Page 29 - REVISTA 2017

tativos no tienen en cuenta percepciones erróneas de los analistas que asignan los puntajes, es
decir, no considera el efecto del sesgo cognitivo (cognitive bias). Los scores, de hecho, tienden
a agruparse en el rango medio-bajo. Hubbard (2009) analiza esta situación en proyectos de
tecnología, en una escala de 1 a 5 puntos observa que el 75% de las respuestas son 3 ó 4. Esto
implica que cambiar el score de 3 a 4, o viceversa, tiene un efecto importante en la clasificación
de los riesgos.

La Cuantificación del Riesgo de un Proyecto. El enfoque cuantitativo estocástico

“Quantitative risk analysis (QRA), using Monte Carlo simulation, is similar to “what if” scenarios in that
it generates a number of possible scenarios. However, it goes one step further by effectively accounting
for every possible value that each variable could take and weighting each possible scenario by the pro-
bability of its occurrence. QRA achieves this by modelling each variable within a model by a probability
distribution.”

Vose, D., 2000

¿Qué es la Simulación Monte Carlo?

El Método Monte Carlo es un conjunto de algoritmos computacionales que se basan en una muestra
aleatoria repetida para obtener resultados numéricos (Wikipedia, 2017).

Más formalmente es un método numérico que utiliza una secuencia de números aleatorios (en
realidad pseudo-aleatorios; ningún computador es capaz de generar números aleatorios “reales”)
para realizar la simulación estadística. Este método fue desarrollado por S. Ulam y J. Von Neumann
en 1949 y se ha aplicado en múltiples problemas cuantitativos en áreas como las ciencias, ingenie-
ría y finanzas. Los métodos Monte Carlo son técnicas estocásticas, basadas en el uso de números
aleatorios y distribuciones de función de probabilidad para simular los problemas que se basan en
el uso de la fuerza bruta, esto es, una gran repetición del experimento bajo estudio. La simulación
es particularmente apropiada en problemas o situaciones que involucran incertidumbre, como el
tema que estamos abordando.

No obstante, por ser una técnica estocástica que conlleva cierto conocimiento de probabilidad y esta-
dística ha resultado en una limitada aceptación en la gestión de proyectos, tal como lo refrendan Kwak
e Ingall (2009, p. 83) “la Simulación Monte Carlo no ha encontrado todavía una base sólida en la práctica
de la gestión de proyectos en el mundo real”.

Un ejemplo de aplicación práctica del MMC al Análisis de Riesgo

Tomemos como referencia el ejemplo provisto por Bortescu (2012) el cual adaptaremos al tópico del
artículo. Consideremos una empresa que desea analizar y cuantificar el impacto financiero de una serie
de posibles riesgos no predecibles (aleatorios) que pueden afectar a la misma, como lo ilustra el mo-
delo general presentado en la Figura 3. A tales efectos se consideran cuatro de los principales riesgos
operacionales seleccionados por los responsables de la seguridad informática de la empresa.

28 Revista de la Facultad de Ingeniería