Você está na página 1de 45

Utilizando Monte Carlo e

Reamostragem em
Estimativas
Mauricio Aguiar
Presidente da ti MTRICAS
IFPUG Immediate Past President

Agenda


Introduo

Um Exemplo Simples

Outro Exemplo

Uma Alternativa

Faa Voc Mesmo - Monte Carlo

Resumo
< 2>

I nt r odu o

Introduo
Estimativas

Estimativas so projees quantitativas de


caractersticas dos projetos, tais como:
Tamanho do Produto
Esforo Requerido
Prazo Requerido
Qualidade

< 4>

Introduo
Incerteza e Monte Carlo

H um grau de incerteza nos parmetros de


entrada de um modelo de estimativa

Desejamos avaliar como essa incerteza pode


afetar os resultados

Isso pode ser feito atravs de simulao


(Monte Carlo Simulation)

< 5>

Introduo
Entradas de um Modelo de Estimativa

Tamanho (Pontos de Funo, etc.)

Caractersticas do Produto e do Projeto

Esforo Estimado por Atividade

etc.

< 6>

Introduo
Modelando a Incerteza


Permitir que as entradas variem segundo


distribuies estatsticas definidas
Ex.: Tamanho

Distribuio Normal

950 PF

1000 PF
< 7>

1050 PF

Um Exemplo Simples

Um Exemplo Simples - I


Executar construo e teste unitrio para 5


mdulos (classes, funes, subrotinas...)

Assuma que o trabalho ser feito


sequencialmente
< 9>

Um Exemplo Simples II
O Problema

Com 100% de probabilidade de acerto, o prazo


seria 48 dias

Um prazo menor com 90% de probabilidade de


acerto seria suficiente

Qual seria esse prazo?

< 10>

Um Exemplo Simples III


Qualidade da Estimativa

Modelando a
incerteza

< 11>

Um Exemplo Simples IV
Monte Carlo

Simular 10000 vezes a execuo da


construo e teste unitrio dos 5 mdulos
Variar os prazos individuais conforme as
respectivas distribuies
Avaliar a variao do prazo total

< 12>

Um Exemplo Simples V
Monte Carlo

< 13>

Um Exemplo Simples VI
Histograma do Prazo Simulado

< 14>

Um Exemplo Simples VII


Frequncia Acumulada do Prazo Simulado

Prazo menor ou igual a 38 dias com 90% de probabilidade de acerto


< 15>

Um Exemplo Simples VIII


Questionamento


As distribuies utilizadas correspondem


realidade?

A probabilidade de terminar antes a mesma de


terminar depois?

< 16>

Um Exemplo Simples IX
Questionamento

< 17>

Um Exemplo Simples X
Questionamento

Simular 10000 vezes a execuo da


construo e teste unitrio dos 5 mdulos,
utilizando a distribuio lognormal somente no
caso anteriormente normal

< 18>

Um Exemplo Simples XI
Questionamento

< 19>

Um Exemplo Simples XII


Questionamento

< 20>

Um Exemplo Simples XIII


Questionamento

O prazo agora
39 dias

< 21>

Outro Exemplo

Outro Exemplo I
Produtividade de 9 Projetos

Productividade in Horas/Pontos de Funo


Nota: Dados fictcios
< 23>

Outro Exemplo II
Estimando o Erro

((Estimado Real)/Real) * 100

Mean Relative Error

< 24>

Outro Exemplo III


Dados de Esforo

Muitas vezes a qualidade dos dados de


esforo questionvel

Como o erro nos dados de esforo afetaria o


erro de estimativa?

< 25>

Outro Exemplo IV
Dados de Esforo

< 26>

Outro Exemplo V
Dados de Esforo

< 27>

Outro Exemplo VI
Dados de Esforo

O erro
inferior
a 40% com
90% de
probabilidade.
O mximo
42%.

< 28>

Uma Alternativa

Reamostragem - I
A Idia


Monte Carlo exige que faamos suposies


sobre as distribuies

A Reamostragem basea-se na replicao de


uma amostra (podendo haver repeties)

As estatsticas baseadas em reamostragem


aproximam-se dos valores reais, conforme
cresce o nmero de amostras

A Reamostragem independe de suposies


sobre as distribuies
< 30>

Reamostragem - II
Um Exemplo

Construir um intervalo de confiana a 90%


para a produtividade do COBOL, com base no
banco de dados ISBSG V10

Os dados: 615 projetos, produtividade mdia


20.5 H/PF, produtividade mediana 11.9 H/PF
< 31>

Reamostragem - III
Distribuio Amostral: Mdia, Mediana

< 32>

Reamostragem IV
Distribuio Amostral: Mdia

< 33>

Reamostragem V
Distribuio Amostral: Mdia

< 34>

Reamostragem - VI
Distribuio Amostral: Mediana

< 35>

Reamostragem - VII
Distribuio Amostral: Mediana

< 36>

Faa Voc Mesmo


M o nt e C ar l o

Faa Voc Mesmo - I


Simulando a Distribuio Triangular

< 38>

Faa Voc Mesmo - II


Simulando a Distribuio Triangular

< 39>

Faa Voc Mesmo - III


Simulando a Distribuio Triangular
Trabalhando com Excel VBA

< 40>

Faa Voc Mesmo - IV


Simulando a Distribuio Triangular

< 41>

R es um o

Resumo
Monte Carlo


Monte Carlo ajuda a identificar a variao nos


resultados em funo da incerteza nas
entradas

A escolha das distribuies estatsticas muito


importante em Monte Carlo

A Reamostragem funciona mesmo quando a


distribuio desconhecida

possvel fazer muita coisa com Excel e VBA

H ferramentas profissionais para Monte Carlo


(Crystal Ball, @Risk, XLSim, etc.)

< 43>

Resumo
Referncias


Savage, Sam L., Decision Making with Insight


XLSim 2.0

Mooney, C.Z. and Duval, R.D, Bootstrapping: A Nonparametric


Approach to Statistical Inference, SAGE, 1993

Davidson, A.C. and Hinkley, D.V., Bootstrap Methods and Their


Application, Cambridge University Press, 1997

< 44>

Mauricio Aguiar
ti MTRICAS
mauricio@metricas.com.br
www.metricas.com.br

< 45>