Gestión de Riesgos y Monte Carlo en Proyectos
Basado en la presentación de Ignacio Urteaga · Actualizado en octubre de 2026
Por qué los proyectos se atrasan casi siempre y cómo la simulación Monte Carlo permite estimar plazos de forma más realista que el camino crítico con reservas fijas.
Resumen: la planificación clásica calcula un camino crítico y le suma reservas porcentuales por actividad. Ese método ignora que los atrasos se propagan hacia adelante mientras que los adelantos casi nunca se transmiten, por lo que subestima la duración real. La simulación Monte Carlo modela esa variabilidad y entrega una probabilidad de cumplir cada plazo, en lugar de un único número.
¿Por qué los proyectos se atrasan (casi siempre)?
En cualquier industria y con cualquier tipo de tarea, los atrasos parecen la norma. La presentación de Ignacio Urteaga analiza por qué ocurre y por qué la gestión de riesgos tradicional no alcanza para prever los retrasos reales.
A partir de un caso concreto, la construcción de una pileta, muestra los límites de las reservas clásicas y la potencia del método de simulación Monte Carlo para obtener estimaciones más realistas.
Recursos del proyecto
Si querés reproducir el ejemplo, están disponibles el plan del proyecto y el código en R que se usan en la presentación:
El proyecto: estructura, tareas y datos disponibles
Para entender por qué se atrasa un proyecto, primero se lo descompone.
Actividades
Planos, aprobaciones, obra civil, excavación, hormigón y terminaciones.
Recursos
Distintos equipos que trabajan cada etapa.
Precedencias
Actividades que dependen de otras para poder empezar.
Duraciones esperadas
Cuánto se estima que tarda cada tarea.
El proyecto es simple, de 13 tareas, pero ya contiene dependencias y riesgos que afectan la duración total.
El enfoque tradicional: camino crítico más reservas
La planificación clásica se apoya en dos pasos.
Calcular el camino crítico (CPM)
Es la cadena de tareas dependientes que determina la duración mínima del proyecto. En el caso de la presentación, da 38 días hábiles.
Sumar reservas de contingencia
Se aplican porcentajes fijos; por ejemplo, un 20 % de probabilidad de un 20 % de atraso por actividad.
Las reservas se calculan actividad por actividad. No capturan las interacciones entre atrasos ni los efectos acumulativos cuando varias tareas encadenadas se demoran. El modelo supone que los riesgos son individuales, pero en la realidad los atrasos se propagan hacia adelante y se amplifican.
Esta práctica es habitual, y por eso las guías de buenas prácticas piden complementarla con un análisis de riesgo del cronograma. Por ejemplo, la guía GAO Schedule Assessment Guide (GAO-16-89G) trata el análisis de riesgo del cronograma como parte de las buenas prácticas para planificar proyectos.
Los riesgos no se compensan: solo los atrasos se transmiten
En la práctica, cuando una tarea termina antes, ese adelanto rara vez le llega al resto del proyecto. Cuando una tarea se atrasa, ese retraso casi siempre se propaga.
Los adelantos se pierden
La tarea siguiente suele empezar en la fecha prevista, no antes.
Los atrasos se acumulan
Cada demora empuja a las tareas que dependen de ella.
El resultado son distribuciones de duración sesgadas hacia el atraso, y por eso la estimación clásica resulta demasiado optimista.
Monte Carlo aplicado a proyectos: simulación en lugar de intuición
La simulación Monte Carlo repite el proyecto miles de veces, sorteando en cada corrida la duración de cada tarea, y cuenta cuántas veces se cumple el plazo.
Los tres escenarios del experimento
| Escenario | Cómo se modela | Resultado |
|---|---|---|
| 1. Retraso binario | Replica la lógica de las reservas tradicionales: 20 % de probabilidad de un 20 % de atraso. | El proyecto se pasa del plazo en el 45 % de las simulaciones: casi la mitad de las veces las reservas no alcanzan. |
| 2. Distribución simétrica | Una curva con media en la duración probable y un 20 % de la curva representando atrasos. | Solo 24 % de atrasos. Es un resultado teórico: en la vida real las actividades no terminan antes. |
| 3. Distribución sesgada | Los adelantos no se transmiten y los atrasos sí. | El 72 % de las simulaciones termina con el proyecto atrasado. |
Cómo leerlo: el escenario 3 es el que mejor refleja la realidad, y explica por qué “todo se atrasa” incluso cuando el plan parece sólido. Estos porcentajes corresponden al caso de la presentación; en otro proyecto, con otras tareas y datos, serán distintos.
Conclusiones clave sobre la gestión de riesgos en proyectos
Los métodos tradicionales subestiman los atrasos
La reserva individual por actividad no captura la complejidad del proyecto.
La distribución importa
La forma de la distribución de las duraciones pesa más de lo que parece.
Los atrasos se componen, los adelantos no
El sesgo hacia el atraso es estructural.
Monte Carlo ayuda con varios caminos críticos
Permite ver escenarios, probabilidades y riesgos reales.
Sin datos históricos, todo es un supuesto
Las empresas que registran bien sus proyectos obtienen simulaciones más precisas.
Un ejemplo propio en Python
Este ejemplo es una ilustración simple, distinta del caso de la pileta, para ver la idea con pocas líneas de código.
Un proyecto de cinco tareas en serie, con 36 días hábiles planificados. En cada tarea, la mitad de las veces se cumple lo previsto (el adelanto no se transmite) y la otra mitad se atrasa un porcentaje aleatorio con media del 25 %.
import numpy as np
rng = np.random.default_rng(42)
planificado = np.array([4, 7, 6, 10, 9]) # días hábiles por tarea (en serie)
n = 100_000
# 50 % de las veces la tarea termina en plazo; el resto se atrasa
atrasa = rng.random((n, len(planificado))) < 0.5
extra = rng.exponential(0.25, (n, len(planificado)))
reales = planificado * (1 + atrasa * extra)
total = reales.sum(axis=1)
plan = planificado.sum()
print("Plan:", plan, "días")
print("Prob. de terminar atrasado:", round((total > plan).mean() * 100, 1), "%")
print("Percentil 80:", round(np.percentile(total, 80), 1), "días")
print("Percentil 95:", round(np.percentile(total, 95), 1), "días")Resultado (con esa semilla): plan de 36 días; probabilidad de terminar atrasado de 96,9 %; con 80 % de confianza el proyecto termina en unos 43 días, y con 95 %, en unos 48. En vez de comprometer “36 días”, el equipo puede comunicar un plazo con una probabilidad asociada.
Los números dependen por completo de los supuestos de la simulación. Lo importante es la lógica: con tareas encadenadas y adelantos que se pierden, la probabilidad de cumplir el plan exacto es muy baja.
Límites y precauciones
Garbage in, garbage out
Si las distribuciones se inventan, el resultado es un supuesto con apariencia de precisión. Conviene calibrarlas con datos históricos.
Correlaciones entre tareas
Si las demoras tienen una causa común (clima, proveedor, equipo), tratarlas como independientes subestima el riesgo.
Un plazo no es un compromiso
La simulación entrega probabilidades; qué nivel de confianza comprometer es una decisión de negocio.
Hay que explicarlo
Los resultados probabilísticos requieren comunicación clara con quienes toman decisiones.
Por qué esto importa para Data Science y la gestión empresarial
La simulación Monte Carlo es una herramienta estadística central en la ciencia de datos aplicada a proyectos.
Permite cuantificar el riesgo, modelar la incertidumbre, estimar probabilidades de éxito, comparar escenarios y tomar decisiones basadas en datos y no en intuición. Es clave en construcción, tecnología, finanzas, logística, operaciones y gestión pública.
Planificar bien significa modelar bien. Para estimaciones realistas no alcanza con calcular un camino crítico y sumar reservas porcentuales: hay que incorporar la variabilidad real, la dinámica de propagación de atrasos, los múltiples caminos críticos posibles y la simulación probabilística.
La misma lógica de gestionar la incertidumbre aparece en el ciclo de vida de un proyecto de ciencia de datos, donde las hipótesis y el monitoreo de modelos se tratan como riesgos a controlar.
Preguntas frecuentes
¿Qué es la simulación Monte Carlo?
Es una técnica que repite un cálculo muchas veces sorteando valores aleatorios para las variables inciertas, y luego analiza la distribución de resultados. En proyectos se usa para estimar la probabilidad de cumplir plazos y costos.
¿Qué es el camino crítico?
Es la secuencia más larga de tareas dependientes, que determina la duración mínima del proyecto. Cualquier atraso en una tarea crítica retrasa la fecha final. Ver El enfoque tradicional.
¿Por qué los adelantos no compensan los atrasos?
Porque, en la práctica, una tarea que termina antes rara vez permite adelantar a la siguiente (equipos, materiales y aprobaciones tienen fechas fijas), mientras que una demora siempre empuja a las que dependen de ella. Ver Los riesgos no se compensan.
¿Necesito datos históricos para usar Monte Carlo?
Para obtener resultados confiables, sí. Sin ellos, las distribuciones son supuestos del equipo, y el resultado hereda esa incertidumbre. Ver Límites y precauciones.
¿Qué herramientas se usan?
La presentación usa Microsoft Project para el plan y R para la simulación. También se puede hacer en Python, como en el ejemplo propio, o con herramientas especializadas de gestión de proyectos.
¿Sirve para proyectos de ciencia de datos?
Sí. Los proyectos de datos tienen mucha incertidumbre en plazos, y estimar con rangos y probabilidades es más honesto que prometer una única fecha.
Cómo seguir después de este artículo
Estos son los próximos pasos:
- Reproducí el ejemplo: descargá el proyecto y el código de la presentación y cambiá las duraciones.
- Entendé el proceso completo: leé el ciclo de vida de un proyecto de ciencia de datos.
- Volvé a la guía: la guía de Ciencia de Datos reúne el resto de los temas.
Este artículo es informativo y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes: presentación de Ignacio Urteaga (video y recursos de esta página) · U.S. GAO – Schedule Assessment Guide: Best Practices for Project Schedules (GAO-16-89G). Consultadas en octubre de 2026.