Você está na página 1de 13

Maturidade e desafios da Engenharia de Produo: competitividade das empresas, condies de trabalho, meio ambiente.

XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUO


So Carlos, SP, Brasil, 12 a15 de outubro de 2010.

GERENCIAMENTO DE PROJETOS: SIMULAO DE MONTE CARLO VIA A FERRAMENTA SIMULAR


Gilberto de Aguiar (SUSTENTARE) gilbertodeaguiar@gmail.com Custodio da Cunha Alves (UNIVILLE) custodio.alves@univille.net Elisa Henning (UFSC) dma2eh@joinville.udesc.br

Muitas so as tcnicas de anlise quantitativa aplicadas na soluo de problemas gerenciais. A simulao, objeto de estudo deste artigo, uma delas, muito utilizada nas organizaes para o tratamento de problemas administrativos dessa natuureza. O objetivo deste artigo apresentar os fundamentos estatsticos e as aplicaes do Mtodo de Monte Carlo (MMC) em ambiente Simular, um recurso computacional gratuito. Este recurso aplicado anlise estatstica de dados para a tomada de deciso em gerenciamento de projetos por exemplo. No intuito de apresentar uma aplicao prtica do mtodo em questo, ser realizada uma simulao com a ferramenta de software SimulAr, tornando possvel que o leitor possa compreender o MMC e realizar suas prprias simulaes. Palavras-chaves: Projetos, simulao, Monte Carlo

1. Introduo Atualmente, muito comum a aplicao de simulaes para obteno de valores esperados associados a acontecimentos futuros. Isso, resultado do advento de novas tecnologias e computadores cada vez mais potentes, um pr-requisito bsico para a realizao de simulaes. Entretanto, alguns profissionais acabam abandonando a aplicao das ferramentas de simulao em virtude do pouco conhecimento estatstico ou da baixa atratividade pelos resultados obtidos (KWAK & INGALL, 2007). Os mtodos de simulao so ferramentas utilizadas para a tomada de deciso na soluo de problemas de vrias naturezas, especialmente teis em situaes que envolvem anlise de riscos para predizer o resultado de uma deciso face incerteza. A aplicao da simulao em problemas gerenciais requer primeiramente a modelagem em termos matemticos do sistema que se pretende investigar, tornando conhecidas as variveis e os relacionamentos relevantes do problema, permitindo simular as respostas do sistema a diferentes escolhas (polticas) da tomada de deciso. Existem vrios mtodos de simulao. Neste trabalho, abordado especificamente o mtodo de Monte Carlo (MMC) que uma tcnica de simulao de sistemas discretos, muito utilizada em reas como gesto de projetos, economia, fsica, qumica, medicina, entre outras. Quando aplicado gesto de projetos, por exemplo, essa tcnica de simulao tem como foco trs reas de conhecimento: risco, custo e tempo (GALVO, 2005). possvel citar algumas ferramentas que auxiliam na simulao do MMC, tais como o @Risk, o SimulAr (proposta de trabalho), o Crystal Ball, etc. A maioria dessas ferramentas paga, levando muitos profissionais da gesto de projetos, por exemplo, a abandonarem a simulao e a utilizao de ferramentas que necessitem de grande conhecimento em torno do modelo estatstico e distribuies utilizadas. Neste artigo, desenvolveu-se um caso prtico utilizando simulao MMC com base no ambiente SimulAr, que um recurso de auxlio a simulao de acesso gratuito. Os principais fatores que motivaram este trabalho tratam diretamente da apresentao de uma ferramenta gratuita, a contextualizao objetiva e direta sobre o que realmente o MMC e quais seus fundamentos estatsticos. Na seo 2, os pr-requisitos estatsticos para a utilizao do MMC so abordados, possibilitando uma compreenso do mtodo como um todo. Para a aplicao prtica do mtodo Monte Carlo, as sees 3 e 4 tratam respectivamente sobre sua aplicao em ambientes de projetos e utilizao aliada a ferramenta gratuita SimulAr. Concluses e consideraes finais esto presentes na seo 5 do atual trabalho. 2. Monte Carlo O mtodo de simulao Monte Carlo uma tcnica que utiliza a gerao de nmeros aleatrios para atribuir valores s variveis do sistema que se deseja investigar. Os nmeros aleatrios podem ser obtidos atravs de algum processo aleatrio como tabelas ou diretamente do computador, atravs de funes especficas. A simulao, ento, replicada muitas vezes, at que exista segurana sobre o comportamento caracterstico da varivel decisria sobre a qual recair a deciso. A aplicao desse mtodo nas empresas comum em problemas de anlise de riscos, poltica de estoque, fluxo de produo, filas de espera e em polticas de manuteno de mquinas. Este mtodo de simulao consiste em um processo de operao de modelos estatsticos de modo a lidar experimentalmente com variveis descritas por funes

probabilsticas. Nestes modelos, o tratamento analtico muito trabalhoso, e o MMC pode ser empregado como uma excelente alternativa para analisar experimentalmente os efeitos conjuntos das variveis aleatrias no sistema. O mtodo recebeu este nome devido famosa roleta de Monte Carlo, no Principado de Mnaco, no ano de 1944, perodo da Segunda Grande Guerra, poca em que foi usado como ferramenta de pesquisa para o desenvolvimento da bomba atmica. Porm existem registros isolados de sua utilizao em datas bem anteriores e prximas da segunda metade do sculo XIX, onde vrias pessoas executaram experincias nas quais lanavam setas, utilizando do acaso, sobre uma tbua onde havia um conjunto de linhas paralelas e deduziram que o valor de = 3,14..., observando o nmero de intersees entre as setas e linhas (PLLANA, 2002). A lgica do MMC simples e como exemplo de sua utilizao possvel calcular a rea aproximada para a figura 1, a seguir, contida num quadrado de lado 10cm (CUNHA, 2009).

Fonte: Cunha (2009) Figura 1: Quadrado de lado 10cm

Para efetuar um clculo aproximado do tamanho da imagem da figura (1) so tomados, no interior do quadrado, 100 pontos ao acaso conforme a figura (2) a seguir.

Fonte: Cunha (2009) Figura 2: Quadrado de lado 10cm pontilhado por 100 valores aleatrios

Dos pontos aleatrios, ocorreram 22 pontos no interior da regio assinalada. Logo, uma aproximao para sua rea dada por uma relao: 22/100 = rea/100 = 22 cm2. No exemplo citado, por se tratar de uma figura poligonal, possvel efetuar o clculo de sua rea com preciso: 19,75 cm2 Segundo Fernandes (2005), o MMC consiste basicamente em gerar aleatoriamente sucessivas amostras N (variveis aleatrias) que so ento testadas contra um modelo estatstico, no caso, uma distribuio de probabilidades. Este mtodo fornece uma estimativa de valor esperado e um provvel erro para estimativa, que inversamente proporcional ao nmero de iteraes, logo, quanto maior o nmero de iteraes menor ser o erro.

Dias de Moura (2010) prope para a utilizao do o MMC a execuo e a anlise de seis etapas conforme a seguir: a) b) Desenvolvimento do modelo: o problema e suas caractersticas so modelados em uma planilha eletrnica, na qual a relao entre as variveis do modelo estabelecida; Identificao de incertezas: identificadas as incertezas torna-se possvel enquadr-las como variveis do modelo em questo. O estudo de cada uma das variveis necessrio para que se defina a melhor distribuio de probabilidade se ajusta quela srie de dados; Identificao de variveis de anlise ou de sada: as variveis de estudo so identificadas e analisadas quanto ao seu comportamento; Gerar Simulao: executar o modelo N vezes, gerando a srie de valores para a varivel de anlise; Anlise do Modelo Simulado: obter a distribuio de freqncia e distribuio de freqncia acumulada para as variveis de anlise (sada); Tomar a Deciso: tomar a deciso com base nas informaes obtidas em conjunto com outros aspectos relevantes do modelo.

c) d) e) f)

3. Simulao de Monte Carlo nos segmentos de projetos Para criar a simulao do MMC em um projeto, o modelo executado vrias vezes, por meios computacionais, retornando assim uma distribuio estatstica dos resultados calculados, sejam para tempo ou custos. Para simulaes envolvendo tempo necessrio conhecermos o caso otimista, pessimista e esperado, tornando possvel a atribuio de uma distribuio de probabilidades mais apropriada aos valores. Com o modelo formado a partir das informaes j conhecidas, ao efetuar as simulaes com um nmero de iteraes tendendo ao infinito temos como resultado uma distribuio normal. Uma vez que seja conhecida a distribuio normal em torno do seu projeto, torna-se possvel responder com firmeza a famosa pergunta qual a probabilidade do meu projeto terminar no prazo? (VARGAS, 2008). As simulaes do MMC podem ser realizadas de vrias maneiras. Atualmente, as formas mais conhecidas e aplicadas so atravs de mtodos computacionais, porm importante salientar que algumas formas de simulao exigem grande conhecimento estatstico ou ainda de programao (Vargas, 2008). O desenvolvimento de modelos classificado de acordo com o enfoque estatstico do gerente de projetos em questo, sendo dividido em: a) Puramente estatstico: desenvolvimento de lgicas avanadas a partir de modelos estatsticos, frmulas matemticas e ainda estrutura de programao. Para esse tipo de simulao pode-se utilizar softwares estatsticos como GNU R (R Development Core Team, 2008), Matlab e Minitab. O modelo possui uma caracterstica marcante, devida utilizao de um conjunto de tcnicas um pouco afastadas do cotidiano de muitos gerentes de projeto; Customizvel estatstico: tem sua base de utilizao fundamentada em planilhas eletrnicas junto a plug-ins (complementos) diversos. Cada complemento possui funo nica na estrutura criada, como por exemplo, um plug-in responsvel por gerar nmeros aleatrios para uma distribuio normal. Como vantagens para os gerentes que operam neste patamar, podemos citar modelos mais enxutos e personalizados exigindo um grau menor de conhecimentos estatsticos. No entanto, existem grandes dificuldades em reunir

b)

todos os plug-ins necessrios e at mesmo saber das necessidades estatsticas do modelo a ser desenvolvido; c) Foco no modelo: os principais softwares para simulao do MMC possuem uma caracterstica em comum: so ferramentas que operam junto a planilhas eletrnicas. O grande diferencial dessas ferramentas que exigem um conhecimento bsico em estatstica a simplicidade de utilizao e uma quantidade elevada de recursos para realizao de simulaes e anlises. Elas tm como objetivo geral abstrair modelos estatsticos, frmulas matemticas e estruturas de programao, tornando muito mais simples e rpida a criao de novos modelos.

Projetos exigem muito tempo e dedicao, porm nem sempre este recurso disponvel de forma adequada para o desenvolvimento de modelos extensos, customizados e que utilizem programao. A simulao do MMC est associada diretamente a gesto de riscos em projetos, sendo uma das anlises quantitativas mais utilizadas para custo, prazo e risco. A exposio ao risco a probabilidade multiplicada pelo seu impacto, porm na maior parte dos exerccios, essa probabilidade j informada e o clculo destes valores obtido atravs de simulaes, onde o MMC um dos mais aplicados (VARGAS, 2008).

Figura 3: Grfico de Gantt

De forma prtica, o MMC gera valores aleatrios obedecendo o modelo proposto. Como exemplo, podemos utilizar o projeto da figura (3), na primeira iterao so gerados nmeros aleatrios para as atividades A, B e C, no segundo ciclo o processo repetido, porm com novos valores. Aps um nmero elevado de iteraes, por exemplo, vinte mil iteraes, uma distribuio probabilstica obtida para o projeto em questo, indicando as probabilidades de finalizao do projeto como um todo ou das atividades A, B e C. Algumas perguntas referentes ao projeto no possuem respostas simples, principalmente questes sobre custo, tempo e quantificao de riscos. Para ajudar o gerente de projetos o MMC se dispe a auxiliar nas respostas referentes aos questionamentos de cenrios do tipo e se? (KWAK & INGALL, 2007). 3.1 Cenrios do tipo "e se?" Em muitos casos, por desconhecimento de ferramentas para a realizao de simulaes, o gerente de projetos acaba utilizando o pior caso como base para o clculo de contingncias em duraes e custos por exemplo. O levantamento de riscos e anlise de forma sistemtica (pior caso) uma sada rpida e fcil, mas que pode minimizar a competitividade da proposta do projeto, ou torn-la competitiva demais resultando em prejuzos a equipe (SALLES ET AL., 2007).

E se a situao representada pelo cenrio X ocorrer? Essa a pergunta base para um estudo sobre o cenrio e se?. Para custos e tempo realizada uma anlise da rede do cronograma, que avalia a possibilidade de alguns acontecimentos como uma greve, atraso na entrega de um importante componente ou ainda fatores externos que interfiram no projeto. O resultado da anlise efetuada so uma das entradas para a avaliao de viabilidade do cronograma do projeto e preparo de plano de resposta a situaes inesperadas. A tcnica mais comum para a simulao de vrias duraes do projeto com conjuntos diferentes de premissas das atividades o MMC (PMBOK 4, 2008). A aplicao no automatizada de cenrios e se? em projetos de pequeno porte pode ser vivel, porm em projetos de mdio ou grande porte essa tarefa passa a ser algo rduo, chegando ao ponto de consumir tanto tempo do gerente que uma abordagem manual torna-se quase impossvel. Isso acontece devido ao grande nmero de variveis que precisam ser controladas em virtude das revises de cronograma ou solicitao de mudanas no projeto. A automatizao de simulaes fornece benefcios como o ganho de tempo e ainda uma viso mais profunda do planejamento, pois alguns modelos propostos podero apresentar como resultado eventos no previstos pela equipe. 4. Proposta de aplicao da Ferramenta SimulAr O SimulAr uma ferramenta desenvolvida na Argentina e pode ser acessada em www.simularsoft.com.ar de forma gratuita. Sua forma de licenciamento considerada "Emailware", o que torna necessrio o envio de um e-mail para a equipe responsvel pela ferramenta com comentrios sobre o modelo desenvolvido, objetivando a "disperso" de simulao e tcnica de anlise de riscos tanto no ambiente acadmico como empresarial (SIMULARSOFT, 2009). A criao do modelo segue os seis passos descritos por Dias de Moura (2010) , onde a ferramenta SimulAr utilizada como base de toda a simulao desenvolvida. O estudo de caso caracterizado como foco no modelo, pois esta ferramenta robusta prpria para realizar simulaes de MMC. A simulao de Monte em Carlo realizada em um projeto simples, sem diviso por entregas e sua estrutura se refere implantao de um produto de software padro. O foco da simulao proposta apresentar um percentual de certeza para a durao do projeto.

Figura 4: Grfico de Gantt e duraes do projeto analisado

Os dados apresentados na figura (4) so referentes ao projeto analisado e fundamentados com informaes histricas a partir de vrias de suas execues em clientes distintos. O cronograma do projeto criado segue as linhas gerais de implantao utilizadas por empresas do segmento de softwares para a gesto de qualidade. Tratando-se de uma ferramenta de utilizao da rea de qualidade em sua maioria, a implantao acaba no afetando toda a

organizao, resultando em um projeto com menor durao quando comparado com a implantao dos Sistemas Integrados de Gesto Empresarial. Vale lembrar que o projeto supracitado algo fictcio com finalidade apenas de demonstrar a real utilizao da simulao do MMC. A partir do momento em que todas as informaes existentes sobre o projeto so reunidas, possvel iniciar o desenvolvimento do MMC. Todos os seis passos descritos por Dias de Moura (2010) foram realizadas na simulao executada. 4.1 Desenvolvimento do modelo As condies histricas referentes ao projeto foram resgatadas e aplicadas junto s duraes estimadas do projeto. Para uma definio mais clara das distribuies aplicadas a cada uma das variveis uma coluna Desvio padro foi criada com base na durao estimada, melhor e pior caso, conforme figura (5).

Figura 5: Informaes referentes ao projeto

A partir das informaes presentes no desenvolvimento do modelo torna-se possvel realizar algumas anlises como a durao total do projeto para valores estimados, melhor e pior caso. 4.2 Identificao de incertezas Esta etapa muito importante, pois a partir dela toda a modelagem far uso das variveis identificadas. Caso alguma varivel seja definida de forma errnea todo o modelo comprometido, resultando em informaes falsas que podero incidir em decises erradas no projeto. Para o projeto analisado, as incertezas esto associadas a durao de cada uma das atividades. preciso compreender que a durao total do projeto no pode ser adotada como incerteza, mas sim como resultado a partir da soma de incertezas identificadas neste caso.

Figura 6: Valores histricos em horas para atividade "Primeiro contato com cliente" e Levantamento do ambiente de TI do cliente

Analisando as atividades "Primeiro contato com cliente" e Levantamento do ambiente de TI do cliente. Seus valores histricos apresentados na figura (6) podem ser caracterizados com uma distribuio normal (desvio padro igual a 0,2 de hora) e triangular respectivamente.

Figura 7: Distribuies presentes no software SimulAr.

Como se pode observar, a figura (7) contempla todas as distribuies suportadas pela ferramenta SimulAr. Dentre as quais algumas abordadas neste documento, sendo elas a distribuio normal, triangular, uniforme e lognormal. Para a varivel referente a atividade "Primeiro contato com cliente" foi definida na planilha eletrnica a entrada de dados e sua respectiva distribuio de acordo com seus valores histricos, conforme figura (8).

Figura 8: Criao da varivel referente atividade "Primeiro contato com cliente"

Tratando-se de uma varivel com caractersticas de uma distribuio triangular, a atividade Levantamento do ambiente de TI do cliente recebe uma parametrizao diferente da primeira atividade. No entanto, isso no um problema, uma vez que cada varivel assume distribuies distintas, conforme figura (9).

Figura 9: Criao da varivel referente atividade Levantamento do ambiente de TI do cliente

Conforme a figura (9), observa-se uma nova coluna chamada Tipo de distribuio na planilha de informaes do projeto, esta coluna apresenta qual a distribuio que melhor se encaixa nos dados histricos da atividade. O relacionamento entre distribuio e varivel pode ser realizado manualmente, porm existem softwares que apontam qual a distribuio que melhor expressa os valores informados. As demais atividades do projeto analisado seguem a mesma seqncia de definies, por isso, no so detalhadas. 4.3 Identificao das variveis de anlise ou de sada A anlise realizada sobre o tempo total do projeto, uma vez que todas as atividades assumem o papel de varivel. A partir destas afirmaes possvel considerar como varivel de sada, a soma de todos os valores assumidos pelas atividades durante a simulao. Na figura 10 apresentado a soma de valores por meio da frmula SOMA(H2:H8), seu resultado calcula o tempo total do projeto. A cada iterao um novo valor ser atribudo s atividades, e o tempo do projeto ser modificado tambm. Os valores gerados so armazenados pela ferramenta possibilitando uma anlise detalhada do valor de sada identificado como Durao do projeto.

Figura 10: Definio de varivel de sada

A nica varivel de sada analisada no projeto em questo o seu tempo de durao, porm nada impede que exista mais de uma varivel a ser analisada, sendo muito usual a existncia de vrios valores de sada durante simulaes focadas em riscos, por exemplo.

4.4 Gerar Simulao Com todo o modelo desenvolvido e condizente com a realidade do projeto analisado, necessrio realizar a simulao. So realizadas dez mil repeties da execuo do projeto, um nmero bem elevado e que resultar em uma distribuio normal como varivel de sada, conforme figura (11)

Figura 11: Execuo da simulao

Entre todas as opes apresentadas ao executar a simulao do MMC, o nico valor que interfere no resultado final o nmero de iteraes realizadas. Porm, quanto maior for esse valor, mais prximo de uma distribuio normal ser o resultado obtido com o MMC. No entanto, o tempo de execuo da simulao e o consumo de processamento sero superiores. Aps a realizao da simulao, todos os valores gerados so agrupados pelo SimulAr. A partir destas informaes, desenvolvido um grfico de distribuio de probabilidades. Outras informaes so fornecidas pela ferramenta, como por exemplo, o valor mnimo e mximo junto a sua mdia e varincia, conforme figura (12).

Figura 12: Resultados numricos obtidos durante a simulao

4.5 Anlise do Modelo Simulado

10

Com a realizao da simulao obtm-se os valores necessrios para uma anlise do projeto. O resultado apresentado em forma de intervalo, pois no factvel afirmar que um ponto seja o resultado exato para a durao do projeto, conforme figura (13).

Figura 13: Resultado do MMC.

Como se pode observar (figura 13) os valores obtidos pelo MMC em forma do grfico de distribuio normal e uma lista de valores com as colunas Bins (valores resultantes da simulao de durao do projeto), Frequency (quantidade de ocorrncias do valor obtido na coluna Bins) e Cumul.% (percentual acumulativo dos valores obtidos). As concluses resultantes simulao realizada so: a) b) c) Realizao do projeto em 28,8 horas ou menos, ou seja, possui aproximadamente 8,3% de chances de acontecer; As chances de o projeto ser concludo no intervalo de 28 a 31 horas so de aproximadamente 61%; A maior probabilidade de finalizao do projeto est em 30,05 horas, onde das dez mil iteraes, um valor de 3010 apontou para esse ponto como mais provvel de concluso do projeto; A concluso do projeto prximo aos 25,8 horas algo quase intangvel, possuindo 0,01% de chances; A possibilidade da durao do projeto ser superior a 31 horas aproximadamente de 37%.

d) e)

4.6 Tomar a Deciso Conforme mencionado anteriormente, a simulao no mostra o que acontecer com 100% de certeza, mas disponibiliza referncias de informaes para a tomada de decises. A partir das concluses obtidas, podemos apresentar algumas das decises, tais como: a) Estimar a durao do cronograma para o melhor caso (25,8 horas), porm ao final do projeto incluir uma reserva de 4,25 horas. A partir do momento que se conhece o ponto

11

mais provvel do projeto (30,05 horas), possvel estipular com maior preciso uma contingncia; b) Realizar a substituio do tempo mais provvel pela durao obtida durante a simulao do MMC em cada uma das atividades. Com esta substituio, o projeto passa a ter como durao total o ponto de concluso mais indicado pelo MMC.

5. Consideraes finais Enquanto uma forma de realizar previses com 100% de certeza em qualquer que seja o evento pouco provvel, a simulao do MMC oferece recursos para tornar conhecida a probabilidade da ocorrncia de determinado acontecimento. A proximidade do resultado obtido est ligada diretamente ao modelo desenvolvido, uma vez que este a base de toda a simulao a ser realizada. Durante o desenvolvimento da simulao do MMC todo o conhecimento adquirido e histrico de projetos anteriores analisado, promovendo um modelo mais conciso e preciso. Alm disso, qualquer informao identificada de forma errada poder comprometer toda a previso, criando falsos resultados, fornecendo um ambiente propcio tomada de decises erradas. Para tornar mais coerentes as decises tomadas, o gerente de projetos deve focar no modelo a ser desenvolvido, atravs do ambiente SimulAr resultando assim em uma reduo do tempo despendido nos estudos de simulao. A simulao deve ser vista como uma ferramenta de apoio ao usurio na tomada de decises e no como a deciso propriamente dita. importante salientar que os resultados obtidos com o MMC possuem forma de distribuio normal, onde no existe um nmero exato, mas sim um intervalo ao qual pode ser utilizado como faixa de resultados esperados. O MMC proporciona ao gerente de projetos uma poderosa ferramenta que aliada a boas prticas de gesto de projetos resultar em planejamentos mais robustos que inclui fontes mais confiveis de informao sobre as estimativas apresentadas para o projeto. Com isso, torna-se desnecessria a utilizao de tcnicas como o to conhecido chute, por exemplo. Quanto s recomendaes para futuros trabalhos, se prope a partir dos resultados deste estudo, dois temas. O primeiro, um estudo de caso utilizando a ferramenta SimulAr para a anlise detalhada referente a riscos em projetos. Uma segunda sugesto seria um estudo comparativo da utilizao de outros pacotes livres como o GNU R e RExcel com a ferramenta abordada neste trabalho envolvendo questes de confiabilidade dos resultados obtidos, ergonomia e tempo despendido durante a realizao do MMC. Referncias
CUNHA, M. 0. O mtodo de Monte Carlo: algumas aplicaes na Escola Bsica. 2009. Disponvel em: http://://www.nilsonmachado.net/sema20091110.pdf. Acessado em: 20/12/2009. MOURA, A. D. Anlise de projetos sob condies de risco. Disponvel www.gestaodoagronegocio.com.br/aziz/download/MonteCarlo.pdf Acessado em: 15/01/2010. em:

FERNANDES, C. Gerenciamento de riscos em projetos: Como usar micrsoft excel para realizar a simulao de monte Carlo. Disponvel em: www.bbbrothers.com.br/scripts/Artigos/MonteCarloExcel.pdf Acessado em: 10/02/2010. GALVO, M. Anlise quantitativa de riscos com simulao de Monte Carlo. Editora Mundo PM. 2005. Disponvel em: www.mundopm.com.br/download/montecarlo.pdf. Acessado em: 20/01/2010.

12

KWAK, Y. H. & INGALL, L. Exploring Monte Carlo simulation applications for project management. 2007. Disponvel em: home.gwu.edu/~kwak/Monte_Carlo_Kwak_Ingall.pdf Acessado em: 03/01/2010. PALISADE. Anlise de Risco, 2010. Disponvel em: www.palisade-br.com/risk/risk_analysis.asp Acessado em: 02/02/2010. PLLANA, S. History of Monte Carlo Method, 2002. Disponvel em: stud2.tuwien.ac.at/~e9527412/index.html Acessado em: 15/04/2002. R DEVELOPMENT CORE TEAM (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0. Disponvel em: http://www.Rproject.org. Acessado em: 23/12/2009. SALLES JR, C. A. C. J; SOLER, A. M.; VALLE, J. A. S.; RABECHINI JR, R. Gerenciamento de Riscos de Projetos. Rio de Janeiro : Editora FGV, 2007. SIMULARSOFT. SimulAr: Montecarlo Simulation in Excel, 2009. Disponvel em: www.simularsoft.com.ar Acessado em: 13/01/2010. VARGAS, R. Podcast sobre simulao de Monte Carlo. Disponvel em: www.ricardo-vargas.com Acessado em: 22/12/2009.

13