o aumentos de la rentabilidad, etc.).
Page 5
5
O&Rs conocidos / desconocidos:
• Conocidos: identificables, analizables, susceptibles de
respuesta; proceso de GROP (adaptado a las
características, necesidades y restricciones del proyecto;
PM2, PMBOK, PRINCE, …).
• Desconocidos: márgenes generales para
contingencias, llamados reservas de gestión, basados
en la experiencia en proyectos similares desarrollados
con anterioridad: un % aplicado a la estimación de
costes de las actividades y paquetes de trabajo del
proyecto.

• Incertidumbre y costes:
Normalmente para posibles trabajos inesperados,
relacionados con el alcance del proyecto. A veces también Línea base y presupuesto
incluye los riesgos desconocidos. A gestionar por el DP
(muy rara vez), el director de programa, el gestor de la Reserva de
cartera de proyectos, o el promotor o cliente. gestión
Normalmente, para cubrir riesgos Reserva para
conocidos que podrían afectar al alcance
del proyecto. A veces también incluye una
contingencias
asignación para riesgos desconocidos.
Presupuesto
A gestionar por el DP o sus superiores. El
equipo de proyecto no suele conocerlas. total con que se
Presupuesto debe contar, a
Estimación de del que debe financiar con
costes del disponer el DP recursos
trabajo a (hay quien propios o
realizar en el considera esto ajenos
proyecto = como LBC)
Línea Base de
Costes
(PMBOK 2021)
Page 6
6
Enfoque actuarial:
• Basado en el análisis estadístico de registros históricos
(bases de datos): probabilidad objetiva
• Es deseable, debe perseguirse.
• No suele ser posible para todo el proyecto, dada la
propia naturaleza del proyecto, y tanto más si se trata
de innovación. Por tanto:
– Estimación subjetiva de la probabilidad, basada en opiniones
de expertos
– y consideración conjunta de ambas (objetiva, subjetiva).
¿Qué es la GROP?
Page 7
7
Concepto de gestión de riesgos y oportunidades
Page 8
8

Gestión de riesgos y oportunidades del proyecto
(GROP):
proceso sistemático de identificar, analizar y responder

a O&Rs que afectan a los objetivos del proyecto.
Page 9
9
Crisis: el suceso negativo

ya se ha producido
Suele asociarse a
alto impacto

La gestión de la crisis es un subsistema de la gestión de
riesgos para luchar contra los grandes impactos,
cuando el hecho no deseado ya se ha producido
Importante!
Pero menos que la
respuesta preventiva.
Respuesta al riesgo
Respuesta
a la crisis
Podría pensarse en un
proceso paralelo para las
oportunidades
Page 10
10
La incertidumbre decrece con el ciclo de vida del proyecto
(Andrews y Jobling, 1992]
M m M m M m
máximo (M)
coste del proyecto
más
probable
mínimo (m)
evaluación
propuesta
propuesta
comienzo
comienzo
contrato
contrato
entrega
entrega
viabil. diseño ejecución desactivación
Niveles de incertidumbre e impacto potencial a lo largo del ciclo de vida

CICLO DE VIDA
PLANIFICACIÓN REALIZACIÓN
CONCEPCIÓN DESARROLLO EJECUCIÓN DESACTIVACIÓN
OPORTUNIDADES
Y AMENAZAS
Fases en las que se

Incurre en los mayores
INCERTIDUMBRE VALOR
riesgos y se tienen las
mayores oportunidades ECONÓMICO
Fases en las que se

IMPACTOS
producen los mayores
REALES impactos
TIEMPO
Page 11
11
Actitudes frente al riesgo: influye

• Propensión, apetencia o inclinación al riesgo (risk
appetite): deseo (de personas u organizaciones –de sus
directivos-) de aceptar la incertidumbre para obtener
beneficios.
• Tolerancia ante el riesgo: nivel de riesgo que se está
dispuesto a soportar, antes de cambiar la respuesta al
riesgo.
• Umbral de riesgo: nivel de riesgo por encima del cual
desaparece la tolerancia al riesgo.
Actitudes frente al riesgo:

• La percepción del riesgo tiene una componente
psicológica y subjetiva muy importante.
• El proyecto se acepta si existe equilibrio entre el riesgo
percibido y la posible recompensa.
• Normalmente se trata de que haya un cierto equilibrio
entre oportunidades y riesgos.
• La actitud frente al riesgo se ve influida por la actitud
reactiva o proactiva general: la GROP debe ser proactiva.
• Pero podemos enfrentarnos de manera diferente a
diferentes riesgos.
Page 12
12
GESTIÓN DE O&Rs: PROCESOS
Procesos
(PM2, PMBOK, PRINCE, etc.)

GROP?
Respuestas?
Page 13
13
1. Planificar la gestión

GROP?
Respuestas?
Page 14
14
2. Identificar las O&Rs

GROP?
Respuestas?
Page 15
15
El cocodrilo que te muerde es el cocodrilo que no ves (anónimo)
P de la Cruz - A del Caño Ries

• Identificar las O&Rs: proceso iterativo para determinar qué
incertidumbres pueden afectar a los objetivos del proyecto,
definir claramente las correspondientes O&Rs (causas,
consecuencias), y documentar sus características.
– Preferiblemente: ¿quién se va a encargar de la gestión de cada O&R?.
– Preferiblemente: potenciales respuestas que se han identificado ya en
este momento.
Page 16
16
Técnicas:
• Opiniones de expertos
• Técnicas de recopilación de datos:
– Tormenta de ideas.
– Listas de chequeo de identificación directa: listados de O&Rs de
proyectos anteriores (ver más adelante)
– Entrevistas, reuniones.
• Análisis de datos:
– Análisis de causa raíz (identificación de causas de O&Rs)
– Análisis de hipótesis y restricciones asumidas (¿qué pasaría si la
hipótesis resultara ser falsa, o la restricción desapareciese?: efecto
sobre el proyecto)
– Análisis DAFO.
– Revisión y análisis de las documentaciones del proyecto.
• Habilidades personales y de equipo. Uso de expertos en
conducir sesiones de identificación.
• … P de la Cruz - A del Caño 52

Técnicas:
• Listas para identificación rápida de ideas: p. ej.:
– La EDO&Rs (Estructura de Desagregación de tipos de O&Rs).
– PESTLE (Political, Economic, Social, Technological, Legal, Environmental).
– TECOP (Technical, Economic, Commercial, Organizational, Political).
– VUCA (Volatility, Uncertainty, Complexity, Ambiguity).
Page 17
17
Listas de chequeo de identificación directa:
IDENTIFICACIÓN
listados de O&Rs de proyectos anteriores

Registro de O&Rs:
• Documento que recoge los resultados de este proceso, y de
los posteriores (análisis, respuesta, control).
• Software comercial (Risk Radar, Risk Track), sistemas
gestores de BDatos (MS Access), hojas electrónicas.
• En este momento contiene, para las diversas O&Rs:
– Descripción: causas, incertidumbre y potenciales consecuencias.
– Si ha lugar, su clasificación (tipo).
– Si hubiese urgencia, o fuese a realizarse un análisis cuantitativo
para comparar alternativas de respuesta: posibles respuesta/s.
Page 18
18
3. Análisis cualitativo de O&Rs

GROP?
Respuestas?
Page 19
19
• Análisis cualitativo de O&Rs: priorizar O&Rs para análisis o
acción posteriores, en función de diversos criterios
cualitativos.
– ¿Cuáles son las O&Rs realmente importantes?
– ¿Tiene una determinada incertidumbre más importancia que otra?.
– Definir o confirmar quién se va a encargar de la gestión de cada O&R.

Análisis cualitativo de O&Rs. En función de:
• La evaluación cualitativa de su potencial impacto (I).
• La priorización de los objetivos del proyecto (una
incertidumbre es más importante si afecta a los objetivos más
importantes), o las restricciones que afectan a los mismos.
• La tolerancia al riesgo de la organización (p. ej., expresada en
% máximo de desviación para cada objetivo), que está
relacionada con la priorización de los objetivos del proyecto.
• El plazo de respuesta para que ésta sea eficaz.
Page 20
20
Análisis cualitativo de O&Rs: ¿en función de su producto
probabilidad x impacto?.
•NO.
• El riesgo que más nos debe preocupar (el que supone un
mayor uso de reservas para contingencias):
– NO es el de mayor probabilidad.
– TAMPOCO el de mayor producto probabilidad x impacto.
– Es el de mayor impacto (mayores sobrecostes, retrasos, …; todo esto
es demostrable matemáticamente  ver apuntes adjuntos).

Técnicas de evaluación cualitativa:
descripción de probabilidad e impacto
PROBABILIDAD IMPACTO
•Despreciable •Despreciable
•Muy baja •Muy bajo
•Baja •Bajo
•Media •Medio
•Alta •Alto
•Muy alta •Muy alto
•Cuasi certeza •Crítico (fracaso)
Page 21
21
Reducción de la subjetividad en la evaluación: probabilidad
100
probabilidad probabilidad
92 muy alta
casi seguro
probabilidad muy alta
83 alta probabilidad
75 alta probabilidad muy probable
67 alta
58
probabilidad probabilidad probabilidad
50 media media media
probable
42
33 probabilidad
probabilidad baja
25 posible
probabilidad baja
17 baja
probabilidad probabilidad
8 muy baja muy baja improbable
0
Propuesta de conversión de valores semánticos a valores

numéricos de probabilidad
(adaptado y modificado de Down et al, 1994)

Reducción de la subjetividad en la evaluación: impacto (-)
Evaluación del impacto del riesgo sobre los objetivos principales del proyecto
Objetivo del Muy bajo Bajo Moderado Alto Muy alto
proyecto 1 (0,05) 2 (0,10) 3 (0,20) 4 (0,40) 5 (0,80)
Coste Sobrecoste Sobrecoste Sobrecoste Sobrecoste Sobrecoste
global del 0,5-5% del 5-10% del 10-20% >20%
insignificante
(p. ej., <0,5%)
Plazo Retraso global Retraso del 1- Retraso del Retraso del Retraso >40%
insignificante 10% 10-20% 20-40%
(p. ej., <1%)
Alcance Reducción Sólo afecta a Afecta a áreas Reducción Elemento o
apenas aspectos principales del inaceptable producto final
perceptible secundarios proyecto para el cliente inservible
Calidad Reducción Sólo afecta a Reducción Reducción Elemento o
apenas elementos que requiere inaceptable producto final
perceptible con muy altas aprobación para el cliente inservible
exigencias del cliente
Ejemplo basado en PMBOK 2013. En cada proyecto será diferente.

Los rangos de valores o descripciones de potencial impacto se definirán en función de las
necesidades y restricciones del proyecto y de la organización que lo lleva adelante y de la
priorización de objetivos del proyecto y, por tanto, de la tolerancia al riesgo de la
organización.
Page 22
22
Reducción de la subjetividad en la evaluación: impacto (-)
Evaluación del impacto del riesgo sobre los objetivos principales del proyecto
Objetivo del Muy bajo Bajo Moderado Alto Muy alto
proyecto 1 (0,05) 2 (0,10) 3 (0,20) 4 (0,40) 5 (0,80)
Coste Sobrecoste Sobrecoste Sobrecoste Sobrecoste Sobrecoste
global del 0,5-5% del 5-10% del 10-20% >20%
insignificante
(p. ej., <0,5%)
Plazo Retraso global Retraso del 1- Retraso del Retraso del Retraso >40%
insignificante 10% 10-20% 20-40%
(p. ej., <1%)
Alcance Reducción Sólo afecta a Afecta a áreas Reducción Elemento o
apenas aspectos principales del inaceptable producto final
perceptible secundarios proyecto para el cliente inservible
Calidad Reducción Sólo afecta a Reducción Reducción Elemento o
apenas elementos que requiere inaceptable producto final
perceptible con muy altas aprobación para el cliente inservible
exigencias del cliente
Nótese que, teniendo en cuenta la priorización de objetivos del proyecto y, por tanto, la
tolerancia al riesgo de la organización, la tabla recoge dos aspectos: una cierta idea del
impacto, y la priorización de los objetivos del proyecto (aquí, está claro que el coste es
prioritario frente al plazo).
Debe haber otra tabla como esta para los impactos +

Técnicas de evaluación cualitativa (Hillson, 2002)
Matriz P-I (oportunidades y amenazas)

MA ¡La zona ámbar
no debe estar
Probabilidad
A
en la diagonal
M
principal!
B
Los riesgos
MB más
preocupantes
MB B M A MA MA A M B MB son los de
Impacto - Impacto + mayor impacto,
tal como ya se
Incertidumbres de interés prioritario ha comentado
Incertidumbres importantes
Incertidumbres de importancia secundaria

Page 23
23
(PMBOK, 2017)
Matriz P-I (oportunidades y amenazas)
MA 0,90 0,05 0,09 0,18 0,36 0,72 0,72 0,36 0,18 0,09 0,05
Probabilidad
A 0,70 0,04 0,07 0,14 0,28 0,56 0,56 0,28 0,14 0,07 0,04
M 0,50 0,03 0,05 0,10 0,20 0,40 0,40 0,20 0,10 0,05 0,03
B 0,30 0,02 0,03 0,06 0,12 0,24 0,24 0,12 0,06 0,03 0,02
MB 0,10 0,01 0,01 0,02 0,04 0,08 0,08 0,04 0,02 0,01 0,01
0,05 0,10 0,20 0,40 0,80 0,80 0,40 0,20 0,10 0,05
MB B M A MA MA A M B MB
Impacto - Impacto +
Incertidumbres de interés prioritario
Incertidumbres importantes
Incertidumbres de importancia secundaria
Podemos asignar números a cada casilla, para una mejor priorización de riesgos
Recomendable no usar matrices P-I (el riesgo que más nos debe preocupar …)

Registro de O&Rs. Se incorporan:
• Evaluación cualitativa de P e I.
• Priorización de R&O.
• Tendencias del análisis (aumento, disminución o
mantenimiento del nivel de P e I).
Page 24
24
4. Análisis cuantitativo de O&Rs

GROP?
Respuestas?
Page 25
25
• Análisis cuantitativo de O&Rs: analizar numéricamente el
efecto conjunto de las O&Rs sobre los objetivos generales
del proyecto. No siempre se hace. Objetivos:
– Cuantificar los posibles resultados del proyecto y sus probabilidades
• Determinar probabilidad de alcanzar un objetivo (o varios: plazo, coste,
rentabilidad, sostenibilidad).
• Identificar objetivos realistas y alcanzables (plazo, coste, rentabilidad,
sostenibilidad).
– Determinar reservas para para contingencias.

Evaluación cuantitativa: ¿por qué es necesaria?
Con las técnicas cualitativas estimamos valores cualitativos para

probabilidad e impacto
(crítico, alto, medio, bajo, despreciable, etc,)
Lo bueno del análisis cualitativo es:

• Facilidad y rapidez de uso: economía en coste y plazo.
• Es suficiente en la mayoría de los proyectos pequeños (que son
la mayoría de los proyectos, en número), siempre que no tengan
carácter estratégico.
Page 26
26
El problema de dicho análisis es que:
• Siendo adecuado para priorizar los riesgos, esto no sirve para
estimar el impacto real (potenciales retrasos, sobrecostes o bajas
en rentabilidad),
• y si usamos como única estimación la media, la mediana o la
moda, con mucha frecuencia tendremos sorpresas
desagradables.
¡Si usamos como única estimación la media, la mediana o la moda,

con mucha frecuencia tendremos sorpresas desagradables!
Page 27
27
Por otro lado, los métodos que usan una estimación triple son los
que mejor reflejan una GROP proactiva, también orientada a las
oportunidades:
P. ej., función de distribución O para estimar la duración de una
estadística, triangular, para actividad del cronograma.
estimar el coste de un paquete de
trabajo.
Óptimo – Más probable (moda) – Pésimo
Efectos de las Efectos de las

oportunidades amenazas
(valor estimado para el caso de que (valor estimado para el caso de que
se produzcan todas las se produzcan todos los riesgos que
oportunidades que afectan a este afectan a este parámetro)
parámetro)

Para estimar la incertidumbre, en general:
• Usamos la moda (y no la media, o la mediana, …).
• A causa de nuestros esquemas mentales, cuando a un experto
se le pregunta cuánto va a costar (o durar, …) algo, le es difícil o
imposible estimar mentalmente la media.
• Pero le es intuitivo dar el valor que, en su experiencia, es el más
frecuente, es decir: el más probable (la moda).
• Y es que, cuando algo se repite mucho, nuestra memoria se
queda con ello.
Page 28
28
Técnicas. Análisis de sensibilidad:
• Introducimos incrementos +/- en las variables de entrada y vemos
cómo ello hace variar los resultados del proyecto (objetivos).
• Esto se suele hacer en tres escenarios: óptimo, base (esperado o
más probable) y pésimo.
• Para generar el óptimo (oportunidades) y el pésimo (riesgos)
hacemos variar las variables de entrada a partir de sus valores del
escenario base, pero de manera lógica, contemplando las
posibles correlaciones entre variables.
Ejemplo de gráfico de sensibilidad: nueva planta industrial

125
100 Parámetro
75
crítico
% VARIACIÓN EN TIR
50
25
0 Parámetro
-25
no crítico
-50
-75
-100
-40 -20 0 20 40 60
% DE VARIACIÓN DE LAS VARIABLES DE ENTRADA
Cambios en demanda Ingresos
Coste de la energía Costes de mats. primas
Page 29
29
Ejemplo de gráfico de sensibilidad tipo tornado
Parámetro
Ingresos
crítico
Costes de operación
Costes de inversión
Costes financieros
Parámetro
Inflación
no crítico
04 06 08 10 12 14 16 18 20 22 24 26 28 30 TIR
Tasa base
Las oportunidades y riesgos que afectan a parámetros críticos

son importantes
(las que sólo afectan a parámetros no críticos, no lo son).

Lo bueno es que:
• Es muy sencillo de entender.
• Y de hacer.
• Con el software habitual (hoja electrónica; Microsoft Project o
similar) tenemos todo lo que necesitamos para hacerlo.
• Económico (más económico que la simulación; ver más
adelante).
Page 30
30
Problemas:
• Requiere cierto trabajo para hacerse bien (escenarios; y, sobre
todo, para reflejar la correlación), si bien no es demasiado trabajo.
• No da idea de la probabilidad de que tengamos mejores o
peores resultados (plazo, coste, rentabilidad, etc.).
• Y, por tanto, no analiza el riesgo de manera completa (analiza el
impacto pero no la probabilidad).

Utilización:
• Recomendable en todo tipo de proyectos, de cualquier tamaño
e importancia (a pesar de que no considera la probabilidad; sólo
el impacto).
Page 31
31
Técnicas. Análisis de valor esperado.
Se multiplica probabilidad por impacto y a eso se le llama

valor esperado:
VE = P x I

Y luego, por ejemplo, en cuanto a coste, se hace una
provisión de fondos para contingencias igual al sumatorio de
todos los valores esperados de sobrecostes (este ha sido un
método tradicional apto para cálculo sin ordenador)
Cálculo del presupuesto para contingencias

Riesgos Probabilidad Impacto Valor esperado
Riesgo 1 P1 I1 VE1 = P1 ꞏ I1
... ... ... ...
Riesgo n Pn In VEn
Presupuesto total para contingencias:  VEi
Page 32
32
El problema es que:
• La técnica de valor esperado no recoge las posibles

interrelaciones entre riesgos.
• Y deja paso a la tentación de priorizar los riesgos en
función de su valor esperado; esto no es correcto, porque
el riesgo que más debe preocuparnos es el de mayor
impacto, y no el de mayor valor esperado.

• Ello no quiere decir que no debamos usar el concepto de
valor esperado; podemos usarlo para hacer una estimación
simple de contingencias.
• Pero no debemos hacerlo:
– Para priorizar los riesgos del proyecto
– Si existen correlaciones importantes entre variables.
• De uso en pequeños proyectos que no sean estratégicos.
Page 33
33
Técnicas. Simulación tipo Monte Carlo
Más detalle
Ver + adelante

Informe de O&Rs. Se incorporan (si ha lugar):
• Parámetros críticos (sensibilidad).
• Análisis probabilista del proyecto (función de distribución
para rentabilidad, plazo, coste o sostenibilidad, y sus
principales parámetros: mínimo, media, moda, máximo,
desviación típica, varianza, percentiles).
• Probabilidad de cumplir objetivos.
• Listado priorizado de O&Rs cuantificados.
• Tendencias con respecto al anterior análisis probabilista
(aumentan o disminuyen los resultados mín., med., mod., máx.,
incert., percentiles, P de cumplir objetivos).
• Datos para estimar las reservas para contingencias (coste y
plazo).
Page 34
34
5. Planificar respuestas a las O&Rs

GROP?
Respuestas?
Page 35
35
• Planificar respuestas a las O&Rs:
– Concebir un conjunto de acciones y opciones de respuesta para
aumentar la P e I de las oportunidades y reducir o anular la P e I de
los riesgos.
– Escoger el conjunto de respuestas a implantar.
– Determinar las respuestas que quedan reservadas para el caso de
que ocurran contingencias.
– Designar los responsables de implantar las respuestas (los mismos
que gestionan la incertidumbre, o no)
En todo caso, hay DOS TIPOS esenciales

de respuesta,
que se corresponden con los conceptos

de gestión preventiva y correctiva
Page 36
36
• RESPUESTAS ANTICIPADAS (INMEDIATAS):

PROACTIVIDAD
• RESPUESTAS DE CONTENCIÓN (CONTINGENTES):

REACTIVIDAD

Técnicas: estrategias de respuesta
• Impacto –
• Elevar el riesgo: a una autoridad superior para su gestión, cuando el
riesgo está fuera del alcance del proyecto (programa, cartera de
proyectos) o si el DP no tiene autoridad suficiente.
• Evitarlo: más para riesgos de alto impacto; cambio del plan de proyecto
(P=0% si posible), reducir el alcance, aclarar requisitos, eliminar solapes
de actividades en el cronograma, mejorar la comunicación, aumentar la
formación y la experiencia, …
• Transferirlo: I = M y B; pólizas de seguros, fianzas de buena ejecución,
garantías, avales, cláusulas contractuales, …
• Mitigarlo: I = A, M y B; reducir P o I hasta un umbral aceptable; p. ej.,
buscar suministradores de mayor fiabilidad (P), hacer ensayos previos
de la prestación de un servicio (P), construir un prototipo (P), proyectar con
redundancia de equipos críticos (I), …
• Aceptarlo (pasiva o) activamente: I = B; planes de contingencia, fondos y
márgenes para contingencias, planes alternativos (plan “B”).
Page 37
37
Técnicas: estrategias de respuesta (cont.)
• Impacto +
• Elevar: ídem anterior.
• Explotar: I = A; garantizar que se aprovecha; cambio del plan (P=100%,
si se pudiera); cambiar personal por otro de mayor experiencia y
conocimientos, usar equipos de mayor capacidad o tecnológicamente
más avanzados, …
• Compartir: I = M y B; compartir con un socio para aumentar, gracias a ello,
la P de conseguir los beneficios; p. ej., uniones temporales de empresas
(UTEs).
• Reforzar o mejorar: I = A, M y B; aumentar P o I todo lo posible; p. ej.,
aumentar el personal o el nº de equipos (P e I), …
• Aceptar (pasiva o) activamente: I = B; si no merece la pena el esfuerzo o
los beneficios. Planes de acción (y su presupuesto) para cuando ocurra (para
no desaprovecharla).

• Estrategias y respuestas
– Preventivas, incluyendo los acuerdos contractuales y los seguros
– Planes de contingencias y planes B (planes de reserva)
– Reservas para contingencias (plazo, coste, recursos)
• Responsables de las respuestas.
• Presupuesto y plazos para dichas respuestas (si ha lugar,
respuestas al cronograma).
• Condiciones desencadenantes, síntomas, señales de
advertencia de que una O/R se ha producido.
• Condiciones desencadenantes para comenzar a actuar.
• Riesgos residuales, aceptados activa o pasivamente (riesgo
remanente tras implantar respuestas preventivas).
• O&Rs de efecto secundario, que no existían y aparecen
ahora al implantar una respuesta.
Page 38
38
EL RIESGO DE EFECTO SECUNDARIO

No existía y aparece al implantar una respuesta al riesgo
EL RIESGO DE EFECTO SECUNDARIO
• RIESGOS DE EFECTO SECUNDARIO:

CONSECUENCIA DE UNA RESPUESTA A UN
RIESGO (NO EXISTÍA ANTES).
• POR LO TANTO:
– RIESGOS PRIMARIOS: RESPUESTAS PRIMARIAS
– RIESGOS DE EFECTO SECUNDARIO: RESPUESTAS A
ELLOS
(no se suele ir más allá de estos dos niveles)
Page 39
39
OPORTUNIDADES DE EFECTO
SECUNDARIO
6. Implantar respuestas a las O&Rs
Page 40
40
GROP?
Respuestas?

• Implantar respuestas a las O&Rs: de acuerdo con lo
planificado en el proceso anterior.
Ahora hay que tomar medidas

Page 41
41
7. Controlar las O&Rs

(seguimiento y control)

GROP?
Respuestas?
Page 42
42
• Controlar las O&Rs:
– Hacer un seguimiento de dichas O&Rs y de los riesgos residuales
(descripción, P, I, …).
– Identificar nuevos riesgos (y evaluarlos, y responder a ellos).
– Detectar las O&Rs que se materializan en la realidad, así como sus
consecuencias (impactos en plazo, coste, calidad, rentabilidad, …), y
registrar todo ello.
– Hacer un seguimiento del nivel general de riesgo del proyecto.
– Evaluar la eficacia de las respuestas y del proceso de gestión de
O&Rs.
– Y solucionar los problemas detectados (respuestas complementarias,
planes B, cambios en el proceso de GROP, cambio de estrategia
general, …).

• O&Rs que han desaparecido.
• Nuevas O&Rs y sus datos asociados.
• Re-evaluaciones periódicas o de excepción (P, I, priorización)
• Resultados del seguimiento: impactos reales, eficacia de
respuestas.
• Respuestas no planificadas previamente (a O&Rs no
identificados o aceptados sin respuesta).
• Otros cambios (p. ej., responsables).
Page 43
43
Registro de riesgos con hoja electrónica

Ident. + Anal. QL + Anal. QT simple + Resp. + S&C
Archivo xls
Page 44
44
Page 45
45
Page 46
46
Page 47
47
Page 48
48
Registro de riesgos con hoja electrónica (cont.)

Ejemplo de versión simplificada de lo anterior
Cada uno se hará su propio registro con los contenidos que

considere oportunos
(adaptación al proyecto y a la organización; ver más adelante)
Page 49
49
Uso de un modelo, guía o manual (PM2, PMBOK,

PRINCE, etc.), al completo, en un proyecto
determinado?
ADAPTACIÓN AL PROYECTO Y ORGANIZACIÓN DE

QUE SE TRATE
Criterios a tener en cuenta:

Tipo de proyecto (construcción, informática, I+D, ...)
Plazo, presupuesto y recursos
Motivación y actitudes del personal
Tamaño relativo Complejidad Madurez
Al principio (en cualquier modelo, guía o manual)

es recomendable analizar el proceso completo
para determinar las simplificaciones más
adecuadas.
Page 50
50
• En todo caso, las simplificaciones se establecerán

teniendo en cuenta (principalmente):
• El tipo de proyecto (construcción, informática, I+D,

...).
• Características, tamaño y complejidad del proyecto
• Características y madurez de la organización
• Plazo, presupuesto y recursos para la GROP
• Si el proceso se aplica desde el momento inicial del
proyecto o no
• Motivación y actitudes del personal
TAMAÑO RELATIVO DEL PROYECTO

Relación entre el presupuesto del proyecto y capacidad económica
de la organización. Un posible modo de cálculo para empresas
(públicas y privadas):
• Pequeño: presupuesto del orden de 1/100 capitalización (*)
• Mediano: presupuesto del orden de 1/10 capitalización (*)
• Grande: presupuesto del orden de 1/1 capitalización (*)
(*) Capitalización = activos totales - recursos ajenos a largo plazo - pasivo
circulante.
En el caso de administraciones públicas, se puede usar como

divisor una cifra análoga a la indicada para empresas, o bien el
presupuesto corporativo de la organización pública (p. ej., anual o,
como máximo, quinquenal).
Page 51
51
COMPLEJIDAD DEL PROYECTO
• Directa: diferenciación e interdependencia (número de sub-

sistemas o componentes, e interrelaciones entre ellos).
• Indirecta: otros factores que tienden a producir mayores

niveles de interdependencia; elementos y/o interrelaciones
complicados, enrevesados, intrincados o bien que exista
incertidumbre en cuanto a su comportamiento real. Por
ejemplo: cronograma con muchos solapes.
MADUREZ EN LA DIP
+ riesgo, + trabajo desperdiciado
+ productividad, + calidad
Page 52
52
MADUREZ EN LA DIP

MADUREZ EN LA DIP
Page 53
53
MADUREZ EN LA DIP

MADUREZ EN LA GROP - DIP
Page 54
54
• El alcance metodológico de la GROP (metodología

completa o posibles simplificaciones a la misma) no
supone grandes diferencias en cuanto a los costes de
la dirección del proyecto.
• Por ello, al margen de las consideraciones de plazo y
presupuesto, las simplificaciones metodológicas se
deben hacer en función, sobre todo, de la complejidad y
del tamaño relativo del proyecto, y de la madurez de la
organización.
• El tipo de técnicas de análisis de riesgos a utilizar

puede suponer mayores diferencias en los costes de
dirigir el proyecto.
• Por ello en la selección de técnicas de análisis debe
considerarse complejidad y del tamaño absoluto del
proyecto (presupuesto y recursos), y de la madurez de
la organización.
Page 55
55
El equipo de GROP
• IMPORTANTE: independencia y mayores conocimientos,
experiencia y jerarquía del gerente de riesgos con respecto al
director de proyecto (DP).
• Proyectos pequeños y organizaciones de baja madurez:
– no hay equipo (preferiblemente, el gerente de riesgos es otro DP,
asistido por el equipo de proyecto que se analiza).
• Grandes proyectos u organizaciones maduras:
– Gerente de riesgos a tiempo parcial o completo, dependiendo del
tamaño del proyecto.
– Puede estar ayudado por analistas de riesgos
– Pueden estar ayudados por un responsable de recolección de datos
y documentación.
• Otros que colaboran o aportan datos (ingeniería,
contratistas, usuarios, mantenedores, aseguradoras, etc.).

El plazo para la GROP
• Depende de diversos aspectos; entre otros:
• Alcance y clientes del proceso de GROP
• Datos y recursos humanos disponibles
• Pequeños proyectos de baja complejidad en los que el
análisis será sólo cualitativo:
• Mínimo de 2-3 días de 1 o 2 personas para las primeras fases.
• Unas pocas horas-hombre cada mes (por ejemplo, 4-8), para
seguimiento y control.
• Mega-proyectos de gran complejidad en organizaciones de
la mayor madurez, con proceso completo y detallado:
• Dependiendo de los factores arriba mencionados, ½ mes a 3 meses
del equipo de GROP, para las primeras fases
• Uno o dos días al mes del equipo de GROP
Page 56
56
El coste de la GROP:
• Desde el coste de 1 o 2 personas durante 2-3 días para la
primeras fases más 4-8 horas-hombre cada mes.
• Hasta un máximo del 5-10% de los costes de DP
• Costes de la DP: 5% a 10% de los costes de inversión
• Coste de un proceso eficaz: desde menos de 1.500-3.000 €
(1as fases) hasta 0,5-1% de los costes de inversión
(dependiendo del alcance, clientes, datos y RRHH disponibles,
etc.)

PARTICULARIDADES PARA EL CASO DE MÉTODOS ÁGILES
• Proyectos de alta variabilidad, de ambigüedad: más incertidumbre y
riesgo. Uso creciente de métodos ágiles, menos extendidos de lo que
se supone.
• Ágil:
– Frecuentes revisiones de los productos de trabajo incrementales y de los
equipos de proyecto  para acelerar el intercambio de conocimientos y
garantizar que el riesgo es comprendido y controlado; en realidad, para
minimizar el riesgo.
– En cada iteración: al menos un proceso de identificación, análisis,
respuestas y seguimiento y control,
• y O&R se tienen en cuenta al seleccionar el contenido de cada iteración
(respuestas a O&R),
• y el equipo de cada iteración (respuestas a O&R),
• y sirven para tomar decisiones (respuestas a O&R) en las frecuentes
revisiones de requisitos, y de prioridades de trabajo.
Page 57
57
Pilar de la Cruz / Alfredo del Caño Riesgo Técnicas 2 - 1
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS Análisis cuantitativo
ANÁLISIS
CUANTITATIVO
Monte Carlo
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS Ubicación
UBICACIÓN:
¿dónde estamos?
Page 1
1
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS Ubicación
GROP?
Respuestas?
PMBOK-2017
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS Aspectos previos
Aspectos previos base para esta parte
Conceptos básicos de estadística

Análisis de la rentabilidad
Programación y control de costes
Software: MS Project y Excel
Metodología para la gestión de riesgos
Page 2
2
Pilar de la Cruz / Alfredo del Caño Monte Carlo - 5
Conocimientos estadísticos necesarios:

• Experimento aleatorio: aquel en el cual no es posible
saber, a ciencia cierta, cuál va a ser el resultado del
mismo.
• Ejemplo: lanzar una vez una moneda (cara o cruz, con
moneda no trucada y superficie que no permite una 3ª
posibilidad).
• Otro ejemplo: lanzar al aire cien veces dicha moneda:
cuántas caras y cuántas cruces.

• Suceso (o evento) aleatorio: uno de los posibles
resultados de un experimento aleatorio.
• Ejemplos anteriores: cara (o cruz).
Page 3
3

• Variable aleatoria: valor numérico correspondiente al
resultado de un experimento aleatorio.
• Primer ejemplo: dos posibles variables aleatorias
interrelacionadas (cara, cruz), y la relacionada con el
suceso en el cual sale cara sólo puede tomar dos
valores: 0 y 1, respectivamente, si sale cruz, o si sale
cara.
• Segundo ejemplo. también 2 variables
interrelacionadas: nº caras y nº de cruces.

• Otros ejemplos de variable aleatoria:
• Número de veces que sale un determinado número en
una ruleta de casino cuando ésta funciona 200 veces.
• Duración en funcionamiento de una determinada
lámpara eléctrica, hasta su fallo.
Page 4
4

• Variable aleatoria discreta: tiene un conjunto finito de
posibles sucesos aleatorios.
• Ejemplo: nº de caras obtenidas al lanzar al aire cien
veces la moneda.
• Ojo!: también es una variable discreta la que tiene un
conjunto infinito numerable de sucesos. Un conjunto
infinito numerable es aquel que tiene correspondencia, uno
a uno, con el conjunto de los números naturales, N (1, 2,
3, 4, …).

• Variable continua: tiene un conjunto infinito de posibles
sucesos aleatorios.
• Ejemplo: duración en funcionamiento de una
determinada lámpara eléctrica (si dicha duración no
puede pasar de las 15.000 horas, hay infinitos valores
entre 0 y 15.000 horas, ya que dicho intervalo pertenece
al conjunto de números reales).
Page 5
5

• Distribución de probabilidad: modelo teórico que
describe los resultados de un experimento aleatorio,
definiendo la probabilidad de todos los posibles
resultados que podrían obtenerse cuando se realiza dicho
experimento.
• Es decir, asigna a cada suceso la probabilidad de que
dicho suceso llegue ocurrir.

• Distribución de probabilidad discreta: toma un número
finito de valores.
• Una agencia de un banco puede tener entre 1 y 3
empleados trabajando en su interior, en horario laboral, y
P(1)=5%, P(2)=10% y P(3)=85%.
• La distribución de probabilidad será de la de la
transparencia siguiente.
Page 6
6
Probabilidad
85%
10%
5%
Número de
1 2 3 empleados
Histograma de probabilidad

• Distribución de probabilidad continua, llamada
función de densidad: toma infinitos valores dentro de
un intervalo dado.
• Ejemplo: duración en funcionamiento de una
lámpara, hasta su fallo: transparencia siguiente.
Page 7
7

Frecuencia
Horas
5.000 10.000 15.000
Histograma de frecuencias
Page 8
8

• Función de distribución acumulada, función de
distribución, o curva de probabilidad acumulada:
describe la probabilidad de que una variable aleatoria
tome un valor menor o igual que uno dado.
• O, si se desea, la probabilidad de que una variable
aleatoria tome un valor mayor o igual que uno dado.
• Ejemplo función discreta; empleados bancarios:
transparencia siguiente.
• Ejemplo función continua: duración lámpara hasta
su fallo: transparencia posterior.

Ejemplo función discreta: empleados bancarios.
Probabilidad
acumulada
100%
95%
85%
Número de
1 2 3 4 empleados
Curva de probabilidad acumulada
Page 9
9

Ejemplo función continua: duración lámpara.
Probabilidad
acumulada
100%
50%
0% Horas
5.000 10.000 15.000
Curva de probabilidad acumulada

• Función de distribución acumulada, función de
distribución, o curva de probabilidad acumulada:
• Suele tener forma de “S” (duración lámpara), aunque no
siempre tiene por qué ser así (empleados bancarios).
• Íntimamente relacionada con la distribución de
probabilidad; es lo mismo, expresado de otra forma.
Page 10
10

• Población estadística :
• Conjunto de individuos o elementos que presentan
características comunes, sobre los cuales se realiza un estudio
estadístico con el fin de sacar conclusiones.
• Tamaño poblacional (N): número de individuos o elementos
que forman la población.
• Normalmente, cuando la población es muy grande, resulta
imposible estudiar a todos los individuos: se toman muestras,
y se estudian.
• Muestra: subconjunto de casos o individuos de una población.
• Tamaño muestral: n; debe ser suficientemente grande 
muestra representativa.
Page 11
11

• Momentos y otras variables y conceptos estadísticos,
por medio de un ejemplo.

• Ejemplo: tiempo que tardo en ir de casa al trabajo, por
la mañana (minutos).
• [10, 15, 10, 8, 7, 10, 12, 10, 12, 10]
Page 12
12

• Media, valor esperado, o esperanza matemática, E(X):
es el valor medio.
• Población o muestra discreta:
• E(X)=Σi xiꞏP(X=xi)  coincide con la media aritmética.
• Variable continua: fórmula análoga
• E(X) = ∫xꞏf(x)ꞏdx (la integral es un sumatorio)
• Siendo x∈X la variable aleatoria continua y f(x) su función
de densidad (ya vista).

• Media, valor esperado, o esperanza matemática, E(X): es el valor
medio.
• Si es una población o muestra discreta, es igual a la media
aritmética:
• E(X) = Σxi/N
• Con xi = valor i-ésimo y N = número total de valores; n si es es
una muestra)
• Es decir, es la suma de todos los valores que toma X, dividida
por el número de dichos valores.
• Por tanto, si X es una variable aleatoria que toma valores xi={x1,
x2, x3, …, xN}, la media es E(X)=(x1+x2+x3+…+xn)/N
Page 13
13

• Media: E(X)
• En realidad la fórmula general de la media es un poco
más compleja:
• E(X)=Σi xiꞏP(X=xi)
• Es decir, es el sumatorio de cada valor que toma la
variable aleatoria, multiplicado por la probabilidad
de que dicha variable tome ese valor. Por tanto:
• E(X)=x1ꞏP(X=x1)+x2ꞏP(X=x2)+x3ꞏP(X=x3)+…+xNꞏP(
X=xN)
• Los resultados del cálculo son los mismos.

• Media: E(X)
• Si es una variable continua, es igual a:
• E(X) = ∫xꞏf(x)ꞏdx
• Siendo x∈X la variable aleatoria continua y f(x) su función
de densidad.
• Se calcula empleando integrales, ya que para variables
continuas la integral nos sirve para realizar el sumatorio
que hacíamos con las variables discretas.
• Esta fórmula es análoga a la fórmula general empleada
para funciones discretas: E(X)=Σi xiꞏP(X=xi)
Page 14
14

• Media: E(X).
• La media es un operador lineal, ya que:
• E(X+a) = E(X) + a
• E(X+Y) = E(X) + E(Y)
• E(cꞏX) = cꞏE(X)
• Con X e Y variables aleatorias, y a y c constantes.
• Combinando estas propiedades, podemos ver que:
• E(aꞏX+c) = aꞏE(X) + b
• E(aꞏX+cꞏY) = aꞏE(X) + bꞏE(Y)

• Mediana (Me): valor del 50% de probabilidad.
• Una vez ordenados los datos, hay el mismo número
de datos antes y después que la Me.
•Nº de datos ≤ Me: la mitad (el 50%).
•Nº de datos ≥ Me: la otra mitad (el 50%).
Page 15
15

• Mediana (Me): valor del 50% de probabilidad.
• Me = percentil 50.
• Percentil: valor asociado a un determinado porcentaje
de la población.
• Niño por encima del percentil 80 en cuanto a su altura
 está entre ese 20% de niños más altos, para una
edad determinada.

• Moda (Mo): valor que más se repite y, por tanto, el más
probable.
• Ejemplo: tiempo que tardo en ir de casa al trabajo,
por la mañana.
• Puede haber más de una moda (que dos o más
valores presenten la misma frecuencia):
distribuciones multimodales.
Page 16
16

• [10, 15, 10, 8, 7, 10, 12, 10, 12, 10]
• E(X) = (10+15+10+8+7+10+12+10+12+10)/10 = 10,4.
• Me = Me (7, 8, 10, 10, 10, 10, 10, 12, 12, 15) = 10.
• Mo = 10 (repetido 5 veces; el + repetido)

• [10, 15, 10, 8, 7, 10, 12, 10, 12, 10]
• E(X) = (10+15+10+8+7+10+12+10+12+10)/10 = 10,4.
• Mo = 10 (repetido 5 veces; el + repetido)
Page 17
17

• Media, mediana y moda; en general:
• Distribuciones simétricas: E(X) = Me = Mo
• Sesgadas a la derecha: E(X) > Me > Mo
• Sesgadas a la izquierda: E(X) < Me < Mo
• No obstante, suelen ser valores muy cercanos entre
sí; valores “centrales”.
E(X) = Me = Mo Mo < Me < E(X) E(X) < Me < Mo

• Rango o recorrido: distancia entre los valores máximo y
mínimo.
• R = xmax - xmin
• Es decir: es el recorrido del intervalo de menor
tamaño que contiene los datos.
por la mañana.
• Da cierta idea de la dispersión: R alto implicaría, en
principio, alta incertidumbre.
• Utilidad limitada a efectos del riesgo: los valores
extremos pudieran estar aislados.
Page 18
18

• Rango o recorrido: distancia entre los valores máximo y
mínimo.
• R = xmax – xmin
por la mañana.
• Da cierta idea de la dispersión: R alto implicaría, en
principio, alta incertidumbre.

• Rango o recorrido:
• Utilidad limitada a efectos del riesgo: los valores
extremos pudieran estar aislados.
Dicho de otro modo: a efectos de la

incertidumbre, esta medida no siempre es
representativa, porque no tiene en cuenta todos
los valores; sólo los extremos.
Page 19
19

• Varianza (Var) y desviación típica (s): Var = s2
• Medidas del grado de dispersión de los datos de la población
con respecto a su media.
• Dan idea de la media de las distancias entre los datos y su
media.
• Es decir, de la media de la variación de los datos con
respecto a su media.
• Distribución discreta (población):
• Var = s2 = Σ [xi – E(X)]2 / N
• Distribución continua:
• Var = s2 = ∫ [x – E(X)]2 ꞏ f(x) ꞏ dx
•…

• Si en vez de emplearse toda la población se emplea una
muestra de la misma, en la fórmula anterior se emplea n-1 en vez
de n (corrección de Bessel; Friedrich Bessel, 1784-1846), para corregir el
sesgo que se produce al escoger un subconjunto de la población (muestra), en vez de
la población al completo. La variable muestral (Var; s) es más
conservadora (mayor) que la poblacional.
• Distribución discreta (muestra):
• Var = s2 = Σ [xi – E(X)]2 / (n-1)
•…
Page 20
20

• A efectos de la incertidumbre, esta medida es más
representativa que el rango, porque tiene en cuenta todos los
valores, y no sólo los extremos.
• Cuanto mayor sea la varianza (y, por tanto, la desviación
típica), mayor es la distancia entre los valores y su media; es
decir, mayor es la variabilidad: mayor es la incertidumbre.

• A efectos de la incertidumbre, esta medida es más
representativa que el rango, porque tiene en cuenta todos los
valores, y no sólo los extremos.
• Cuanto mayor sea la varianza (y, por tanto, la desviación
típica), mayor es la distancia entre los valores y su media; es
decir, mayor es la variabilidad: mayor es la incertidumbre.
• Si el rango es alto, s2 suele ser alta …
Page 21
21

• … pero no siempre esto es así.
R y s2 bajos: incertidumbre baja
R muy alto y s2 muy alta: incertidumbre muy alta

(la probabilidad de estar en los extremos no es baja)
Mismo R que antes (muy alto) y s2 baja: incertidumbre

menor que en el caso anterior
(la probabilidad de estar en los extremos es muy baja)
Por eso s2 es más representativa

• Correlación entre dos variables: significa que cuando
una de ellas cambia de valor, la otra también lo hace, o
bien puede hacerlo para determinados valores de la primera variable.
• La correlación puede ser directa (las dos aumentan) o
inversa (cuando una aumenta, la otra disminuye)
• Suele funcionar en los dos sentidos, pero puede no
hacerlo (hay una variable que se ve influida por la otra, y no al contrario).
• Puede haber correlación múltiple, entre más de dos variables.
Page 22
22

• Si no hay correlación:
• La suma de las medias de varias distribuciones es la
media de la suma de esas distribuciones
• La suma de la varianza es la varianza de la suma
• No sucede igual con la moda ni con la desviación
típica
• Si hay correlación ni siquiera sucede lo primero (con la
media y la varianza)
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS Cuantitativo: Monte Carlo

• Como casi siempre hay correlación entre las variables
del proyecto (o, por lo menos, entre algunas), no
podemos recurrir a técnicas sencillas de suma de
medias y varianzas para calcular la posible variabilidad
de los resultados del proyecto (por ejemplo, su
rentabilidad).
• Por otro lado, si calcular esos resultados supone el uso
de fórmulas que vayan más allá de la suma o la resta,
tampoco podemos usar estas técnicas (es el caso de la
rentabilidad).
Page 23
23
MONTE CARLO
Origen:
Probablemente la idea inicial es de William
Gosset “Student” (el matemático de la
distribución “t de Student”). Pero no lo denomina
“Monte Carlo”.
“Student” lo usó para ayudarse en

sus propias investigaciones y, en
particular, en la correspondiente a la
de la distribución t de Student.
William Sealy Gosset

“Student” (1876 - 1937)
Page 24
24
Origen:
Desarrollo y primera aplicación en la
investigación de la primera bomba atómica
(Segunda Guerra Mundial),
por Fermi, Metropolis, Ulam y Von Newmann.
Enrico Fermi Nicolas Metropoli Stanislav Ulam John von Newmann
Origen:
El desarrollo sistemático de estas ideas es
realizado, finalmente, por Harris y Herman
Kahn, también en 1948.
Page 25
25
Concepto:
Método por el que se obtienen
soluciones aproximadas a una gran
variedad de problemas matemáticos
realizando experimentos de muestreo
estadístico, mediante el uso del
ordenador.
Aplicaciones:
En general, resolución de cualquier
problema cuya solución analítica sea muy
dificultosa, larga, cara, inexistente (hacer
operaciones con funciones de probabilidad es un
problema matemático muy complejo o sin solución
analítica) o éticamente reprobable,
o estudio de sistemas sobre los que es

imposible experimentar, o cuyo
funcionamiento es muy lento.
Page 26
26
Aplicaciones:
Se aplica tanto a problemas que tienen
una estructura probabilista inherente
como a los que no tienen contenido
probabilista.
Aplicaciones típicas (entre otras):

Química y física computacionales
Física nuclear – Electrónica – Materiales
Fiabilidad en Mecánica y Estructuras
Mantenimiento
Control de calidad
Prospecciones petrolíferas
Simulación en gestión empresarial y del
proyecto.
Page 27
27
Principio: la simulación
En general, simulación es el proceso de diseñar
un modelo de un sistema real y llevar a cabo
experiencias con él, con la finalidad de
comprender el comportamiento del sistema o
de evaluar diversas estrategias para su
funcionamiento.
(Shannon, 1975, citado por Pardo y Valdés, 1987)
Modelo es una representación

simplificada de un sistema.
(Pardo y Valdés, 1987)
Page 28
28
Sistema es un conjunto de elementos

interrelacionados entre sí y con el entorno
que les rodea, que forman una unidad
para la consecución de un fin.
En nuestro caso, se trata de establecer lo que

puede pasar en la realidad estudiando, en poco
tiempo, cientos o miles de escenarios del tipo
“¿Qué pasaría si ...?”
Page 29
29
Proceso
Salidas
Establecer Estimar Simular Interpretar
gráficas y
modelo incertidumbre y validar / decidir
numéricas
Analista Herramienta Analista

/ DP
Vamos a explicar el método a la vez que lo

aplicamos a la estimación de costes
Aplicación a la estimación de costes

(sin correlación)
MODELO
Estimación de costes del proyecto
Elemento de costes nº 1 Estim1
Establecer Elemento 2 Estim2
modelo ... ...
Elemento n Estimn
TOTAL PROYECTO e (Estime)
Page 30
30

(sin correlación)
Se estiman óptimo, pésimo, más probable y

función de distribución para cada elemento
Estimar de coste no determinista
incertidumbre
Elem 1 o1 m1 p1 FD1
Elem 2 o2 m2 p2 FD2
...
Elem n on mn pn FDn
o = óptimo
m = más probable
p = pésimo
FD = función de distribución de cada elemento
n = nº de elementos de la estimación
En general: uso de la moda
USAMOS LA MODA (Y NO LA MEDIA)

A causa de nuestros esquemas mentales,
cuando a un experto se le pregunta cuánto
va a costar (o durar) algo, le es difícil o
Estimar
incertidumbre imposible estimar la media.
Pero le es intuitivo dar el valor que, en su
experiencia, es el más frecuente, es decir:
EL MÁS PROBABLE (LA MODA)
Y es que, cuando algo se repite mucho,
nuestra memoria se queda con ello.
Page 31
31
Uso de funciones de distribución

Funciones de distribución:
Triangular
Normal
Estimar Beta
incertidumbre
Log-N (Logarítmico-Normal)
Binomial
Discreta
Uniforme ...
o Normal p o Trigen p o Triangular p
Distribuciones Distribuciones
abiertas cerradas
Estimar
incertidumbre
o p o p
Distribución Distribución
abierta cerrada
Uso cuando hay confianza Uso cuando hay confianza

en las estimaciones pero en las estimaciones y en
se estima una pequeña que éstas no van a ser
probabilidad de que sean sobrepasadas.
sobrepasadas.
Page 32
32

Funciones de distribución:
Triangular cerrada
Trigen
Estimar
incertidumbre Normal abiertas
Beta
Log-N
Si se tiene confianza en las estimaciones pero no se

sabe qué distribución tomar,
es mejor usar Monte Carlo que hacer una estimación
determinista,
teniendo cuidado de que sea una distribución abierta o
cerrada, según sea el caso.

Funciones de distribución: o p
Simétrica
Normal simétrica
Estimar Triangular
incertidumbre poco
uso Trigen asimétricas
o p
Beta Asimétrica
Log-N (sesgada)
Es importante que las distribuciones puedan ser

asimétricas, para que puedan reflejar lo que sucede
frecuentemente en los proyectos: que las distancias
entre la media o la moda y los dos extremos no son
iguales, y suelen ser bastante diferentes.
Por eso no se suele usar apenas la normal.
Page 33
33

Estimar
incertidumbre Funciones de distribución más usadas:
•Continuas: cualquier valor es posible dentro del

rango definido; cualquier rango incluye un
número infinito de posibles valores; estas
distribuciones son funciones continuas, y son
las que más se usan: triangular, trigen, Log-N, …
•Discretas: los posibles valores son discretos,
finitos, normalmente número enteros. Se usan
cuando una variable sólo puede tomar dos
valores (o tres, o cuatro, …).

Estimar
incertidumbre Funciones de distribución de cierto uso:
Más usadas Menos usadas

Distribución Función Distribución Función
N Binomial y
Si-No
Triangular Beta
Log-N
Hay muchas más
(decenas), pero
Uniforme con esto sobra,
continua y
discreta generalmente.
Page 34
34

Estimar
incertidumbre Funciones de distribución más usadas:
Distribución Características Aplicación Ejemplos
N • Continua, y el valor medio es el más Fenómenos naturales Altura de las personas,

probable (media = mediana)
demografía, inflación
• Simétrica alrededor de la media
• Es más probable estar cerca que
lejos de la media
Triangular • Continua, con valores máx y mín Cuando hay limitación Estimación de ventas,
fijados
de datos pero se sabe existencias de inventario /
• Mediana (más probable), máx y mín
son los vértices del triángulo máx., mín. y mediana. almacenaje, costes de
marketing
Log-N • No hay límite sup.; lím. inf. = 0 Situaciones en que Precios inmobiliarios,
• Continua y asimétrica, con más hay asimetría pero el precios de acciones en
valores cerca del límite inferior
valor no puede ser bolsa, escalas salariales,
negativo tamaño reservas crudo
Uniforme • Valores máx y mín fijados Cuando se conoce el Estimaciones
• Todos los valores son equiprobables rango y los valores inmobiliarias, pérdidas en
• Puede ser continua o discreta son equiprobables redes de tuberías

Estimar
incertidumbre Otras funciones menos usadas:
Distribución Características Aplicación Ejemplos
Binomial y • Dos valores: si / no, V / F, éxito / frac. Describe el nº de Nº de caras en 10 tiradas

Si-No • Valores independientes y misma veces que ocurre algo de moneda, prob. De éxito
prob. en cada tirada / intento
en un det. nº de o fracaso al intentar algo
• La Si-No es la binomial con una sola
tirada / intento intentos
Beta • Valores máx y mín positivos (incluido Representa la Fiabilidad de maquinaria
el cero)
variabilidad en un o equipos
• La forma se genera a través de dos
valores positivos (alfa y beta) rango detdo., describe
datos empíricos
Page 35
35
¿Qué hacer cuando no se sabe qué función usar?
Estimar o p o p
incertidumbre
Distribución Distribución
Triangular Trigen
(cerrada) (abierta)
Usar las distribuciones Triangular y Trigen

(sin correlación)
Simular
y validar
(en esencia)
Page 36
36
Versión resumida
Simular, resumidamente:
• Para el primer elemento de coste (Elem 1)
• Se genera un nº aleatorio [0,100] o [0,1]
• Usando ese nº y la función de distribución del
coste de Elem 1, entramos en la curva de
probabilidad acumulada y calculamos una
primera cifra de coste estimado
100%
Curva de probabilidad
probabilidad
nº aleat.
acumulada:
la que refleja los
diferentes percentiles
0% o coste
1 Estim11 p1
Page 37
37
• Almacenamos dicho valor (Estim11).
• Hacemos lo mismo para el resto de elementos de coste, hasta
el último de ellos (Elem n)
• Ahora calculamos el coste total del proyecto como sumatorio
de los costes de cada elemento de coste que se acaba de
calcular: Coste total (1) = Σ Estim1i
• Hemos terminado la primera iteración: tenemos una cifra de
coste estimado para cada elemento, y para el proyecto
completo.
• …
• ...
• Repetimos todo lo anterior, haciendo tantas iteraciones (t)
como sea necesario: con t entre 300 y 1.000, o hasta
convergencia.
• Convergencia: diferencias despreciables entre los
parámetros estadísticos (media, varianza, etc.) con
comprobaciones realizadas cada determinado número de
iteraciones (p. ej., cada 100 iteraciones).
• Hemos terminado las t iteraciones: tenemos t valores para el
posible coste total del proyecto ...
Page 38
38
• Hacemos un tratamiento estadístico final de dichos valores:
máximo, mínimo, media, mediana, moda, varianza, desviación
típica, histograma, curva de probabilidad acumulada, etc.
• FIN de la simulación
oOo
Versión detallada
Page 39
39

(sin correlación)
e=1, i=1
e = nº del elemento de coste
Generación nº aleatorio (e = 1, 2, ... n)
i = nº de la iteración
(i = 1, 2, ... t)
oe, me, pe, FDe
e=1,
e=2,i=1
i=1 n = nº de elementos de coste
t = nº de iteraciones (300 a 1.000)
Estimei
probabilidad
Elemento siguiente
e>n? e=e+1 100%
no nº aleat.
si
i>t? i=i+1 e=1
no
si Iteración siguiente
Tratamiento estadístico coste

0%
oe Estimei pe

(sin correlación)
e=1, i=1
(i = 1, 2, ... t)
oe, me, pe, FDe
e=1,
e=2,i=1
e=3,...i=1
e=n, i=1 t = nº de iteraciones (300 a 1.000)
Estimei
probabilidad
Elemento siguiente
e>n? e=e+1 100%
no
si
i>t? i=i+1 e=1
no
nº aleat.
0%
oe Estimei pe
Page 40
40

(sin correlación)
e=1, i=1
(i = 1, 2, ... t)
oe, me, pe, FDe
e=1,
e=2, i=1
e=3,
e=n, i=1
e=1,i=1
i=2 t = nº de iteraciones (300 a 1.000)
Estimei
Elemento siguiente
e>n? e=e+1
no
si
i>t? i=i+1 e=1
no
Tratamiento estadístico

(sin correlación)
e=1, i=1
(i = 1, 2, ... t)
oe, me, pe, FDe
e=1,
e=2, i=1
e=3,
e=n, i=1
e=1,
e=n,...i=2
i=t
Estimei
probabilidad
Elemento siguiente
e>n? e=e+1 100%
no
si
i>t? i=i+1 e=1 nº aleat.
no

0%
oe Estim pe
ei
Page 41
41

(sin correlación)
e=1, i=1
(i = 1, 2, ... t)
oe, me, pe, FDe
e=1,
e=2, i=1
e=3,
e=n, i=1
e=1,
e=n,i=2
i=t
Estimei
Elemento siguiente
e>n? e=e+1
no
si
i>t? i=i+1 e=1
no

(sin correlación)
Iteración 1 ... Iteración i ... Iteración t
Elem 1 Estim11 ... Estim1i ... Estim1t
... ... ... ... ... ...
Elem e Estim ... Estimei ... Estimet

Sumamose1
... para
...los ... ... ... ...
costes
Elem n Estimn1
totales ... Estimni ... Estimnt
Proyecto 1 ... i ... t
Tratamiento estadístico de variables de salida
Page 42
42

(sin correlación)
Iteración 1 ... Iteración i ... Iteración t
Elem 1 Estim11 ... Estim1i ... Estim1t
... ... ... ... ... ...
Elem e Estime1 ... Estimei ... Estimet
... ... ... ... ... ...
Elem n Estimn1 ... Estimni ... Estimnt
Proyecto 1 ... i ... t

(sin correlación)
El ordenador proporciona, en realidad,

números pseudo-aleatorios.
Para reducir el sesgo, se realizan varias

simulaciones con diferentes “semillas”
Page 43
43

(sin correlación)
Simulación A (1ª “semilla”) Simulación B (2ª “semilla”)
...
Iteración 1 ... Iteración i ... Iteración t Iteración 1 ... Iteración i ... Iteración t
Elem 1 Estim11A ... Estim1iA ... Estim1tA Estim11A ... Estim1iA ... Estim1tA
... ... ... ... ... ... ... ... ... ... ...
Elem e Estime1A ... EstimeiA ... EstimetA Estime1A ... EstimeiA ... EstimetA
... ... ... ... ... ... ... ... ... ... ...
Elem n Estimn1A ... EstimniA ... EstimntA Estimn1A ... EstimniA ... EstimntA
Proyecto 1A ... iA ... tA 1B ... iB ... tB
...
(media, varianza, histograma, curva de probabilidad acumulada, ...)
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS El método
Page 44
44
Cálculo de:
• Máximo: max(vector Σcostes).
• Mínimo: min(vector Σcostes).
• Media, moda, mediana, varianza, desviación típica:
ya visto.
• Función de distribución: veámoslo con un ejemplo
…
Simplificadamente:
Cálculo de la función de distribución

(1) Frec. (2) MM de Euros (3)=(1)x(2) (4)=(3)acumul. Prob. acumul.
10 Entre 2,5 y 7,5 (5) 50 50 2%
80 Entre 7,5 y 12,5 (10) 800 850 35%
50 Entre 12,5 y 17,5 (15) 750 1600 65%
30 Entre 17,5 y 22,5 (20) 600 2200 90%
10 Entre 22,5 y 27,5 (25) 250 2450 100%
Total 2450
Page 45
45
Simplificadamente: Ídem anterior

Posibles Frecuencia Ídem anterior entre “Total”:
Frecuencia probabilidad
valores del por acumulado
(*) acumulada
coste coste
Cálculo de la función de distribución
(1) Frec. (2) MM de Euros (3)=(1)x(2) (4)=(3)acumul. Prob. acumul.
10 Entre 2,5 y 7,5 (5) 50 50 2%
80 Entre 7,5 y 12,5 (10) 800 850 35%
50 Entre 12,5 y 17,5 (15) 750 1600 65%
30 Entre 17,5 y 22,5 (20) 600 2200 90%
10 Entre 22,5 y 27,5 (25) 250 2450 100%
Total 2450
Curva de probabilidad
Histograma de (*) Nº de veces que sale un
acumulada
frecuencias valor en cada intervalo
Frecuencia
80
70
60
50
40
30
20
10
CosteTotal
5 10 15 20 25
Histograma de frecuencias
Page 46
46
Probabilidad
100 %
90 %
80 %
70 %
60 %
50 %
Curva de 40 %
30 %
probabilidad 20 %
acumulada 10 %
5 10 15 20 25
CosteTotal

(sin correlación)
Validación:
Tras realizar algunas simulaciones y obtener los

primeros resultados comprobaremos si el modelo y
las estimaciones son correctos o no
(y si ha lugar, los modificaremos).
Page 47
47

(sin correlación)
Salidas
gráficas
y numéricas
Ejemplo de simulación tipo Monte Carlo: proyecto de edificación

Estimación del coste total
PROBABILIDAD ACUMULADA (%)
100
90 Línea Base de Costes
+ 85%
80 (LBC)
Iteraciones: 1.000
70
60
Estimación de Costes
50 + 50% coste al 50% (17)
de las Actividades (ECA)
Estimación Costes
40
Actividades (ECA)
Línea Base de
Costes (LBC)
30
20
10
(APM, 1992)
0 106 LIBRAS
4 8 12 16 20 24 28 32 36
Línea Base de Costes (LBC) = Estimación de Costes de las Actividades (ECA)
+ Reservas para Contingencias (RC)
LBC = estimación de costes al 85% de probabilidad = 22,1ꞏ106 £
Page 48
48

100
90
+ 85%
80
Iteraciones: 1.000
70
60
50 + 50% coste al 50% (17)
Estimación Costes
40
Actividades (ECA)
Línea Base de
Costes (LBC)
30
20
10
(APM, 1992)
0 106 LIBRAS
4 8 12 16 20 24 28 32 36
ECA = LBC – RC = estimación de costes al 50% de probabilidad = 17ꞏ106 £
Este es el que vamos a comunicar a la mayoría de participantes

100
90 coste al 85% (21,1)
+ 85%
80
Iteraciones: 1.000
70
60
50 + 50% coste al 50% (17)
Estimación Costes
40
Actividades (ECA)
Línea Base de
Costes (LBC)
30
20
10
(APM, 1992)
0 106 LIBRAS
4 8 12 16 20 24 28 32 36
Reservas para Contingencias (RC) = LBC – ECA = 22,1 - 17 = 5,1ꞏ106 £
Normalmente este sólo se va a conocer de nivel de DP para arriba
Page 49
49

PROBABILIDAD ACUMULADA (%) Estimación del coste total
100
90
+ 85%
80
Iteraciones: 1.000
70
60 coste esperado (medio) (17,4)
+ 54%
50
Estimación Costes
Actividades (ECA)
40
Línea Base de
Costes (LBC)
30
20
10
(APM, 1992)
0 106 LIBRAS
4 8 12 16 20 24 28 32 36
NOTA
Podemos establecer la ECA en función del valor medio o mediano,
(normalmente la diferencia no suele ser importante), o incluso con
probabilidades menores (no mucho menores; riesgo de desmotivación)

100%
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS
4
3
Probabilidad acumulada
Plazo
0%
Fecha 1. Curva sin respuestas al riesgo
mínima de 2. Curva con conjunto A de respuestas (de coste Ca)
finalización 3. Curva con conjunto B de respuestas (de coste Cb)
4. Curva con conjunto C de respuestas (de coste Cc)
Luego habrá que hacer diversas simulaciones para cuantificar el

riesgo en diferentes hipótesis de respuesta al riesgo.
Page 50
50
100%
RIESGO Y PROYECTO - TÉCNICAS -4 ANÁLISIS
3
Probabilidad
acumulada
1
Plazo
0%
1. Curva sin respuestas al riesgo
Comienzo 2. Curva con conjunto A de respuestas (de coste Ca)
programado 3. Curva con conjunto B de respuestas (de coste Cb)
Se construye el modelo base sin respuestas (curva 1).
Luego se modifica ese modelo aplicando diferentes conjuntos

alternativos de respuestas, y se simula cada uno de los
nuevos modelos resultantes (curvas 2 a 4).

100%
3
2
Probabilidad
acumulada
Plazo
0%
Comienzo 2. Curva con conjunto A de respuestas (de coste Ca)
programado 3. Curva con conjunto B de respuestas (de coste Cb)
Con ello tendremos información sobre la eficacia comparativa

de los diferentes conjuntos de respuestas y, a su vez, de la
eficacia general de los mismos para mejorar los resultados del
modelo base.
Page 51
51
100%
3
Probabilidad
acumulada
1
Plazo
0%
Comienzo 2. Curva con conjunto R1 de respuestas, de coste C1
programado 3. Curva con conjunto R1 + R2 de respuestas, de coste C2
4. Curva con conjunto R1 + R2 + R3 de respuestas, de coste C3
Este tipo de gráficos se usan también para comparar los

potenciales resultados de la implantación progresiva de
diferentes respuestas planificadas.
La eficacia irá aumentando, y el coste del conjunto total de

respuestas también. Llegaremos a una solución de
compromiso.
Para todo esto necesitamos,

obviamente, el ordenador.
oOo
Page 52
52

(sin correlación)
Interpretar
/ decidir Fin
Los mismos resultados pueden llevar a diferentes
decisiones, en función de la tolerancia o aversión al
riesgo del decisor.
oOo
Resultados:
Con este método hemos simulado una gran
cantidad de posibles costes reales del
proyecto.
Si un coste determinado se ha superado un 20%

de veces en la simulación, dicho coste tiene
una probabilidad del 20% de ser superado en
la realidad (si las estimaciones son realistas).
Page 53
53
Resultados:
No sólo nos da el máximo, el mínimo y los

momentos (media, moda, varianza), sino que establece
la geometría de la función de distribución
y nos permite determinar los fondos y
tolerancias para contingencias a un
determinado nivel de probabilidad o a un nivel de
confianza dado.
Resultados:
Pero no es una “bola de cristal” que sirva para
llegar inequívocamente a una decisión
correcta, sino una herramienta de ayuda en el
razonamiento para tomar una decisión.
Page 54
54
Resultados:
Es decir, vamos a tomar la mejor decisión
posible dada la información disponible.
Pero no necesariamente la mejor decisión.
oOo
Otro aspecto que se puede simular:

la correlación
Viabilidad: ¿qué pasa si nuestra cuota de mercado

sube?:
hay cierta probabilidad de que podamos subir el

precio de venta.
correlación directa
Page 55
55

la correlación
Viabilidad: ¿qué pasa si en unas
determinadas circunstancias de
mercado bajamos nuestro precio?.
Lo probable es que aumentemos
nuestra cuota de mercado.

la correlación
Viabilidad: ¿qué pasa si en unas
determinadas circunstancias de
mercado subimos nuestro precio?.
Es probable que disminuya nuestra
cuota de mercado.
Page 56
56
Aumentar los costes en una parcela del

proyecto puede significar ahorros
importantes en los costes de otras
parcelas del mismo (con un balance
positivo para el proyecto).
correlación inversa
Aumentar los costes en una parcela del proyecto puede significar ahorros
importantes en los costes de otras parcelas del mismo (con un balance
positivo para el proyecto).
Ejemplo: contratamos una empresa de

ingeniería de mayor calidad y coste,
para disminuir los costes de
construcción
correlación inversa
Page 57
57
Otro aspecto: el efecto dominó.

Si diseñar una aplicación informática
duró más de lo esperado por ser más
compleja de lo que se pensaba, su
codificación también durará más de lo
esperado.
Necesidad de la correlación
Este método la permite
Correlación: árboles de decisión
Método: se combina Monte Carlo con árboles

de decisión, y una variable toma una u otra
función de distribución en función de lo
que suceda en el árbol de decisión.
Page 58
58
Correlación: correlación entre muestras

• Se define la correlación entre variables [+1,-1]
• Correlación 1: la herramienta hace que, si una de las
variables cae en una parte de su distribución (p. ej.,
probabilidad muy alta, alta, media, baja, muy baja), el resto
de las variables interrelacionadas caigan en esa misma
parte, manteniendo una cierta aleatoriedad.
• Correlación –1: lo inverso
• Es frecuente usar sólo valores +1 y -1
• Correlación distinta de +1 y de –1: lo anterior se corrige con
el valor de esta correlación, en términos de probabilidad (la
probabilidad de que una variable afecte a otra ya no es 1).
oOo
Correlación entre muestras

• De todas formas, si conocemos la manera exacta en que se
produce esa correlación, es mejor usar la correspondiente
fórmula, evitando el uso de esta técnica.
• Ejemplo: correlación entre el precio y la cantidad demandada
y, por tanto, la cuota de mercado: uso del concepto de
elasticidad de la demanda.
Page 59
59
Correlación entre muestras

• Elasticidad precio-demanda: Epd = %Var(Qd) / %Var(P).
% de variación de la cantidad demandada cuando se produce un
determinado % de variación en el precio, considerando que el resto
de determinantes de la demanda, como la renta, permanecen
constantes.
Precio (P)
P
Demanda Demanda Demanda
elástica inelástica normal
Cantidad demandada (Qd) Qd Qd

%Var(Qd) > %Var(P) %Var(Qd) < %Var(P)
Epd < -1 Epd > -1
oOo
Otras circunstancias reales:
• Duraciones condicionales: una actividad tiene una u otra

función de distribución dependiendo de un determinado
hecho desencadenante.
• Ramales probabilistas en la programación: una actividad se

comienza antes que otra dependiendo de lo que pase en una
tercera actividad.
También se pueden simular
oOo
Page 60
60
Otras ventajas
La relativa sencillez conceptual para el usuario

(aunque la base matemática no lo sea tanto).
Como usuario, no hace falta ser un experto en

estadística, en teoría de la decisión, ni en
informática (solo tener claros los conceptos básicos).
Mejor representación de la realidad que todo lo anterior, y

también que métodos históricos como el PERT
Otras ventajas
Desaparece el concepto de camino crítico (o se

difumina su importancia), y aparece el concepto de
índice de criticidad de una actividad o de un
suceso:
I. Criticidad = (veces que la actividad es crítica) / nº iteraciones
Page 61
61
Inconvenientes
Necesidad de una cierta madurez de la organización.
El individuo solo poco puede hacer.
Posible tentación de sacralizar los resultados.

Necesidad de un trabajo serio (garbage in – garbage out).
Tiempo y coste de la simulación hoy en día no muy altos; el
coste más importante es el de realizar estimaciones
de calidad
En todo caso:
Más que de métodos de análisis buenos o
malos, es mejor hablar de métodos más
adecuados a las circunstancias del
proyecto y de la organización que lo
lleva adelante.
Page 62
62
Utilización
Proyectos medianos, sobre todo grandes, en
organizaciones de cierta madurez.
Recomendable en proyectos de menor tamaño,
incluso si la madurez es baja (en este caso, con la
ayuda de consultores), si se trata de proyectos
estratégicos.
oOo
Un ejemplo famoso
Enlace Oresund (Dinamarca – Suecia)
Christensen, P.J., Rydberg,

J. (2001), “Overcoming
obstacles: strategic risk
management in the Oresund
Bridge Project”, PMnetwork,
November, pp. 30-36.
Page 63
63
Oresund Link
Oresund
Link
Decisiones:
respuestas
a los riesgos
Objetivo inicial:
diciembre 2000
Cambio
de objetivo:
Jul-2000
Page 64
64
Oresund Link
Apertura:
1 – Jul – 2000
Christensen, P.J., Rydberg, J. (2001),

“Overcoming obstacles: strategic risk
management in the Oresund Bridge Project”,
PMnetwork, November, pp. 30-36.
oOo
Otro ejemplo
Her Majesty’s Prison Service (UK)
La empresa de consultoría en project

management utiliza @Risk para analizar la
incertidumbre en la dirección estratégica de
HMPS, y en proyectos de nuevas
construcciones y de renovación de
instalaciones existentes, en materia de coste,
plazo y flujo de caja.
Page 65
65
Otro ejemplo (I)

Danish Ministry of Transport / Centre for Traffic
and Transport (CTT; Technical University of
Denmark)
(2007) CTT is using @RISK to evaluate the

feasibility of new roads and transport
projects. On behalf of a department of the
Danish Ministry of Transport, it also
assesses large infrastructure programmes
such as proposals for bridges.
Otro ejemplo (II)

Danish Ministry of Transport / CTT
In particular, the CTT undertakes extensive

evaluations with @RISK to produce a cost-
benefit ratio that determines whether the
benefits of a proposed transport venture justify
its economic, social, and environmental cost.
Risk assessments include calculating if a new
road will shorten journey times, reduce
accidents, increase pollution, and more.
Page 66
66
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS MONTE CARLO: aplicaciones
Ejemplo de aplicación al análisis del

riesgo en la rentabilidad de un
proyecto
Aplicación al plazo
Estudio de oportunidad nueva planta industrial

• Horizonte temporal: 7 años
• Costes equipos proceso: (8; 10; 12) MM€
• Costes infraestructuras: (16; 20; 30) MM€
• Costes inversión = infraestructuras + equipos
• Costes inversión aprox. 50% años 1 y 2
• Producción años 3 al 7
• Costes fijos operación: (1,6; 2; 2,4) MM € / año
• Tamaño mercado: (65; 50; 35) MM personas / año
• Cuota mercado: (36; 12; 6) %
• Ingreso neto unitario: (4; 2; 1) € / persona
(NOTA: Ingreso neto unitario = ingresos totales – costes variables)
• Tasa de descuento para el VAN: 10%
Page 67
67
Estudio de oportunidad nueva planta industrial

• Vamos a considerar correlación directa entre la cuota de
mercado y los ingresos (el precio), de manera que si sube la
cuota de mercado hay un 70% de probabilidad de que
podamos subir el precio, y viceversa, si la cuota baja, hay un
70% de probabilidad de que tengamos que bajar el precio.
• No vamos a considerar el efecto de la inflación, ni los
impuestos a pagar, ni los incrementos de capital, circulante, ni
la financiación necesaria, ni otras correlaciones.
• Tomamos distribuciones triangulares para todas las variables.
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS MONTE CARLO:

Excelaplicaciones
con @Risk
El modelo
Page 68
68
Define Distributions

=RiskTriang(16;20;30)/2
Page 69
69


=C4+C3
Page 70
70

=RiskTriang(35;50;65)

Page 71
71

=RiskTriang(1;2;4)

=E8*E7*E6
Page 72
72

=RiskTriang(1,6;2;2,4)

=E9-E5-E10
Page 73
73

0,1

=C11+VNA(C12; D11:I11)
Ojo a la fórmula!
Page 74
74
Define Correlations

Matriz de correlación
(vacía)
ceros (0)
Usar el botón “Add

simétrica Inputs” para añadir las
casillas que tienen
correlaciones,
seleccionando dichas
casillas.
Page 75
75
correlación entre
cuota de mercado e
ingreso neto
unitario para el año
tercero.
Lo
mismo
Automáticamente
se genera la otra
para el
parte de la matriz resto de
los años
Page 76
76
Page 77
77
=RiskTriang(6;12;36; RiskCorrmat(CorrCuotaIngresoNU;1)/100
=RiskTriang(1;2;4; RiskCorrmat(CorrCuotaIngresoNU;6)
Page 78
78

Add Output - añade esta celda (VAN) como variable de salida
Page 79
79
=RiskOutput(VAN)+C11+VNA(C12; D11:I11)
Model Window - muestra tablas de variables de entrada y salida
Page 80
80
RIESGO Y PROYECTO Variables

- TÉCNICASaleatorias de entrada
- ANÁLISIS

Variables de salida
Page 81
81

Correlaciones
Simulation Settings - configurar la simulación
Page 82
82
Page 83
83
Page 84
84
Start Simulation - comenzar la simulación
Momento intermedio de los cálculos (Demo Mode)
Page 85
85
Curva de
probabilidad
acumulada para la
rentabilidad VAN
La inversión debe
replantearse (o
abandonarse),
porque hay posibles
valores negativos de
rentabilidad
o O Fin O o
Page 86
86
Simulation Detail Statistics

mínimo
máximo
media
desviación est.
moda
percentiles
Page 87
87
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS MONTE CARLO: aplicaciones
Ejemplo de aplicación al análisis del

riesgo en la programación de un
proyecto
Ejemplo de lanzamiento de un producto
Aplicación a la rentabilidad

Project con @Risk
camino
crítico
si la duración
de esta actividad
fuese de 95 días
en vez de 80 ...
duraciones
deterministas
El modelo
Page 88
88
camino
crítico
si la duración
de esta actividad
fuese de 95 días
en vez de 80 ...
duraciones
deterministas
El modelo
camino
crítico
Page 89
89
212
213
Page 90
90
214
215
Page 91
91
216
217
Page 92
92
218
219
Page 93
93
220
221
Page 94
94
222
223
Page 95
95
224
225
Page 96
96
226
227
Page 97
97
Ejemplo de aplicación al análisis del riesgo en

la programación de un proyecto:
Desaparece el concepto de camino crítico (o se
difumina su importancia), y aparece el
concepto de índice de criticidad de una
actividad o de un suceso:
I. Criticidad = (veces que la actividad es crítica) / nº iteraciones
oOo
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS MONTE CARLO: el método
Diferencias entre CPM, PERT, método de precedencias, método

probabilista de precedencias y método de Monte Carlo
Método Activida Duracio Relacio Simula Uso Software
des nes nes ción comercial
CPM flechas Determi TC No Poca No
nistas incertidumbre
PERT flechas Probabi TC No Incertidumbre No

listas
Prece- nudos Determi CC, TT, No Poca Si

dencias nistas CT, TC incertidumbre
Precs. nudos Probabi CC, TT, No Incertidumbre Raro

probab. listas CT, TC
Monte ---- Probabi ---- Si Incertidumbre y Si

Carlo lístas caminos cuasi-
críticos
Page 98
98
Comparación PERT / preceds. probs. y Monte Carlo (1)

Concepto Método
PERT / pre- Monte
ceds. prob. Carlo
Uso de óptimo, pésimo y más probable Si Si
El usuario escoge la función de Normal- Si
distribución mente no
Supone simulación (realmente aleatorio) No Si
Si hacemos los cálculos varias veces Si No
con los mismos datos, ¿sale lo mismo?
Analiza la posibilidad de que el camino No Si
crítico pueda cambiar
Concepto de índice de criticidad No Si
Comparación PERT / preceds. probs. y Monte Carlo (2)

Concepto Método
PERT / pre- Monte
ceds. prob. Carlo
Permite correlación entre duraciones No Si
Permite otros tipos de correlación No Si
Método aproximado Si Si
Importancia de las simplificaciones Alta Muy baja
Precisión del método Baja (-10/20%) Muy alta
Permite hallar la probabilidad de Si Si
sobrepasar un plazo dado
Uso profesional en la actualidad Escaso Si
Software comercial en la actualidad Raro Si
oOo
Page 99
99
Recapitulación:
• Por qué se llega a la necesidad del uso del

método de Monte Carlo.
• Origen del método y su funcionamiento
interno en el caso de la estimación de costes.
• Ventajas e inconvenientes del método.
• Ejemplos de aplicación a la rentabilidad y a la
programación de un proyecto:
¡NUEVO CONCEPTO: ÍNDICE DE CRITICIDAD!
oOo
Page 100
100
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS Análisis cuantitativo
ANÁLISIS
CUANTITATIVO
M.P. de la Cruz / A. del Caño. Universidad de La Coruña. Pilar de la Cruz / Alfredo del Caño Riesgo Técnicas 2 - 2
RIESGO Y PROYECTO - TÉCNICAS - ANÁLISIS Reservas
RESERVAS PARA
CONTINGENCIAS
Y
RESERVAS DE GESTIÓN
Page 1
1
La formula maquiavélica para la aprobación [de mega-

proyectos] es:
(subestimación de costes)
+(sobreestimación de ingresos)
+(sub-valoración del impacto ambiental)
+(sobre-valoración de los efectos de desarrollo
económico)
=(aprobación del proyecto)
Bent Flyvbjerg, Nils Bruzelius y Werner Rothengatter en su libro

“Megaprojects and risk” (Cambridge University Press, Cambridge, UK,
2003)
PLANIFICACIÓN DE CONTINGENCIAS
• Presupuesto para contingencias y su control
• Respuestas ante la crisis
– Definición de posibles crisis y directrices para ellas
– Evaluación de responsabilidades legales
– Otras responsabilidades (gabinete de crisis, interlocutores, etc.)
– Directorio de contactos
– Planes de seguridad (incendio, accidentes, fenómenos naturales)
– Definición detallada de acciones de lucha
– Alternativas de acción en caso de crisis (programación, elementos
sustitutivos diseño, etc.)
– Otros planes de respuesta (huelgas, manifestaciones, etc.)
– Tratamiento de la información
Page 2
2
Contingencia
(suceso no deseado)
retraso necesitamos más tiempo
reservas (márgenes)
para contingencias
Contingencia
(suceso no deseado)
sobrecoste necesitamos más fondos
reservas (fondos)
para contingencias
Page 3
3
CONCEPTO
• RESERVAS PARA CONTINGENCIAS
• En la estimación de coste o plazo se realiza una
estimación del coste de las actividades (p. ej., al
50% de probabilidad)
• Los riesgos dificultan su cumplimiento.
• Para ello se añaden las asignaciones o reservas
para contingencias
RESERVAS PARA CONTINGENCIAS Y DE GESTIÓN

• Reservas para contingencias: son las que se aplican a cada
actividad o elemento de coste, o al conjunto del proyecto (p. ej.,
gastos generales de obra), por causa de los riesgos conocidos
• Reservas de gestión:
• Se aplican al plazo, coste o presupuesto de las actividades,
por causa de riesgos desconocidos (aplicadas al conjunto).
• Normalmente se estiman como un % de dicho plazo o coste.
• Ojo a la posible duplicación: no se aplican al total (plazo o
coste de las actividades + contingencias), sino a la base (al
plazo o coste de las actividades)  de lo contrario
estaríamos duplicando reservas (de gestión) sobre reservas
(para contingencias).
• Este concepto tiene sentido para todos los participantes.
Page 4
4
CÁLCULO DE RESERVAS PARA CONTINGS.

Cálculo de contingencias cuando se usa la simulación
(Monte Carlo).
Caso 1. El modelo de simulación es integrado:

• incluye interrelaciones entre plazo y coste,
• con o sin penalizaciones por retrasos (integradas en el
modelo, si existiesen),
• pero no incluye las incertidumbres desconocidas.
• Vamos a trabajar al 50% y al 85% (puede hacerse con
otros valores; decide el responsable del proyecto).

100
90
+ 85%
80
Iteraciones: 1.000
70
60
50 + 50% coste al 50% (17)
Estimación Costes
40
Actividades (ECA)
Línea Base de
Costes (LBC)
30
20
10
(APM, 1992)
0 106 LIBRAS
4 8 12 16 20 24 28 32 36
ECA = LBC – RC = estimación de costes al 50% de probabilidad = 17ꞏ106 £
Page 5
5

100
90
+ 85%
80
Iteraciones: 1.000
70
60
50 + 50% coste al 50% (17)
Estimación Costes
40
Actividades (ECA)
Línea Base de
Costes (LBC)
30
20
10
(APM, 1992)
0 106 LIBRAS
4 8 12 16 20 24 28 32 36
Incertidumbres conocidas: Reservas para Contingencias (RC) = LBC – ECA =
22,1 - 17 = 5,1ꞏ106 £
Línea Base de Costes (LBC) = 22,1ꞏ106 £

100
90
+ 85%
80
Iteraciones: 1.000 Para el plazo
70
haríamos, con la
60
coste al 50% (17)
curva de plazo, lo
50 + 50%
mismo que hemos
Estimación Costes
40
Actividades (ECA)
Línea Base de
hecho para el
Costes (LBC)
30
coste.
20
10
(APM, 1992)
0 106 LIBRAS
4 8 12 16 20 24 28 32 36
Incertidumbres desconocidas: Reservas de Gestión = ECAꞏPorcentaje (p. ej.,
10%) = 17 ꞏ 0,1 = 1,7ꞏ106 £
PRESUPUESTO DEL PROYECTO: LBC + 1,7 = 22,1 + 1,7 = 23,8ꞏ106 £
Page 6
6
CONTINGENCIAS
Caso 2. Usando simulación; modelos independientes (no
integrados) de plazo y coste, sin penalizaciones por retrasos.
Ahora suponiendo que trabajamos al 50% y 95%
Plazo:
Contingencias (i. conocidas) + R. Gestion (i. desconocidas) =
C+RGp = Cp + RGp = (p95% - p50%) + p50% ꞏ %p (análogo a CASO 1)

i. conocidas i. descono.
(Contingencias) (R. Gestión)
CONTINGENCIAS
Caso 2. Usando simulación; modelos independientes (no
integrados) de plazo y coste, sin penalizaciones por retrasos.
Suponiendo que trabajamos al 50% y 95%
Coste (diferente al CASO 1):
C+RGc = [(c95% - c50%) + (p95% - p50%) ꞏ CFD/dr] + c50% ꞏ %c

sobrecostes sobrecostes indirectos por Res. Gestión
directos causa de los retrasos (incertidum-
bres desc.)
Contingencias (incertidumbres conocidas)
CFD/dr = Costes Fijos Diarios por día de retraso
Page 7
7
CONTINGENCIAS
Caso 3. Simulación: modelos independientes de plazo y
coste, CON penalizaciones por retrasos.
Se deja al alumno el correspondiente planteamiento, si bien debe

tener en cuenta que hay riesgos que no son penalizables (unos
sí, y otros no; por ejemplo, los derivados de la climatología no
son penalizables).
El alumno interesado puede contactar con el profesor para

obtener información sobre este asunto (por falta de tiempo no es
posible abordarla en clase).
RESERVAS PARA CONTINGENCIAS

• Tradicionalmente se han calculado teniendo en cuenta sólo las
amenazas.
• Si es un suministrador, los demás ofertantes no tienen porqué
hacer lo mismo, y es probable que su oferta sea menos
competitiva que las otras. La probabilidad de ganar el contrato
disminuye.
• Si es director de proyecto del cliente, sus presupuestos siempre
serán más elevados que los de otros directores de proyecto, y
su carrera profesional se puede ver influida por ello.
• Por eso, en una mayoría de casos, también hay que tener en
cuenta las oportunidades (que frecuentemente no sobrepasan a aquellas).
Page 8
8
ASIGNACIONES DE CONTINGENCIAS: hay que evitar ...

• ... las “contingencias de seguridad” (por encima, para evitar
aprobaciones de aumento de presupuesto o para subsanar
errores de estimación detectados)
• El proyecto puede anularse antes de empezar
• Falsa sensación de seguridad que lleva a gastar todos los
fondos, sin ser necesario
• A veces se gastan las contingencias en conceptos de
reservas de gestión, o incluso para aspectos del alcance no
incluidos en el objetivo de alcance
estimación “por debajo”
Charles, muchacho, ¿cuánto

nos costaría ir a Marte?
Page 9
9
ASIGNACIONES DE CONTINGENCIAS : hay que evitar ...

• ... la estimación “por debajo” para conseguir la aprobación del
proyecto
• Esto puede ser peor: puede haber un problema ético mayor
que en el caso anterior
• La dirección se vuelve luego demasiado rígida
• Los resultados no serán los esperados, salvo que se aumente
al presupuesto o el plazo
ASIGNACIONES DE CONTINGENCIAS : hay que evitar ...

• En todo caso, hay que esmerarse en realizar una adecuada
estimación para las actividades, y añadirle unas contingencias
realistas
oOo
Page 10
10
CONTROL DE CONTINGENCIAS
• Cada persona o grupo debe trabajar sobre el
presupuesto / plazo de sus actividades, sin
contingencias.
• Si se hacen explícitas, no se mezclarán con el
presupuesto / plazo de las actividades a las que
afecta.
• En ocasiones solamente la dirección del proyecto
conocerá la cuantía de las contingencias.
• Usar las contingencias sólo para su propósito inicial.
CONTROL DE CONTINGENCIAS (continúa)

• No se suelen incrementar si hay ahorros de tiempo o
plazo; si fuese necesario: transferencias de ahorros.
• Se anulan cuando la fuente de incertidumbre
desaparece.
• Documentar las bases e hipótesis de estimación.
• Educar a los participantes para evitar gasto inútil.
• Controlar los cambios.
• Re-estimar mensualmente.
oOo
Page 11
11
ESTIMACIONES BASADAS EN LA EXPERIENCIA

• Gran experiencia: contingencias e incluso reservas
incluidas
• Profesionales jóvenes pero con experiencia: ajuste
• Noveles: optimismo
• Ojo a todo esto!
oOo
Page 12
12
GESTIÓN DE RIESGOS Y OPORTUNIDADES EN PROYECTOS: 15 CLAVES
Riesgo
Final sesiones
Cierre de las sesiones

Recapitulación
Page 1
1
¿CUÁLES SON
LAS CLAVES
DE LA GESTIÓN 15 claves
DE RIESGOS?
1. Actuar lo más pronto posible y en continuo.

2. Riesgo: oportunidades y amenazas.
3. “Mantenerse en forma”. No dejar de reflexionar en
ningún momento, sobre los riesgos, el proceso y su
eficacia.
4. Trabajo extenso, profundo, creativo y de sentido
común en identificación y análisis
5. Mejorar la identificación y disminuir subjetividad en la
evaluación: contraste con la mayor cantidad de
fuentes posible.
6. Análisis: el riesgo que más nos debe preocupar es el
de mayor impacto.
7. Análisis: huir de la excesiva complejidad en los
modelos cuantitativos, pero sin olvidar lo esencial,
como es el caso de la correlación. ...
Page 2
2
• ...
8. Análisis: usar siempre la simulación cuando el
proyecto es de carácter estratégico.
9. Registrar lo que sucede en la realidad para mejorar
las bases de datos corporativas. Especialmente, con
respecto a la identificación de riesgos, su frecuencia
(probabilidad) y su impacto real. De lo contrario, no
mejoraremos la GRP.
10. Máxima creatividad posible en la definición de las
acciones de respuesta. Tratar de ver las cosas de
forma diferente.
11. Compromiso de todo el equipo y de la alta dirección.
12. Ajuste de procesos y técnicas a la organización y
proyecto.
• …
• ...
13. Usar la gestión del riesgo como herramienta de
comunicación y de integración interactiva: que todos
los implicados puedan participar aportando y
ganando algo en el proceso.
14. Asignar a los participantes en el proyecto su
presupuesto y plazo base, sin contingencias, y
asignar luego dichas contingencias en función de lo
que vaya sucediendo en el proyecto. Preferiblemente,
los participantes no deben conocer las asignaciones
para contingencias.
15. Sonríe. Que la GR sea un placer divertido para todos.
Sé optimista.
Page 3
3

Recapitulación
No hay viento favorable para el que no

sabe a qué puerto va.
Séneca

Recapitulación
I keep six honest serving men, they taught me
all I knew; their names are what and why and
when and how and where and who
Rudyard Kipling
One secret of success in life is for a man to be

ready for his opportunity when it comes.
Benjamin Disraeli
Page 4
4

Recapitulación
Imagination is more important than knowledge

Albert Einstein
Hay una labor mucho más importante que la de
fallar pleitos, y es la de hacer que no los haya
Confucio
Page 5
5

Grop Masterdp Usc v2023 24 Acg

Cargado por

Información del documento

Descripción original:

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

Grop Masterdp Usc v2023 24 Acg

Cargado por

Copyright:

Formatos disponibles

DIRECCIÓN

Estos apuntes no constituyen un texto detallado; el

DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.

DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.

La tarea de dirigir el proyecto: similitudes con la conducción.

Preparados, listos, ya!!!

DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.

Ya, listos, preparados!!!

Las fases de un proyecto son:

La precipitación tropieza en sus propios

DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.

HISTÓRICAMENTE: ALGUNOS BOTONES DE MUESTRA

ALGUNOS BOTONES DE MUESTRA:

actualmente siguen registrándose

DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.

ALGUNOS BOTONES DE MUESTRA

ALGUNOS BOTONES DE MUESTRA:

Una parte muy importante de esos

DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.

ALGUNOS BOTONES DE MUESTRA

DIRECCIÓN DE PROYECTOS – RIESGOS Y OPORTS.

El riesgo es algo cotidiano que nos afecta

E intuitivamente solemos desarrollar

Gestión de Oportunidades y Riesgos

Estos apuntes no constituyen un texto detallado; el

P de la Cruz - A del Caño 1

GESTIÓN DE O&Rs: INTRODUCCIÓN

P de la Cruz - A del Caño 2

P de la Cruz - A del Caño 3

GESTIÓN DE O&Rs: INTRODUCCIÓN

P de la Cruz - A del Caño 4

GESTIÓN DE O&Rs: INTRODUCCIÓN

• Ejemplo: como estamos usando hardware nuevo (causa:

GESTIÓN DE O&Rs: INTRODUCCIÓN

P de la Cruz - A del Caño 8

GESTIÓN DE O&Rs: INTRODUCCIÓN

P de la Cruz - A del Caño 10

P de la Cruz - A del Caño 11

GESTIÓN DE O&Rs: INTRODUCCIÓN

P de la Cruz - A del Caño 14

GESTIÓN DE O&Rs: INTRODUCCIÓN

P de la Cruz - A del Caño 15

Concepto de gestión de riesgos y oportunidades

P de la Cruz - A del Caño 20

GESTIÓN DE O&Rs: INTRODUCCIÓN

Concepto de gestión de riesgos y oportunidades

P de la Cruz - A del Caño 21

Concepto de gestión de riesgos y oportunidades

P de la Cruz - A del Caño 22

GESTIÓN DE O&Rs: INTRODUCCIÓN

proceso sistemático de identificar, analizar y responder

P de la Cruz - A del Caño 23

Crisis: el suceso negativo

P de la Cruz - A del Caño 25

GESTIÓN DE O&Rs: INTRODUCCIÓN

P de la Cruz - A del Caño 32

GESTIÓN DE O&Rs: INTRODUCCIÓN

Niveles de incertidumbre e impacto potencial a lo largo del ciclo de vida

CONCEPCIÓN DESARROLLO EJECUCIÓN DESACTIVACIÓN

Fases en las que se

Fases en las que se

Actitudes frente al riesgo: influye