Módulo 3. Palisade

Módulo 3. Palisade


Módulo 4. Palisade


Introduciremos un valor agregado, la simulación de Montecarlo, donde estimaremos mediciones con un intervalo mayor de confianza, es decir, utilizaremos un plugin que vamos a adjuntar al motor de cálculo del Excel y lo vamos también a vincular con “MS Project”

@RISK  Para el Análisis de Montecarlo


El texto siguiente está extraído de la www oficial de Palisade, se ha incorporado un “no follow”  para no desvirtuar el posicionamiento de la www citada


Este software se llama @RISK de la empresa Palisade  http://www.palisade-lta.com/ el cual nos va a permitir hacer estimaciones estocásticas del Proyecto con un intervalo de confianza mayor, ajustando de este modo estimaciones para el Proyecto que hemos determinado en tiempo y coste de Proyecto.

Qué es Risk de Palisade: Si el Proyecto se retrasa, ¿qué repercusión tendrá este retraso en nuestro Proyecto y en sus resultados? + ¿te gustaría conocer cuáles son las probabilidades de completar este Proyecto en el tiempo comprometido y marcado en el Cronograma del Proyecto y sin salirnos  del presupuesto asignado al Proyecto? + ¿qué grado de contingencia deberíamos asignar?” Palisade permite dar respuesta a estas preguntas, pudiendo tomar con datos numéricos este tipo de decisiones transcendentales para nuestros Proyecto.  Con @RISK en español puede responder a estas preguntas y a muchas más, y todo desde una hoja de cálculo de Excel (Montecarlo).

Monte Carlo: Una mejor forma de hacer un análisis de riesgo cuantitativo del Proyecto es mediante el uso de la simulación Monte Carlo. En la simulación Monte Carlo, las variables inciertas de un modelo se representan usando rangos de posibles valores denominados distribuciones de probabilidad. Mediante el uso de distribuciones de probabilidad, las variables pueden tener diferentes probabilidades de producir diferentes resultados. Las distribuciones de probabilidad son una forma mucho más realista de describir la incertidumbre en las variables de un análisis de riesgo.

Las Distribuciones de Probabilidad

Normal  o “curva de campana”: El usuario simplemente define la media o valor esperado y una desviación estándar para describir la variación con respecto a la media.  Los valores intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una distribución simétrica y describe muchos fenómenos naturales, como puede ser la estatura de una población. Ejemplos de variables que se pueden describir con distribuciones normales son los índices de inflación y los precios de la energía.

Lognormal: Los valores muestran una clara desviación; no son simétricos como en la distribución normal.  Se utiliza para representar valores que no bajan por debajo del cero, pero tienen un potencial positivo ilimitado.  Ejemplos de variables descritas por la distribución lognormal son los valores de las propiedades inmobiliarias y bienes raíces, los precios de las acciones de bolsa y las reservas de petróleo.

Uniform: Todos los valores tienen las mismas probabilidades de producirse; el usuario sólo tiene que definir el mínimo y el máximo.  Ejemplos de variables que se distribuyen de forma uniforme son los costos de manufacturación o los ingresos por las ventas futuras de un nuevo producto.

Triangular: El usuario define los valores mínimo, más probable y máximo.  Los valores situados alrededor del valor más probable tienen más probabilidades de producirse. Las variables que se pueden describir con una distribución triangular son el historial de ventas pasadas por unidad de tiempo y los niveles de inventario.

PERT: El usuario define los valores mínimo, más probable y máximo, como en la distribución triangular.  Los valores situados alrededor del más probable tienen más probabilidades de producirse. Sin embargo, los valores situados entre el más probable y los extremos tienen más probabilidades de producirse que en la distribución triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de uso de la distribución PERT es la descripción de la duración de una tarea en un modelo de gestión de un proyecto.

Discrete: El usuario define los valores específicos que pueden ocurrir y la probabilidad de cada uno. Un ejemplo podría ser los resultados de una demanda legal: 20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades de obtener un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se repita el juicio.

Durante una simulación Monte Carlo: Los valores se muestrean aleatoriamente a partir de las distribuciones de probabilidad introducidas.  Cada grupo de muestras se denomina iteración, y el resultado correspondiente de esa muestra queda registrado.  La simulación Monte Carlo, realiza esta operación cientos o miles de veces, y el resultado es una distribución de probabilidad de posibles resultados.  De esta forma, la simulación Monte Carlo, proporciona una visión mucho más completa de lo que puede suceder. en el Proyecto, indica no sólo lo que puede suceder, sino la probabilidad de que suceda en el Proyecto.

Ventajas de Montecarlo sobre el Módelo Determinista

Resultados probabilísticos: Los resultados muestran no sólo lo que puede suceder, sino lo probable que es un resultado.

Resultados gráficos: Gracias a los datos que genera una simulación Monte Carlo, es fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan.  Esto es importante para comunicar los resultados a otras personas interesadas.

Análisis de sensibilidad: Con sólo unos pocos resultados, en los análisis deterministas es más difícil ver las variables que más afectan el resultado.  En la simulación Monte Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los resultados finales.

Análisis de escenario. En los modelos deterministas resulta muy difícil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes.  Usando la simulación Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos resultados.  Esto resulta muy valioso para profundizar en los análisis.

Correlación de variables de entrada. En la simulación Monte Carlo es posible modelar relaciones interdependientes entre diferentes variables de entrada.  Esto es importante para averiguar con precisión la razón real por la que, cuando algunos factores suben, otros suben o bajan paralelamente.