26 de octubre de 2026
Gestión Predictiva de Costos en Proyectos utilizando Simulación de Monte Carlo
Alexandre Lovato Maidana; Adriano Machado
DOI: 10.22167/2675-6528-202600490
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
La imprecisión en las estimaciones de costos y esfuerzos en proyectos de ingeniería compromete la previsibilidad financiera y la confianza de las partes interesadas. Este estudio analizó las desviaciones entre horas planificadas y realizadas en proyectos multidisciplinares de una empresa de ingeniería, buscando identificar patrones asociados a los alcances disciplinares y al tamaño de los proyectos, y proponer un enfoque cuantitativo para mejorar las estimaciones de costos. Se adoptó una metodología cuantitativa y aplicada, basada en un estudio de caso con análisis documental de 224 proyectos finalizados, totalizando 504 ejecuciones de alcances disciplinares. El consumo de horas, definido como la razón entre horas realizadas y previstas, fue analizado estadísticamente y sirvió de base para la modelización probabilística vía Simulación de Monte Carlo, con 1.000 iteraciones. Los resultados indicaron que las desviaciones no ocurrieron de forma aleatoria, presentando comportamientos sistemáticos. Disciplinas como Automatización evidenciaron una tendencia consistente de subestimación de las horas planificadas (media cercana a 1,40), mientras que alcances de mayor tamaño exhibieron mayor variabilidad e incertidumbre. La simulación generó escenarios probabilísticos, con valores de 213 horas (P50), 588 horas (P80) y 910 horas (P90), y factores de corrección para ajuste presupuestario conforme a niveles de riesgo. Se concluyó que la integración de datos históricos con la Simulación de Monte Carlo sustituye enfoques determinísticos por una perspectiva orientada al riesgo, contribuyendo a estimaciones más robustas y una mejor toma de decisiones en la gestión de costos de proyectos.
Palabras clave: Análisis estadístico; Consumo de horas; Estimación de costos; Riesgo; Simulación de Monte Carlo.
1. Introducción
La Gestión de Costos del Proyecto constituye un área de conocimiento fundamental para el éxito de los emprendimientos, abarcando los procesos necesarios para asegurar que el proyecto se complete dentro del presupuesto aprobado (PMI, 2017). La exactitud de las estimaciones de costos y esfuerzos representa uno de los pilares de la buena gestión de proyectos, impactando directamente la viabilidad financiera y el alineamiento estratégico de las iniciativas. En el escenario competitivo actual, la capacidad de prever y controlar los gastos de proyectos con precisión es crucial para la sostenibilidad organizacional y la confianza de las partes interesadas.
A pesar de su importancia crítica, tanto la literatura académica como la práctica organizacional frecuentemente evidencian un desafío recurrente: las desviaciones significativas entre los costos planificados y los gastos reales. Estas discrepancias pueden llevar a sobrecostos presupuestarios, comprometiendo severamente la rentabilidad de los proyectos y minando la confianza de las partes interesadas (VARGAS, 2010). Tales desviaciones no son meras ocurrencias aleatorias; a menudo, resultan de problemas sistémicos en el proceso de estimación.
Tradicionalmente, las estimaciones de costos se elaboran mediante técnicas como estimaciones análogas, paramétricas o de tipo “bottom-up”. Aunque ampliamente aceptadas y difundidas, estos enfoques tienden a tratar variables inciertas como valores determinísticos (PMI, 2017). Esta perspectiva determinística frecuentemente falla en capturar adecuadamente las incertidumbres y los riesgos inherentes a las actividades del proyecto. Consecuentemente, se observa un patrón de errores sistemáticos de planificación, en especial la subestimación del esfuerzo necesario en determinados alcances técnicos, lo que genera un sesgo excesivamente optimista en los presupuestos. La fragilidad en las estimaciones iniciales exige un enfoque más abarcador para la evaluación de riesgos.
Para superar estas limitaciones, la Simulación de Monte Carlo surge como una técnica robusta para el análisis de incertidumbres en sistemas complejos. Este método se basa en la generación de múltiples escenarios a partir de distribuciones probabilísticas asociadas a las variables de interés (HILLIER; LIEBERMAN, 2013). En el contexto de la gestión de proyectos, la Simulación de Monte Carlo permite sustituir estimaciones determinísticas por modelos probabilísticos, incorporando la variabilidad observada en el desempeño histórico de las actividades. Esta transición de una estimación de punto único a un espectro de resultados posibles ofrece una visión más realista de los potenciales costos y duraciones del proyecto.
La aplicación de la Simulación de Monte Carlo en proyectos posibilita una evaluación exhaustiva del comportamiento de costos y plazos bajo diferentes escenarios. Facilita la estimación de la probabilidad de ocurrencia de desviaciones y proporciona intervalos de confianza para las estimaciones (VARGAS, 2010). Esta capacidad es particularmente relevante en entornos con un alto grado de incertidumbre, donde pequeñas variaciones en las premisas pueden generar impactos significativos en los resultados del proyecto. Al modelar explícitamente el riesgo y la variabilidad, la Simulación de Monte Carlo ofrece un avance sustancial en relación con las técnicas tradicionales de estimación. Integra datos históricos con distribuciones probabilísticas, contribuyendo al desarrollo de estimaciones más robustas que reflejan mejor el comportamiento real de los proyectos y apoyan la toma de decisiones basada en el riesgo.
Un problema central que motivó este estudio es la ausencia de mecanismos sistemáticos en las organizaciones para ajustar las estimaciones de costos y horas basándose en el desempeño histórico de los proyectos. La repetición de patrones de subestimación, especialmente en la planificación y ejecución, no ocurre de forma aleatoria; en cambio, está relacionada con las características específicas de los alcances y la complejidad de los proyectos. Aunque la gestión de proyectos a menudo está orientada por datos, es necesario un método sistemático para mitigar estos riesgos. La identificación de patrones históricos recurrentes es fundamental para mejorar los procesos de estimación y proporcionar subsidios para una gestión predictiva.
El refinamiento continuo de los procesos de control de costos, que implica el monitoreo del desempeño, la comparación entre valores planificados y realizados, la identificación de desviaciones y la implementación de acciones correctivas (PMI, 2017), resalta la necesidad de herramientas de estimación más confiables. El análisis de patrones históricos y datos cuantitativos contribuye significativamente a la reducción de la incertidumbre inherente y al aumento de la confiabilidad de las previsiones. Así, este estudio se justifica por la necesidad de superar las limitaciones de los métodos de estimación determinísticos y de proporcionar a los gestores de proyectos un instrumento más robusto para la toma de decisiones, especialmente en las fases iniciales de planificación, donde los niveles de incertidumbre son más elevados. Esta investigación tiene como objetivo analizar las desviaciones entre horas planificadas y horas realizadas en proyectos multidisciplinares, a partir de datos históricos organizacionales, buscando identificar patrones asociados a los alcances disciplinares y al tamaño de los proyectos, y proponer un enfoque cuantitativo para el perfeccionamiento de las estimaciones de costos.
2. Material y Métodos
La investigación fue delineada con un enfoque cuantitativo y aplicado, fundamentada en el análisis de datos numéricos para identificar patrones de desempeño y variabilidad en el consumo de horas en proyectos (MARCONI; LAKATOS, 2003; GIL, 2008). El diseño adoptado fue el estudio de caso, permitiendo la investigación profunda del fenómeno en su contexto organizacional específico (YIN, 2015).
La recolección de datos se realizó mediante investigación documental, utilizando registros históricos extraídos del sistema interno de control de proyectos de una empresa de ingeniería, con el secreto de la información corporativa asegurado. La unidad de análisis central fue el alcance disciplinar, permitiendo granularidad en la evaluación de las desviaciones de horas. El método de investigación se estructuró en tres etapas: revisión bibliográfica, recolección y tratamiento de los datos históricos, y análisis estadístico descriptivo.
La revisión bibliográfica fundamentó conceptualmente el estudio, abordando métodos de estimación de costos, análisis de riesgo y la aplicación de la Simulación de Monte Carlo en proyectos (GIL, 2008), consultando bases de información científica con enfoque en planificación, control de proyectos y simulación.
En la etapa de recopilación y procesamiento, se accedió a una base documental interna con 742 proyectos multidisciplinares. Se seleccionaron únicamente los proyectos finalizados para una comparación completa entre planificación y ejecución. Se excluyeron registros clasificados como subtotales y la disciplina “General”. Se consideraron observaciones con horas previstas iguales o superiores a cien horas, para reducir distorsiones de alcances de esfuerzo reducido.
Tras estos criterios, la base de datos analizada se compuso de 224 proyectos finalizados, totalizando 504 ejecuciones de alcances disciplinarios. Múltiples alcances disciplinarios de un mismo proyecto fueron tratados como observaciones independientes. La variable central fue el consumo de horas, definido como la razón entre horas realizadas y horas previstas para cada alcance disciplinar.
Se realizó un análisis estadístico descriptivo del consumo de horas por alcance disciplinar, calculando medidas de tendencia central y dispersión. Los alcances se segmentaron por rangos de tamaño, utilizando el volumen de horas previstas como proxy de complejidad, para evaluar la influencia del tamaño en las desviaciones. Para la estabilidad de las estimaciones, se consideraron combinaciones alcance-tamaño con un mínimo de cinco observaciones (N ≥ 5).
Para aumentar la robustez estadística, se identificaron y trataron valores atípicos (outliers) en la variable consumo de horas, empleando el método del rango intercuartílico (IQR). Se calcularon los cuartiles (Q1, Q2 y Q3) de la distribución, y el IQR se determinó como la diferencia entre Q3 y Q1. Se establecieron los límites inferior (Q1 – 1,5 × IQR) y superior (Q3 + 1,5 × IQR) para la identificación de outliers.
Veintisiete registros fueron identificados como discrepantes en un universo de 504 observaciones. Aunque se mantuvieron en la base original para trazabilidad, estos valores atípicos fueron desconsiderados en el cálculo de las medidas estadísticas de entrada de la simulación, como la media y la desviación estándar, para evitar distorsiones en los resultados probabilísticos.
La etapa prescriptiva consistió en la aplicación de la Simulación de Monte Carlo para modelar el riesgo asociado a las estimaciones de consumo de horas en proyectos futuros. Se utilizaron como parámetros de entrada los valores medios y desviaciones estándar del consumo de horas, calculados a partir de la base histórica tratada y segmentados por disciplina y rango de tamaño (VARGAS, 2010).
La simulación se implementó en un entorno de Microsoft Excel, utilizando bases de datos estructuradas. El modelado consideró la generación de variables aleatorias para la selección de la disciplina y el rango de tamaño, basándose en sus distribuciones de frecuencia, y la generación de horas previstas aleatorias dentro de los intervalos definidos para cada rango de tamaño.
El consumo de horas se simuló mediante la generación de valores aleatorios a partir de una distribución normal, parametrizada por la media y la desviación estándar específicas de cada combinación disciplina-tamaño (DE SOUZA RUBATINO et al., 2018). Para evitar valores poco realistas, se aplicó un truncamiento a la variable consumo de horas, limitando los valores simulados a un intervalo entre 0,4 y 2,0, definidos con base en el análisis empírico de los datos históricos.
Se realizaron 1.000 iteraciones independientes, cada una representando un escenario posible de ejecución de alcances. Este procedimiento permitió la generación de una distribución empírica de las horas realizadas simuladas (DA PAIXÃO et al., 2021). La distribución de las horas realizadas simuladas se analizó mediante estadísticas descriptivas y percentiles.
3. Resultados y Discusión
El análisis de las desviaciones entre horas planificadas y realizadas en proyectos multidisciplinares reveló patrones sistemáticos que trascienden la aleatoriedad, ofreciendo una base empírica para la mejora de las estimaciones de costos. El estudio se centró en el consumo de horas, definido como la razón entre horas realizadas y horas previstas, un indicador crucial para evaluar el desempeño de las estimaciones. Valores medios superiores a la unidad señalan subestimación del esfuerzo planificado, mientras que valores cercanos a la unidad indican mayor adherencia entre la planificación y la ejecución. Este enfoque permitió identificar las áreas donde las estimaciones tradicionales se muestran más frágiles, según la literatura que apunta a la recurrencia de desviaciones significativas en proyectos (VARGAS, 2010).
Para garantizar la robustez estadística de los análisis, solo se consideraron observaciones con horas previstas iguales o superiores a 100 horas. Este criterio tuvo como objetivo mitigar distorsiones causadas por alcances de bajo esfuerzo, que frecuentemente presentan razones de consumo menos representativas del comportamiento típico de los datos. La base de datos final, compuesta por 224 proyectos y 504 ejecuciones de alcances disciplinarios, fue cuidadosamente tratada, incluyendo la identificación de 27 valores atípicos por el método del rango intercuartílico, que, aunque se mantuvieron para trazabilidad, fueron excluidos de los parámetros de la simulación para evitar sesgos en los resultados probabilísticos.
Análisis de Desviaciones por Alcance Disciplinar
La investigación del consumo de horas por alcance disciplinar demostró variaciones significativas en el rendimiento de las estimaciones. Se observó que disciplinas como Automatización, Eléctrica y Proceso presentaron valores medios de consumo consistentemente superiores a la unidad. La disciplina de Automatización, en particular, se destacó con un consumo medio aproximado de 1,40, indicando una tendencia acentuada y recurrente de subestimación de las horas planificadas para estos alcances. Este hallazgo sugiere que los procesos de estimación para Automatización pueden ser excesivamente optimistas o no capturan adecuadamente la complejidad inherente a estas actividades.
Las disciplinas de Eléctrica y Tubería también exhibieron promedios de consumo por encima de la unidad, aunque con menor magnitud que Automatización, lo que aún apunta a una subestimación, pero en un grado menos pronunciado. En contraste, alcances como Arquitectura y Mecánica presentaron valores promedio de consumo cercanos o ligeramente inferiores a la unidad. Este comportamiento indica una mayor precisión y adherencia entre las horas planificadas y las realizadas en estas disciplinas, sugiriendo que sus procesos de estimación son más eficaces o que la naturaleza de sus actividades es intrínsecamente más predecible.
Además de las medias de consumo, el análisis de la dispersión de los datos, reflejado por las desviaciones estándar, reveló niveles variados de incertidumbre entre las disciplinas. Alcances con mayor dispersión indican una mayor variabilidad en el consumo de horas, lo que se traduce en una mayor incertidumbre asociada a las estimaciones. Este resultado está en consonancia con la literatura de gestión de proyectos, que reconoce la variabilidad como un factor crítico en el análisis de riesgo y en la precisión de las estimaciones (PMI, 2017). La presencia de desviaciones sistemáticas y variabilidad significativa refuerza la limitación de los enfoques deterministas y la necesidad de incorporar explícitamente la incertidumbre en el proceso de estimación.
Análisis de las Desviaciones por Rango de Tamaño del Alcance
La segmentación de los alcances disciplinarios por rango de tamaño, utilizando el volumen de horas previstas como un proxy de la complejidad del proyecto, reveló que el comportamiento del consumo de horas no solo varía entre disciplinas, sino también en función de la dimensión del alcance. La literatura ya señala que la variabilidad e incertidumbre en los costos y esfuerzos tienden a aumentar con la complejidad de los proyectos, especialmente en aquellos de mayor tamaño, debido al mayor número de interfaces, dependencias técnicas e incertidumbres operacionales (PMI, 2017; VARGAS, 2010).
Los resultados obtenidos confirmaron esta tendencia, evidenciando que los alcances clasificados en rangos de mayor tamaño generalmente presentaron valores medios de consumo superiores a la unidad, indicando una mayor subestimación. Adicionalmente, estos alcances de mayor tamaño exhibieron niveles de dispersión más elevados, reflejados por desviaciones estándar superiores. Este comportamiento sugiere que, a medida que la complejidad y el volumen de horas de un alcance aumentan, la incertidumbre en las estimaciones también se eleva, haciéndolas más susceptibles a desviaciones significativas.
Por otro lado, los alcances de menor tamaño, en diversos casos, presentaron medias de consumo más cercanas a la unidad y menor dispersión. Esta mayor previsibilidad relativa en alcances menores puede atribuirse a su menor complejidad y al menor número de variables involucradas, lo que facilita una estimación más precisa. Sin embargo, el análisis también reveló que este patrón no es homogéneo en todas las disciplinas; algunas mostraron un aumento consistente del consumo medio con el crecimiento del tamaño, mientras que otras exhibieron comportamientos más estables o tendencias distintas entre los rangos de tamaño.
Esta constatación refuerza la importancia de considerar simultáneamente el tipo de alcance disciplinar y su magnitud al evaluar el rendimiento de las estimaciones de horas. La variabilidad del rendimiento, que aumenta con la complejidad de los alcances, subraya la inadecuación de enfoques de estimación basados en valores determinísticos únicos. Los hallazgos preliminares, por lo tanto, proporcionan una base empírica sólida para la modelización probabilística del consumo de horas, que será explorada en la etapa subsecuente de la investigación, con el objetivo de incorporar explícitamente la incertidumbre en el proceso de estimación.
Síntesis de los Hallazgos Preliminares
La etapa descriptiva de la investigación, basada en el análisis de datos históricos, permitió identificar patrones consistentes en las desviaciones entre horas planificadas y realizadas. La caracterización de la base de datos, con 224 proyectos y 504 ejecuciones de alcances disciplinarios, y el rigor en el tratamiento de los datos, incluyendo la exclusión de observaciones con menos de 100 horas previstas y la identificación de valores atípicos, garantizaron la fiabilidad de los análisis estadísticos. Estos hallazgos preliminares son cruciales para comprender la naturaleza de las desviaciones y fundamentar la aplicación de métodos más sofisticados.
Los resultados demostraron que el consumo de horas varía significativamente entre las disciplinas, con algunos alcances presentando un patrón recurrente de subestimación de las horas planificadas, como Automatización, con una media cercana a 1,40. Otros alcances, como Arquitectura y Mecánica, mostraron mayor adherencia entre planificación y ejecución. Esta variabilidad no es aleatoria, sino que está asociada a características específicas de cada alcance, indicando que la naturaleza técnica y la complejidad de las actividades influyen directamente en la precisión de las estimaciones iniciales.
La segmentación de los alcances por rango de tamaño reforzó esta evidencia, mostrando que los alcances de mayor tamaño no solo presentan medias de consumo más elevadas, sino también mayor variabilidad, reflejada por desviaciones estándar superiores. Este comportamiento sugiere que la complejidad del alcance, medida por el volumen de horas previstas, ejerce una influencia significativa sobre la incertidumbre de las estimaciones, ampliando el riesgo de desviaciones a medida que el proyecto se vuelve más complejo. En conjunto, estos resultados indican que las desviaciones son influenciadas por múltiples factores estructurales del proyecto, destacando la limitación de los enfoques determinísticos y la necesidad de métodos que incorporen la variabilidad observada en los datos históricos.
Modelado Probabilístico por Simulación de Monte Carlo
Con base en los patrones de variabilidad identificados en la etapa descriptiva, la investigación avanzó hacia la modelización del riesgo asociado a las estimaciones a través de la Simulación de Monte Carlo. Este enfoque permite incorporar la incertidumbre observada en los datos históricos, generando múltiples escenarios posibles de ejecución y ofreciendo una visión probabilística del comportamiento de las horas realizadas, según se discute en estudios sobre modelización estocástica (ARENALES, 2011). La simulación se construyó a partir de la base histórica tratada, considerando la distribución de frecuencia de las disciplinas y de los rangos de tamaño de los alcances.
Para cada una de las 1.000 iteraciones independientes, se sortearon variables aleatorias que representan la disciplina, el tamaño del alcance, las horas previstas y el consumo de horas. El consumo de horas se modeló a partir de una distribución normal, parametrizada por la media y la desviación estándar específicas de cada combinación disciplina-tamaño, una práctica ampliamente adoptada en modelos de simulación (DE SOUZA RUBATINO et al., 2018). Para garantizar la representatividad de los valores simulados, se aplicó un truncamiento a la variable consumo de horas, limitando los valores a un intervalo entre 0,4 y 2,0, basándose en el análisis empírico de la distribución de los datos históricos.
La ejecución de la simulación generó una distribución empírica de las horas realizadas, que fue analizada mediante estadísticas descriptivas y percentiles, siguiendo el enfoque clásico de simulación probabilística (DA PAIXÃO et al., 2021). Los resultados indicaron una media de 376,19 horas para las horas realizadas simuladas. La distribución presentó una elevada dispersión, con un valor mínimo de 16,40 horas y un máximo de 2834,00 horas, reflejando la variabilidad intrínseca de los datos históricos y la gama de escenarios posibles.
El análisis de los percentiles permitió una interpretación más robusta de las estimaciones desde la perspectiva del riesgo, posibilitando la definición de niveles de confianza para la toma de decisiones (BILINSKI, 2016). El percentil 50 (P50) correspondió a 213 horas, representando el escenario mediano de la distribución. El percentil 80 (P80), con 588 horas, indicó un nivel de confianza más conservador, con un 80% de probabilidad de que el valor real no sea excedido. Por su parte, el percentil 90 (P90), con 910 horas, representó un escenario de alta confiabilidad, asociado a situaciones de mayor riesgo e incertidumbre.
La comparación de estos valores con la media de 376,19 horas reveló una asimetría en la distribución, caracterizada por una cola larga a la derecha. Este comportamiento indica que, si bien la mayoría de los escenarios se concentran en valores cercanos a la mediana, existe una ocurrencia significativa de casos con un consumo de horas sustancialmente superior, lo que impacta directamente en la planificación y el presupuesto de los proyectos. Esta asimetría refuerza la idea de que los enfoques deterministas, basados exclusivamente en valores medios, tienden a subestimar el esfuerzo necesario para la ejecución de los alcances, un comportamiento ampliamente discutido en la literatura de investigación de operaciones (DA PAIXÃO et al., 2021).
A partir de este análisis, se determinaron factores de corrección relativos a la media para cada percentil: aproximadamente 0,57 para el P50, 1,56 para el P80 y 2,42 para el P90. Estos factores permiten traducir los resultados de la simulación en parámetros prácticos para el apoyo a la decisión, especialmente en el contexto de planificación y presupuesto de proyectos. El modelado probabilístico mediante la Simulación de Monte Carlo, una técnica ampliamente utilizada para el análisis de sistemas complejos bajo incertidumbre, permite la construcción de escenarios y la evaluación de riesgos asociados a las variables de entrada (DE SOUZA RUBATINO et al., 2018).
De esta forma, la aplicación de la simulación contribuye directamente al objetivo de este estudio, al proporcionar un enfoque estructurado para la modelización del riesgo asociado a las estimaciones futuras. Esta metodología posibilita la adopción de factores de corrección basados en niveles de confianza, en lugar de limitarse a valores medios, ofreciendo a los gestores de proyectos un instrumento más robusto para la toma de decisiones. La integración de datos históricos con la Simulación de Monte Carlo representa un avance significativo, sustituyendo enfoques determinísticos por una perspectiva orientada al riesgo, lo que mejora la previsibilidad de los costes y la gestión de las incertidumbres inherentes a los proyectos.
4. Conclusión
El presente estudio analizó los desvíos entre horas planificadas y horas realizadas en proyectos multidisciplinares, a partir de datos históricos organizacionales, con el fin de identificar patrones asociados a los alcances disciplinares y al tamaño de los proyectos, y proponer un enfoque cuantitativo para la mejora de las estimaciones de costos. Se verificó que los desvíos en el consumo de horas no ocurrieron de forma aleatoria, sino que presentaron comportamientos sistemáticos. Se identificó que disciplinas como Automatización exhibieron una tendencia consistente de subestimación de las horas planificadas, con una media cercana a 1,40. Se observó, además, que alcances de mayor tamaño manifestaron mayor variabilidad e incertidumbre en las estimaciones, mientras que los de menor tamaño demostraron mayor previsibilidad. El modelado probabilístico, realizado por medio de la Simulación de Monte Carlo con 1.000 iteraciones, generó una distribución empírica de las horas realizadas, con una media de 376,19 horas y percentiles que indicaron diferentes niveles de confianza, como 213 horas para el P50, 588 horas para el P80 y 910 horas para el P90.
La principal contribución de este estudio reside en la proposición de un modelo estructurado de estimación que integra datos históricos con la Simulación de Monte Carlo, sustituyendo los enfoques determinísticos por una perspectiva orientada al riesgo. Esta metodología permite una mayor previsibilidad de los costos, al incorporar explícitamente la variabilidad observada en el desempeño real de los proyectos. La aplicación de los resultados posibilita que los gestores de proyectos adopten diferentes niveles de confianza en las estimaciones, conforme al grado de criticidad del proyecto, contribuyendo a una gestión más robusta de las incertidumbres y a la reducción de desviaciones presupuestarias. La determinación de factores de corrección relativos a la media, como 0,57 para el P50, 1,56 para el P80 y 2,42 para el P90, ofrece un instrumento objetivo para la toma de decisiones, especialmente en las fases iniciales de planificación, donde el nivel de incertidumbre es más elevado.
Referencias Bibliográficas
ARENALES, M. Pesquisa operacional para cursos de engenharia Rio de Janeiro: ELSIEVER, ABEPRO, 2011.
BILINSKI, P. A. Aplicação da pesquisa operacional na otimização da lucratividade de uma empresa do segmento de marcenaria João Pessoa: ENEGEP, 2016
DA PAIXÃO, Joelson Lopes et al. Métodos Matemáticos de Modelagem e Otimização: Teoria e Aplicações do Método de Monte Carlo. Salão do Conhecimento, v. 7, n. 7, 2021
DE SOUZA RUBATINO, Frederico; BATISTA, Saymon Henrique; DUARTE, Leandro Neves. Probabilidade de Ruína: Aplicação dos Métodos de Aoki e Monte Carlo, 2018;
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 2008.
Hillier, F. S.; Lieberman, G. J. 2013. Introdução à Pesquisa Operacional. 9ed. AMGH Editora, Porto Alegre, RS, Brasil
MARCONI, Marina de Andrade; LAKATOS, Eva Maria. Fundamentos de metodologia científica. 5. ed. São Paulo: Atlas, 2003.
Project Management Institute [PMI]. 2017. Um Guia do Conhecimento em Gerenciamento de Projetos (Guia PMBOK®). 6ed. Project Management Institute, Newtown Square, PA, USA.
Vargas, R. V. 2010. Análise de Risco em Projetos. 2ed. Brasport, Rio de Janeiro, RJ, Brasil.
YIN, Robert K. Estudo de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2015.
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Gestión de Proyectos del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy