> For the complete documentation index, see [llms.txt](https://docs.totallink.nl/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.totallink.nl/grex/how-to.../risicomanagement-uitvoerenx/monte-carlo-vs-kans-impact.md).
# Monte carlo vs kans impact
Kans × impact berekent de verwachte waarde **per risico**. Een Monte Carlo analyse rekent **over alle risico's heen** en geeft je de verdeling van mogelijke totale uitkomsten — inclusief het bedrag dat je nodig hebt als risicobuffer.
## Wat berekent kans × impact?
Kans × impact vermenigvuldigt voor **elk risico afzonderlijk** de kans op optreden met de financiële impact. De som van al die uitkomsten is de **verwachte waarde**: het gemiddelde verlies dat je over veel projecten heen zou zien.
Voorbeeld voor een project met vier risico's:
| Risico | Kans | Impact | Kans × Impact |
| --------------------------- | ---- | --------- | ------------- |
| Vertraging vergunning | 40% | € 100.000 | € 40.000 |
| Stijging bouwkosten | 25% | € 200.000 | € 50.000 |
| Tegenvaller bodemonderzoek | 20% | € 100.000 | € 20.000 |
| Bezwaar omwonenden | 10% | € 100.000 | € 10.000 |
| **Totale verwachte waarde** | | | **€ 120.000** |
Elke regel is een losse berekening. De totaaltelling is een optelsom van die losse waardes.
### Hoe werkt Monte Carlo precies?
Monte Carlo gebruikt dezelfde inputgegevens als kans × impact — kans en impact per risico — maar verwerkt ze anders. Per risico worden **twee zaken** bepaald in elke simulatie:
* **De kans bepaalt of het risico optreedt in die simulatie.** Bij een kans van 30% komt het risico in ongeveer 300 van de 1.000 simulaties voor.
* **De impact is geen vast bedrag, maar een bandbreedte.** Je geeft een minimum, een meest waarschijnlijke en een maximum waarde op.
In elke simulatie wordt voor elk risico:
1. Bepaald **of** het optreedt (op basis van de kans).
2. Als het optreedt, wordt een **impact getrokken** uit de bandbreedte. Waarden rond de meest waarschijnlijke komen daarbij vaker voor dan extremen.
3. Alle impacts in die simulatie worden bij elkaar opgeteld tot één totaalbedrag voor die run.
Door dit duizenden keren te herhalen, ontstaat een verdeling van mogelijke totaaluitkomsten — meestal weergegeven als een curve of histogram. Daaruit lees je af:
* De kans dat het project binnen budget blijft
* De benodigde buffer voor een gekozen zekerheidsniveau (bijvoorbeeld 84%)
* Welke risico's de grootste bijdrage leveren aan de **onzekerheid** in de uitkomst
{% hint style="info" %}
Welk risico de grootste bijdrage levert aan de **verwachte waarde** zie je al in de kans × impact-tabel. Monte Carlo voegt iets toe: welk risico het meeste bijdraagt aan de **spreiding** van mogelijke uitkomsten. Dat is vaak een ander risico dan je op basis van kans × impact zou verwachten.
{% endhint %}
## Wat doet een Monte Carlo analyse?
Een Monte Carlo analyse simuleert duizenden mogelijke verlopen van je **hele project tegelijk**. In elke simulatie wordt voor elk risico opnieuw "gedobbeld": treedt het op, en zo ja, hoe groot is de impact? Daarna worden alle uitkomsten van die ene simulatie bij elkaar opgeteld tot één totaalbedrag.
Na duizenden simulaties heb je geen enkel getal, maar een **verdeling** van mogelijke totale verliezen. Daaruit lees je niet alleen het gemiddelde af, maar ook percentielen.
## Wat is het verschil in benadering?
| | Kans × impact | Monte Carlo |
| --------------------------------------------- | ------------------------------------------ | ------------------------------- |
| **Rekent op niveau van** | Elk risico afzonderlijk | Alle risico's gezamenlijk |
| **Output** | Eén getal per risico, optelbaar tot totaal | Verdeling van totale uitkomsten |
| **Houdt rekening met gelijktijdig optreden** | Nee | Ja |
| **Houdt rekening met spreiding/uitschieters** | Nee | Ja |
| **Gebruikt voor** | Inzicht in afzonderlijke risico's | Onderbouwing risicobuffer |
## Wat betekent een P-waarde?
Bijvoorbeeld P84 betekent dat in 84% van de gesimuleerde scenario's de totale risicokosten **onder** dit bedrag blijven. Voor je buffer betekent dat: met dit bedrag heb je in 84 van de 100 gevallen genoeg.
## Waarom verschilt het gemiddelde van het P-bedrag?
Risicoverdelingen zijn meestal **rechts-scheef**: er zit een staart van zeldzame, maar dure scenario's in. Bijvoorbeeld als meerdere risico's tegelijk optreden, of als een impact uitschiet. Die staart trekt de hoge percentielen omhoog, terwijl het gemiddelde relatief laag blijft.
Daarom kan een P84-buffer al snel het dubbele zijn van de verwachte waarde.
## Welk bedrag gebruik ik voor mijn risicobuffer?
Voor je financiële reservering gebruik je een **percentiel**, niet de verwachte waarde. Welk percentiel je kiest, hangt af van hoeveel zekerheid je wilt.
| Statistiek | Wat het zegt | Wanneer gebruiken |
| -------------------------------- | ------------------------- | --------------------------------------------- |
| Verwachte waarde (kans × impact) | Gemiddeld verlies | Verslaglegging, vergelijking tussen projecten |
| P50 (Monte Carlo) | Buffer voor 50%-zekerheid | Alleen voor optimistische scenario's |
| P84 (Monte Carlo) | Buffer voor 84%-zekerheid | Standaard voor projectreserveringen |
| P95 (Monte Carlo) | Buffer voor 95%-zekerheid | Grote projecten of hoge risico-aversie |
{% hint style="warning" %}
Reserveren op basis van de verwachte waarde (kans × impact) betekent dat je in ongeveer de helft van de scenario's tekortkomt. Voor projectbudgetten is dat meestal niet voldoende.
{% endhint %}
## Voorbeeldberekening
Stel je hebt de volgende uitkomsten uit je risicoanalyse op een project met een NCW van € 1.000.000:
* NCW: € 1.000.000
* Verwachte waarde risico's (kans × impact, opgeteld): € 120.000
* P84-risicobuffer (Monte Carlo, totaal over alle risico's): € 250.000
Dan reken je de verwachte NCW op 84%-zekerheid als volgt uit:
€ 1.000.000 − € 250.000 = **€ 750.000**
Dit is het bedrag dat je realistisch overhoudt als je voldoende buffer reserveert om in 84% van de scenario's uit te komen.
Merk op dat de P84-buffer (€ 250.000) ruim het dubbele is van de verwachte waarde (€ 120.000). Dat komt doordat in een deel van de Monte Carlo scenario's meerdere risico's tegelijk optreden — een situatie die kans × impact niet zichtbaar maakt.
## Veelgestelde vervolgvragen
Waarom is het P84-bedrag vaak veel hoger dan de kans × impact?
Omdat de Monte Carlo verdeling rechts-scheef is. Een paar zeldzame scenario's met meerdere gelijktijdige risico's of een uitschietende impact tillen de hoge percentielen flink op. Het gemiddelde blijft relatief laag omdat ook veel scenario's met weinig of geen risico's worden meegerekend.
Welk percentiel is de standaard?
P84 wordt vaak gebruikt omdat het in een normaalverdeling ongeveer overeenkomt met "gemiddelde + 1 standaarddeviatie". P95 wordt gebruikt voor projecten met grotere risico-aversie of hogere financiële belangen.
Kan ik ook zonder Monte Carlo een buffer berekenen?
Ja, maar dan mis je informatie over de spreiding én over wat er gebeurt als risico's samenvallen. Een kans × impact-berekening geeft alleen het gemiddelde per risico, opgeteld. Voor een onderbouwde buffer heb je een verdeling van totale uitkomsten nodig — die levert Monte Carlo.
Wat is het nut van kans × impact dan nog?
Kans × impact blijft waardevol om afzonderlijke risico's te wegen en te prioriteren. Je ziet meteen welk risico de grootste bijdrage levert (in het voorbeeld: stijging bouwkosten met € 50.000). Voor het sturen op individuele beheersmaatregelen is dat overzicht onmisbaar. Voor de totale projectbuffer kijk je vervolgens naar de Monte Carlo uitkomst.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://docs.totallink.nl/grex/how-to.../risicomanagement-uitvoerenx/monte-carlo-vs-kans-impact.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.