UNIVERSIDAD DE VALLADOLID
ESCUELA DE INGENIERÍAS INDUSTRIALES
G ado en Ingenie ía en O ganización Indus ial
He amien as y Técnicas en la Ges ión
de la Ince idumb e
Au o :
Cu o Lo enzo, Da id
Tu o :
Acebes Seno illa, Fe nando
Depa amen o de O ganización de
Emp esas y CIM
Valladolid, no iemb e 2020
I
Resumen
La Ges ión del Riesgo se ha con e ido en un ema de in e és gene al
den o de la adminis ación y di ección, y especialmen e en la di ección y
ges ión de p oyec os o P ojec Managemen . Sin emba go, no exis e un
consenso gene alizado en cuan o a los concep os de iesgo e ince idumb e.
Una amplia e isión li e a ia nos ha pe mi ido iden i ica cua o ipos de
ince idumb e: es ocás ica, alea o ia, epis émica y on ológica. Pa a ealiza una
buena ges ión del iesgo, es imp escindible el uso de las écnicas y
he amien as adecuadas. El obje i o de es e abajo es p esen a un suma io
de las he amien as y écnicas ecomendadas pa a se aplicadas a cada ipo
de ince idumb e.
Palab as cla e
Di ección de P oyec os; Riesgos; Ges ión de Riesgos; Ince idumb e;
Ges ión de la Ince idumb e
Abs ac
Risk Managemen is an eme ging opic o in e es in Managemen
li e a u e in gene al, and especially in he P ojec Managemen discipline.
None heless, he e is no consensus abou he concep o isk. A b oad e iew
o he li e a u e le us iden i y ou ypes o unce ain y: s ochas ic, alea o ic,
epis emic and on ological. Success ul Risk Managemen equi es applying he
app op ia e echniques and ools. The aim o his pape is o p esen a syn hesis
o he ools and echniques, which mus be applied o each ype o unce ain y
Keywo ds
P ojec Managemen ; Risk; Risk Managemen ; Unce ain y; Unce ain y
Managemen
III
Índice
In oducción .................................................................................................... 1
Mo i ación ............................................................................................................. 1
Obje i os ................................................................................................................ 1
Alcance .................................................................................................................. 1
Es uc u a .............................................................................................................. 2
1. Gene alidades de la Di ección de P oyec os .......................................... 3
2. Ges ión del Riesgo .................................................................................. 5
2.1 O ígenes del Riesgo ..................................................................................... 5
2.1.1 Riesgo desde la psicología .................................................................................. 7
2.1.2 Riesgo desde la economía .................................................................................. 7
2.1.3 Riesgo desde la ingenie ía .................................................................................. 8
2.2 Riesgo en la Di ección de P oyec os ........................................................... 8
2.2.1 E olución his ó ica de la noción de Riesgo........................................................ 9
2.2.2 El iesgo desde dis in os es ánda es pa a la Di ección de P oyec os ........... 11
2.2.3 Riesgo e Ince idumb e ..................................................................................... 11
2.2.4 El caso de los Riesgos Labo ales ..................................................................... 13
2.2.4.1 In eg ación en P oyec os................................................................................... 13
2.3 Componen es del Riesgo ........................................................................... 14
3. Ges ión de la Ince idumb e ................................................................ 17
3.1 Ince idumb e en la Di ección de P oyec os.............................................. 17
3.2 Dis in as clasi icaciones ............................................................................ 18
3.2.1 Ince idumb e y Complejidad ............................................................................ 18
3.2.2 La dualidad de la Ince idumb e ...................................................................... 19
3.2.3 G ado de desconocimien o de una ince idumb e .......................................... 20
3.2.3.1 La madu ez hacia el iesgo ............................................................................... 21
3.2.4 No-e en os ......................................................................................................... 23
3.2.4.1 Ince idumb e es ocás ica ................................................................................ 27
3.2.4.2 Ince idumb e alea o ia .................................................................................... 28

IV
3.2.4.3 Ince idumb e epis émica ................................................................................. 28
3.2.4.4 Ince idumb e on ológica .................................................................................. 29
3.3 Modelos de ges ión ................................................................................... 30
4. He amien as y écnicas ...................................................................... 33
Me odología ........................................................................................................ 34
4.1 Mé odos de Decisión Mul ic i e io............................................................. 36
4.1.1 Analy ic Hie a chy P ocess (AHP) ...................................................................... 36
4.1.2 Analy ic Ne wo k P ocess (ANP) ........................................................................ 38
4.1.3 ELimina ion E Choice T ansla ing Reali y (ELECTRE) ..................................... 40
4.1.4 Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS) .. 42
4.2 Mé odos Heu ís icos .................................................................................. 43
4.2.1 Algo i mos gené icos ......................................................................................... 44
4.2.2 Búsqueda abú .................................................................................................. 45
4.2.3 GRASP (G eedy Randomized Adap i e Sea ch P ocedu e) ............................. 46
4.2.4 Recocido simulado ............................................................................................ 47
4.2.5 Redes Neu onales ............................................................................................. 48
4.3 Mé odos lógicos ........................................................................................ 49
4.3.1 E en T ee Analysis (ETA) .................................................................................. 50
4.3.2 Faul T ee Analysis (FTA) ................................................................................... 51
4.3.3 Fuzzy Logic ......................................................................................................... 51
4.4 Mé odos basados en ma ices .................................................................. 52
4.4.1 Risk B eakdown Ma ix (RBM) and S uc u e (RBS) ........................................ 53
4.4.2 SWOT Analysis (Análisis DAFO/FODA) .............................................................. 54
4.5 Mé odos ma emá icos ............................................................................... 55
4.5.1 Expec ed Mone a y Value (EMV) ....................................................................... 56
4.5.2 Ea ned Value Managemen (EVM) .................................................................... 56
4.5.3 Expe imen os es adís icos ................................................................................ 57
4.5.4 Human Reliabili y Assessmen (HRA) ............................................................... 58
4.5.5 Ma gen ............................................................................................................... 59
4.5.6 Mon e Ca lo ........................................................................................................ 60
4.5.7 Pa e o Analysis (PA) ........................................................................................... 61
4.5.8 P og amación lineal ........................................................................................... 62
V
4.5.9 Sensi i i y Analysis ............................................................................................ 63
4.6 Mé odos basados en diag amas de e en os ............................................ 64
4.6.1 Checklis ............................................................................................................. 65
4.6.2 Decision T ee Analysis....................................................................................... 65
4.6.3 Diag amas de causa y e ec o ........................................................................... 66
4.6.4 E en and Causal Fac o Cha ing (ECFCh) ...................................................... 66
4.7 Mé odos pa a la búsqueda de iesgos ...................................................... 67
4.7.1 B ains o ming .................................................................................................... 67
4.7.2 Change Analysis (ChA) ....................................................................................... 68
4.7.3 Delphi ................................................................................................................. 68
4.7.4 Expe Judgmen ................................................................................................ 68
4.7.5 Failu e Mode and E ec s Analysis (FMEA) ....................................................... 69
4.7.6 Inciden Repo ing (IR) ...................................................................................... 70
4.7.7 Risk P obabili y and Impac Assessmen ......................................................... 71
4.7.8 Wha -I Analysis & SWIFT Analysis .................................................................... 71
4.7.8.1 Wha -I Analysis ................................................................................................. 72
4.7.8.2 SWIFT Analysis ................................................................................................... 72
4.7.9 ‘5 Why’s’ Technique .......................................................................................... 72
4.8 Resumen ................................................................................................... 73
Conclusiones ................................................................................................ 77
Re e encias .................................................................................................. 79
Anexo: Publicaciones ................................................................................... 89
VII
Índice de Figu as
Figu a 1 Pun os en común sob e el concep o Riesgo ......................................... 9
Figu a 2 Componen es del Riesgo ...................................................................... 14
Figu a 3 Clasi icación clásica de la Ince idumb e ............................................ 20
Figu a 4 La en ana de Joha i. Elabo ación p opia. .......................................... 24
Figu a 5 Tabla Awa eness – Knowledge. Elabo ación p opia. .......................... 25
Figu a 6 Clasi icación de la Ince idumb e po 'No-e en os'. ............................ 27
Figu a 7 G á ica de los p ocesos de búsqueda me odológica. Elabo ación
p opia. ................................................................................................................... 35
Figu a 8 Ejemplo de ni eles de decisión je a quizados. (Ishizaka & Neme y,
2013). ................................................................................................................... 37
Figu a 9 Ejemplo de una ma iz de compa ación. (Ishizaka & Neme y, 2013).
............................................................................................................................... 38
Figu a 10 Ejemplo de ed analí ica. (Ishizaka & Neme y, 2013). .................... 39
Figu a 11 Ejemplo de ma iz de compa ación. (Ishizaka & Neme y, 2013). ... 39
Figu a 12 Ejemplo de la je a quía ob enida median e el mé odo ELECTRE.
Elabo ación p opia. .............................................................................................. 41
Figu a 13 P e e encia de c i e ios pa a el mé odo PROMETHEE. (Ishizaka &
Neme y, 2013). .................................................................................................... 42
Figu a 14 Ejemplo de mé odo Topsis. (Ishizaka & Neme y, 2013) .................. 43
Figu a 15 Sis ema básico de uncionamien o de los algo i mos gené icos.
Elabo ación p opia. .............................................................................................. 45
Figu a 16 Ejemplo de una i e ación de una búsqueda abú. (Glo e & Laguna,
1997). ................................................................................................................... 46
Figu a 17 Ejemplo de un pseudo-código gené ico GRASP. (Feo & Resende,
1995) .................................................................................................................... 47
He amien as y Técnicas en la Ges ión de la Ince idumb e
4
Debido a que un p oyec o iene unos obje i os que, po lo gene al,
suelen se bas an e amplios, se coliga que un p oyec o en aña iesgos de no
consecución de algunos de esos obje i os. Hablamos de la ges ión del iesgo
en p oyec os como una ac i idad di ec amen e elacionada con la consecución
de los obje i os del mismo (Hillson, 2014). O o es udio, ealizado po el Wo ld
Economic Fo um (2018) des aca la in luencia que iene la c eación de nue os
p oyec os en países con un al o c ecimien o y desa ollo económico; así como
la ele ancia de la compe encia de Risk Manage , o Ges o de Riesgo, en el
desa ollo de nue os p oyec os.
El p opio Wo ld Economic Fo um (2016), en lo ela i o a la ingenie ía y
la cons ucción, a i ma: “i is always impo an o imp o e accoun abili y and
manage isks e ec i ely […] by encou aging a common isk-managemen
s a egy”. El sen ido que le quie e da el Wo ld Economic Fo um es que siemp e
es impo an e mejo a la esponsabilidad y la ges ión e ec i a de iesgos
omen ando una es a egia común de ges ión de iesgos.
La ges ión de iesgos es un aspec o con mucha ele ancia en la
di ección y ges ión de p oyec os. Como indican Me edi h e al. (2017), “I is
ne e oo ea ly in he li e o a p ojec o begin managing isk”. El iesgo de un
P oyec o debe ía comenza a se manejado lo an es posible. Los obje i os de
un p oyec o pueden llega a se muy amplios, y pa a ello es necesa io hace las
cosas bien desde el p incipio.
Po es e mismo mo i o, mul i ud de o ganizaciones pod án comenza a
ges iona el iesgo desde el momen o mismo de la c eación de un p oyec o. El
obje o p incipal de es udio de nues o abajo se á una e isión sob e el uso de
las he amien as y écnicas más e icien es a la ho a de a a el iesgo.

Ges ión del Riesgo
5
2. Ges ión del Riesgo
La ges ión del iesgo y, po consiguien e, de la ince idumb e, es una
a ea mul idisciplina debido a la ans e salidad de la di ección de
p oyec os. Las amas del conocimien o cien í ico a las que a ec a la ges ión
del iesgo y de la ince idumb e, según Saunde s e al. (2015), se ían la
economía, la ingenie ía y la psicología: “a b oad ange o in ellec ual
disciplines including economics, enginee ing and psychology”.
Se deba e que la ince idumb e y sus iesgos asociados son una
ace a mul idisciplina . Po es e mo i o, an os au o es de amas del
conocimien o an dis in as como la psicología, la economía o la ingenie ía,
deba en en e sí pa a da le a los concep os de iesgo e ince idumb e una
de inición lo más cla a posible.
Saunde s e al. (2015) hablan del concep o de ince idumb e como
un concep o poli acé ico y mul idisciplina . En es e documen o a a emos
de busca los o ígenes del iesgo y de la ince idumb e desde las á eas del
conocimien o humano que his ó icamen e se han in e esado po ellos: la
psicología, la economía y la ingenie ía.
2.1 O ígenes del Riesgo
Pa a encon a la p ime a e idencia esc i a sob e iesgo e
ince idumb e debe íamos aslada nos has a el ilóso o Séneca (55 C.E.),
que esc ibió: “Pie des lo p esen e y, disponiendo de lo que es á en las manos
de la o una, dejas lo que es á en las uyas. ¿A dónde pones la mi a? ¿Has a
dónde e ex iendes? Todo lo que es á po eni , es incie o.”. Aquello que es
‘incie o’ es desconocido y, po an o, en aña iesgos.
La ce eza a la que hace e e encia el pensado es la con aposición
a lo desconocido. Hablamos de que ges iona los iesgos signi ica ges iona
aquello desconocido. O a o ma de e lo se ía deci que, aumen ando el
conocimien o que enemos, disminui ía el iesgo al que nos en en amos.
He amien as y Técnicas en la Ges ión de la Ince idumb e
6
Según exponen Hillson & Simon (2012), la ges ión de iesgos ac ual,
al y como la conocemos, comienza con el abajo sob e economía de Knigh
(1921). En dicho abajo es donde el au o es ablece la di e encia en e
iesgo e ince idumb e den o de la Teo ía de la Decisión.
Pos e io men e, desde el pun o de is a psicológico, se ha deba ido
sob e el p ejuicio de e ospec i a como una uen e na u al humana del
concep o de iesgo. El deba e se ha ex endido has a p ác icamen e nues os
días (Fischho , 2013). Pa a ul ima es e p oceso de ans o mación, Za ikas
& Ki sos (2015) hablan de iesgo ingenie il como una des iación de las
amenazas y las opo unidades de un p oyec o.
Tenemos, pues, es líneas de in es igación a e isa , al y como se
obse a en la Tabla 1: iesgo desde el pun o de is a de la psicología, la
economía y la ingenie ía. En cie os pun os es di ícil es ablece una línea de
sepa ación lo su icien emen e cla a.
Tabla 1 O ígenes del Riesgo
Rama del conocimien o
Fuen es
Psicología
P ejuicio de e ospec i a
Fischho (2013)
Ven ana de Joha i
Lu & Ingham (1961)
Economía
Teo ía de la Decisión
Knigh (1921)
Ingenie ía
Amenaza u opo unidad
Za ikas & Ki sos (2015)
Es po ello que, a pesa de se psicólogos, los au o es Lu & Ingham
(1961) dibuja on la llamada ‘ en ana de Joha i’, en lo e e en e a la
psicología cogni i a. Es a ‘ en ana de Joha i’ ha sido u ilizada po muchos
es udiosos de la ges ión del iesgo pa a es ablece una clasi icación del
mismo, como el doc o Hillson (2004). Todas es as amas del conocimien o
se án e isadas a con inuación.
Ges ión del Riesgo
7
2.1.1 Riesgo desde la psicología
Ap ende y es udia buenos mé odos de ges ión del iesgo es
necesa io en la ealización de p oyec os, po lo que debe a ende ambién a
las condiciones básicas inhe en es al se humano. La ges ión del iesgo es á
in luenciada, an o po la na u aleza del expe imen o, como po la del
expe imen ado . Debido a que la na u aleza p opia del modelado in luye en
la ges ión del iesgo, hemos acudido a uen es psicológicas pa a explica el
compo amien o humano.
Es condición humana el conocido como p ejuicio de e ospec i a,
consis en e en subes ima el cos e, iempo y iesgos de las acciones
plani icadas y, po consiguien e, sob ees ima los bene icios y esul ados
(Fischho , 2013). Analizando la si uación, la capacidad que enemos pa a
ap ende del pasado es a ía ma cada po es a condición de e minis a,
consus ancial al sesgo e ospec i o.
En es e campo del conocimien o cien í ico, son no ables los abajos
de Kahneman, Slo ic and T e sky (1982), e sando sob e la elación en e
ince idumb e y los mundos ex e io es e in e io es del se humano. Po o o
lado, en la ob a de Lu and Ingham (1961) es ablecían la llamada “Joha i
Window”, o ‘Ven ana de Joha i’.
Es a he amien a de la psicología cogni i a ha sido ampliamen e
es udiada po F i zen (1987). La llamada ‘ en ana de Joha i’ ha se ido de
inspi ación y de apoyo en el desa ollo del concep o de ince idumb e po
g andes es udiosos del iesgo, como el doc o Hillson (2004), lejos del
campo de la psicología.
2.1.2 Riesgo desde la economía
La p ime a ez que es a ado el iesgo como una p obabilidad
ma emá ica iene de la mano de Knigh (1921) y Su eo ía de la Decisión.
En endemos, po an o, que la p ime a mención a la ges ión del iesgo como
ges ión de una a iable es adís ica apa ece po p ime a ez de la mano de
un economis a. Pa a Knigh , el iesgo se puede p edeci median e el es udio
de la p obabilidad es adís ica.
He amien as y Técnicas en la Ges ión de la Ince idumb e
8
Los concep os de iesgo e ince idumb e han sido obje o de es udio
de o os economis as du an e el siglo XX. Un impo an e eó ico de la
economía, Keynes (1937), se in e esó po dis in as nociones de la
ince idumb e, alo ando la posibilidad de que no exis iese elación en e los
esul ados ob enidos y la p obabilidad de ocu encia de un suceso. En o as
palab as, conside aba la ince idumb e como un juego de p obabilidades y,
po an o, se pod ían espe a múl iples esul ados posibles.
2.1.3 Riesgo desde la ingenie ía
En e e encia a la di ección de p oyec os de ingenie ía, Za ikas &
Ki sos (2015) concluyen que “expe s end o unde es ima e he
unce ain ies and cos s, comple ion imes, and isks o planned ac ions,
whe eas hey o e es ima e he a ious bene i s and p o i s o he p ojec
ou comes”. Según ellos, los expe os ende ían a in a alo a las
ince idumb es y los cos es, los iempos de inalización y los iesgos de las
acciones plani icadas, mien as que sob ees iman los di e sos bene icios y
ganancias de los esul ados del p oyec o.
Una o ma de ce eza en cuan o a la ocu encia de un iesgo es
obse a la des iación de los indicado es de con ol de un p oyec o. Cuando
un pa áme o de con ol se si úa ue a de los lími es asumibles po la
na u aleza del diseño del p oyec o, pod íamos pensa que un iesgo es á
ocu iendo (Acebes e al., 2014b). El es udio de la a iabilidad nos pe mi i ía
conoce cuán g ande es esa des iación y qué consecuencias pod ía
aca ea .
2.2 Riesgo en la Di ección de P oyec os
Podemos ob ene múl iples bene icios de la buena ges ión de las
amenazas y opo unidades de un p oyec o. Po an o, lo di ícil se á ace a
en las acciones que se oman median e una buena ges ión, aumen ando la
di icul ad a medida que aumen a la p ecisión en la ges ión de los iesgos.
De ini lo más exac o posible qué es y cuán impo an e es un iesgo
es básico pa a pode es udia los e ec os posi i os y nega i os que engan
Ges ión del Riesgo
9
sob e los equisi os, es icciones, hipó esis, exclusiones y obje i os en un
p oyec o. Pa a pode abo da odos es os ámbi os, es necesa io es ablece
de o ma exac a, cla a, concisa y comple a odos los aspec os ele an es en
el alcance de un p oyec o (Public Wo ks and Go e nmen Se ices Canada,
2015).
Un lenguaje común acili a el ap endizaje y el conocimien o
ans e sal de un p oyec o (Hillson, 2002b). A con inuación, se ha á un
epaso a los dis in os signi icados y de iniciones que dis in os au o es le han
dado al iesgo. Pos e io men e, se a a á la elación en e los concep os de
iesgo e ince idumb e y se ha á un b e e epaso al caso pa icula de los
iesgos labo ales.
2.2.1 E olución his ó ica de la noción de Riesgo
A pesa de que no exis e consenso sob e las de iniciones de iesgo e
ince idumb e (Padalka & Gopina h, 2016; Pe mino a e al., 2008;
Williams, 1995), sí exis en cie os pun os en común, expues os en la Figu a
1. En endiendo el iesgo como un e en o u u o con cie a p obabilidad de
ocu encia, exis e consenso en que un iesgo debe aca ea consecuencias
o epe cusiones inespe adas o no planeadas (Chia, 2006).
Figu a 1 Pun os en común sob e el concep o Riesgo
El es udio bibliog á ico ealizado po Williams (1995) cons a a que
las conno aciones nega i as sob e el concep o de iesgo se ponen de
mani ies o en mul i ud de au o es. Los signi icados pos e io es ya
mencionan la posibilidad de expandi el concep o hacia implicaciones más
posi i as. Es deci , hacia opo unidades.
Pun os en Común
•E en o Fu u o
•P obabilidad de Ocu encia
•Consecuencias inespe adas

He amien as y Técnicas en la Ges ión de la Ince idumb e
10
Las consecuencias nega i as sob e el iesgo han sido una cons an e
a lo la go de la his o ia. Sin emba go, Dowie (1999) obse ó en su es udio
que la isión únicamen e nega i a pod ía se i como un escollo en la
ges ión de iesgos de o ma adecuada.
No exis e una acepción exac a del concep o de iesgo. A pesa de que
cada au o haga su p opia de inición, incluso a ni el écnico-ingenie il, en
es e documen o se a a á el iesgo como un e en o que puede de i a en
una amenaza o en una opo unidad (Hillson & Simon, 2012). En la Tabla 2,
se obse a un esumen sob e las isiones del ‘Riesgo’ po dis in os au o es.
Tabla 2 Resumen de las isiones del concep o 'Riesgo' de dis in os au o es
Au o
Riesgo
Chia (2006)
Consecuencias inespe adas
Dowie (1999)
Necesidad de amplia el concep o hacia
consecuencias posi i as
Jaa a i (2001)
P obabilidad de gana o pe de
Hillson (2002a)
Mezcla de opo unidades y amenazas
Chapman & Wa d (2003)
Dos ca as ( esul ados posi i os o
nega i os) de la misma moneda
Hillson & Simon (2012)
E en o que puede de i a en una amenaza
o una opo unidad
Mul i ud de au o es pos e io es en ienden que el iesgo iene
consecuencias duales. Pa a Jaa a i (2001) el iesgo consis e en la
p obabilidad de gana o pe de . Es a ca ac e ís ica di e gen e, en e los
esul ados posi i os y lo nega i os, se encuen a p esen e en los abajos
más ecien es sob e iesgos.
En la misma línea de pensamien o, encon amos a Hillson (2002a).
En su ob a, llega a la conclusión de las consecuencias bene iciosas a la ho a
de ges iona iesgos como una mezcla de opo unidades y amenazas son
mayo es que si a amos el iesgo como un concep o ne amen e nega i o.
Según Chapman & Wa d (2003), es a sepa ación de iesgos en e
amenazas y opo unidades debe se en endida como dos ca as de la misma
moneda. Así, un iesgo bien ges ionado puede da nos esul ados posi i os y
Ges ión del Riesgo
11
con e i se en una opo unidad. Po el con a io, si la ges ión es mala, puede
da como esul ado una amenaza a los in e eses del p oyec o.
2.2.2 El iesgo desde dis in os es ánda es pa a la Di ección de P oyec os
La de inición que nos p opo ciona el P ojec Managemen Ins i u e
(2017) pa a ‘ iesgo indi idual’ es “un e en o o condición incie a que, si se
p oduce, iene un e ec o posi i o o nega i o en uno o más de los obje i os
del p oyec o”. Como los obje i os son la me a inal de un p oyec o, podemos
a i ma que un iesgo pod ía a ec a a me as, hi os, iempo, cos e y calidad
de los esul ados de un p oyec o.
Pa a AXELOS (2017), el p opie a io del es ánda de PRINCE2, iesgo
es el conjun o de e en os incie os que, en el caso de ocu i , end ían un
e ec o en la consecución de los obje i os del p oyec o. En es e caso, el e ec o
pod ía se posi i o o nega i o. La me odología pa a la di ección de p oyec os
de la Comisión Eu opea, PM2, alinea su isión del iesgo con la de PRINCE2
(Eu opean Commision, 2018).
En el caso de la no ma ISO 31000 (2018), se de ine iesgo como el
“e ec o de la ince idumb e sob e los obje i os”. En es a no ma, se exponen
las di ec ices pa a la ges ión del iesgo.
Po o a pa e, enemos que conside a lo que el P ojec Managemen
Ins i u e (2017) conside a un ‘ iesgo gene al’, dis inguiéndose del ‘ iesgo
indi idual’ en se “el e ec o de la ince idumb e sob e el p oyec o en su
conjun o, p o enien e de odas las uen es de ince idumb e”. La elación
di ec a en e ince idumb e y iesgo pa ece e iden e
2.2.3 Riesgo e Ince idumb e
La ince idumb e an e io men e mencionada es la de inición de la
causa aíz de un e en o, es udiado como un iesgo pa a el p oyec o. Es a
idea coincide con las de Wa d & Chapman (2003) y A kinson e al. (2006),
en la que hablan de la necesidad que debe ían ene los ges o es del iesgo
a la ho a de cen a se en las causas de un iesgo. Po consiguien e, no se
He amien as y Técnicas en la Ges ión de la Ince idumb e
12
habla ía de Ges ión del Riesgo, sino de Ges ión de la Ince idumb e, un
concep o a ado más adelan e.
Un es udioso de la Ges ión del Riesgo y de la Ince idumb e es el
doc o Hillson. En sus ob as, Hillson (2004, 2009) ealiza una de inición
muy pa icula de iesgo: “ iesgo es ince idumb e que impo a”,
es ableciendo una elación en e iesgo e ince idumb e.
Con es a idea de conexión en e los concep os, Hillson (2004, 2009)
des acó la elación como “el iesgo es la ince idumb e medible; la
ince idumb e es el iesgo inmensu able”. En su co pus de conocimien o, si
podemos medi una ince idumb e se con e i ía en un iesgo.
Riesgo e ince idumb e han enido siemp e cie a elación. En el
apa ado an e io , 0
Mul i ud de au o es pos e io es en ienden que el iesgo iene
consecuencias duales. Pa a Jaa a i (2001) el iesgo consis e en la
p obabilidad de gana o pe de . Es a ca ac e ís ica di e gen e, en e los
esul ados posi i os y lo nega i os, se encuen a p esen e en los abajos
más ecien es sob e iesgos.
En la misma línea de pensamien o, encon amos a Hillson (2002a).
En su ob a, llega a la conclusión de las consecuencias bene iciosas a la ho a
de ges iona iesgos como una mezcla de opo unidades y amenazas son
mayo es que si a amos el iesgo como un concep o ne amen e nega i o.
Según Chapman & Wa d (2003), es a sepa ación de iesgos en e
amenazas y opo unidades debe se en endida como dos ca as de la misma
moneda. Así, un iesgo bien ges ionado puede da nos esul ados posi i os y
con e i se en una opo unidad. Po el con a io, si la ges ión es mala, puede
da como esul ado una amenaza a los in e eses del p oyec o.
El iesgo desde dis in os es ánda es pa a la Di ección de P oyec os,
se puede obse a cómo el iesgo es á elacionado con aquello que es
‘incie o’.
Ges ión del Riesgo
13
2.2.4 El caso de los Riesgos Labo ales
Desde el pun o de is a his ó ico, el abajo siemp e ue conside ado
un iesgo pa a la ida y la salud de los se es humanos. A o unadamen e
pa a nues os con empo áneos, los sis emas escla is as y eudales han
desapa ecido de la az de la Tie a. El econocimien o del espe o a la salud
y a la in eg idad ísica es un de echo undamen al del se humano que
apa ece econocido en la Decla ación Uni e sal de los De echos Humanos
(Mo eno Jiménez, 2011).
Las condiciones labo ales elacionadas con la calidad de ida han
mejo ado no ablemen e (EWCS, 2007). Pa iendo del econocimien o de los
de echos labo ales, la unción emp esa ial se ha o ien ado hacia la mejo a
de la salud de los abajado es. Es deci , las o ganizaciones ienen en cuen a
la ges ión de iesgos labo ales.
A ni el legisla i o, la no ma ISO 45001 (2018) ecoge las di ec ices
pa a la ges ión de la segu idad y la salud en el abajo. Po o o lado, la
no ma i a española sob e ges ión y p e ención de iesgos labo ales es á
ecogida en la Ley de P e ención de Riesgos labo ales (31/1995).
2.2.4.1 In eg ación en P oyec os
Desde el ámbi o de la Di ección de P oyec os, el P ojec Managemen
Ins i u e (2017) conside a undamen ales dos aspec os de los iesgos
labo ales: ges ión de la segu idad y ges ión de la salud. Siguiendo la
me odología de in eg ación de odos los aspec os de un p oyec o, la ges ión
de la segu idad y la salud en el abajo son enidos en cuen a en la ase de
diseño de odo p oyec o.
Conside ando la necesidad de elimina las amenazas pa a log a el
éxi o de un p oyec o, la ges ión de los iesgos labo ales pasa a coloca se en
p ime a plana. Asimismo, el ámbi o de la ingenie ía des aca po in eg a los
iesgos labo ales de salud y segu idad en sus iesgos ope acionales (Bad i
e al., 2012).
Es a pa icula isión ingenie il de p e ención in eg ada de iesgos
labo ales lle a eniendo luga desde los años 1980 (Claudon e al., 2008).
He amien as y Técnicas en la Ges ión de la Ince idumb e
20
Figu a 3 Clasi icación clásica de la Ince idumb e
Pa a Chapman & Wa d (2003), la ince idumb e su ge de la
‘ a iabilidad’ y la ‘ambigüedad’. La a iabilidad a ec a ía a la ince idumb e en
aspec os como cos e, du ación de a eas y calidad o p ecisión écnica. No
obs an e, la ambigüedad end ía un á ea de in luencia mucho mayo . La al a
de cla idad en la in o mación ob enida y la al a de da os, de alles y es uc u as
e icien emen e o ganizadas de abajo o ma ían pa e de la ambigüedad.
Ampliando es a línea de pensamien o, o os au o es hacen e e encia a
la ince idumb e de i ada de p ocesos imp edecibles (Damnjano ic &
Reinschmid , 2020). Es e ipo de ince idumb e ha sido llamada on ológica y
se á ampliado seguidamen e.
3.2.3 G ado de desconocimien o de una ince idumb e
G an pa e de los au o es se inclinan a pensa que la ince idumb e es
un concep o de i ado de la de iciencia de in o mación. La in o mación
ecabada es mayo cuan o mayo es la madu ez de una o ganización hacia el
iesgo (Hopkinson, 2011). Es a in o mación p o oca en los ges o es del iesgo
una necesidad de es ima cuán a in o mación al a pa a comple a la
in o mación necesa ia. Con es o consegui íamos e i a malen endidos que
lle asen a e o es en el desa ollo de un p oyec o.
En el con ex o de ince idumb e como los p oblemas de una
o ganización con la in o mación, el au o Zack (1999) p opone cinco ca ego ías
de ince idumb e. Dependiendo del g ado de desconocimien o de una
ince idumb e, se eque i á la aplicación más o menos exhaus i a de los
di e sos mé odos y écnicas de a amien o de in o mación que exis en. Las
cinco ca ego ías p opues as pa a la clasi icación de la ince idumb e son:
TIPOS DE
INCERTIDUMBRE
Alea o ia Epis émica

Ges ión de la Ince idumb e
21
• Poseemos comple a ce eza y, en onces, se a a de un e en o
comple amen e de e minado.
• Conocemos las p obabilidades exac as con la que se p oduci á un
e en o u u o.
• Es imamos las p obabilidades de ocu encia de un e en o median e
in e alos de con ianza.
• No conocemos las p obabilidades ni las podemos es ima , pe o
sabemos que exis e la posibilidad de ocu encia de un e en o.
• Se a a de un e en o o almen e inde inido, desconociendo has a el
p opio e en o y, po an o, no pudiendo se obje o de es udio.
El au o en oca los obje i os de sus es udios a la educción de la
ince idumb e o al aumen o de las capacidades de la o ganización pa a
maneja la y ole a la. En odos los casos, la a iable de es udio p opues a se á
la o ganización de la in o mación y el desa ollo de las TICs, Tecnologías de la
In o mación y de la Comunicación.
De es e modo, la ince idumb e se e ía educida po el desa ollo de la
capacidad de la o ganización pa a maneja in o mación. Es a idea, llamada
madu ez hacia el iesgo de una o ganización, es el eje cen a de la ob a del
p o eso Zack.
3.2.3.1 La madu ez hacia el iesgo
La madu ez de una o ganización hacia el iesgo es de inida po Zack
(1999) como la capacidad que iene dicha o ganización pa a medi la
ince idumb e. Según se expone, el aumen o de alo gene ado de una
o ganización aumen a de o ma p opo cional a la madu ez que enga la
o ganización con el iesgo. En ocado al mundo emp esa ial, a la go plazo la
pe mi i ía hace se más compe i i a en la oma de decisiones.
El au o a a el ol de las TICs como el eje cen al po el cual se
desa olla la madu ez hacia el iesgo. Las Tics si en como un medio de
ansmisión o in e cambio de in o mación: “All in o ma ion echnology can be
iewed as a medium o ansmi ing o exchanging in o ma ion”.
He amien as y Técnicas en la Ges ión de la Ince idumb e
22
Pa a medi el g ado de madu ez, el au o habla del g ado de
desconocimien o de una ince idumb e. Los indicado es
1
u ilizados pa a medi
el g ado de madu ez de madu ez de una o ganización, expues os en la Tabla
3, son los siguien es:
• Unce ain y: Hace e e encia al concep o de al a de in o mación. Se
p oduce unce ain y cuando no disponemos de unos mínimos
conocimien os de la si uación o de los in e alos de con ianza que
a amos de maneja .
Luchamos con a es e e ec o in i iendo los ecu sos de la
o ganización en mejo a las TICs. De es a mane a, las o ganizaciones
pod án da espues as más ápidas, lexibles y exac as a la
in o mación ob enida. El au o hace hincapié en la abso ción de
conocimien o en el know-how de la o ganización a pos e io i. El
obje i o se á analiza la in o mación disponible pa a de e mina qué
in o mación es la adecuada.
• Complexi y: Se in e esa po el concep o de la complejidad pa a
p ocesa un exceso de in o mación. Dicho e ec o p oduce con usión
a la ho a de maneja g andes olúmenes de in o mación, ya que no
se conocen odos los p ocesos de en ada, p ocesamien o y salida de
da os y las elaciones que se es ablecen en e las a iables.
Po el con a io, si nos encon ásemos en una si uación de
de iciencia de in o mación, el au o p opone mejo a las TICs de la
o ganización median e el uso de di e sas écnicas y mé odos. Los
mé odos p opues os son el b ains o ming o o men a de ideas, el
mé odo Delphi y el uso de écnicas de p oducción lexibles. El obje i o
con espec o al e ec o de complexi y se ía analiza la in o mación
pa a acudi a la necesa ia.
• Ambigui y: La ambigui y consis e en no ene la in o mación
enma cada en un á ea del conocimien o. Po an o, es a si uación
di icul a su in e p e ación.
Es e e ec o puede se manejado con écnicas sencillas, ales como la
consul a a expe os y las con e saciones ca a a ca a en e los
esponsables de la ob ención de esa in o mación. Hace e e encia a
la inde inición del ma co de conocimien o que desea abo da .
1
Al no encon a ningún documen o aducido al español, hemos decidido man ene los nomb es
en el idioma o iginal que el au o les dio.
Ges ión de la Ince idumb e
23
• Equi ocali y: Se e ie e a la capacidad de in e p e a de múl iples
mane as una si uación. Suele se iden i icada como el con a io a
ambigui y.
Es e e ec o, equi ocali y, puede lle a a que no sepamos a qué ama
del conocimien o se e ie e una in o mación, po la posibilidad de
pe enencia a a ias amas a la ez. Los mé odos de manejo de es e
e ec o de la ince idumb e p opues os coinciden con los de ambigui y
y son en ocados hacia la coo dinación hacia el obje i o común de la
o ganización.
Tabla 3 Indicado es del G ado de desconocimien o
Indicado es del G ado de
Desconocimien o
In o mación
Encaje en un á ea de
conocimien o
Exceso de
Complexi y
Equi ocali y
Fal a de
Unce ain y
Ambigui y
Es os indicado es miden la capacidad de una o ganización de ecaba ,
p ocesa y emi i juicios de alo de una in o mación. Si ealizá amos un con ol
de es os indicado es, pod íamos aumen a la capacidad de ges ión del iesgo
de una o ganización.
3.2.4 No-e en os
Como hemos is o, podemos clasi ica los iesgos a endiendo a los
dis in os c i e ios que hagamos en la clasi icación de una ince idumb e. El
doc o Hillson (2009, 2012) ealiza una clasi icación de la ince idumb e
a endiendo al concep o de iesgo como “ince idumb e que impo a”.
Sob e la ‘Ven ana de Joha i’
En su ob a, el doc o Hillson (2004), se apoya en la llamada ‘ en ana de
Joha i’, una he amien a de la psicología cogni i a, pa a el desa ollo de los
modelos de a amien o de los dis in os ipos de ince idumb e. En onces, se
c ea una abla llamada ‘Awa eness – Knowledge’ – éase la Figu a 5-, que bien
pod ía se aducido po ‘Pe cepción – Conocimien o’, en el sen ido de
‘pe cepción ex e na’ con a ‘conocimien o in e no’.
He amien as y Técnicas en la Ges ión de la Ince idumb e
24
Los psicólogos Lu & Ingham (1961) c ea on la llamada “Joha i
Window” o ‘Ven ana de Joha i’, una he amien a de la psicología cogni i a. En
la Figu a 4 se puede obse a es a he amien a, la cual a a la elación de
in o mación que exis e en e un emiso y ecep o de e minados.
En esa línea de pensamien o, Kahneman, Slo ic and T e sky (1982)
en endían la ince idumb e como una di isión en e el conocimien o
p o enien e del mundo ex e no y el p o enien e del mundo in e no. Vemos que
esa dualidad en e los dos mundos es una idea p esen e en mul i ud de
abajos.
Figu a 4 La en ana de Joha i. Elabo ación p opia.
En la ob a de F i zen (1982), se pone de mani ies o que la Ven ana de
Joha i ilus a el p oceso de e oalimen ación – eedback- exis en e en un
p oceso de in e acción humana, exis iendo cua o á eas e e en es a la
in o mación a ada. Más adelan e ha emos e e encia a la elación que exis e
en e los ipos de ince idumb e y cada á ea de la en ana de Joha i. Las cua o
á eas, desde un pun o de is a psicológico, son:
• Á ea lib e: Conocido po mí / Conocido po los demás
• Á ea ciega: Desconocido po mí / Conocido po los demás
• Á ea ocul a: Conocido po mí / Desconocido po los demás
• Á ea desconocida: Desconocido po mí / Desconocido po los demás
Median e el análisis de la ob a de Hillson (2004), podemos ex ae la
conclusión de que el au o no plan ea sus cua o ipos de ince idumb e como
la co espondencia con cada una de las casillas de la en ana de Joha i. Sin
Ges ión de la Ince idumb e
25
emba go, se si e de ella pa a es ablece las líneas de ac uación en lo que a
a amien o de iesgos se e ie e.
Figu a 5 Tabla Awa eness – Knowledge. Elabo ación p opia.
Con amos con cua o casillas:
• Cau ion.
La ince idumb e que su ge po una ca encia de conocimien o sob e el
iesgo que es amos a ando se si úa en es a casilla. Hillson (2004) localiza en
la zona de ‘cau ion’, o p ecaución, las ince idumb es de na u aleza epis émica
y es ocás ica y p opone la explo ación como o ma de a a la.
• Ce ain y.
En es a si uación de ce idumb e, el concep o de ince idumb e no ha
luga . Nos encon a íamos en una si uación en la cual aquello que se puede
conoce , es conocido y es á pe ec amen e comp endido. Las medidas a segui
cuando nos hallemos en es e pun o han de se de pe se e ancia y op imización
en la consecución de esul ados, pues o que enemos comple a ce eza sob e
aquello que a a sucede .

He amien as y Técnicas en la Ges ión de la Ince idumb e
26
• Igno ance.
El desconocimien o sob e lo que no puede se conocido, pos e io men e
llamado ‘ince idumb e on ológica’, se encuad a ía en es a zona de igno ancia.
Una o ma de abandona la igno ancia se ía adqui i expe iencia.
• Amnesia.
Cuando nos encon emos con una ince idumb e sob e la que no
enemos conocimien o ex e no, la línea de ac uación se cen a ía en po encia
el aumen o del con ol de la in o mación ex e na, pa a consegui un mayo
g ado de ce idumb e. El sen ido que le quie e da Hillson (2004) es el de
e ela el conocimien o necesa io pa a educi la ince idumb e.
La clasi icación en ‘No-e en os’
Pa a sabe qué ince idumb es impo an y cuáles quedan excluidas del
obje o de es udio, se p egun a po los “e en os u u os incie os” y aquellos
“no-e en os” que modelan la ince idumb e. Con el in de de ini qué
cualidades iene una ince idumb e, Hillson (2014) es ablece la siguien e
clasi icación:
• Ince idumb e es ocás ica.
• Ince idumb e alea o ia.
• Ince idumb e epis émica.
• Ince idumb e on ológica.
Después de habe hecho una e isión sob e las clasi icaciones que han
hecho los di e sos au o es, c eemos que la p opues a de la Figu a 6 y ealizada
po Hillson (2014) es la más ap opiada. El obje i o de nues o es udio es la
co ec a asignación de he amien as y écnicas que se pod ían aplica en la
Ges ión de la Ince idumb e, en unción del ipo de ince idumb e del que
a emos.
Ges ión de la Ince idumb e
27
Figu a 6 Clasi icación de la Ince idumb e po 'No-e en os'.
3.2.4.1 Ince idumb e es ocás ica
La ince idumb e es ocás ica es de inida po Hillson (2014) como
“ u u e posible e en s, which a e some imes called ‘s ochas ich unce ain y’ o
‘e en isk’”. Es deci , hablamos de ince idumb e es ocás ica cuando a amos
de e en os u u os que, puede que sí, o puede que no se p oduzcan: iesgos de
e en os.
Un ‘ iesgo de e en os’ debe ía se a ado como un ‘ iesgo de ocu encia
o acción’, en an o en cuan o, la ‘no ocu encia’ del e en o no supond ía ningún
iesgo, ni aca ea ía ningún e ec o. Es amos hablando de iesgos y, po an o,
un iesgo a ec a a algún aspec o del alcance de un p oyec o.
La ince idumb e es ocás ica hace e e encia a e en os elacionados
con los s akeholde s -g upos de in e és de un p oyec o. Es a conclusión se
ob iene de una lis a de ejemplos que da el p opio Hillson. En e los más
des acados, pod íamos encon a un cambio de obje i os po pa e del clien e,
la in e upción o di icul ad del suminis o de un p o eedo cla e o un cambio
en el ma co egula o io p e iamen e es ablecido.
La na u aleza es ocás ica de un p oyec o puede se modelada con
dis ibuciones de p obabilidad de du ación de a eas y cos es (Acebes e al.,
2014b). Los p incipales mé odos y écnicas pa a en en a la ince idumb e
es ocás ica se ían los “s ochas ic b anches” (Hillson, 2004, 2009; Hillson &
Simon, 2012).
O os au o es in e p e an que los mé odos es adís icos pueden a a la
a iabilidad de los e en os (Padalka & Gopina h, 2016). La aplicación de
TIPOS DE
INCERTIDUMBRE
Es ocás ica Alea o ia Epis émica On ológica
He amien as y Técnicas en la Ges ión de la Ince idumb e
28
ambos ipos de mé odos se ha ía de o ma indi idualizada po cada e en o que
deseemos es udia .
Los “s ochas ic b anches” pueden se de inidos como á boles de
decisión, con cie as pa icula idades. Cada decisión es a ía modelada po una
p obabilidad es adís ica conc e a, asociada a la nue a decisión a oma .
3.2.4.2 Ince idumb e alea o ia
La ince idumb e alea o ia es á ca ac e izada po la a iabilidad, en la
que es posible un ango de esul ados. Se a a de un p oceso es ocás ico, es
deci , condicionado po un sis ema ísico o su en o no. La ince idumb e
alea o ia un iesgo i educible, po que el aumen o del conocimien o de su
sis ema y en o no no educe la alea o iedad.
Hillson (2014) de ine a es a ince idumb e como “ a iabili y isk”, o
iesgo de a iabilidad. La elación que exis e en e los esul ados espe ados y
los esul ados ob enidos se co esponde ía con es e e ec o de a iabilidad.
Debido a su na u aleza, la ince idumb e alea o ia es i educible. Po
an o, la mejo o ma de a a es e ipo de ince idumb e es median e modelos
de ges ión de iesgos de ipo cuan i a i o.
El p ocedimien o más común a segui pa a p e eni y comba i la
ince idumb e alea o ia es la c eación de un ma gen en ma e ia de cos es,
iempos y ecnologías. Aunque es e concep o, así como dis in os mé odos de
ges ión de iesgos cuan i a i os se án expues os más adelan e.
3.2.4.3 Ince idumb e epis émica
La ince idumb e epis émica es ca ac e izada po la ambigüedad –
ambigui y isk-, según el doc o Hillson. Es o implica que la al a de
conocimien o se cen a en el sis ema y el en o no. Conoce más alo es de las
can idades o p ocesos del sis ema educen la ambigüedad. Es e p oceso de
aumen o de conocimien o p o oca que los e ec os, consecuencias e impac os
gene ados po el iesgo de es udio se eduzcan o eliminen.
La ince idumb e epis émica es ima las p obabilidades de ocu encia de
un e en o median e in e alos de con ianza. Se a a á lo máximo posible de
Ges ión de la Ince idumb e
29
aumen a la p ecisión de los da os que es udiemos. Es e hecho hace que la
cuan i icación de la ince idumb e sea muy lexible (Bee , 2016).
Debido a la na u aleza p opia de la ince idumb e epis émica, las
elaciones que se es ablecen en e un sis ema y su en o no pueden in oduci
conexiones y dependencias en e sí que di icul en sob emane a la a ea de
clasi icación. Po ello es que la ince idumb e epis émica es á elacionada con
la al a de conocimien o.
Como esul ado de i i en un mundo de e minís ico, la ince idumb e
epis émica depende de nues as limi aciones (Damnjano ic & Reinschmid ,
2020). A al e ec o, expandi las on e as del conocimien o en los aspec os
elacionados con el iesgo a a a se ía el camino a segui .
La p incipal mane a de abo da el a amien o de la ambigüedad es la
c eación de modelos de ges ión de la in o mación. Así, Hopkinson (2011)
p opone la o mación de un “Risk Ma u i y Model (RMM)”, o modelo de
madu ez del iesgo, en una o ganización como una necesidad. O os au o es
siguen es a ía, como Zack (1999), quien p opone que el desa ollo de las
ecnologías de la comunicación acili a la ges ión de la ince idumb e, haciendo
más ácil el almacenamien o, clasi icación, búsqueda y comunicación de la
in o mación.
Como se a a de un iesgo p edecible y educible, es necesa io con a
con planes de a amien o de iesgos pa a mi iga los e ec os nega i os y
es udia las opo unidades posi i as de i adas de un buen análisis y una buena
ges ión. Los ámbi os de ac uación del plan de a amien o de iesgos pueden
clasi ica se en cos es, iempo y ecnologías (Alleman e al., 2018b).
3.2.4.4 Ince idumb e on ológica
La ince idumb e on ológica se di e encia del es o en que no puede se
conocida ni es udiada. Va más allá de las limi aciones ísicas de un sis ema o
un ma gen de con ingencia: se a a de ince idumb e no conocida y que,
además, no puede se conocida (Alleman e al., 2018b). Su ge del
compo amien o de un sis ema, y iene que e con la na u aleza p opia del
modelo. Es una ince idumb e que no se puede busca po que no sab ía po
dónde empeza (Hillson, 2012).
He amien as y Técnicas en la Ges ión de la Ince idumb e
36
4.1 Mé odos de Decisión Mul ic i e io.
Los mé odos de Decisión Mul ic i e io, conocidos ambién po mé odos
de ayuda a la decisión, son un conjun o de mé odos y écnicas basadas en la
compa ación de dis in os escena ios. Resul an se de g an impo ancia en el
ámbi o de la ingenie ía, a endiendo a la a i mación de Hammond, John S;
Keeney, Ralph L; Rai a (1999): la a ea más impo an e que ealizan los
ingenie os es oma decisiones.
Tal y como es expues o po Ishizaka & Neme y (2013), gene almen e no
exis e una única y pe ec a opción a oma ; es ahí donde su ge la necesidad de
op imiza la oma de decisiones. Pa a log a es e obje i o, hacemos un epaso
sob e los p incipales mé odos de ayuda a la decisión, expues os en la Tabla 5:
Analy ic Hie a chy P ocess (AHP), Analy ic Ne wo k P ocess (ANP), ELimina ion
E Choice T ansla ing Reali y (ELECTRE), P e e ence Ranking O ganiza ion
METHod o En iched E alua ion (PROMETHEE) y Technique o O de o
P e e ence by Simila i y o Ideal Solu ion (TOPSIS).
Tabla 5 Mé odos de Decisión Mul ic i e io
Mé odos de Decisión Mul ic i e io
Analy ic Hie a chy P ocess (AHP)
Analy ic Ne wo k P ocess (ANP)
ELimina ion E Choice T ansla ing Reali y (ELECTRE)
P e e ence Ranking O ganiza ion METHod o En iched E alua ion (PROMETHEE)
Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS)
Los mé odos expues os en es e apa ado ienen un g an componen e
de subje i idad. El mo i o del es udio de es e ipo de he amien as pa a la
ges ión de iesgos es da espues a a la p egun a: qué iesgos e ince idumb es
son más impo an es pa a el co ec o desa ollo del p oyec o.
4.1.1 Analy ic Hie a chy P ocess (AHP)
El mé odo Analy ic Hie a chy P ocess (AHP), o p oceso de je a quía
analí ica, consis e en asigna alo es a los c i e ios de decisión u ilizados. Se

He amien as y Técnicas
37
dice que es un mé odo de ipo compensa o io po que mide la impo ancia
ela i a de una opción con espec o a o a de o ma je á quica, como se expone
en el ejemplo de la Figu a 8, y sob e una se ie de alo es de e minados
(Ishizaka & Neme y, 2013).
Figu a 8 Ejemplo de ni eles de decisión je a quizados. (Ishizaka & Neme y, 2013).
La escala básica de compa ación consis i ía en asigna alo es en e 1
y 9 a un c i e io C, compa ando una opción i-ésima en e a o a opción j-ésima,
al y como se expone en la Tabla 6 (Saa y & Va gas, 2000):
Tabla 6 Valo es de compa ación del mé odo AHP
Cij
Compa ación de i con a j
1
Igual impo ancia
3
Mode ada mayo impo ancia
5
P onunciada mayo impo ancia
7
Demos able mayo impo ancia
9
Ex ema mayo impo ancia
Se asigna án alo es in e medios a aquellas elaciones que p esen en ca ac e ís icas in e medias.
He amien as y Técnicas en la Ges ión de la Ince idumb e
38
El obje i o es ob ene los alo es p opios de la ma iz cons uida a pa i
de los alo es de compa ación asignados. Una ma iz de compa ación basada
en el ejemplo de Ishizaka & Neme y (2013) es á expues o en la Figu a 9.
Pos e io men e, se consegui á la opción óp ima compa ando el p oduc o del
alo p opio y el peso ela i o asignado a cada al e na i a.
El AHP es un mé odo p incipalmen e subje i o, ya que es el diseñado el
esponsable de asigna los alo es compa a i os. Se a a, po an o, de un
mé odo de ayuda a la decisión de ipo cuali-cuan i a i o, si iéndose de la
ayuda de las ma emá icas pa a la esolución de un p oblema con asignaciones
cuali a i as.
Figu a 9 Ejemplo de una ma iz de compa ación. (Ishizaka & Neme y, 2013).
4.1.2 Analy ic Ne wo k P ocess (ANP)
El Analy ic Ne wo k P ocess (ANP), o p oceso de ed analí ica, es
ob enido a pa i del AHP. Mien as que el AHP se compone de una je a quía de
al e na i as o denadas, el ANP busca de e mina las p io idades de las
al e na i as de la decisión (Saa y & Va gas, 2013). Un ejemplo de una ed
analí ica la podemos encon a en la Figu a 10.
La écnica suge ida comienza con la cons ucción de la ma iz inicial
siguiendo el siguien e esquema de dependencia en e c i e ios:
• 0: No exis e dependencia.
• 1: Exis e dependencia de un c i e io sob e o o.
Con cada una de las columnas de la ma iz esul an e, ha emos una
ma iz de compa ación solo pa a aquellos c i e ios in e dependien es, como se
He amien as y Técnicas
39
puede obse a en el ejemplo de la Figu a 11. El obje i o es es ablece las
elaciones de e oalimen ación y dependencia en e c i e ios.
Figu a 10 Ejemplo de ed analí ica. (Ishizaka & Neme y, 2013).
El ANP es un mé odo muy empleado en la Ingenie ía del T anspo e pa a
analiza la conec i idad en e a ios nodos de un sis ema de anspo e. Se
gene an las ma ices o igen-des ino y nodo-eslabón, las cuales a ojan luz
sob e las dis in as o mas de o denación del á ico de dicha ed de anspo e
(Mo lok, 1978).
Figu a 11 Ejemplo de ma iz de compa ación. (Ishizaka & Neme y, 2013).
He amien as y Técnicas en la Ges ión de la Ince idumb e
40
4.1.3 ELimina ion E Choice T ansla ing Reali y (ELECTRE)
Los mé odos ELECTRE, pues o que exis en has a 6 p incipales
a iedades de ELECTRE, son mé odos basados en elección y eliminación de las
al e na i as (Roge s e al., 2000). Es as seis a ian es de los mé odos ELECTRE
son llamadas:
• ELECTRE I
• ELECTRE II
• ELECTRE III
• ELECTRE IV
• ELECTRE-T i
• ELECTRE 1S
Noso os nos cen a emos en las ca ac e ís icas gene ales comunes a
odas las e siones de es e mé odo, pues o que cada e sión hace e e encia
a un modo de esolución dis in o (Ishizaka & Neme y, 2013). Los mé odos
ELECTRE son muy ú iles cuando enemos más de dos al e na i as a elegi ,
debido su na u aleza.
Se a a de una e isión sis emá ica y compa a i a en e las elaciones
empa ejadas dos a dos de las dis in as opciones. El esul ado ob enido es una
medida de la je a quía de las al e na i as, desde la que más excede al es o,
has a la que menos des aca. Un ejemplo puede se consul ado en la Figu a 12.
La elección de los c i e ios cuan i a i os de compa ación ha á que
desa ollemos una u o a de las di e sas opciones de mé odos ELECTRE.
P e e ence Ranking O ganiza ion METHod o En iched E alua ion
(PROMETHEE).
El mé odo PROMETHEE end á como esul ado una lis a o denada po
la p e e encia de las al e na i as. Los mé odos PROMETHEE es án
conside ados los más mode nos y complejos mé odos de la In es igación
Ope a i a (Pome ol & Ba ba-Rome o, 2000). A su ez, los mé odos
PROMETHEE es án p esen es en mul i ud de á eas del conocimien o y la
economía, ales como la ges ión medioambien al, inanzas, química, medicina,
ag icul u a y logís ica, en e o as (Behzadian e al., 2010).
He amien as y Técnicas
41
Figu a 12 Ejemplo de la je a quía ob enida median e el mé odo ELECTRE. Elabo ación p opia.
La base de es e mé odo se ocaliza en el cálculo de los g ados de
p e e encia según los c i e ios. Los alo es que oman es os g ados de
p e e encia es án ci cunsc i os al in e alo en e 0 y 1. En la Figu a 13 se puede
obse a la p e e encia de c i e ios de o ma g á ica. La ges ión de los g ados
de p e e encia sigue es pasos p incipales (Ishizaka & Neme y, 2013):
• Cálculo de la p e e encia en e dos al e na i as po cada c i e io.
• Cálculo de los lujos de los c i e ios.
• Cálculo de los lujos globales.
La na u aleza de es e mé odo es subje i a, en an o en cuan o las
al e na i as y la p e e encia de los c i e ios son ijadas po el modelado . Se
a a de un mé odo de ipo cuan i a i o, pues o que el esul ado es á basado
en c i e ios ma emá icos.

He amien as y Técnicas en la Ges ión de la Ince idumb e
42
Figu a 13 P e e encia de c i e ios pa a el mé odo PROMETHEE. (Ishizaka & Neme y, 2013).
4.1.4 Technique o O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS)
TOPSIS son las siglas de Technique o O de o P e e ence by Simila i y
o Ideal Solu ion, pudiendo se aducidas po écnica pa a el o den de
p e e encia po semejanza a la solución ideal. En o as palab as, busca
compensa las al e na i as de mane a que es én lo más ce ca de la solución
ideal, y lo más alejado de la peo solución (Ishizaka & Neme y, 2013).
Al igual que el es o de los mé odos de ayuda a la decisión, el mé odo
TOPSIS iene un al o po cen aje de subje i idad. El modelado ha de decidi qué
c i e ios son más impo an es y asigna el alo que c ea opo uno. A pa i de
ese momen o, el mé odo mide la des iación de cada al e na i a con espec o
al alo del c i e io ideal, asignado p e iamen e po el deciso .
En la Figu a 14, se puede obse a la compa a i a en e las al e na i as
A y B, a condición de maximiza los c i e ios 1 y 2. Se puede obse a que la
al e na i a A se encuen a más ce cana a la solución ideal que la al e na i a B.
He amien as y Técnicas
43
Figu a 14 Ejemplo de mé odo Topsis. (Ishizaka & Neme y, 2013)
EL mé odo TOPSIS mide la des iación es adís ica no malizada de cada
pa áme o, y nos de uel e una lis a o denada de odas las al e na i as. Se dice
que es un mé odo de ipo compensa o io po que ponde a la lejanía con la peo
solución, así como la ce canía a la solución ideal.
4.2 Mé odos Heu ís icos
Los mé odos heu ís icos se u ilizan en la esolución de p oblemas
di íciles. Es os mé odos se basan en p ocedimien os simples que gene a án
una o a ias soluciones buenas, áciles y de o ma ápida (Zanakis & E ans,
1981). Las soluciones que puedan gene a no se án necesa iamen e las
mejo es po que p ima la apidez y la sencillez en la esolución de un p oblema.
El é mino heu ís ico es u ilizado po a ios au o es como un sinónimo
de ‘i e a i o’, en el con ex o de la compa ación de unas soluciones con espec o
a o as, y o ece como solución aquellas que son mejo es. La me odología
He amien as y Técnicas en la Ges ión de la Ince idumb e
44
heu ís ica se puede obse a en algunos mé odos, como el Analy ic Hie a chy
P oc ess (AHP) (Ishizaka & Neme y, 2013).
Podemos des aca en la Tabla 7 cinco de los mé odos heu ís icos más
u ilizados: algo i mos gené icos, búsqueda abú, mé odo GRASP, ecocido
simulado y edes neu onales (O iz Pimien o & Diaz Se na, 2018). Las écnicas
heu ís icas se lle an p incipalmen e a cabo median e la u ilización de so wa e
in o má ico.
Tabla 7 Mé odos Heu ís icos
Mé odos Heu ís icos
Algo i mos gené icos
Búsqueda abú
GRASP (G eedy Randomized Adap i e Sea ch P ocedu e)
Recocido simulado
Redes Neu onales
Los mé odos heu ís icos expues os abajan de una o ma o denada,
siguiendo c i e ios lógicos o ma emá icos que o ecen soluciones ac ibles. La
u ilidad p incipal de es e ipo de écnicas de esolución de p oblemas es la
apidez y la sencillez.
4.2.1 Algo i mos gené icos
Los algo i mos gené icos son un ipo de mé odo heu ís ico basados en
el uncionamien o de la gené ica (Goldbe g, 1989). El uncionamien o consis e
en ans o ma el p oblema a a a hacia un ‘p oblema gené ico’, ejempli icado
en la Figu a 15: ealizando un símil con los alelos, los c omosomas y la
selección na u al; se compa an los alelos con las a iables de decisión, los
c omosomas con las soluciones y las mu aciones con los cambios gene ados
en los alo es de la solución.
He amien as y Técnicas
45
Figu a 15 Sis ema básico de uncionamien o de los algo i mos gené icos. Elabo ación p opia.
Al a a se de mé odos i e a i os, los cambios p oducidos en una
población son gene ados po es ope aciones: ep oducción,
sob ec uzamien o y mu ación. Es deci , aplicando mu aciones-cambios en los
alelos- alo es, se obse a si los c omosomas-soluciones de los indi iduos
esul an es son de mejo calidad, epi iendo el p oceso de o ma i e a i a.
4.2.2 Búsqueda abú
La búsqueda abú es un ipo de mé odo heu ís ico basado en una
búsqueda de los en o nos locales. El mé odo consis e en sal a de la posición
ac ual a la mejo posición del en o no, lo que pe mi e escapa de un óp imo
local, como se puede ap ecia en el ejemplo de la Figu a 16 (Glo e & Laguna,
1997).
Pa a e i a en a en bucles, se iene memo ia de los úl imos
mo imien os pa a que no se epi an: los llamados mo imien o abú. Es a
ca ac e ís ica hunde sus aíces en la in eligencia a i icial (Hillie & Liebe man,
2015).
He amien as y Técnicas en la Ges ión de la Ince idumb e
52
1’. Sin emba go, π es mayo que 2 y, a su ez, 2 es mayo que 11
10; mien as que
odos ellos cumplen la condición de se ‘núme os mayo es que 1’. La eo ía
uzzy ayuda ía a de ini de o ma más ní ida las condiciones que incluyen y
excluyen a un miemb o de una clase, y el g ado en el que cumplen o no esas
condiciones. Un ejemplo pa a los núme os comp endidos en e 0 y 1 se expone
en la Tabla 9.
La ince idumb e de i ada de la imp ecisión o con usión, a di e encia de
la ince idumb e p o enien e de la alea o iedad, pod ía se a ada median e
écnicas uzzy. Mul i ud de mé odos y aplicaciones, ales como el Ea ned Value
Managemen (EVM) (Naeni e al., 2011) o el mé odo TOPSIS (P amanik e al.,
2020), pueden oma la eo ía uzzy pa a la especi icación de su p ocedimien o
(B é o , 2018; Espín And ade e al., 2020; O iz Pimien o & Diaz Se na, 2018;
Rohme & Baud i , 2011; Salahdine e al., 2017).
La lógica uzzy, o Fuzzy Logic, iene como obje i o ob ene una lis a de
ac i idades con los in e alos de con ianza sob e la ele ancia de cada
ac i idad (Pa e son & Sel , 2018). La écnica de la lógica uzzy se cen a en
calcula un ma gen sob e el cos e o la du ación de las ac i idades es udiadas,
al y como se explica en (Bellagamba, 1999).
Tabla 9 Ejemplo de ca ego ización de una a iable uzzy
IMPORTANCIA
ABREVIACIÓN
INTERVALO DE
NÚMERO FUZZY
MUY MAL
MM
(0,0.1)
MAL
M
(0.05,0.3)
INTERMEDIO-MAL
IM
(0.15,0.5)
INTERMEDIO
I
(0.3,0.7)
INTERMEDIO-BIEN
IB
(0.5,0.9)
BIEN
B
(0.7,1)
MUY BIEN
MB
(0.9,1)
4.4 Mé odos basados en ma ices
En es e apa ado y expues os en la Tabla 10, se a a án los mé odos de
Risk B eakdown S uc u e (RBS), así como el análisis conocido po los nomb es

He amien as y Técnicas
53
de FODA, DAFO o SWOT. El RBS es un sis ema compues o po ma ices de
nomb e Risk B eakdown Ma ix (RBM).
Tabla 10 Mé odos basados en ma ices
Mé odos basados en ma ices
Risk B eackdown Ma ix (RBM) & Risk B eackdown S uc u e (RBS)
SWOT Analysis (Análisis DAFO/FODA)
Los mé odos basados en ma ices ienen po obje o cen al de es udio
los e en os o si uaciones que puedan se conside ados iesgos de un p oyec o.
Como base gene al, el es udio de e en os aislados es de ipo cuali a i o. Si bien
es cie o que, disponiendo de la can idad de in o mación su icien e, el uso de
p obabilidades es adís icas de ocu encia y de de ección y de ención de los
sucesos aumen a la p ecisión de los mé odos.
4.4.1 Risk B eakdown Ma ix (RBM) and S uc u e (RBS)
Hillson (2002b) p opone el Risk B eakdown S uc u e (RBS) como la
mejo o ma de es uc u a la in o mación ob enida du an e el p oceso de
ges ión de los iesgos. El RBS acili a ía la comp ensión e in e p e ación de la
in o mación in oducida.
En un sen ido más p o undo, el RBS es una he amien a je á quica que
pe mi e es uc u a el p oceso de ges ión de iesgos median e la no i icación,
iden i icación y e aluación de odos los iesgos epo ados que pueden a ec a
al p oyec o, como se puede obse a en la Figu a 21. Un RBS es á compues o
po ma ices, llamadas Risk B eakdown Ma ix (RBM).
Un buen uso de las ma ices RBM, den o de un sis ema RBS epo a,
p incipalmen e, los siguien es bene icios (Hillson e al., 2006):
• Ayuda a iden i ica y no i ica los iesgos.
• Pe mi e la ges ión de cada iesgo indi idualizado.
• Tiene en cuen a lecciones ap endidas de p oyec os pasados.
He amien as y Técnicas en la Ges ión de la Ince idumb e
54
Figu a 21 Ejemplo de Risk B eakdown Ma ix (RBM). (Hillson e al., 2006).
4.4.2 SWOT Analysis (Análisis DAFO/FODA)
Un s eng hs, weakness, oppo uni y and h ea (SWOT) Analysis es un
análisis sob e o alezas, debilidades, opo unidades y amenazas de una
o ganización. En español se conoce como análisis DAFO o análisis FODA
(P ojec Managemen Ins i u e, 2017). Tiene dos ejes e eb ales: ‘in e no s
ex e no’, y ‘nega i o s posi i o’ (Emblems åg & End e Kjøls ad, 2002).
Po un lado, podemos clasi ica como cualidades in e nas las
debilidades y las o alezas p opias de una o ganización. Po el con a io, las
opo unidades y las amenazas o ma ían pa e del á ea ex e na a la
o ganización.
Po o o lado, las o alezas y opo unidades co esponden a la pa e
posi i a del eje ‘nega i o s posi i o’, mien as que las amenazas y debilidades
o ma ían la pa e que aca ea ía consecuencias nega i as. Es os ejes se
c uzan en e sí, o mando una ma iz, como se mues a en la Figu a 22:
He amien as y Técnicas
55
Figu a 22 Análisis DAFO/FODA/SWOT. Elabo ación p opia
Debido a su sencillez y cie a subje i idad, los au o es (Emblems åg &
End e Kjøls ad, 2002) explican que iene di e sas limi aciones, ales como la
al a de p ecisión o la simplicidad. Sea como ue e, des acan la impo ancia del
análisis SWOT-DAFO cuando una o ganización se encuen e en si uaciones
complejas.
4.5 Mé odos ma emá icos
Los dis in os mé odos ma emá icos es udiados en es e apa ado y
expues os en la Tabla 11 ienen la pa icula idad de se mé odos
necesa iamen e cuan i a i os. En o os apa ados se han a ado écnicas y
he amien as que abajan con unciones ma emá icas.
Tabla 11 Mé odos ma emá icos
Mé odos ma emá icos
Expec ed Mone a y Value (EMV)
Ea ned Value Managemen (EVM)
Expe imen os es adís icos
Human Reliabili y Assessmen (HRA)
Ma gen
Mon e Ca lo
Pa e o Analysis (PA)
P og amación lineal
Sensi i i y Analysis
He amien as y Técnicas en la Ges ión de la Ince idumb e
56
Sin emba go, su esquema de uncionamien o nos ha pe mi ido
clasi ica los de una o ma más especí ica. Un ejemplo de es e caso se ían las
écnicas de ecocido simulado y mé odo ELECTRE, siendo mé odos heu ís icos
y de ayuda a la decisión, espec i amen e.
4.5.1 Expec ed Mone a y Value (EMV)
El Expec ed Mone a y Value, o Valo Mone a io Espe ado, es una
es imación del p esupues o asociado a cada una de las al e na i as de un á bol
de decisión (P ojec Managemen Ins i u e, 2017), expues o en el pun o 4.6.2
más adelan e. Su uso se encuen a necesa iamen e enma cado en el en o no
de un á bol de decisión, como se puede obse a en la Figu a 23.
El EMV se u iliza p incipalmen e pa a ob ene el cos e o bene icio
es imado pa a el inal de cada ama del á bol de decisión. Es deci , el EMV se
ocaliza en el inal de cada ayec o ia posible pa a ene una isión de conjun o
más amplia de odos los escena ios posibles.
Figu a 23 Ejemplo de á bol de decisión con EMV inco po ado. (P ojec Managemen Ins i u e,
2017)
4.5.2 Ea ned Value Managemen (EVM)
El Ea ned Value Managemen (EVM), o Me odología del Valo Ganado,
es una écnica muy ú il en la ges ión conjun a del alcance, cos e y plazos
He amien as y Técnicas
57
(P ojec Managemen Ins i u e, 2017). El EVM es un mé odo que moni o iza la
des iación que exis e en e los da os eales y los da os es imados sob e cómo
debe ía habe sido el desempeño eó ico del p oyec o (Acebes e al., 2013;
Paja es & López-Pa edes, 2011). Un ejemplo es expues o en la Figu a 24.
Pa a log a su obje i o, el EVM p ecisa del cálculo de a ios índices
p ede inidos po el P ojec Managemen Ins i u e (2017), expues os en la
Figu a 23 más a ás, donde se p o undiza en el alcance, limi aciones y
desa ollo del mé odo del EVM. Los eque imien os mínimos pa a el buen
desa ollo de es e mé odo equie en que se conozcan las dis ibuciones de
p obabilidad de las ac i idades es udiadas (Acebes e al., 2014b).
Figu a 24 Va iables de ejemplo de EVM. (Paja es & López-Pa edes, 2011).
4.5.3 Expe imen os es adís icos
Pa a a a modelos con p esencia de ince idumb e a iable,
Mon gome y (2017) hace hincapié en la impo ancia del co ec o diseño de
expe imen os es adís icos. Pa a ello, Mon gome y (2017, 2019) y Mon gome y
& Runge (2004) han gene ado un amplio abajo explicando los pasos y las
condiciones a segui pa a la esolución de cie os p oblemas, en unción de los
da os de pa ida que se conozcan.

He amien as y Técnicas en la Ges ión de la Ince idumb e
58
Es os expe imen os se ealizan en p esencia de so wa e in o má ico
especializado en a amien o de da os es adís icos. Pa a soluciona los
p oblemas que du an e un p oyec o puedan su gi , Mon gome y (2017) hace
una p opues a pa a ans o ma el p oblema de es udio de o ma que se
compo e como alguno de los ipos de expe imen os que es udia y p opone,
esumidos en la Tabla 12.
Tabla 12 Expe imen os es adís icos. (Mon gome y, 2017).
Expe imen os Es adís icos
Modelos de eg esión
Diseño de bloques alea o izados
Cuad ados la inos
Cuad ados g ecola inos
Diseños ac o iales gene ales
Diseños ac o iales de ipo 2k
Diseños ac o iales de ipo 3k
Diseños de espues a de supe icies
4.5.4 Human Reliabili y Assessmen (HRA)
Los Human Reliabili y Assessmen /Analysis (HRA) es un conjun o de
écnicas inspi adas en los mé odos de Faul T ee Analysis (FTA) y E en T ee
Analysis (ETA). Su obje i o es analiza los posibles acciden es, e o es y
debilidades de un sis ema, a ando a las pe sonas pe enecien es al sis ema
como pa e de ello. Es deci , el obje o cen al de los mé odos HRA es el conjun o
de pe sonas que o man un sis ema. Los HRA se ían aducidos po análisis de
la iabilidad humana, a ando de da una espues a cuan i a i a al g ado de
culpabilidad que iene la acción humana sob e el sis ema es udiado (M. Lyons
e al., 2004).
Del mismo modo que las o as écnicas, la calidad de los esul ados de
los HRA depende á en g an medida de la calidad de los da os de pa ida (Mullai,
2006). Si disponemos de da os cuan i a i os y p obabilís icos lo
su icien emen e iables, pod emos ob ene g andes esul ados con el uso de
los dis in os mé odos de HRA.
He amien as y Técnicas
59
El desa ollo de los mé odos HRA se encuen a en pleno apogeo, según
la e isión ealizada po Bell & Hol oyd (2009). En es a e isión, se pone de
mani ies o que exis en más de 35 mé odos de HRA con g andes bene icios
po enciales. Los más impo an es ienen aplicación p incipal en la indus ia de
la ene gía nuclea . Aun así, hacen un llamamien o al desa ollo de es os
mé odos de HRA po el g an bene icio po encial que se les es ima. Un ejemplo
de un HRA sob e el ámbi o sani a io se expone en la Figu a 25.
Figu a 25 Ejemplo de HRA pa a e o es médicos. (M. Lyons e al., 2004)
4.5.5 Ma gen
Una de los mé odos más u ilizados a la ho a de ges iona la a iabilidad
es median e el ma gen (Elms, 2004), y algunos au o es a i man se la única
solución ac ible (Alleman e al., 2018b). La NASA (2014) de ine el ma gen
como la ole ancia dada a las des iaciones en “p esupues o, du aciones
p e is as y pa áme os de endimien o écnico”
2
.
2
La ci a o iginal de NASA (2014) es: “budge , p ojec ed schedules, and echnical pe o mance
pa ame e s”.
He amien as y Técnicas en la Ges ión de la Ince idumb e
60
Ajus a bien el ma gen es una ac i idad an cla e como di ícil po que no
se conoce el g ado exac o de ma gen que hay que aplica al a amien o de
cada ince idumb e (Bellagamba, 1999). Un ango de alo es de ejemplo pa a
el ma gen se encuen a en la Figu a 26. Tan malo se ía p opo ciona un
excesi o ma gen como un ma gen demasiado escue o (Alleman e al., 2018a;
A en & Zio, 2018), pudiendo en a el p oyec o en sob ecos es innecesa ios y
en egas a días.
Figu a 26 Ejemplo de In e alos de ole ancia - Ma gen. (Bellagamba, 1999)
4.5.6 Mon e Ca lo
El mé odo de Mon e Ca lo es usado pa a el a amien o de la
ince idumb e alea o ia, así como los iesgos gene ados po es a. A pa i del
mé odo de Mon e Ca lo, se puede ob ene la in o mación necesa ia pa a
conoce la con ibución que la ince idumb e alea o ia medida apo a al
conjun o del p oyec o (Acebes e al., 2014a; Acebes, Pe eda, e al., 2015).
La popula idad y la ele ancia del mé odo de Mon e Ca lo es debida a la
p ecisión de sus es imaciones, en de imen o de o os mé odos menos
p ecisos, como los mé odos PERT/CPM (P og am E alua ion and Re iew
Techniques/C i ical Pa h Me hod) o el diag ama de Gan (Acebes e al.,
2014b; O iz Pimien o & Diaz Se na, 2018).
El mé odo de Mon e Ca lo se si e de aplicaciones in o má icas que
ealizan la simulación epe idamen e du an e miles de eces (P ojec
Managemen Ins i u e, 2017). Se puede ealiza un análisis del Índice de
C i icidad pa a cada ac i idad, pudiendo ob ene aquellas que son p io i a ias
pa a el buen desa ollo del p oyec o. Un ejemplo ob enido con el so wa e
@RISK se puede obse a en la Figu a 27.
He amien as y Técnicas
61
Figu a 27 Ejemplo de du ación de un p oyec o después de aplica la simulación de Mon e
Ca lo con el so wa e @RISK. Elabo ación p opia
4.5.7 Pa e o Analysis (PA)
El Pa e o Analysis es una écnica es adís ica muy común. Realiza un
análisis de Pa e o consis e en aplica la egla es adís ica de Pa e o (80-20). Es
deci , el 80% de los p oblemas son causados po el 20% de los e en os
ocu idos (Rebe nik & B adač, 2008).
Pa a pode ealiza un análisis de Pa e o, es necesa io con a con una
lis a de los mayo es p oblemas y soluciones ac ibles de un p oyec o. Pa iendo
de es a base, se ag upan los p oblemas que pueden se solucionados
median e una acción de espues a conjun a y op imiza el cos e de espues a.
Un análisis de Pa e o aspi a a pode da espues a a una g an can idad
de p oblemas, es imada en el 80% del o al, a endiendo solo al 20% de los
e en os más impo an es (Mullai, 2006). Sus esul ados pueden se de ipo
cuan i a i o y son gene almen e mos ados en g á icos, como se expone en la
Figu a 28.
He amien as y Técnicas en la Ges ión de la Ince idumb e
68
mul i ud de o ganizaciones como el pun o de pa ida pa a la ges ión de iesgos,
p oblemas y cues iones de muy di e sa índole.
4.7.2 Change Analysis (ChA)
El Change Analysis (ChA), aducido como análisis de cambios, es un
mé odo de e isión sis emá ico u ilizado en la iden i icación de nue os iesgos
(Mullai, 2006). A medida que a anza un p oyec o y se an consiguiendo hi os,
los di ec o es de p oyec o oman decisiones que pueden a ec a a a ios de los
obje i os.
La na u aleza p opia de los p oyec os, hace que es én some idos a
cambios cons an es (Jaa a i, 2001). El ChA es una he amien a u ilizada pa a
iden i ica , an o el impac o de esas nue as decisiones, como la clasi icación
de nue os iesgos.
4.7.3 Delphi
El mé odo Delphi es una écnica de ob ención de in o mación median e
el consenso de expe os (P ojec Managemen Ins i u e, 2008). Se sigue un
p oceso compues o po a ias ondas, median e el cual, un g upo de expe os
esponde una se ie de p egun as.
El consenso se hab á de consegui en pocas ondas, ap o echando el
eedback o la e oalimen ación esul an e de la i e ación. En odo momen o,
los miemb os pa icipan de o ma anónima pa a e i a p ejuicios o sesgos que
puedan in lui en la oma de las decisiones indi iduales.
4.7.4 Expe Judgmen
La écnica de Expe Judgmen , o juicio de expe os, consis e en
consul a la opinión de un expe o en la ma e ia que se es á a ando. Podemos
en ende como expe os a aquellas pe sonas que posean la “educación,
conocimien o, habilidad, expe iencia o capaci ación especializada” su icien e
en el á ea del conocimien o al que pe enece el iesgo que a emos (P ojec
Managemen Ins i u e, 2017).

He amien as y Técnicas
69
La ob ención de in o mación median e la écnica del juicio de expe os
se puede consegui median e en e is as y euniones, asis encia a
con e encias, e ias o e en os o median e un es udio eó ico sob e los iesgos
a a a . Además de pa a la ob ención de nue os iesgos, es a es una
he amien a muy ú il pa a comp ende las dimensiones de un iesgo y la o ma
de ges iona lo adecuadamen e.
4.7.5 Failu e Mode and E ec s Analysis (FMEA)
El Failu e Mode and E ec s Analysis (FMEA), conocido en español como
Análisis Modal de Fallos y E ec os (AMFE), es mé odo u ilizado p incipalmen e
en el á ea de diseño y desa ollo de un p oduc o. El AMFE es una écnica
adecuada pa a educi o elimina aquellos allos más impo an es du an e el
p oceso de c eación de un nue o p oduc o (Rebe nik & B adač, 2008).
Du an e la aplicación del mé odo AMFE, exis en es aspec os de los
allos es udiados a ene en cuen a:
• El g ado de impo ancia, du eza o se e idad de las consecuencias.
• La ecuencia de ocu encia.
• La acilidad de de ección.
De es a mane a, aquellos allos más se e os debe ían ene un
a amien o p io i a io, así como los que más se epi an. La acilidad de
de ección depende en g an medida de la calidad de los apa a os de medición
y sis emas de de ección de los allos y e ec os (Mullai, 2006). Un modelo de
AMFE es expues o en la Figu a 33.
Figu a 33 Tabla modelo de AMFE. Elabo ación p opia.
Exis e o a a ian e del mé odo es ánda FMEA, llamado Failu e Mode,
E ec s and C i icali y Analysis (FMECA) (Bou i & Kadi, 1994). El FMECA es un
He amien as y Técnicas en la Ges ión de la Ince idumb e
70
mé odo más cuan i a i o que su e sión es ánda , eniendo en cuen a un índice
de c i icidad sob e los e en os es udiados.
4.7.6 Inciden Repo ing (IR)
El mé odo del Inciden Repo ing (IR) consis e en la no i icación de
inciden es, gene almen e nega i os, ocu idos en una o ganización. El IR es un
mé odo sis emá ico que ecaba la máxima in o mación posible sob e un e en o
de e minado, como el ejemplo de la Figu a 34.
Figu a 34 Regis o de e en os en Inciden Repo ing (IR). Cino i (2004)
Al se un mé odo sis emá ico, aumen a el conocimien o gene al de la
o ganización sob e la co elación en e e en os que se epi en pe iódicamen e,
así como de la e ec i idad de las acciones co ec i as impues as. Cino i (2004)
hace un llamamien o al con ol sob e la in luencia de la subje i idad a la ho a
de a a los e en os no i icados po el Inciden Repo ing.
Tal y como explica la au o a, el mé odo del Inciden Repo ing es
gene almen e u ilizado en sec o es donde es imp escindible la ges ión del
iesgo pa a e i a ca ás o es, ales como la indus ia ae onáu ica, la nuclea o
la pe oquímica.
He amien as y Técnicas
71
4.7.7 Risk P obabili y and Impac Assessmen
El es udio de Risk P obabili y and Impac Assessmen consis e en la
e aluación de la p obabilidad e impac o de los iesgos de un p oyec o (P ojec
Managemen Ins i u e, 2017). Es a écnica pe mi e analiza indi idualmen e
cada iesgo en unción de su p obabilidad de ocu encia y el ipo de impac o
que pueda ene en algún obje i o del p oyec o, como se puede ap ecia en la
Figu a 35.
En la ealización de es e es udio pa icipan expe os y miemb os del
p oyec o median e en e is as o euniones. Tiene un al o componen e de
subje i idad, po lo que cada una de las espues as ob enidas hab á de se
examinada pos e io men e po los enca gados de la ges ión de iesgos.
Figu a 35 Ejemplo de es udio median e una ma iz de P obabilidad e Impac o con esquema
de pun uación.
4.7.8 Wha -I Analysis & SWIFT Analysis
Tan o el Wha -I Analysis, como el S uc u ed Wha -I Technique (SWIFT)
Analysis, componen una única écnica de ges ión de iesgos. Ambos mé odos
se u ilizan pa a p edeci , in ui o descub i iesgos u u os y p e e su ges ión.
La di e encia en e ambas he amien as adica en la es uc u ación y
lexibilidad del p oceso a segui .
He amien as y Técnicas en la Ges ión de la Ince idumb e
72
4.7.8.1 Wha -I Analysis
El Wha -I Analysis es una écnica pa icula de b ains o ming, o
o men a de ideas, que esponde de o ma sis emá ica a p egun as del ipo:
‘¿qué hubiese pasado si [un e en o de e minado] hubiese ocu ido?’. El
obje i o consis e en dibuja un u u o con mul i ud de escena ios posibles
(Mullai, 2006).
4.7.8.2 SWIFT Analysis
Po su pa e, el S uc u ed Wha -I Technique (SWIFT) Analysis es una
a ian e más es uc u ada del Wha -I Analysis. En su ejecución, con a ía con
un supe iso que ealiza ía p egun as del ipo: ‘¿Cómo [un e en o conc e o] ha
podido ocu i ?’ o ‘¿E a posible o p e isible que [un e en o conc e o]
ocu iese?’ (Mullai, 2006).
Tiene un obje i o más p o undo que el Wha -I Analysis. El in de un
análisis de ipo SWIFT es da espues a a las causas, consecuencias,
sal agua das y co a uegos pa a p e eni un e en o, así como una lis a de
ecomendaciones en o no a los e en os es udiados.
Tan o el Wha -I Analysis, como el SWIFT Analysis, son u ilizados
p incipalmen e en la iden i icación de iesgos y amenazas de un p oyec o (A en
& Zio, 2018). Tal y como explican los au o es, son mé odos simples pe o
e ec i os como mé odos de análisis e iden i icación de iesgos.
Se a a de dos écnicas lle adas a cabo po expe os que buscan
encon a las des iaciones en ma e ia de iesgos, acciden es y bene icios
po enciales, que la oma de una decisión puede aca ea . Al igual que la
mayo ía de las o as écnicas es udiadas, su po encial se mul iplica
ap o echando las sine gias del uso conjun o de las écnicas empleadas en la
ges ión de iesgos (Ca d e al., 2012).
4.7.9 ‘5 Why’s’ Technique
EL ‘5 Why’s’ Technique es la écnica de ‘los 5 ¿po qué?’. Se a a de un
mé odo simpli icado del Faul T ee Analysis (FTA) especializado en la ges ión
de acciden es (Mullai, 2006).
He amien as y Técnicas
73
El uncionamien o de es e mé odo consis e en hace p egun as sob e el
po qué de la ocu encia de un e en o. Seguidamen e a la espues a dada, hay
que ol e a p egun a se i e a i amen e du an e un máximo de cinco eces el
po qué de la ocu encia de dicho e en o, o has a que se conside e habe
alcanzado la causa aíz de un p oblema.
Es una écnica con unas limi aciones e iden es, p incipalmen e de
consumo de iempo po la al a de ga an ía de consecución de esul ados
óp imos. A su ez, es a simplicidad la hace adecuada pa a aquellas
o ganizaciones con poca madu ez hacia la ges ión de iesgos (Cagliano e al.,
2015).
4.8 Resumen
Pa a la ealización de es e abajo, han sido e isados una lis a de
he amien as p opues as po Cagliano e al. (2015) y Pelle in & Pe ie (2019),
así como di e sas écnicas sob e el diseño de expe imen os es adís icos
(Mon gome y, 2017, 2019). En la misma línea, hemos e isado dis in os
mé odos mul ic i e io de ayuda a la decisión, como los mé odos Technique o
O de o P e e ence by Simila i y o Ideal Solu ion (TOPSIS), Analy ic
Hie a chical P ocess (AHP) and ELimina ion E Choice T ansla ing Reali y
(ELECTRE), así como mé odos de p og amación lineal (Hillie & Liebe man,
2015; Ishizaka & Neme y, 2013).
En las ablas de es e apa ado, se expone un esumen sob e las
p incipales he amien as analizadas. Debido a la na u aleza de las a iables
que a a cada mé odo, en la Tabla 15, se expone un esumen de la
clasi icación de los dis in os mé odos y he amien as po cada ipo de
ince idumb e. Po el con a io, se expone en la Tabla 16, un esumen de los
mé odos comúnmen e u ilizados en la de ección y clasi icación de nue os
iesgos. La ince idumb e on ológica no es á incluida, conside ando solo los
planes de con ingencia como la única o ma de ges iona es e ipo de
ince idumb e.
En nues o es udio, ambién hemos e isado di e sos mé odos basados
en lógica booleana y lógica uzzy, ales como las écnicas de Fuzzy Logic y Faul

He amien as y Técnicas en la Ges ión de la Ince idumb e
74
T ee Analysis p opues os po A en and Zio (2018) y P amanik, Mondal, and
Halda (2020).
Pa a el a amien o de la a iabilidad, his ó icamen e se han
ecomendado los mé odos del camino c í ico (C i ical Pa h Me hod, o CPM) y el
diag ama de Gan . Sin emba go, los abajos expues os po los au o es Acebes
e al. (2014a) y O iz Pimien o y Diaz Se na (2018) ponen de mani ies o la baja
p ecisión de es os mé odos. En su luga , ecomiendan enca ecidamen e el
mé odo de Mon e Ca lo debido a su al a p ecisión en el abo daje de la
a iabilidad.
Tabla 15 Resumen de la clasi icación de los mé odos e isados po los ipos de
ince idumb e
He amien a, mé odo y
écnica
Ince idumb e1
Epis émica
Alea o ia
Es ocás ica
Decision T ee Analysis
X
Delphi
X
X
E en T ee Analysis (ETA)
X
X
X
Expec ed Mone a y Value
(EVM)
X
X
Faul T ee Analysis (FTA)
X
Failu e Mode and E ec s
Analysis (FMEA)
X
X
X
Fuzzy Logic
X
Linea P og amming
X
X
Ma gin
X
Mon e Ca lo
X
Mul i-C i e ia Decision
X
X
Pa e o Analysis (PA)
X
X
X
Sensi i i y Analysis
X
X
X
S a is ical Expe imen s
X
S uc u ed Wha -i
Technique (SWIFT) Analysis
X
Po el con a io, en el campo de los mé odos heu ís icos, hemos pues o
especial a ención en como los algo i mos gené icos y en las edes neu onales
pueden se u ilizados en el a amien o de la ince idumb e (Rojas-Delgado,
T ujillo-Rasúa, y Bello (2019).
He amien as y Técnicas
75
O o ipo de es a egias en el a amien o de la a iabilidad es el ma gen.
Es e concep o de ma gen es el in e alo de con ianza que le damos a una
unción de dis ibución de p obabilidad. Tal y como es de inida po NASA
(2014), el ma gen es la ole ancia dada a las des iaciones en “p esupues o,
du aciones p e is as y pa áme os de endimien o écnico”
3
. En o as palab as,
los pa áme os que nos miden el p esupues o, los iempos y la ac uación de
nues as ecnologías en un p oyec o debe ían con a con un ma gen de e o .
Es conside ada la he amien a p incipalmen e usada pa a el a amien o de la
alea o iedad po su apidez de ejecución.
Tabla 16 Resumen de los mé odos comúnmen e u ilizados en la de ección y clasi icación de
nue os iesgos
He amien a, mé odo y écnica
B ains o ming
Cause and E ec diag am
Change Analysis (ChA)
Checklis
Expe Judgemen
Heu is ic Me hods
Human Reliabili y Assessmen (HRA)
Inciden Repo ing
Mul i-C i e ia Decision Me hods
Risk B eakdown Ma ix (RBM); Risk B eakdown S uc u e (RBS)
Risk P obabili y and Impac Ma ix (RPIM)
S eng hs, Weakness, Oppo uni ies, and Th ea s (SWOT) Analysis
Wha -I Analysis
‘5 Why’s’ Technique
Pa a la ges ión de la ince idumb e on ológica, Ale, Ha o d, y Sla e
(2020) a i man que la na u aleza p opia de es a ince idumb e no puede se
u ilizada como una excusa pa a no ges iona la. En su luga , hacen un
llamamien o a la o ganización gene alizada de planes de con ingencia pa a
e i a amenazas y ap o echa las opo unidades de un iesgo.
3
La ci a o iginal de NASA (2014) es: “budge , p ojec ed schedules, and echnical pe o mance
pa ame e s”.
Conclusiones
77
Conclusiones
En es e abajo, se han p esen ado las de iniciones de iesgo e
ince idumb e que ecogen los au o es más ele an es en la ges ión de iesgos.
Se ha comp obado que, adicionalmen e, el iesgo ha sido comp endido como
una amenaza hacia el log o de los obje i os del p oyec o. P o undizando en las
de iniciones más ac uales, se ha cons a ado que el iesgo es conside ado
bidi eccional. Po an o, lo más adecuado se ía a a al iesgo como la
posibilidad de consegui amenazas y opo unidades sob e el p oyec o.
Se ha p o undizado en los o ígenes del iesgo, así como se han e isado
las múl iples clasi icaciones de iesgo e ince idumb e. Se han obse ado es
amas p incipales como o igen del iesgo en la Di ección de P oyec os: la
psicología, la economía y la ingenie ía.
En lo ela i o a la ince idumb e en la ges ión de los iesgos de un
p oyec o, se ha cons a ado que exis e elación en e la ince idumb e y la
complejidad de un p oyec o. Del análisis de los dis in os ipos de ince idumb e,
se ha ealizado un es udio p o undo sob e cua o ipos de ince iumb e:
es ocás ica, alea o ia, epis émica y on ológica.
Se han e isado las he amien as, mé odos y écnicas comúnmen e
u ilizadas en el ámbi o de la ges ión de iesgos en p oyec os. Tan o las
he amien as cuali a i as como las cuan i a i as han sido e isadas pa a la
elabo ación de es e abajo. En ellas se incluyen mé odos de ayuda a la
decisión mul ic i e io, heu ís icos, lógicos, ma iciales, ma emá icos o basados
en diag amas. O os mé odos comúnmen e u ilizados pa a la búsqueda de
iesgos han sido e isados.
Como consecuencia del análisis de los mé odos p opues os y de los
ipos de ince idumb e es udiados, se nos ha pe mi ido la posibilidad de
asigna las he amien as más adecuadas pa a cada ipo de ince idumb e,
debido a la na u aleza p opia de ambas.
Nues as in es igaciones mues an que exis en mé odos y écnicas
especí icas pa a la ges ión de la ince idumb e, en el sen ido de la p e ención
de amenazas y p omoción de opo unidades. En es e es udio, hemos in en ado
He amien as y Técnicas en la Ges ión de la Ince idumb e
84
Lyons, T., & Ski mo e, M. (2004). P ojec isk managemen in he Queensland
enginee ing cons uc ion indus y: A su ey. In e na ional Jou nal o
P ojec Managemen , 22(1), 51–61.
Mascagni, M., Aa , E., & Ko s , J. (1990). Simula ed Annealing and Bol zmann
Machines: A S ochas ic App oach o Combina o ial Op imiza ion and
Neu al Compu ing. Ma hema ics o Compu a ion, 55(191), 393–395.
Me edi h, J. R., Sha e , S. M., & Man el, S. J. (2017). P ojec managemen : a
s a egic manage ial app oach (10 h ed.). John Wiley & Sons L d.
Minis e io de Indus ia, T. y C. (2011). In o me del g upo de abajo de
c ecimien o emp esa ial del Obse a o io de la PYME. 1–57.
Mons e . (2011). Uni ed S a es Enginee ing 2011 Job Candida es. Insigh s and
Analysis om P o essionals, Rec ui e s and Hi ing Manage s.
Mon gome y, D. C. (2017). Design and Analysis o Expe imen s (A izona S a e
Uni e si y (Ed.); Nin h Edi ). John Wiley & Sons L d.
Mon gome y, D. C. (2019). Supplemen Tex Ma e ial. In Design and Analysis o
Expe imen s (Vol. 1, Issue Augus ). John Wiley & Sons L d.
Mon gome y, D. C., & Runge , G. C. (2004). P obabilidad y Es adí ica aplicadas
a la Ingenie ía (2nd ed.). McG aw-Hill Educa ion.
Mo eno Jiménez, B. (2011). Fac o es y iesgos labo ales psicosociales:
concep ualización, his o ia y cambios ac uales. Medicina y Segu idad Del
T abajo, 57(1), 4–19.
Mo lok, E. K. (1978). In oduc ion o anspo a ion enginee ing and planning.
McG aw-Hill College.
Mullai, A. (2006). Risk Managemen Sys em – Risk Assessmen F amewo ks
and Techniques. In Tu ku (Ed.), Eu opean Union (Eu opean Regional
De elopmen Fund). DAGOB Publica ion Se ies.
Naeni, L. M., Shad okh, S., & Salehipou , A. (2011). A uzzy app oach o he
ea ned alue managemen . In e na ional Jou nal o P ojec Managemen ,
29(6), 764–772.
NASA. (2014). NASA Space Fligh P og am and P ojec Managemen Handbook
(1s ed.). NASA.
O iz Pimien o, N. R., & Diaz Se na, F. J. (2018). The p ojec scheduling p oblem
wi h non-de e minis ic ac i i ies du a ion: A li e a u e e iew. Jou nal o

Re e encias
85
Indus ial Enginee ing and Managemen , 11(1), 116.
Padalka , M., & Gopina h, S. (2016). A e complexi y and unce ain y dis inc
concep s in p ojec managemen ? A axonomical examina ion om
li e a u e. In e na ional Jou nal o P ojec Managemen , 34(4), 688–700.
Paja es, J., & López-Pa edes, A. (2011). An ex ension o he EVM analysis o
p ojec moni o ing: The Cos Con ol Index and he Schedule Con ol Index.
In e na ional Jou nal o P ojec Managemen , 29(5), 615–621.
Pa e son, D., & Sel , P. (2018). Demys i ying A i icial In elligence & How I Will
Make P ojec Planning Be e . College o Pe o mance Managemen , The
Measu able News, 1, 25–34.
Pelle in, R., & Pe ie , N. (2019). A e iew o me hods, echniques and ools o
p ojec planning and con ol. In e na ional Jou nal o P oduc ion Resea ch,
57(7), 1–19.
Pe mino a, O., Gus a sson, M., & Wiks öm, K. (2008). De ining Unce ain y in
P ojec s - A New Pe spec i e. In e na ional Jou nal o P ojec Managemen ,
26(1), 73–79.
Pome ol, J.-C., & Ba ba-Rome o, S. (2000). Mul ic i e ion Decision in
Managemen : P inciples and P ac ice (Sp inge Science+Business Media
New Yo k (Ed.); 1s ed.). Kluwe Academic Publishe s.
P amanik, D., Mondal, S. C., & Halda , A. (2020). A amewo k o managing
unce ain y in in o ma ion sys em p ojec selec ion: an in elligen uzzy
app oach. In e na ional Jou nal o Managemen Science and Enginee ing
Managemen , 15(1), 70–78.
P ojec Managemen Ins i u e. (2008). A Guide o he P ojec Managemen
Body o Knowledge (PMBOK® Guide) (4 h ed.). P ojec Managemen
Ins i u e.
P ojec Managemen Ins i u e. (2017). La guía de los undamen os pa a la
di ección de p oyec os (Guía del PMBOK) (P ojec Managemen Ins i u e
(Ed.); 6 h ed).
Public Wo ks and Go e nmen Se ices Canada. (2015). P ojec Complexi y
and Risk Assessmen Manual.
Qu eshi, S. M., & Kang, C. W. (2015). Analysing he o ganiza ional ac o s o
p ojec complexi y using s uc u al equa ion modelling. In e na ional
Jou nal o P ojec Managemen , 33(1), 165–176.
He amien as y Técnicas en la Ges ión de la Ince idumb e
86
Ramasesh, R. V., & B owning, T. R. (2014). A concep ual amewo k o ackling
knowable unknown unknowns in p ojec managemen . Jou nal o
Ope a ions Managemen , 32(4), 190–204.
Rebe nik, M., & B adač, B. (2008). Idea e alua ion me hods and echniques.
Ins i u e o En ep eneu ship and Small Business Managemen ,
Uni e si y o Ma ibo , Slo enia.
Roge s, M., B uen, M., & Mays e, L.-Y. (2000). Elec e and Decision Suppo :
Me hods and Applica ions in Enginee ing and In as uc u e In es men
(Sp inge (Ed.); 1s ed.). Sp inge Science+Business Media.
Rohme , J., & Baud i , C. (2011). The use o he possibili y heo y o in es iga e
he epis emic unce ain ies wi hin scena io-based ea hquake isk
assessmen s. Na u al Haza ds, 56(3), 613–632.
Rojas-Delgado, J., T ujillo-Rasúa, R., & Bello, R. (2019). A con inua ion app oach
o aining A i icial Neu al Ne wo ks wi h me a-heu is ics. Pa e n
Recogni ion Le e s, 125, 373–380.
Saa y, T. L., & Va gas, L. G. (2000). Models, Me hods, Concep s & Applica ions
o he Analy ic Hie a chy P ocess. In F. S. Hillie (Ed.), In e na ional Se ies
in Ope a ions Resea ch & Managemen Science (1s ed.). Sp inge
Science+Business Media.
Saa y, T. L., & Va gas, L. G. (2013). Decision Making wi h he Analy ic Ne wo k
P ocess (T. L. Saa y (Ed.); 2nd ed.). Sp inge Science+Business Media.
Salahdine, F., Kaabouch, N., & El Ghazi, H. (2017). Techniques o dealing wi h
unce ain y in cogni i e adio ne wo ks. 2017 IEEE 7 h Annual Compu ing
and Communica ion Wo kshop and Con e ence (CCWC), 1–6.
Saunde s, F. C., Gale, A. W., & She y, A. H. (2015). Concep ualising unce ain y
in sa e y-c i ical p ojec s: A p ac i ione pe spec i e. In e na ional Jou nal
o P ojec Managemen , 33(2), 467–478.
Séneca, L. A. (55 C.E.). De la b e edad de la ida. (Diálogos). In Joan-Ca les
Mèlich ad. (Ed.), Filoso ía de la ini ud (pp. 35–42). He de .
Taleb, N. N. (2007). The black swan: The impac o he highly imp obable (1s
ed.). Random House.
Wa d, S., & Chapman, C. (2003). T ans o ming p ojec isk managemen in o
p ojec unce ain y managemen . In e na ional Jou nal o P ojec
Managemen , 21(2), 97–105.
Re e encias
87
Williams, T. M. (1995). A classi ied bibliog aphy o ecen esea ch ela ing o
p ojec isk managemen . Eu opean Jou nal o Ope a ional Resea ch, 85,
18–38.
Williams, T. M. (1999). The need o new pa adigms o complex p ojec s.
In e na ional Jou nal o P ojec Managemen , 17.
Wo ld Economic Fo um. (2016). Shaping he Fu u e o Cons uc ion. A
B eak h ough in Mindse and Technology. In Wo ld Economic Fo um (WEF)
(Issue May).
Wo ld Economic Fo um. (2018). The Fu u e o Jobs Repo . In Wo ld Economic
Fo um (WEF) (Vol. 31, Issue 2).
Zack, M. H. (1999). Managing o ganiza ional igno ance. In Knowledge
Di ec ions (Vol. 1, Issue Summe ).
Zadeh, L. (1965). Fuzzy se s. In o ma ion and Con ol, 8, 338–353.
Zanakis, S. H., & E ans, J. R. (1981). Heu is ic Op imiza ion: Why, When, and
How o Use I . In e aces, 11(5), 84–91.
Za ikas, V., & Ki sos, C. P. (2015). Theo y and P ac ice o Risk Assessmen . In
C. P. Ki sos, T. A. Oli ei a, A. Rigas, & S. Gula i (Eds.), Sp inge In e na ional
Publishing (Vol. 136). Sp inge In e na ional Publishing.
Anexo: Publicaciones
89
Anexo: Publicaciones
Du an e la ealización de es e abajo de in es igación, se ha
p esen ado y acep ado pa a publicación un a ículo en el cong eso 14 h
In e na ional Con e ence on Indus ial Enginee ing and Indus ial Managemen
(ICIEIM) & XXIV Cong eso de Ingenie ía de O ganización (CIO2020):
Cu o, Da id, Juan de An ón, Da id Poza & Fe nando Acebes. 2020.
“Unce ain y Managemen : A Re iew o Tools and Techniques.” In XIV
In e na ional Con e ence on Indus ial Enginee ing and Indus ial Managemen .
Mad id – España.
Asimismo, el a ículo p esen ado en el cong eso 14 h In e na ional
Con e ence on Indus ial Enginee ing and Indus ial Managemen (ICIEIM) &
XXIV Cong eso de Ingenie ía de O ganización (CIO2020) ha sido seleccionado
pa a su publicación en el special issue ‘LECTURE NOTES IN MANAGEMENT AND
INDUSTRIAL ENGINEERING’ (h ps://www.sp inge .com/se ies/11786) de
SPRINGER Publishe , i ulado “Ensu ing Sus ainabili y: New Challenges o
O ganiza ional Enginee ing”.

He amien as y Técnicas en la Ges ión de la Ince idumb e
90
Anexo: Publicaciones
91
He amien as y Técnicas en la Ges ión de la Ince idumb e
92
Anexo: Publicaciones
93