Optimizing Preventive Maintenance and Deferrals

using Real Options Analysis

Cifuentes J., Tomas

Sebastian Irarrazaval
G., Rodrigo Pascual J.

Departamento de Ingeniera de Minera, Pontificia Universidad Catolica de Chile,
Av. Vicuna Mackenna 4860, Santiago, Chile

ABSTRACT
Today, we live in a world in which uncertainty abounds. In particular, physical assets management is greatly
affected by this characteristic. The main sources of uncertainty in this area are associated with external factors such
as market conditions and internal factors such as the occurrence of failures, processing times, production rates and
many others. This scenario results in risks for operations that complicates decision making. The implementation of
Real Options in engineering projects have proven to be a powerful tool to deal with uncertainty. On the one hand,
they allow to implement flexible designs that minimize risk. On the other hand, they offer the possibility to add
value by taking advantage from variability. Its application in engineering projects is quite low, usually focusing on
financial options. Indeed, the implementation of Real Options Analysis aiming to improve project value through an
understanding of the variability sources of the environment is poorly explored.
In physical asset management, major maintenance policies such as: Condition-Based Maintenance, Run to
Failure and Preventive Maintenance, often use cost criteria. In addition, they only handle uncertainty associated with
the reliability of the system under analysis, without incorporating the changes that may occur in the environment
in which they operate. Therefore, they generally generates rigid policies. This paper seeks to establish flexible
maintenance policies capable of adapting to variability. The proposed model is based on the incorporation of Real
Options Analysis in order to improve Net Present Value of engineering projects.
Our proposal can be applied in multiple types of projects and may incorporate different sources of uncertainty.
In this case, the methodology was tested in mining equipment, considering two main sources of uncertainty:
commodity price volatility and the moment of occurrence of failures. The incorporation of Real Options is
achieved in two stages. Firstly: an optimum Time Between Overhauls (TBO) is determined at each period of time
and secondly: the option of deferring maintenance in a certain amount of time is evaluated. The application of this
model increased Net Present Value of a 10 year project in a 12%.

Key Words: Real Options Analysis, Flexibility in Asset Management, Time Between Overhaul, Preventive
Maintenance, Maintenance Deferral.
1 Introduction
Hoy en da, los proyectos de ingeniera se ven afecta-
dos por numerosos factores de incertidumbre. Esto se tra-
duce en riesgos para las operaciones y dificultan la toma de
decisiones. Sin embargo, esta variabilidad tambien puede
significar una fuente para agregar valor si se logra adaptar a
ella. Las Opciones Reales aparecen como una herramienta
poderosa para generar polticas flexibles que permiten ade-
cuarse a las condiciones del entorno. En la actualidad el uso
de Opciones Reales in projects esta muy poco desarrollado,
debido a que requiere un conocimiento profundo de la real-
idad particular de cada sistema, lo que deja abierta una im-
portante a rea de investigacion [1]. Dentro de este tipo apli-
caciones se encuentran las de Kulatilaka [2], acerca de una
caldera que funciona con dos tipos de combustibles, Zhao
y Zeng [3], quienes discuten el valor de la flexibilidad en un
multi-story parking garage y la de Lei y Sandborn [4], acerca
del mantenimiento o ptimo de turbinas de viento. Esta u ltima
aplicacion de Opciones Reales, es una de las pocas que en la
actualidad existen respecto a polticas de mantenimiento.
Dentro de las estrategias de mantenimiento se encuen-
tran las de tipo correctivo donde los componentes son usa-
dos hasta su falla o bien las preventivas que suceden inde-
pendiente del momento de ocurrencia de dicho evento [5].
Junto a ello gran parte de los modelos desarrollados respecto
a este tema, se centran en la gestion del costo [6, 7], teniendo
como principales indicadores aquellos relacionados con el
gasto que se incurre, ignorando que la poltica de manten-
imiento posee valor intrnseco y este puede ser capturado [8].
Este hecho permite pensar en la posbilidad de definir una po-
litica de mantenimiento no solo observando los costos, sino
que tambien incluir el valor que dicha decision puede generar
ahora y en el futuro [9]. Note ademas, que a la hora de eval-
uar que estrategia es la mas adecuada, debe tener claridad a
cerca de los objetivos estrategicos que tiene la compana y el
plan de mantenciones [10], de manera de tomar una desicion
que aune ambos lineamientos.
La idea principal de este trabajo radica en la aplicacion
de Opciones Reales en temas de mantenimiento, cambiando
la forma de evaluar su desempeno. Se traslada el enfoque
desde los costos hacia el VAN esperado que la poltica de
mantencion puede generar debido a la incertidumbre que ex-
iste en un entorno economico-operativo particular. Para ello,
se formula un modelo capaz de fijar el tiempo o ptimo entre
mantenciones (TBO: Time Between Overhaul) mediante el
uso de Opciones Reales. La implementacion de esta her-
ramienta permite adaptarse a la variabilidad de las condi-
ciones de mercado y mejorar el desempeno de los proyec-
tos [11]. Por una parte, la definicion del TBO tiene conse-
cuencias operativas, en la medida que afecta la confiabili-
dad del equipo. Por otra parte, influye en el costo directo de
mantenimiento (mano de obra, insumos, traslado, etc.) y en
el ingreso que se deja de percibir por la indisponibilidad del
equipo.
Uncertainty
Internal External
Failure Price
Lead Time Exchange Rate
Production Rate Repair Cost
Fig. 1. Types of uncertainty
Existen incertidumbres de diversa ndole, que pueden
ser clasificadas en dos grupos: de tipo internas o externas
como muestra la Figura 1. El precio de commodities es el
primer factor de incertidumbre que sera estudiado en esta in-
vestigacion. Para modelar dicho precio se utiliza un proceso
de reversion a la media, debido a que es aceptado como una
buena aproximacion para precios de commodities [1214].
Este precio tiene una fuerte implicancia en la gestion de ac-
tivos fsicos. Lo anterior se debe a que existe un costo de
oportunidad asociado al ingreso que no se percibe mientras
se esta reparando o manteniendo el equipo. Este costo es
llamado lucro cesante y su magnitud se ve afectada por el
precio del commodity. Al aumentar el valor de lo que se
esta produciendo, el ingreso que se deja de percibir por la
indisponibilidad aumenta. En el caso contrario, cuando el
precio disminuye, se produce el efecto inverso. Para analizar
estas situaciones se incluye el lucro cesante como un costo
indirecto de mantencion. Para valorizarlo y poder adaptar
las decisiones, es necesario conocer el comportamiento que
tiene el precio del commodity en el tiempo. Esta inclusion,
involucra entender lo variable que puede llegar a ser este pre-
cio y como su movimiento afecta la definicion de una poltica
o ptima de TBO.
Un segundo factor de incertidumbre es el momento de
ocurrencia de las fallas. Si bien se sabe que la confiabili-
dad de un equipo puede ser descrita mediante distribuciones
probabilsticas como la de Weibull, no se tiene certeza ac-
erca del tiempo en que dicho episodio ocurrira. Ademas,
la adopcion de una determinada poltica de mantenimiento,
modifica la confiabilidad del sistema y por lo tanto el instante
en donde el equipo falla.
Actualmente, la minera presenta un ejemplo muy claro
de como las condiciones de mercado afectan las decisiones
de los mantenedores. En particular, los precios de commodi-
ties se caracterizan por una alta volatilidad, sin embargo,
siguen una tendendia cclica. Entre 1865 y 2010, se han
reconocido 4 super-ciclos, con periodos de 30 a 40 anos y
con amplitud de 20-40% del valor de largo plazo [15]. En
ciclos de altos precios, las detenciones se vuelven muy cos-
tosas debido al lucro cesante. Bajo estos escenarios, se busca
maximizar la disponibilidad de los equipos para mitigar este
costo. Por otra parte, cuando los precios bajan, las empre-
sas centran el foco en disminuir los costos, con el objetivo
de ganar eficiencia. Para lograr lo anterior los mantenedores
suelen diferir las mantenciones, sin medir realmente las con-
secuencias de esta decision. En efecto, exagerar este recurso
se traduce en un mayor desgaste de los equipos y puede re-
sultar en un aumento del Total Ownership Cost (TOC). En
este trabajo se busca incluir las Opciones Reales como una
herramienta para medir el impacto de la flexibilidad en las
polticas de mantenimiento.
La inclusion del precio y la ocurrencia de fallas como
fuentes de variabilidad abre la posibilidad de utilizar Op-
ciones Reales. Esta herramienta permite tomar decisiones
adaptables a un escenario particular. La opcion real manifi-
esta que se tiene el derecho, pero no la obligacion de tomar
una decision en el futuro [16]. Ademas, esta definicion da
cuenta de lo importante que puede ser tener la opcion de
aplazar (deferral) un mantenimiento dado un determinado
precio. Nuevamente, esta decision repercute en el costo de
la nueva poltica. Otra caracteristica notable del uso de Op-
ciones Reales es el hecho de que a mayor volatilidad, mas
alto es el valor entregado por esta herramienta [17, 18].
La idea fundamental del presente trabajo, es estable-
cer una relacion entre el movimiento que tiene el precio de
un commodity, con la definicion de una poltica de manten-
imiento. Ademas, a esta decision se le agrega la opcion de
aplazar una o mas intervenciones. Lo que se quiere lograr
es generar un diseno flexible que permite adaptar el TBO
perodo a perodo, dado un determinado escenario. Luego,
una vez definida la poltica, tener la opcion de ser redefinida,
difiriendo o no el mantenimiento.
El diseno flexible en proyectos de ingeniera es una
tematica relativamente nueva. Su principal auge en este
u ltimo tiempo viene dado por la incertidumbre existente,
producida por el constante cambio tecnologico que se ob-
serva en distintas industrias [18].
De acuerdo a Neufville y Scholtes [1] los pasos a seguir
para definir un diseno flexible son:
1. Determinar de donde proviene la incertidumbre y como
la flexibilidad puede ayudar a reducirla.
2. Identificar que partes del sistema pueden aportar con
dicha flexibilidad.
3. Evaluar distintas alternativas e incluir en el diseno aque-
lla que sea mejor.
4. Establecer la planificacion de la posible aplicacion de
dicha opcion.
Ahora bien, dentro de este diseno flexible, una va natu-
ral es el uso de Opciones Reales. Que pueden ser divididas
en dos grandes grupos [1]: Real Options on projects y
Real Options in projects. El primero se refiere a la valo-
racion de distintas oportunidades de inversion. En cambio,
el segundo apunta a la generacion de un diseno flexible. Esta
u ltima definicion es el tipo de opciones que pretenden ser
aplicadas para establecer un TBO o ptimo.
Una herramienta importante dentro de las Opciones
Reales, corresponde al uso de la simulacion. Esta u ltima
permite evaluar y valorar distintas decisiones para un amplio
rango de escenarios. El resultado entregado es mas robusto
que aquel que solo considera un escenario.
El paper se estructura de la siguiente forma: en la
seccion 2 se presenta una revision general de los principales
artculos respecto al uso de Opciones Reales en temas de
mantenimiento. La seccion 3 desarrolla la formulacion de
la metodologa propuesta. La seccion 4 presenta el caso de
estudio, con sus respectivos resutados y el analisis de sensi-
bilidad realizado. Finalmente, la seccion 5 muestra las con-
clusiones obtenidas y las posibles lneas de ivestigacion fu-
turas.
2 Literature Review
El uso de Opciones Reales en proyectos de ingeniera
es bastante reciente, debido a que en un inicio su aplicacion
fue exclusivamente de tipo financiera. Particularmente en el
tema de mantenimiento, los trabajos existentes se preocupan
de temas particulares y sus aplicaciones son bastante escasas.
Por lo tanto es un eje de investigacion muy poco desarrol-
lado.
Como ejemplos de trabajos pueden encontrarse el real-
izado por Miller y Park [19], cuyo principal objetivo fue la
aplicacion de un modelo multi-etapas de inversion para la in-
dustria de mantencion aeroespacial. El foco de este estudio
fue la utilizacion del concepto de Real Options on projects
a partir del diferimiento y la separacion de la inversion en
sub-etapas. El principal resultado fue establecer que la uti-
lizacion de este enfoque permite decidir de mejor manera que
proyecto puede o no ser rentable. Lo anterior debido a que el
enfoque tradicional en el calculo VAN no permita una ade-
cuada evaluacion.
Dentro de la disciplina conocida como PHM o Prog-
nostic and Health Management existen dos trabajos intere-
santes en la lnea de mantenimiento basado en condicion. El
primero es el realizado por Lei y Sandborn [4], que tiene
por objetivo fijar una poltica de mantenimiento predictivo
o ptima (que otorga flexibilidad), utilizando la vida u til resid-
ual. En este caso la incertidumbre viene dada por esta vida
restante de operacion. La segunda aplicacion corresponde a
la de Haddad, Sandborn y Pecht [20], similar a la anterior
agregando un metodo que permite obtener una mejor esti-
macion de la vida u til residual de un componente. Esta in-
corporacion al modelo logro mejorar el valor del proyecto.
Ademas, indica posibles metodos para evaluar opciones,
siendo uno de ellos la simulacion.
En cuanto al tema de deferral, un trabajo a considerar
es el de Jonge, Dijsktra y Romeijinders [21]. Los autores
proponen un analisis costo-beneficio de posponer manten-
imientos dada una incertidumbre en la distribucion de la vida
u til de un componente. El interes de su trabajo radica en la
integracion de la variabilidad y el como aprovechan la in-
formacion que cada intervencion les provee de manera de
disminuir el riesgo asociado a la incertidumbre de la vida
u til. Otra aplicacion reciente es la de Marais et. al [22] que
discuente las ventajas del uso de diferimiento en cuanto al
ahorro de costos en contrpartida del mayor desgaste que tiene
que soportar los componentes del equipo.
Las aplicacion de Opciones Reales en temas de man-
tenimineto de equipos son muy escasas. Este tema es una
oportunidad para investigar y desarrollar nuevos modelos.
Ademas, el enfoque aqu propuesto pretende unir dos lneas.
La primera, se preocupa de la disponibilidad de un equipo o
componente, vale decir, ocuparse de que el sistema este de-
tenido la menor fraccion del tiempo posible. La segunda,
involucra la componente economica, tanto desde el punto
de vista directo (costo global de mantencion) y el indirecto,
dado por el lucro cesante.
Recordar que una poltica de mantenimiento implica dos
tipos de intervenciones, preventivas y correctivas. El es-
quema consiste en fijar un tiempo de mantenimiento preven-
tivo Ts , en el cual se realiza una intervencion, que tiene un
costo asociado C p y una duracion Tp . Sin embargo, el com-
ponente puede fallar antes de alcanzar este Ts , en cuyo caso
se debe aplicar una intervencion del tipo correctiva, con un
costo Cc y tiempo Tc , que en general, son considerablemente
mas altos que los de una intervencion del primer tipo [23].
Una forma de fijar este Ts , pude ser mediante la decsion
del OEM, Original Equipment Manufacturer, quien conoce
las caractersticas de los materiales del equipo y desea que
las fallas sean las menos posibles, ya que en caso contrario
debera incurrir en costos de reparacion de acuerdo a las
condiciones establecidas en el contrato con el cliente [24].
Matematicamente se puede expresar como:
R(Ts ) = Rmin (1)
Basicamente consiste en determinar un Ts fijo, a lo largo
del horizonte temporal de manera tal que asegure una confi-
abilidad mnima (Rmin ).
Otra forma para determinar el TBO es la propuesta por
Barlow [25], y tiene por objetivo determinar un Ts tal que
minimice el costo global por unidad de tiempo (Cglob ). Este
costo incluye los gastos directos por llevar a cabo una inter-
vencion correctiva o preventiva, sin incluir el lucro cesante.
As, el modelo prentende seleccionar Ts , fijo para toda la
vida de la operacion, tal que:
min Cglob (2)
Ts
3 Formulacion del Modelo
En esta seccion se daran a conocer dos modelos
propuesto para fijar el TBO o ptimo. La idea de cada
planteamiento es determinar un intervalo de intervenciones
preventivas (Ts ), de forma de asegurar la viabilidad opera-
tiva y/o economica de un determinado sistema. En todos los
modelos se asume que la confiabilidad puede ser expresada
mediante una distribucion Weibull de dos parmametros y
, cuya formulacion matematica corresponde a:
t
R(t) = e( ) (3)
Donde se conoce como el parametro de forma, que
como su nombre lo indica define la apariencia de la funcion
confiabilidad. En cambio o parametro de escala, da cuenta
del tiempo bajo el cual se consigue, aproximadamente un 66
% de confiabilidad.
Para generalizar el modelo para cualquier tipo de com-
ponente, se adapto el modelo de Weibull eliminando la de-
pendencia del parametro , creando la variable . Ademas,
se relacionaron los dos costos de mantencion mediante el co-
ciente entre ambos, obteniendo el parametro como sigue:
Ts
= (4)
Cc
= (5)
Cp
A partir de lo anterior, se calcularon los tiempos medios
entre intervenciones MTBI, y luego el costo global de man-
tencion por unidad de tiempo, segun la siguiente formula:
R(t) + (1 R(t))
Cglob = (6)
MT BI/
3.1 Model 1: Ts variable
En este modelo se utilizan las Opciones Reales para
definir un Ts o ptimo en cada periodo de tiempo que min-
imice el costo global de mantencion, incorporando el lucro
cesante. Como se dijo anteriormente, este costo estara ligado
directamente al precio del commoditie. Lo anterior se incor-
poro al modelo sumando al costo de mantencion, el dinero
que se deja de percibir por el tiempo en que la maquina esta
fuera de servicio, como se muestra a continuacion:
Cgp = C p + P(t) Tp (7)
Cgc = Cc + P(t) Tc (8)
Donde P(t) corresponde al precio y la tasa de produccion
por unidad de tiempo.
Con los cambios incorporados al modelo, el valor de
depende del precio del periodo. A partir de lo anterior se cal-
culo el que minimiza el costo global, para distintos valores
de . Sin embargo, es necesario poder conocer el o ptimo
para cualquier valor de , para lo cual se ajusto una curva
exponencial de tres parametros , y que entrega esta in-
formacion. Matematicamente esta expresion corresponde a:
=
+ (9)
(1 )
Finalmente, este modelo permite calcular los dos cos-
tos (Mantenimiento Preventivo y Mantenimiento Correctivo)
frente a un escenario de precios. Con esto, se puede calcular
el correspondiente y, gracias a la curva ajustada descrita
anteriormente, identificar el o ptimo que considera a la vez
los costos de mantencion y el lucro cesante. Luego, basta
con multiplicar este valor por para obtener el Ts o ptimo.
3.2 Model 2: Diferimiento
Este modelo parte de la base del anterior y agrega un se-
gundo uso de Opciones Reales: el Diferimiento. Esto es, la
posibilidad de aplazar el mantenimiento una vez que el com-
ponente alcanzo el Ts definido por la poltica de mantencion.
Para esto, se utilizaron las probabilidades condicionales. La
pregunta que se busco responder fue: una vez que el com-
ponente llego a cierto tiempo sin fallar, cual es la probabil-
idad de que aguante cierto t por sobre dicho tiempo, asegu-
rando un nivel mnimo de confiabilidad? Para esto se utilizo
la formula que se muestra a continuacion:
R(t + Ts )
RTs (t) = R(t | Ts ) = (10)
R(Ts )
Para efectos del modelo, se integro un parametro de con-
fiabilidad mnima, definido por el usuario. Luego, se despejo
el termino t + Ts de la ecuacion anterior. Finalmente, se resta
a este valor el tiempo de mantenimiento preventivo, obte-
niendo el tiempo de diferimiento que asegura la confiabilidad
mnima definida. En sntesis, en este modelo, en caso de que
el equipo alcance el Ts definido para el periodo, se toma la
opcion de diferir el mantenimiento en una cantidad de tiempo
que asegure cierto nivel de confiabilidad condicional.
4 Caso de Estudio 6

Commodity Price (mu)

En esta seccion se muestra la aplicacion de los mode-
los propuestos sobre datos reales con el objetivo de medir su 5
impacto. En minera, el uso de los equipos es intensivo y 4
3,30
el desgaste que sufren sus componentes es alto. El caso de
3
estudio fue el de un equipo minero que opera de manera con-
tinua procesando minerales de cobre a una tasa unidades 2
productivas por unidad de tiempo. Este equipo esta com-
1
puesto por un solo componente que, en caso de fallar, detiene 0 600 1200 1800 2400 3000 3600
la produccion hasta ser reparado. El historial de falla de este Time (tu)
componente crtico permitio determinar los parametros y
que definen su confiabilidad. Estos parametros junto con
los descritos en la formulacion del modelo se detallan en la Fig. 2. Commodity price simulations. For 0 = 0.16, b
b 1 = 0.97
Tabla 1. and b2 = 0.0019

Table 1. Case study parameters 100%

Parametro Unidad Valor 80%

Reliability
Cp mu 25, 000 60%
40%
Cc mu 100, 000
20%
Tp tu 1
0%
Tc tu 40 0 100 200 300
pu/tu 100, 000 s (tu)

r % 10
Fig. 3. Reliability function
R(t) Condicional % 90
tu 150 del equipo del 80%. Se puede ver que esto se cumple para un
- 2.8 tiempo de mantenimiento preventivo de 89 ut, fijo para todo
el horizonte temporal estudiado.
La segunda aproximacion que se comparo es la del
mnimo costo (sin considerar lucro cesante), desarrollada por
Barlow. Esta poltica se ilustra la figura 4, que relaciona el
Ts con el costo de mantenimiento por unidad de tiempo. La
4.1 Resultados decision en este caso fue el valor mnimo de la curva, que
La base de los modelos desarrollados fue la variabili- corresponde a un Ts fijo de 82 ut.
dad del precio del commodity producido por la minera. Para
generar esta curva de precios se realizo una regresion lineal
sobre los precios del cobre en los u ltimos 5 anos, aproxi-
macion que se observa en la Figura 2. La forma de la re- 6
gresion utilizada se muestra en la ecuacion 11. 5
Cglobal (mu/tu)

4
ln(Pt ) = b
0 + b
1 ln(Pt1 ) + (11) 3

2
El resultado de aplicar una distribucion Weibull sobre
0 50 100 150 200 250 300
el historial de fallas del equipo estudiado se muestra en la
s (tu)
Figura 3, que permite relacionar el TBO con la confiabilidad
del componente.
Para evaluar el impacto de los modelos propuestos en Fig. 4. Minimum global cost curve for different values of Ts
este trabajo se comparara con dos aproximaciones que no
integran el uso de opciones reales. La primera corresponde
a la poltica de mantenimiento recomendada por el OEM. La El modelo 1 propone la primera incorporacion de op-
curva de la Figura 3 es la que define esta poltica, que como ciones reales en la poltica de mantenimiento. Esta se baso en
se menciono anteriormente, busca asegurar una confiabilidad determinar el o ptimo en cada periodo, incorporando el lucro
cesante en el analisis. Como se menciono en la seccion 3.1,
este metodo requirio el ajuste de una curva que relaciona la
variable , con , que permite calcular el TBO. Dicho ajuste,
realizado mediante la minimizacion de la suma de los er-
rores cuadraticos, se muestran en la Figura 5. Los resultados
muestra en la Figura 7. Los tiempos de diferimiento se
mueven entre 25 y 30 unidades de tiempo. Por lo tanto,
cuando el equipo alcanza el tiempo de mantenimiento pre-
ventivo sin fallar, se puede diferir este mantenimiento hacia
el futuro en cierta cantidad de tiempo.

31
2,5 30

Deferral time (tu)

2
29
1,5

1 28
0,5 27
0 26
0 2 4 6 8 10
25

42 44 46 48 50 52
Real Adjustment (tu)

Fig. 5. Adjustment curve for . For = 0.70, = 0.13 and = Fig. 7. Deferral time for different Ts values
0.48

Finalmente, se evaluo el impacto de los modelos prop-

obtenidos para el Ts , demostraron que al aumentar el precio
del commodity, aumenta el valor de y por lo tanto conviene
disminuir el tiempo entre mantenciones con el objetivo de
minimizar los costos totales. Esto u ltimo se debe a que, al
disinuir este tiempo, aumenta tambien la disponibilidad del
equipo, mitigando el efecto del lucro cesante, situacion que
se ve reflejada en la Figura 6. Cabe destacar que para este
caso de estudio, los valores o ptimos de Ts varan entre 40 y
54 unidades de tiempo. Sin embargo, para otros parametros
iniciales o para un historial de fallas distinto, la situacion no
sera la misma.
54
52
50
(tu)
uestos simulando 1000 escenarios de precios distintos. Para
cada escenario, se calculo el VAN alcanzado por cada una
de las 4 polticas de mantenimiento. La efectividad de es-
tas polticas se analizo en dos etapas, primero, comparando
el promedio de los VAN alcanzados y luego contrastando
la probabilidad que tiene cada propuesta de alcanzar cierto
Valor Actual Neto. Por una parte, los resultados obtenidos
muestran que la aproximacion del mnimo costo fue super-
ada en promedio en un 7% por el Modelo 1. A su vez esta
propuesta, tambien sobrepaso a la del OEM en un 12%. Sin
embargo, para este caso, si bien la incorporacion del difer-
imiento en el Modelo 2 supero cada VAN de las propuestas
de mantenimiento rgidas (un 9% respecto al del OEM y un
4% comparado con el de mnimo costo) , no mejoro los re-
sultados del Modelo 1. Lo anterior tambien queda plasmado
en las funciones de densidad acumulada presentadas en la

48 Figura 8. En efecto, se pudo observar que la curva que rep-

46
44
42
40
2 3 4 5
Commodity Price (mu)
Fig. 6. Optimum Ts for different commodity price values
El Modelo 2 realiza la segunda incorporacion de op-
ciones reales en la poltica de mantenimiento: el diferim-
iento. Para esto, se definio un nivel de confiabilidad mnimo
de 90%. En base a esto, el modelo determina el tiempo
de diferimiento que asegura esta confiabilidad condicional
impuesta. Logicamente, el diferimiento baja a medida que
aumenta el tiempo de mantenimiento preventivo ya que au-
menta tambien la probabilidad de fallar, situacion que se
resenta al Modelo 1 se desplaza hacia la derecha del resto,
capturando valores del VAN mas altos. Sumado a lo ante-
rior, para un nivel de confianza dado, el VAN que asegura el
Modelo 1, es mayor que el de cualquier otra propuesta.
Junto a lo anterior, la aplicacion de la metodologa prop-
6
uesta puede verse reflejada en las funciones de densidad de
probabilidad de la Figura 9. Note que los modelos prop-
uestos se ubican en la zona derecha de la figura, vale decir,
donde se encuentran los mayores valores del VAN. Junto a
ello, se observa que el modelo 1 domina al resto, en el sentido
de que para cualquier valor de probabilidad siempre entrega
el VAN mas alto.
4.2 Analisis de Sensibilidad
Los resultados muestran que la metodologa propuesta
crea una considerable mejora en el VAN para ambos mod-
elos. Sin embargo, es importante estudiar como cambian
estos resultados al variar la relacion entre los tiempos que
 100% 100%
80% 80%
60% 60%

F
F

40% 40%
20% 20%
0% 0%
20 25 30 20 25 30
NPV (Mmu) NPV (Mmu)
OEM Min Cost Model 1 Model 2 OEM Min Cost Model 1 Model 2

Tc
(a) increases by 20 % of ratio Tp .
Fig. 8. CDF of NPV for each model

100%
80%
60%

F
40%
20%
0%
20 25 30
NPV (Mmu)
15 20 25 30 35
NPV (Mum) OEM Min Cost Model 1 Model 2

OEM Min Cost Model 1 Model 2 Tc

(b) decreases by 20 % of ratio Tp .

Fig. 9. PDF of NPV for each model

Fig. 10. Sensitivity analysis for each model.

se demora cada tipo de intervencon. La Figura 10 ilustra

13%
las Curvas Densidad de Probabilidad cuando el ratio entre
Mean Variation of NPV

los tiempos nombrados crece y decrece en un 20%, con-

8%
siderando que originalmente el ratio entre Tc y Tp es de 40.
Al observar la Figura 10(a), es evidente que un aumento
de TTcp , mejora los resultados obtenidos para ambos modelos 3%

propuestos, marcando aun mas la distancia entre las curvas

de las CDF. En caso contrario, como se muestra en la Figura -2%
70% 80% 90% 100%
10(b), la disminucion de este cuociente hace que las curvas
Conditional Reliability
tiendan a juntarse, lo que se traduce en una dismunucion del Against Min. Cost Model Against OEM Model
valor creado por el uso de las Opciones Reales. En la Tabla
2 se resumen los resultados para los casos presentados.
Fig. 11. Sensitivity analysis: VPN impact for Conditional Reliability
variations of Model 2.
Table 2. Sensitivity analysis: Mean Variations of NPV for each
del VAN promedio, re-
model. (Valores en () indican la variancion
Note que a medida que la R(t) Condicional crece, el
specto al Modelo 2)
valor generado por el Modelo 2 respecto a las polticas
rgidas tambien aumenta, siguiendo un comportamiento lin-
Modelo Base Case +20% 20%
eal. A su vez cuando, la R(t) Condicional es de 100%, el
OEM 12% (9%) 13% (9%) 7% (5%) Modelo 2 iguala el desempeno del Modelo 1. Esto debido
a que aumenta el VAN en exactamente el mismo porcentaje
Min.Cost 7% (4%) 8% (5%) 5% (3%)
frente a lo propuesto por el OEM y la estrategia de Mnimo
Costo (12% y 7% respectivamente).

Otro importante parametro a considerar, para el segundo 4.3 Discusion

modelo propuesto es la R(t) Condicional, para ello se simu- La aplicacion de los modelos propuestos en el caso de
laron distintos escenarios variando aquel parametro, los que estudio, muestran un mejor desempeno que las estrategias
se resumen en la Figura 11. basadas en costo, cuando el principal indicador corresponde
al VAN generado por cada poltica. El Modelo 1, que fija
un Ts flexible, de acuerdo al precio del commodity, obtiene
un mejor desempeno que el Modelo 2 (que anade el diferim-
iento). Sin emabrgo es importante notar, que dicha situacion
depende fuertemente de los parametros utilizados dentro del
caso de estudio y no son generalizables a cualquier situacion.
Lo importante eso si, es evidenciar que las polticas flex-
ibles siempre obtienen un mejor desempeno que aquellas de
tipo rgidas, ya que independiente de las condiciones siempre
el Modelo 1, fue el que genero mayor valor.
Respecto al analisis de sensibilidad, es crucial apuntar
que los modelos propuestos cobran mayor relevancia mien-
tras mas elevado sea el valor de TTcp . En otras palabras, a me-
dida que dicho ratio creca, el VAN generado por las prop-
uestas de esta investigacion aumentaba en mayor proporcion
respecto a las estrategias tradiconales.
Otra consideracion corresponde a la R(t) Condicional
del Modelo 2, que de acuerdo al analisis realizado a me-
dida que este valor aumenta el desempeno de dicho mod-
elo mejora en forma lineal. Ademas cuando se alcanza una
R(t) Condicional de 100% el valor generado por el Modelo
1 y el Modelo 2 es exactamente el mismo, ya que en el fondo
se deja de diferir.
5 Conclusiones
En este trabajo se demostro que la incorporacion de Op-
ciones Reales en gestion de activos fsicos puede ser una
poderosa herramienta para mejorar el valor de los proyec-
tos. En particular, el modelo presentado logro agregar flexi-
bilidad a una poltica de mantenimiento, permitiendole adap-
tarse a la variabilidad del medio, aumentando el Valor Actual
Neto esperado. Esta flexibilidad puede lograrse de distintas
formas y en algunos casos requeriran de una inversion inicial
mayor. El impacto de las polticas debera ser evaluado para
concluir acerca de su viabilidad. Lo que resulta evidente es
que a mayor incertidumbre, mayor sera el impacto de adoptar
disenos y polticas flexibles. En este trabajo, se logro medir
el valor agregado utilizando la simulacion como herramienta
principal, obteniendose las curvas de Valor Actual Neto es-
perado de cada poltica.
En el caso de estudio presentado se trabajo en polticas
de mantenimiento con dos fuentes de incertidumbre, el pre-
cio del commodity y la ocurrencia de las fallas. Sin embargo,
todos los proyectos se desarrollan en entornos diferentes, y
pueden verse afectados por diversos tipos de incertidumbre.
Esta caracterstica del medio se traduce en riesgos para las
operaciones y dificulta la toma de decisiones. La idea de este
paper es mostrar que en cualquier proyecto de ingeniera,
se pueden utilizar las Opciones Reales para adaptarse a es-
cenarios variables, mitigando el riesgo. Ademas, permiten
reaccionar a situaciones particulares, aprovechando las opor-
tunidades para generar valor.
References
[1] De Neufville, R., & Scholtes, S. (2011). Flexibility in
engineering design. MIT Press.
[2] Kulatilaka, N. (1993). The value of flexibility: the case
of a dual-fuel industrial steam boiler. Financial man-
agement, 271-280.
[3] Zhao, T., & Tseng, C. L. (2003). Valuing flexibility in
infrastructure expansion. Journal of infrastructure sys-
tems, 9(3), 89-97.
[4] Lei, X., & Sandborn, P. A.(2016) PHM-Based Wind
Turbine Maintenance Optimization Using Real Op-
tions. International Journal of Prognostic and Health
Management.
[5] Lind, H., & Muyingo, H. (2012). Building maintenance
strategies: planning under uncertainty. Property Man-
agement, 30(1), 14-28.
[6] Kumar, U., Galar, D., Parida, A., Stenstrom, C., &
Berges, L. (2013). Maintenance performance metrics:
a state-of-the-art review. Journal of Quality in Mainte-
nance Engineering, 19(3), 233-277.
[7] Dekker, R. (1996). Applications of maintenance opti-
mization models: a review and analysis. Reliability En-
gineering & System Safety, 51(3), 229-240.
[8] Marais, K. B., & Saleh, J. H. (2009). Beyond its cost,
the value of maintenance: an analytical framework for
capturing its net present value. Reliability Engineering
& System Safety, 94(2), 644-657.
[9] Liu, B., Xu, Z., Xie, M., & Kuo, W. (2014). A
value-based preventive maintenance policy for multi-
component system with continuously degrading com-
ponents. Reliability Engineering & System Safety, 132,
83-89.
[10] Rosqvist, T., Laakso, K., & Reunanen, M. (2009).
Value-driven maintenance planning for a production
plant. Reliability Engineering & System Safety, 94(1),
97-110.
[11] Sanchez, A., Carlos, S., Martorell, S., & Villanueva,
J. F. (2009). Addressing imperfect maintenance mod-
elling uncertainty in unavailability and cost based op-
timization. Reliability Engineering & System Safety,
94(1), 22-32.
[12] Schwartz, E. S. (1997). The stochastic behavior of com-
modity prices: Implications for valuation and hedging.
The Journal of Finance, 52(3), 923-973.
[13] Andersson, H. (2007). Are commodity prices mean re-
verting?. Applied Financial Economics, 17(10), 769-
783.
[14] Schone, M. (2014). Real Options Valuation: The Im-
portance of Stochastic Process Choice in Commodity
Price Modelling. Springer.
[15] Erten, B., & Ocampo, J. A. (2013). Super cycles of
commodity prices since the mid-nineteenth century.
World Development, 44, 14-30.
[16] Copeland, T. E., Antikarov, V., & Copeland, T. E.
(2001). Real options: a practitioners guide (p. 4). New
York: Texere.
[17] Hofmann, E., Maucher, D., Hornstein, J., & den Ouden,
R. (2012). Capital equipment purchasing: Optimizing
the total cost of CapEx sourcing (Vol. 2). Springer Sci-
ence & Business Media.
[18] Cardin, M. A., Kolfschoten, G. L., Frey, D. D., De
 Neufville, R., De Weck, O. L., & Geltner, D. M. (2013).
Empirical evaluation of procedures to generate flexibil-
ity in engineering systems and improve lifecycle per-
formance. Research in Engineering Design, 24(3), 277-
295.
[19] Miller, L. T., & Park, C. S. (2004). Economic analysis
in the maintenance, repair, and overhaul industry: an
options approach. The Engineering Economist, 49(1),
21-41.
[20] Haddad, G., Sandborn, P., & Pecht, M. (2011, June).
Using real options to manage condition-based main-
tenance enabled by PHM. In Prognostics and Health
Management (PHM), 2011 IEEE Conference on (pp.
1-7). IEEE.
[21] Bde Jonge, B., Dijkstra, A. S., & Romeijnders, W.
(2015). Cost benefits of postponing time-based main-
tenance under lifetime distribution uncertainty. Relia-
bility Engineering & System Safety, 140, 15-21.
[22] Marais, K. B., Rivas, J., Tetzloff, I. J., & Crossley, W.
A. (2013, April). Modeling the impact of maintenance
on naval fleet total ownership cost. In Systems Confer-
ence (SysCon), 2013 IEEE International (pp. 801-808).
IEEE.
[23] de Jonge, B., Teunter, R., & Tinga, T. (2016). The Influ-
ence of Practical Factors on the Benefits of Condition-
Based Maintenance over Time-Based Maintenance. Re-
liability Engineering & System Safety.
[24] Jackson, C., & Pascual, R. (2008). Optimal mainte-
nance service contract negotiation with aging equip-
ment. European Journal of Operational Research,
189(2), 387-398.
[25] Barlow, R. E. & Proschan, F. (1965). Mathematical
Theory of Reliability. Wiley, New York.