Você está na página 1de 0

1

GERENCIAMENTO DE RISCOS EM PROJETOS:


COMO USAR O MICROSOFT EXCEL PARA
REALIZAR A SIMULAO MONTE CARLO


Eng. Csar Augusto Fernandes
cesar_a_fernandes@yahoo.com


RESUMO

Este artigo mostra passo-a-passo uma maneira direta, til e
eficaz de como empregar a planilha de clculo Microsoft
Excel para realizar o mtodo de Monte Carlo como parte do
processo de anlise quantitativa do gerenciamento de riscos
em Projetos. Igualmente so mostrados os conceitos,
critrios e cuidados que se deve ter para um melhor uso do
mtodo de Monte Carlo.

1. HISTRICO

O mtodo de Monte Carlo surgiu oficialmente no ano de
1949 com o artigo The Monte Carlo Method de autoria dos
matemticos John von Neumann e Stanislaw Ulam.
Segundo Ulam, o nome do mtodo foi dado em homenagem
a seu tio, que era freqentador do cassino de Monte Carlo,
ao contrrio do que poder-se-ia pensar em funo da
associao direta natureza repetitiva e aleatria da roleta
no cassino, por exemplo. Embora o mtodo j fosse
conhecido anteriormente, seu emprego de fato deu-se com o
advento das calculadoras e computadores, uma vez que se
trata de um mtodo numrico.

2. CONCEITOS BSICOS

2.1. Projetos

Por definio, Projetos so basicamente processos nicos
com limitao de escopo, tempo e recursos. O fato de os
Projetos serem nicos e de possurem limitaes exige do
Gerenciamento de Projetos um planejamento consistente em
um ambiente de incertezas, ou seja, em um ambiente
probabilstico.

2.2. Gerenciamento de riscos

Vem da a importncia do Gerenciamento de Riscos em
Projetos, que em linhas gerais procura dar ares mais
determinsticos ao mundo de incertezas e aleatoriedade dos
Projetos. Para isso pode-se lanar mo dos seguintes
processos principais, segundo o Project Management Body
of Knowledge (PMBoK):
Planejamento do gerenciamento de riscos.
Identificao de riscos.
Anlise qualitativa de riscos.
Anlise quantitativa de riscos.
Planejamento de respostas a riscos.
Monitorao e controle de riscos.

2.3. Anlise quantitativa e simulaes

na anlise quantitativa em particular que se tenta traduzir
em termos efetivamente numricos e assim melhor avaliar
os riscos relacionados a um Projeto. Para tal so usadas
tcnicas de simulao, ou seja, so geradas amostras
aleatrias segundo um modelo da probabilidade de um risco
para o Projeto em termos de tempo ou custo. justamente
isso que faz a simulao Monte Carlo, pelo mesmo motivo
tambm conhecida como Mtodo das Provas/Testes
Estatsticas/os.

3. CONCEITOS ESPECFICOS

3.1. Emprego do mtodo de Monte Carlo

O mtodo de Monte Carlo permite simular qualquer
processo cujo andamento dependa de fatores aleatrios.
Tambm em problemas matemticos que no tenham a
menor relao com questes aleatrias pode-se inventar um
modelo probabilstico artificial que permita resolver estes
problemas. Por exemplo, usando o mtodo de Monte Carlo
pode-se calcular a rea de uma figura plana qualquer ou
estimar quanto dura uma mquina conhecendo-se o tempo
de durao de suas peas. Sendo assim, pode-se falar do
mtodo de Monte Carlo como um mtodo universal para a
soluo de problemas matemticos.

3.2. O mtodo de Monte Carlo em si

O mtodo, para o que cobre este artigo, consiste
basicamente em gerar aleatoriamente N sucessivas amostras
em termos de custo ou tempo (varivel aleatria) que sero
ento testadas contra um modelo estatstico, que vem a ser
na verdade uma distribuio de probabilidade para um
determinado risco no Projeto. Cada amostra corresponde a
uma iterao do mtodo. Desse modo, o mtodo de Monte
Carlo fornece uma estimativa do valor de um tempo ou
custo esperados assim como um erro para esta estimativa, o
qual inversamente proporcional ao nmero de iteraes. O
erro total dado por:
N

3
= , onde o desvio padro
da varivel aleatria e N o nmero de iteraes. Ou seja,
quanto maior o nmero de iteraes, menor ser o erro.
Em outras palavras, a essncia da simulao Monte Carlo :
Estabelecer uma distribuio de probabilidade (modelo)
qual responde uma varivel aleatria (tempo ou custo)
para o risco analisado.
Amostrar esta varivel aleatria um nmero
suficientemente grande de vezes (realizar iteraes).

Csar A. Fernandes - dezembro de 2005

2
4. CONCEITOS ADICIONAIS E ARMADILHAS

4.1. Independncia de variveis aleatrias

O que acontece na realidade que na simulao Monte
Carlo as variveis aleatrias so mltiplas porque afinal de
contas so vrios os riscos identificados no Projeto. Como
ento contabilizar o resultado da simulao de diversas
variveis aleatrias? Basta fazer o seu somatrio, ou seja, a
cada iterao ter-se- o somatrio dessas variveis. De fato
isso verdadeiro, mas para que a simulao esteja correta
necessrio satisfazer uma condio importante: as variveis
aleatrias devem ser independentes. Isto significa que os
eventos de risco simulados tambm devem ser
independentes, ou seja, um no pode influenciar no
resultado do outro ou que pelo menos esta influncia seja
absolutamente mnima. Curiosamente esta condio sine-
qua-non para a simulao Monte Carlo raramente
mencionada em artigos afins.

4.2. O Teorema do Limite Central

O somatrio das variveis aleatrias tambm s possvel
devido ao Teorema do Limite Central, que diz: sob
condies gerais, a funo de distribuio acumulada (cdf)
de uma soma de variveis aleatrias independentes
aproxima-se cdf de uma varivel aleatria gaussiana
apesar da cdf das variveis aleatrias individuais poderem
estar longe de serem gaussianas. Ou seja, pouco importa a
distribuio de probabilidade de cada varivel aleatria
independente correspondente a cada risco analisado, o
somatrio das mesmas resulta sempre em uma distribuio
normal (isso para um nmero considervel de variveis
aleatrias). Isto explica porque as distribuies normais
aparecem com freqncia na prtica. Por exemplo, o desvio
de um mssil balstico de seu alvo quase sempre pode ser
representado por uma varivel aleatria de distribuio de
probabilidade normal, uma vez que depende das condies
meteorolgicas nas diferentes partes da trajetria e de outros
muitos fatores. A lio do Teorema do Limite Central ,
portanto, que o resultado da simulao Monte Carlo
responde uma curva normal de distribuio de
probabilidade (pdf) e cdf, sob pena de tornar a simulao
sem efeito caso contrrio.

4.3. A escolha do modelo

Outro importante detalhe a ser levado em conta para a
qualidade dos resultados obtidos com a simulao a
escolha do modelo, ou seja, da melhor distribuio de
probabilidade para cada risco analisado. O ideal se ter uma
base histrica de riscos e Projetos de uma maneira geral. A
partir dela possvel usar mtodos estatsticos como testes
de aderncia por exemplo ou softwares de ajuste de curvas
para encontrar a distribuio de probabilidade que melhor
representa um determinado histrico.
Se no houver dados histricos ou se eles forem
insuficientes, tem-se dois caminhos. O primeiro deles
investigar se modelagens tradicionais podem ser
empregadas. Por exemplo:
A distribuio Exponencial usada freqentemente na
teoria de filas para modelar lapsos temporais aleatrios,
tais como a chegada de clientes em uma oficina de
manuteno.
Distribuies Lognormal e Gama so freqentemente
utilizadas para modelar a durao de alguma atividade
fsica (a qual no pode ser negativa). So empregadas
largamente na anlise de confiabilidade tal como na
modelagem dos tempos entre falhas de uma mquina.
A distribuio Beta empregada para modelar
propores aleatrias. Nas redes PERT tambm usada
para os tempos aleatrios das atividades.
O segundo caminho para o caso da ausncia de dados
histricos usar a distribuio triangular, para a qual so
necessrios 3 parmetros: um valor de tempo/custo para o
qual o risco mnimo, outro para o qual o risco mximo e
um terceiro para o qual o risco o mais provvel. A figura
abaixo mostra o emprego da distribuio triangular para a
simulao de um risco ou conjunto de riscos em um Projeto.

Fig. 1: Distribuio triangular usada na simulao Monte Carlo.

importante mencionar que para a obteno dos parmetros
da modelagem, sobretudo a de distribuio triangular, deve-
se ter cuidado e critrio no s no processo de anlise
quantitativa, mas nos processos que o antecedem, sob pena
de desnortear as concluses da simulao ou mesmo deix-
las errneas caso contrrio.

5. MONTE CARLO NO MICROSOFT EXCEL

O que foi exposto at o momento so conceitos e
observaes vlidos para o mtodo de Monte Carlo como
um todo, pouco importando a ferramenta de software
utilizada. A partir de agora a nfase para a simulao
utilizando o Microsoft Excel, sem o demrito das outras
ferramentas existentes. Antes de partir daqui, contudo,
extremamente recomendvel que o leitor absorva as idias
essenciais das sees anteriores.

5.1. Ferramentas comerciais

Existem excelentes ferramentas comerciais para realizar o
mtodo de Monte Carlo como por exemplo:
0
50
100
150
200
250
-
$
6
.
2
0
6
-
$
4
.
4
9
3
-
$
2
.
7
8
1
-
$
1
.
0
6
8
$
6
4
5
$
2
.
3
5
7
$
4
.
0
7
0
$
5
.
7
8
3
$
7
.
4
9
5
$
9
.
2
0
8
$
1
0
.
9
2
0
$
1
2
.
6
3
3
$
1
4
.
3
4
6
$
1
6
.
0
5
8
$
1
7
.
7
7
1
$
1
9
.
4
8
3
$
2
1
.
1
9
6
$
2
2
.
9
0
9
$
2
4
.
6
2
1
$
2
6
.
3
3
4
$
2
8
.
0
4
7
$
2
9
.
7
5
9
$
3
1
.
4
7
2
$
3
3
.
1
8
4
$
3
4
.
8
9
7
Custo dos riscos
0%
20%
40%
60%
80%
100%
120%
MNIMO MAIS PROVVEL
MXIMO
Csar A. Fernandes - dezembro de 2005

3
Portfolio/Credit/Scoring/OperationalRisk Browser
(www.numtech.com),
@Risk 4.5 for Excel (www.palisade.com),
Crystal Ball 7 (www.decisioneering.com) e
XLSim/Insight 2.01 (www.analycorp.com).
Infelizmente essas ferramentas esto muitas vezes distantes
do ambiente acadmico e dos pequenos Projetos, no s
pelo custo mas pela falta da cultura e hbito do
gerenciamento de riscos. O presente artigo mostra uma
tcnica direta, til e no menos eficaz para a simulao
Monte Carlo multivariada sem o uso de ferramentas
comerciais, que no o Microsoft Excel.

5.2. Gerador de nmeros pseudo-aleatrios

5.2.1. A idia inicial

J foi mencionado que o mtodo de Monte Carlo um
mtodo numrico estocstico e consiste da simulao de
variveis aleatrias que correspondem aos riscos do Projeto.
A cada iterao gerado um valor para essas variveis. Ora,
j que essas variveis so puramente aleatrias por
definio, nada mais sensato que seus valores sejam obtidos
atravs de adivinhao, por exemplo. Entretanto h dois
inconvenientes para essa abordagem. O primeiro que no
prtico ficar fazendo adivinhaes em centenas ou milhares
de iteraes para mltiplas variveis. O segundo que o
resultado dificilmente satisfaria o modelo de distribuio de
probabilidades escolhido. O que se faz ento usar um
gerador de nmeros aleatrios, que na verdade no existe,
uma vez que esses geradores seguem algoritmos, que por
definio nada tm de aleatrios. Na verdade tais so
geradores de nmeros pseudo-aleatrios, que para este
artigo em particular tambm sero referidos como geradores
de nmeros randmicos pela simples banalidade do termo e
no pelo vcio do anglicismo.
Bem, o MS Excel j possui um gerador de nmeros
randmicos atravs da funo ALEATRIO(), a qual gera
um nmero pseudo-aleatrio entre 0 e 1. Ateno, pois a
distribuio de probabilidade dada por ALEATRIO () do
tipo uniforme. Se se quiser outros tipos de distribuies,
adaptaes so necessrias como por exemplo:
Distribuio uniforme contnua (de a a b):
=a+(b-a)*ALEATRIO( ).
Distribuio triangular simtrica (de a a b):
=a+(b-a)*(ALEATRIO( )+ALEATRIO( ))/2.
Distribuio normal (ou de Gauss):
=INV.NORM(ALEATRIO( );;).
Distribuio exponencial:
=(-1/)*LN(ALEATRIO( )).

5.2.2. Uma melhor abordagem: Mersenne Twister (MT)

Uma vez escolhida a distribuio de probabilidade para um
determinado risco, determinar a equao correspondente no
MS Excel em funo de ALEATRIO() pode ser bem
enfadonho, para no dizer contra-producente. Alm do mais,
o algoritmo usado em ALEATRIO(), no tido como
confivel segundo LEcuyer (2001) e Apigian e Gambille
(2004) sendo assim no recomendado para a simulao
Monte Carlo.
Entretanto, graas pesquisa e iniciativa de dois
matemticos japoneses (os professores Makoto Matsumoto e
Takuji Nishimura), existe uma soluo altura das melhores
ferramentas comerciais para o mtodo de Monte Carlo,
seno superior. Eles desenvolveram o Mersenne Twister
(MT) em 1996/1997 e o aperfeioaram em 2002, que um
gerador de nmeros randmicos (pseudo-aleatrios), o qual,
alm de ser referenciado e elogiado, tem licena gratuita
disponibilizada por seus autores para todo uso, inclusive
comercial. Por ser um gerador linear de nmeros
randmicos, seu uso ideal para simulaes Monte Carlo.
Mais detalhes podem ser obtidos em
www.math.sci.hiroshima-u.ac.jp/~m-mat/MT/emt.html. Eles
tambm disponibilizaram atravs da Numerical
Technologies Inc. o NtRand (Numerical Technologies
Random Generator for Excel) que um suplemento (add-in)
para o MS Excel. Criado por Hideyuki Torii, o NtRand um
software de distribuio gratuita, sem custo de licena,
desde que seja usado para fins no-lucrativos. Mais detalhes
do NtRand podem ser obtidos em
www.numtech.com/NtRand/index.htm.

5.2.3. A escolha da semente

Tomando por base a condio de independncia das
variveis aleatrias vista na seo 4.1, pode-se concluir que
a semente utilizada no gerador de nmeros randmicos para
cada risco (ou conjunto de riscos) simulado deve ser
diferente, preferencialmente arbitrada por quem est fazendo
a simulao. Ou seja, a gerao randmica para cada
varivel aleatria deve partir de chutes iniciais puramente
aleatrios. Isso possvel com o NtRand.

5.3. Determinao do nmero de iteraes

J foi visto que para o mtodo de Monte Carlo quanto maior
o nmero de iteraes tanto melhor. Mesmo assim seria
interessante estimar um mnimo necessrio de iteraes para
um erro estipulado.
Seja um Projeto de custo total mnimo Cmin e custo total
mximo Cmax. Da frmula do erro total vista na seo 3.2
vem que o nmero de iteraes dado por
2
. 3

N .
A faixa superior de pode ser estimada calculando-se o
desvio padro entre Cmin, Cmax e o valor mdio. No MS
Excel isso se traduz em:
= DESVPADP(Cmin:Cmax;MDIA(Cmin:Cmax)).
Estipula-se ento um erro relativo (em %)
%
. O erro total
absoluto pode ento ser calculado como a mdia da varivel
aleatria vezes seu erro relativo. No MS Excel tem-se ento
que = MDIA(Cmin:Cmax)*
%
. Finalmente o nmero de
iteraes para um erro inferior a
%
ser dado por
POTNCIA(3* /;2). Esta a estimativa do nmero
mnimo necessrio de iteraes, o que significa que um
nmero consideravelmente maior que este deve ser levado
em conta para um bom resultado da simulao. Vale
destacar aqui que o Mersenne Twister um algoritmo
Csar A. Fernandes - dezembro de 2005

4
bastante rpido a ponto de permitir uma simulao
praticamente instantnea para iteraes da ordem de alguns
milhares em mquinas com um processador hoje to
modesto quanto um Intel Pentium 100. Via-de-regra isto
mais que suficiente na maioria dos casos.

5.4. Preparao

Antes de se partir para o uso da ferramenta, necessrio
garantir alguns requisitos bsicos:
Conhecer os 6 principais processos de Gerenciamento
de Riscos mencionados na seo 2.2.
Instalar ou ter instalado o Microsoft Excel 97, 2000,
XP, 2003 em um sistema operacional Microsoft
Windows 95, 98, Me, NT4.0, 2000 ou XP em qualquer
idioma. O uso do Excel 5.0 no Windows 95/98 tambm
possvel para a simulao, embora sua correta
operao no tenha sido testada.
Instalar o suplemento (add-in) NtRand segundo seu
manual (www.numtech.com/NtRand/index.htm). O
arquivo NtRand.xll o que contm o suplemento
NtRand.
Habilitar no seu Excel no menu ferramentas (tools) o
suplemento de Anlise de Dados (Data Analysis). A
partir da pode-se usar a ferramenta de Histograma.

5.5. A receita do bolo

5.5.1. Abordagens para a identificao de riscos

Uma abordagem bastante disseminada na identificao de
riscos com vistas ao mtodo de Monte Carlo determinar
um nvel na WBS (Work Breakdown Structure Estrutura
Analtica do Trabalho) para cujos elementos se possa
identificar riscos/incertezas. Identificam-se os riscos
relacionados a esses elementos/atividades e ento atribui-se
a esses elementos uma determinada distribuio de
probabilidade. A simulao se d assim sobre as atividades
afetadas e indiretamente sobre os riscos.
O autor v este tipo de abordagem para a simulao Monte
Carlo como bastante perigosa seno errnea uma vez que
bem possvel que haja riscos comuns a essas atividades s
quais se associa uma varivel randmica. As variveis
randmicas devem ser associadas aos eventos de risco em si
e no s atividades ou elementos da WBS afetados por esses
riscos. Se no for assim, h chances de um
comprometimento da condio de independncia das
variveis randmicas (ver seo 4.1). Por exemplo, o risco
de acidente de trabalho em uma atividade do Projeto de uma
obra civil um risco comum a vrias atividades e faz com
que sua ocorrncia em uma determinada atividade influencie
outras porque primeiro os recursos de mo-de-obra so
comuns e segundo que conforme sua gravidade pode mesmo
paralisar toda a obra.
Desse modo mais coerente uma abordagem de
identificao orientada ao risco e no orientada aos
elementos da WBS, sem detrimento da assertividade na
identificao dos riscos, uma vez que nas duas situaes
tcnicas comuns so empregadas, tais como: brainstorming,
comparao com Projetos similares, estudos relevantes de
lies aprendidas e experincia e opinies de especialistas.
Essa segunda abordagem possui a vantagem adicional de
possibilitar a simulao por categorias/tipos de riscos, ou
seja, cada categoria correspondendo a uma varivel
randmica. Isso colabora para que o nmero de variveis
randmicas seja reduzido e para que haja uma chance muito
maior de independncia entre essas variveis uma vez que
riscos de categorias distintas dificilmente influenciam uns
nos outros.

5.5.2. Passo-a-passo

Finalmente pode-se partir para a soluo passo-a-passo para
a simulao Monte Carlo no MS Excel:

1. Proceder preparao descrita na seo 5.4.
2. Obter o valor base do Projeto (em termos de tempo ou
custo).
3. Identificar os riscos do Projeto. Lembrar de considerar
no s as ameaas mas tambm as oportunidades.
4. Fazer a anlise qualitativa desses riscos. Lembrar que
Risco = Impacto x Probabilidade.
5. Estabelecer um modelo de distribuio de probabilidade
para cada risco encontrado, assim como os valores dos
parmetros para cada modelo. Por exemplo, pode-se
usar o valor esperado mais provvel, o valor esperado
pior caso e valor esperado melhor caso para uma
distribuio de probabilidades triangular. No NtRand,
especificar os modelos e parmetros escolhidos.
6. Determinar o nmero mnimo de iteraes como
mostrado na seo 5.3.
7. Escolher aleatoriamente as sementes usadas no NtRand
para cada varivel randmica (risco).
8. Fazer a simulao com o NtRand para um nmero de
iteraes consideravelmente maior que o mnimo
calculado no passo 6.
9. Para cada iterao, calcular o risco total como o
somatrio dos riscos simulados.
10. Adicionar o risco total ao valor base do Projeto.
11. Usar a ferramenta de Histograma do MS Excel menu
ferramentas (tools) o suplemento de Anlise de Dados
(Data Analysis). para gerar os grficos,
principalmente a curva de distribuio acumulada.

Obs.:
Verificar se a curva de distribuio de probabilidades
gerada para o valor total do Projeto se assemelha a uma
curva normal.
perfeitamente vivel no passo 5 agrupar os riscos
identificados em categorias independentes e estabelecer
os modelos e parmetros para cada categoria ao invs
de para cada risco. Assim o passo 5 seria desdobrado
ento em dois. Neste caso, lembrar de calcular o risco
total por categoria.

6. EXEMPLO PRTICO

Em termos mais prticos, tem-se a seguir o exemplo do
emprego do mtodo de Monte Carlo para simular os custos,
levando em considerao a anlise de riscos, de um Projeto
Csar A. Fernandes - dezembro de 2005

5
de uma obra civil residencial.
Seguindo os passos da seo 5.5.2:
1. OK. Ver seo 5.4.
2. Valor base do Projeto: $154000.
3. Riscos: clima/chuva, aumento custo de
material/insumos INCC, atraso no pagamento do
cliente, normas/fiscalizao da Secretaria de Meio
Ambiente, falta de mo-de-obra qualificada
(retrabalho), acidente de trabalho na obra, atraso por
parte dos fornecedores de material, alterao de escopo,
atraso na regularizao do INSS, reclamaes
trabalhistas, incompatibilizao dos projetos com
respectiva execuo, erro na execuo, falha nos
projetos, especificao desatualizada, pedido errado de
material. Oportunidades: tempo/custo melhor que o
previsto, marketing (por indicao), surgimento de
materiais alternativos mais baratos.
4. Impacto x Probabilidade = Valor Esperado do Risco.
Segue-se a ordem do item 3 acima para o valor
esperado. Riscos: $600, $1350, $900, $75, $750, $450,
$75, $1688, $150, $225, $675, $1800, $225, $38, $150.
Oportunidades: $500, $450, $90.
5. Distribuio de probabilidade empregada: triangular.
Categorizao dos riscos: externo, financeiro,
RH/jurdico e tcnico. Considerando:
Valor esperado mais provvel = valor esperado das
ameaas valor esperado das oportunidades.
Valor esperado pior caso = valor esperado das
ameaas.
Valor esperado melhor caso = valor esperado das
oportunidades.
Tem-se ento que [categoria (melhor caso, mais
provvel, pior caso)]:
Externo (-$2000, $550, $9000).
Financeiro ($0, $2400, $11250).
RH/Jurdico ($0, $1425, $21750).
Tcnico (-$6500, $4350, $36750).
O total ser (-$8500, $8725, $78750).
6. Risco total mais o valor base do Projeto:

Erro relativo arbitrado: 2%. A partir da calcula-se:

onde
=DESVPADP(G2:G4;MDIA(G2:G4))
=MDIA(G2:G4)*J7
Nmero de iteraes=POTNCIA(3*J6/J8;2).
7. Par de sementes puramente aleatrias por categoria:
Externo: 18 e 8.
Financeiro: 21 e 4.
RH/Jurdico: 18 e 2.
Tcnico: 12 e 34.
8. Nmero de iteraes estipulado: 10000. Para os riscos
de ordem tcnica, por exemplo, ter-se-ia para a
simulao com o NtRand:

Aqui a clula E6 possui a frmula:
{=NtRandTriangular(10000;0;E2;E4;E3;12;34)}.
9. Iterao TOTAL
1 $7.287,86
2 $14.154,24
3 $35.761,54

10. TOTAL TOTAL+VB
$7.287,86 $168.627,86
$14.154,24 $175.494,24
$35.761,54 $197.101,54
11. Sobre os dados da coluna Total+Valor Base so obtidos
o histograma e a curva de distribuio acumulada para o
custo do Projeto. A partir destes grficos gerados ou
suas fontes de dados possvel afirmar, por exemplo,
que h 80% de chance do custo do Projeto,
considerando os riscos, no ultrapassar $196.956,67.
0
50
100
150
200
250
300
$
1
5
8
.
0
4
6
$
1
6
1
.
5
2
0
$
1
6
4
.
9
9
4
$
1
6
8
.
4
6
8
$
1
7
1
.
9
4
3
$
1
7
5
.
4
1
7
$
1
7
8
.
8
9
1
$
1
8
2
.
3
6
5
$
1
8
5
.
8
3
9
$
1
8
9
.
3
1
3
$
1
9
2
.
7
8
8
$
1
9
6
.
2
6
2
$
1
9
9
.
7
3
6
$
2
0
3
.
2
1
0
$
2
0
6
.
6
8
4
$
2
1
0
.
1
5
9
$
2
1
3
.
6
3
3
$
2
1
7
.
1
0
7
$
2
2
0
.
5
8
1
$
2
2
4
.
0
5
5
M
a
i
s
Custo Total
0%
20%
40%
60%
80%
100%
120%

Fig. 2: Histograma e curva de distribuio acumulada resultantes da
simulao Monte Carlo para o exemplo da seo 6.

7. CONSIDERAES FINAIS

Apesar do mtodo de Monte Carlo ser uma ferramenta do
processo de Anlise Quantitativa de Riscos, ela tambm
pode ser empregada aps o processo de Planejamento de
Respostas a Riscos (ver seo 2.2). O melhor realmente
seria fazer a simulao Monte Carlo nos dois processos de
forma a melhor avaliar e estimar a economia em termos de
tempo ou custo que o Planejamento de Respostas a Riscos
traz. A ttulo de curiosidade, o Planejamento de Respostas a
Riscos feito para o exemplo da seo 6 revelou uma
Csar A. Fernandes - dezembro de 2005

6
economia de em torno de 6,5% sobre o valor base do
Projeto.
J foi mencionado que um nmero de iteraes
consideravelmente grande no problema no NtRand,
podendo o passo 6 da seo 5.5.2 ser eventualmente
desconsiderado. No exemplo prtico da seo 6, o nmero
mnimo necessrio de iteraes foi de 739, mas a simulao
foi realizada com 10000 iteraes. Se o passo 6 da seo
5.5.2 for desconsiderado, recomenda-se aps a simulao
calcular o erro absoluto para o nmero de iteraes
arbitradas e verificar se este erro tolervel. Para o exemplo
prtico da seo 6, a verdadeira estimativa de erro, ou seja,
ps-simulao, = $325,66.

8. CONCLUSES

O mtodo de Monte Carlo ou simulao Monte Carlo nada
mais do que um mtodo numrico estocstico universal
para a soluo de problemas matemticos. Seu emprego no
Gerenciamento de Riscos em Projetos deve-se basicamente
difcil (ou impraticvel) modelagem de predio dos
riscos.
Os conceitos de independncia de variveis aleatrias, do
teorema do Limite Central e da escolha do melhor modelo
so fundamentais para a realizao do mtodo de Monte
Carlo. Infelizmente esses conceitos so deixados de lado em
artigos correlatos sobre o emprego do mtodo no
Gerenciamento de Riscos em Projetos ou mesmo so do
desconhecimento de experientes Gerentes de Projetos que
fazem uso da simulao.
O Mersenne Twister talvez seja atualmente o melhor
algoritmo para a gerao linear de nmeros randmicos,
ideal para a simulao Monte Carlo. O trabalho e iniciativa
dos professores Matsumoto e Nishimura na criao do
algoritmo bem como na sua liberao para uso e
disponibilizao como suplemento do MS Excel (o NtRand)
foram definitivamente chave para este artigo. O NtRand em
conjunto com a ferramenta de histogramas do suplemento de
anlise de dados do MS Excel permitem realizar de uma
maneira fcil, rpida e extremamente confivel a simulao
Monte Carlo no MS Excel, tanto no mbito acadmico como
profissional.
As variveis randmicas devem ser associadas aos eventos
de risco em si e no s atividades ou elementos da WBS
afetados por esses riscos. Se no for assim, h chances de
um comprometimento da condio de independncia das
variveis randmicas (ver seo 4.1). mais coerente uma
abordagem de identificao orientada ao risco e no
orientada aos elementos da WBS, o que curiosamente vai
contra a orientao de determinados autores sobre o assunto.
No exemplo da seo 6, o valor base do Projeto de
$154000. Uma prtica no elegante mas bastante comum
arbitrar uma margem de segurana para prever incertezas e
surpresas durante o Projeto, como, por exemplo, 15%. Isso
daria $177100 de custo estimado considerando os riscos.
Verificou-se com uma anlise coerente de riscos e a
simulao Monte Carlo que h 80% de chance do custo do
Projeto, considerando os riscos, no ultrapassar $197000
com um erro = $326. Isso significa ter adotado uma
margem de segurana de 28% sobre o valor base com 80%
de chance estimada de assertividade. Em suma, a simulao
Monte Carlo no Gerenciamento de Riscos em Projetos
confere muito mais confiabilidade na mensurao das
incertezas que envolvem os Projetos.
No basta o mtodo de Monte Carlo em si ser bem
realizado, preciso que o valor base do Projeto e a
identificao e anlise qualitativa de riscos estejam
absolutamente consistentes, sob pena claro de deturpar ou
mesmo invalidar as estimativas da simulao caso contrrio.

9. REFERNCIA BIBLIOGRFICA E DA
INTERNET

APIGIAN, CHARLES H.; GAMBILL, STANLEY E. Is
Microsoft Excel 2003 Ready for the Statistics Classroom?
Journal of Computer Information Systems, 2004.

JEGES, ROB. Monte Carlo simulation in MS Excel.
www.projectware.com.au/pw040.html.

KERZNER, HAROLD. Project Management: a systems
approach to planning, scheduling and controlling 8th ed.
New Jersey: John Wiley & Sons, Inc., 2003.

L'ECUYER, PIERRE. Software for Uniform Random
Number Generation: Distinguishing the Good and the Bad,
IEEE Press, Dec. 2001, 95-105.

LEON-GARCIA, ALBERTO. Probability and random
processes for electrical engineering. Addison-Wesley
Publishing Company, 1989.

MATSUMOTO, MAKOTO; NISHIMURA, TAKUJI.
Mersenne Twister. http://www.math.sci.hiroshima-
u.ac.jp/~m-mat/MT/emt.html.

PROJECT MANAGEMENT INSTITUTE (PMI). A Guide
to the Project Management Body of Knowledge (PMBoK)
Third Edition. Project Management Institute, Inc., 2004.

SBOL, I. M.; VEGA, CARLOS (tradutor). Lecciones
Populares de Matemticas Mtodo de MonteCarlo.
Moscou: Editora MIR, 1976.

VOSE, DAVID. Risk Analysis: A Quantitative Guide,
Second Edition. John Wiley & Sons (UK), 2000.

10. SOBRE O AUTOR

Csar Augusto Fernandes, Engenheiro
Eletrnico graduado pelo Centro
Federal de Educao Tecnolgica do
Paran, MBA Executivo em
Gerenciamento de Projetos pelo ISAE
Fundao Getlio Vargas, possui
experincia profissional nas reas de
Telecomunicaes/TI e Automotiva em multinacionais de
grande porte no Brasil e nos Estados Unidos. Atualmente
Gerente de Projetos para as empresas TDL Brasil Ltda. e
Servitel Telecomunicaes Ltda.