CCFACULTAD DE CIENCIAS E INGENIERÍA

ASIGNATURA:
GESTION DE PROYECTOS INFORMATICOS

DOCENTE:
BRAVO DUARTE FREDDY LENIN

TEMA:
ANÁLISIS DE MONTECARLO PARA LA GESTIÓN DE PROYECTOS.

INTEGRANTES:
CARDENAS ZURITA CARLOS WILFRIDO

NIVEL:
7 C1

SECCIÓN:
NOCTURNA

MILAGRO – ECUADOR
2019
Análisis de Monte Carlo

El análisis de Monte Carlo es una solución matemática que mediante una simulación
matemática se realiza para poder así obtener una resultado aproximado el cual no se puede
obtener una solución exacta. Es un método para poder ver una estimación aproximada
para así poder notar si existen posibles vulnerabilidades en nuestro proyecto.

En la gestión de proyectos el plazo, los costes y el riesgo se encuentra sometidos posibles

vulnerabilidades una tarea puede ocupar más o menos el tiempo de un trabajador, el
estado físico y emocional. De esta manera los costes se encuentran en constante
vulnerabilidades.

La materia prima de un determinado proceso se encuentra sometía a variaciones que en

un mercado cambiante puede ser debido a precios o defectos de la misma lo cual nos
acarearía problemas económicos y de tiempo.

Las estimaciones que se realizan más que un valor exacto son estimaciones que pueden
versen afectados por errores imprevistos, así que hablamos de soluciones probabilísticas
con cierto intervalo de confianza.

Lo más correcto sería de realizar estimaciones de valores medios de coste económicos y

de tiempo asignándole una probabilidad y variabilidad y asi realizar una simulación que
tenga todos los escenarios posibles

Simulación de Monte Carlo

El método de Monte Carlo simula los resultados que puede asumir alguna variable
dependiente del proyecto (por ejemplo: VA N, T I R, etc.) a través de la asignación
aleatoria de un valor a cada variable independiente que lo afecta (por ejemplo: tasa de
crecimiento, tasa de interés, ventas, costos, etc.). (Lledó & Rivarola, 2007)

El método de Monte Carlo utiliza el VAN, TIR como variables dependientes.

La distribución de probabilidad de las variables

En primer lugar debemos definir cuál es la distribución de probabilidad que afecta los
objetivos de distribución de cada proyecto.

También podríamos definir en el modelo cuál es el rango lógico donde puede caer una
variable.
Este análisis define una distribución de probabilidad de cada variable, se debe realizar
para todas las variables, que intervienen en la rentabilidad del proyecto. La distribución
de probabilidad de cada variable puede tener distintas formas: continua, discreta,
uniforme, triangular, beta, etcétera. En el gráfico 2 1.18 se muestran algunos ejemplos de
distribución.

Asignar valores aleatorios a cada variable

Una vez definidas las variables que afectan los objetivos del proyecto, sus interrelaciones
y sus distribuciones de probabilidad, se debe asignar un valor aleatorio a cada variable.
Este proceso de asignar valores aleatorios a cada variable lo realiza en forma automática
el software de simulación.

Resultados de la simulación

Para cada uno de los escenarios se obtiene el valor actual neto (VA N) como indicador
de la rentabilidad del proyecto. Una vez que se corre n todos los escenarios el resultado
es, por ejemplo, cinco mil valores de rentabilidad del proyecto. Si se grafican estos valores
en una curva de distribución de probabilidad, debido a la ley de los grandes números,
seguramente la distribución se asemejará a una función normal. (Lledó & Rivarola, 2007)

La simulación de Montecarlo tiene ventaja sobre todos los métodos porque no solo brinda
el valor más probable de la variable dependiente sino que también brinda su distribución
de probabilidad. Así los resultados posibles pueden ser evaluados.
1 Bibliografía

Fuentes Vales, J. (2008). ANALISIS DE RIESGO . Concepción: Univerdidad Concepción.

Lledó , P., & Rivarola, G. (2007). GESTIÓN DE PROYECTOS. Buenos Aires: Pearson .