Anlise Quantitativa de Risco Baseada no Mtodo de Monte Carlo: Abordagem PMBOK.

Rivalino Matias Jr. (K4B Consulting) rivalino@k4b.com.br

Resumo
Este artigo apresenta os fundamentos da anlise quantitativa de risco com base no mtodo de Monte Carlo, o qual referenciado pelo PMBOK na rea de conhecimento gerenciamento de risco. Inicialmente, os principais conceitos envolvendo o mtodo de Monte Carlo so apresentados, juntamente com um exemplo de sua aplicao. Posteriormente, o processo anlise quantitativa de risco contextualizado dentro da estrutura de gerenciamento de risco proposta pelo PMBOK. Na seqncia, uma aplicao da anlise quantitativa de risco baseada no mtodo de Monte Carlo apresentada, descrevendo as principais etapas deste processo. Finalmente, so realizadas as concluses do trabalho, acompanhadas das referncias bibliogrficas usadas no artigo. Palavras-chave: Gerenciamento de Risco; Anlise Quantitativa de Risco, Mtodo de Monte Carlo.

1. Introduo
De acordo com o PMBOK (PMI, 2004) um risco de projeto uma incerteza a cerca de um evento ou condio, que se ocorrer ter um impacto positivo ou negativo sobre os objetivos do projeto. Um risco pode ter uma ou mais causas e, caso ocorra, poder ter um ou mais impactos (efeitos) sobre os objetivos do projeto. So definidas duas classes gerais de riscos: conhecidos e no conhecidos. Os riscos conhecidos so aqueles identificados e analisados, os quais so passveis de gerenciamento atravs dos processos da rea de conhecimento gerenciamento de risco. J os riscos desconhecidos no podem ser gerenciados pr-ativamente, o que normalmente obriga gerentes de projeto alocarem contingncias para estes casos. O escopo deste trabalho a anlise quantitativa de risco, a qual visa mensurar o impacto dos riscos identificados sobre os objetivos do projeto. A anlise quantitativa de risco (AQR) um campo relativamente novo, o qual tem crescido rapidamente em diversas reas do conhecimento (VOSE, 2002). Uma destas reas tem sido o gerenciamento de projetos, cujas diversas abordagens disponveis consideram a anlise de risco como um dos seus principais processos no contexto do gerenciamento de risco de projeto. A anlise de risco tem se deslocado do nvel gerencial para o estratgico, deixando de ser apenas uma funo de medio para agregar valor ao negcio. Apesar da diversidade de enfoques que trata o gerenciamento e anlise de riscos em projetos, este artigo baseado nas melhores prticas propostas pelo PMI e descritas no PMBOK (PMI, 2004). O PMBOK define uma rea de conhecimento especfica para o gerenciamento de risco em projetos. Esta possui seis processos, os quais so: (1) planejamento do gerenciamento de risco, (2) identificao de risco, (3) anlise qualitativa de risco, (4) anlise quantitativa de risco, (5) planejamento de resposta ao risco e (6) monitoramento e controle de risco. Todos os processos da rea de gerenciamento de risco esto associados a dois grupos de processos de projeto, a saber: planejamento e monitorao & controle. Os processos (1-5) fazem parte do grupo planejamento, enquanto o processo (6) faz parte do grupo monitoramento & controle. Esta disposio garante a execuo recorrente dos processos de gerenciamento de risco durante todo ciclo de vida do projeto. Como se pode verificar, dois processos de gerenciamento de risco (3 e 4) so especficos para a anlise de risco. O processo de anlise qualitativa objetiva qualificar os riscos que foram identificados no projeto. Esta qualificao normalmente tem como resultado um ndice (risk score) associado a cada risco identificado, calculado a partir de uma matriz impacto x probabilidade. Este ndice permite classificar os riscos de acordo com seu grau de importncia em relao aos objetivos do projeto (ex. tempo, custo, qualidade, etc.). J na anlise quantitativa de risco (AQR) se tem o processo de mensurao numrica dos efeitos dos riscos sobre os objetivos do projeto. Esta uma abordagem quantitativa para se tomar decises na presena de incertezas. O processo de AQR situa-se no grupo de processos planejamento, podendo ou no ser precedido do
I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso

processo de anlise qualitativa. Neste aspecto, o PMBOK flexibiliza a execuo do fluxo dos processos de gerenciamento de risco, em especial daqueles relacionados anlise de risco. Gerentes de projeto experientes muitas vezes acionam a AQR assim que obtm a lista de riscos identificados (sada do processo 2), no obrigatoriamente realizando a anlise qualitativa. A execuo de ambas anlises depender das necessidades de gerenciamento de risco do projeto em questo, o que leva em conta diversos fatores tais como: a lista de riscos identificados, a base de conhecimento de risco disponvel, o nvel de complexidade e detalhamento da RBS (risk breakdown structure), dentre outros. Diversas tcnicas e ferramentas so utilizadas para implementar o processo de AQR. Este trabalho apresenta uma destas tcnicas denominada de mtodo de Monte Carlo. As demais sees deste trabalho esto organizadas como segue. A seo 2 apresenta os fundamentos cerca do mtodo de Monte Carlo, acompanhados de um exemplo que ilustra sua aplicao. Posteriormente, a seo 3 apresenta o processo de QRA como definido pelo PMBOK. Na seo 4, uma aplicao do processo de QRA baseado em Monte Carlo apresentada no contexto de um projeto, onde se analisa o impacto de um risco identificado sobre os objetivos tempo e custo do projeto. A seo 5 apresenta as concluses do trabalho.

2. O mtodo de Monte Carlo (MC)

O mtodo de Monte Carlo fornece solues aproximadas, para uma variedade de problemas matemticos, por executar experimentos (simulaes) com amostragem estatstica atravs do computador. Devido aos avanos computacionais, atualmente o nmero de iteraes (amostragens) realizadas em uma simulao de Monte Carlo, utilizando um computador pessoal (PC), pode facilmente passar da casa de milhares de valores em poucos minutos. MC contrasta com os mtodos convencionais de discretizao numrica, os quais tipicamente so aplicados para equaes diferenciais, parciais ou ordinrias, que descrevem sistemas fsicos ou matemticos. Na maioria dos casos, o sistema ou processo sendo estudado simulado diretamente, no envolvendo equaes diferenciais para descrever o seu comportamento. O principal requisito neste caso que o processo/sistema possa ser descrito atravs de distribuies de probabilidade, assunto este abordado na seo 2.1. O desenvolvimento sistemtico do mtodo de MC data de 1944, no decorrer do projeto Manhattan para o desenvolvimento da bomba atmica, durante a Segunda Guerra Mundial. Anteriormente a esta data, diversos trabalhos foram realizados na rea de solues numricas por amostragens, os quais podem ser considerados precursores do desenvolvimento do mtodo de MC como atualmente conhecido (PLLANA, 2002). O nome ''Monte Carlo'' deve-se similaridade da simulao estatstica com os jogos de chance (ex. roleta de dados), sendo que na poca o cassino de Monte Carlo era o principal centro de jogos desta natureza (CSEP, 1995). O mtodo de MC amplamente aplicado em diversas reas, como exemplo na simulao de fenmenos fsicos para pesquisas em energia nuclear. Nos ltimos anos, tem sido cada vez mais utilizado pela comunidade de gerenciamento de projetos, especialmente como suporte ao processo de AQR. A seguir sero apresentados os principais elementos que compem o mtodo de MC.

2.1. Principais componentes

A versatilidade do mtodo de MC, com potencial para a resoluo de diversos problemas, tem sido um dos principais motivos de sua ampla utilizao em inmeras reas. Esta caracterstica deve-se, principalmente, sua estrutura simplificada que basicamente requer os seguintes componentes: Funo densidade de probabilidade (pdf); Gerador de nmeros aleatrios. Como j citado anteriormente, a dinmica do sistema fsico ou matemtico sendo modelado deve ser descrita por uma (ou mais) funo densidade de probabilidade (pdf). As pdfs so modelos probabilsticos construdos a partir de hipteses ou conjecturas sobre o fenmeno/sistema em questo e constituem-se de duas partes: (1) os possveis resultados e (2) uma lei que diz quo provvel cada resultado (ou grupo de resultados). Matematicamente uma pdf pode ser representada por uma funo no negativa com a rea, formada entre o eixo das abscissas e a curva da funo, sendo igual a 1 (um). Os eventos analisados so representados por intervalos no eixo das abscissas, enquanto suas probabilidades de ocorrncia correspondem s reas sob a curva relativas a estes intervalos. A figura 1 ilustra estes conceitos atravs de uma pdf construda para a estimativa de custo de um projeto.

I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso

f(x)
0,40 0,40

Normal(20; 1)

0,35 0,35

0,30 0,30

0,25 0,25

0,20 0,20

@RISK Trial Version

For Evaluation Purposes Only

0,15 0,15

0,10 0,10

0,05 0,05

0,00 0,00 17,5 18,0 18,5 19,0 19,5 20,0 20,5 21,0 21,5 22,0

17,5 18,0 18,5 19,0 19,5 20,0 20,5 21,0 21,5 22,0 22,5
< 97,7%

Milhes de R$

2,3% > 22,000 +Infinity

Figura 1 Exemplo de funo densidade de probabilidade (pdf). No mtodo de MC a pdf construda a partir de valores gerados aleatoriamente e que seguem uma determinada distribuio de probabilidades. Os dados gerados para este exemplo (figura 1) seguem a distribuio de probabilidade Normal, a qual tambm conhecida como Gaussiana ou curva em forma de sino (TRIVEDI, 2002). O modelo adotado (Normal) possui dois parmetros que so a mdia (ex. =20) e o desvio padro (ex. =1). A unidade do a mesma dos valores da amostra, neste caso sendo em unidades de milhes de reais. Neste exemplo, a faixa de valores referentes a dois desvios padro (um para cada lado da curva em torno da mdia) est entre 19 e 21 milhes. A partir da pdf se pode obter a probabilidade de ocorrncia de um valor dentro de uma dada faixa de valores do eixo x. Como exemplo, na figura 1 a rea sombreada abaixo da curva representa a probabilidade do custo do projeto ultrapassar 22 milhes. Neste caso a probabilidade calculada foi de 2,3%. Uma interpretao alternativa seria que 97,7% a probabilidade de que o custo do projeto no ir exceder um oramento de 22 milhes. Complementarmente, as probabilidades de ocorrncia podem ser analisadas atravs do intervalo de confiana (IC). A figura 2 ilustra o conceito de IC, aplicado em seis pdfs de diferentes distribuies de probabilidade. Em cada pdf se tem delimitado o IC correspondente a um nvel de confiana de 90%. Isso significa que a probabilidade de ocorrncia de um evento (valor do eixo x) dentro do IC de 90%. O estabelecimento de um determinado nvel de confiana (ex. 80%, 99%, etc.) uma escolha feita mediante as necessidades do gerente do projeto, no existindo padres pr-estabelecidos. Ressalta-se que quanto maior o nvel de confiana maior ser o IC e, conseqentemente, menor a preciso da estimativa. Considerando, por exemplo, que os valores do eixo x fossem estimativas do tempo de durao de um projeto, ento com 90% de confiana os intervalos demarcados conteriam o provvel tempo de concluso do projeto em questo.
Exponencial Erlang Rayleigh Lognormal Triangular Uniforme

Figura 2 Distribuies de probabilidades, pdfs e ICs. Aps definir qual distribuio de probabilidade melhor representa o comportamento da varivel aleatria sendo estudada (ex. tempo at a falha de um equipamento), faz-se necessrio gerar valores aleatrios de acordo com esta distribuio. Estes valores faro parte da amostra utilizada para a construo da pdf que permitir realizar as diversas anlises como as citadas anteriormente. Para tanto, o mtodo de MC requer a utilizao de geradores de nmeros aleatrios (GNA) capazes de gerar valores de acordo com as distribuies de probabilidade escolhidas. A maioria das ferramentas de anlise de risco, que implementam o mtodo de MC, suportam uma grande variedade de distribuies de probabilidade. No escopo deste trabalho apresentar os detalhes cerca da gerao de nmeros aleatrios, bem como suas implementaes para atender as especificidades de cada distribuio de probabilidade. Para maiores detalhes recomenda-se a leitura de Law e Kelton (1991). Depois de definidas as distribuies de probabilidade associadas s variveis aleatrias sendo estudadas, se faz necessrio gerar uma amostra representativa de valores destas distribuies. A

I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso

22,5

gerao da amostra se d a partir da simulao de um nmero n de observaes de cada uma das variveis aleatrias que pertencem ao modelo criado. comum na aplicao do mtodo de MC trabalhar no apenas com uma, mas mltiplas variveis aleatrias de uma nica vez, sendo todas provenientes de uma mesma distribuio de probabilidade ou no. A figura 3 apresenta um exemplo onde o modelo de simulao de MC composto de trs variveis aleatrias (A1, A2, A3) que seguem diferentes distribuies de probabilidade. Para cada distribuio foram definidos os parmetros que melhor representam aquela varivel.
ID WBS Distribuio Rayleigh (10,3) A1 A2 Weibull (1,8; 2) Triang (5; 20; 45) A3
0,06
mdia=41,8

0,05 0,04 0,03

5000 3

Aj j =1 i =1

0,02 0,01 0,00 20 31 42 53 64 5% 90% 5% 31,63 54,28 75

Figura 3 Estrutura do mtodo de MC. Neste exemplo, as variveis representam a durao (em horas) de trs atividades necessrias para a concluso de um determinado pacote de trabalho (work package) do projeto. O nome das variveis so os identificadores das atividades na estrutura de diviso de trabalho (work breakdown structure). Um detalhe importante que neste caso o principal interesse no tempo total do pacote de trabalho e no das atividades individualmente. Para tanto, os tempos das trs atividades so somados como pode ser observado na figura 3. Uma suposio assumida neste caso que as atividades ocorrem seqencialmente. Posterior definio do modelo, ocorre a etapa de simulao. Neste exemplo, foram simuladas 5.000 observaes de cada uma das variveis, resultando em uma amostra de 5.000 tempos relativos durao do pacote de trabalho em questo. A distribuio destes tempos, de acordo com o Teorema Central do Limite (TRIVEDI, 2002), aproxima-se de uma distribuio Normal cuja mdia e desvio padro devem ser estimados da amostra. Observa-se no grfico que o IC com nvel de confiana de 90% foi de 31,63 at 54,28 horas. A partir da amostra gerada, diversas anlises podem ser realizadas com respeito quantificao de riscos e seus efeitos sobre os objetivos do projeto. A seguir sero apresentadas as principais etapas envolvidas em uma anlise quantitativa de risco utilizando o mtodo de MC.

3. Anlise quantitativa de risco (AQR)

Alm do PMBOK, existem inmeras abordagens sugeridas para o gerenciamento de risco, as quais contemplam a AQR dentre seus processos. Dois exemplos destas abordagens so RISMAN e COSO ERM (Enterprise Risk Management). RISMAN uma metodologia que foi desenvolvida para ser aplicada em projetos de infra-estrutura de larga escala. Esta possui cinco etapas, duas destas relativas AQR que so: quantificao dos riscos e o clculo dos efeitos das respostas (RIJKE et al. apud BEDFORD; COOKE, 2001). O COSO ERM (www.coso.org) tem como principal orientao os aspectos de controle interno e auditoria da organizao. Sua abordagem composta de oito processos, dos quais um especfico para a anlise de risco. A anlise de risco proposta pelo COSO ERM, como no PMBOK, combina tanto a anlise qualitativa quanto a quantitativa. Atualmente muitas organizaes tm adotado os processos do COSO ERM como suporte para se manterem em conformidade com a Sarbanes-Oxley (SOX), especialmente no que se refere s suas sees SOX 302 & 404. Independente da abordagem de gerenciamento de risco adotada, a AQR tem se consolidado como um dos principais processos necessrios ao gerenciamento de risco em projetos. Como j mencionado na seo 1, os dois processos de anlise de risco definidos no PMBOK podem ser considerados complementares ou no. A figura 4 apresenta todos os seis processos, juntamente com o padro de fluxo de execuo definido.

I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso

Planejamento do gerenciamento de de risco

Identificao do risco

Anlise qualitativa de risco

Anlise quantitativa de risco

Planejamento de resposta ao risco

Controle e monitoramento de risco

Figura 4 Processos de gerenciamento de risco de projeto (Fonte: adaptado de PMI (2004, p. 241)). Especificamente sobre o quarto processo (AQR), de forma geral sua conduo deve ser orientada no sentido de responder perguntas voltadas mensurao dos efeitos dos riscos identificados sobre determinados objetivos do projeto. Alguns exemplos so: analisar a probabilidade de se atingir um determinado objetivo frente aos riscos reconhecidos; identificar os riscos com maior contribuio para o risco total do projeto; quantificar os efeitos de riscos positivos a fim de se priorizar a maximizao dos seus impactos sobre o projeto, dentre outros. A figura 5 apresenta a estrutura genrica deste processo.
Entradas
1. Plano de gerenciagerenciamento do projeto; projeto; 2. Ativos do processo organizacional; organizacional; 3. Registro de risco. risco.

Tc. & Ferramentas

1. Coleta e represenrepresentao de dados; tao 2. Tcnicas de modemodelagem e anlise quanan quantitativa de risco. risco.

Sada Sa
1. Registro de risco (atualizaes). atualizaes).

Figura 5 Processo de AQR como definido pelo PMBOK (Fonte: adaptado de PMI (2004, p. 254)). Dentre as entradas deste processo tem-se a lista de riscos identificados (registro de risco), a qual poder estar qualificada ou no, dependendo se o processo de anlise qualitativa foi previamente realizado. A partir da lista de riscos so definidas as perguntas que se pretende responder com a AQR. Normalmente, estas perguntas referem-se mensurao dos efeitos do risco sobre um ou mais objetivos do projeto. Para isso, uma anlise do plano de gerenciamento do projeto se faz necessria a fim de avaliar, dentre os objetivos do projeto, quais esto no alcance do impacto de cada risco identificado. No caso de ter sido realizada uma anlise qualitativa antes da AQR, esta informao j estar associada a cada risco no registro de riscos, no sendo necessria nova avaliao. Outra entrada importante refere-se aos ativos do processo organizacional. Estes podem conter dados histricos relacionados aos riscos que esto sendo analisados, bem como informaes secundrias que levem a alguma estimativa a cerca das incertezas sendo consideradas no processo de AQR em andamento. Mediante o estabelecimento da lista de riscos, objetivos e as necessidades de anlise quantitativa (perguntas), as tcnicas e ferramentas apropriadas para a implementao da AQR j podem ser definidas. Dentre as tcnicas e ferramentas de AQR referenciadas pelo PMBOK, este trabalho aborda o mtodo de MC. Como j explanado anteriormente, este mtodo requer a representao das incertezas atravs de variveis aleatrias que so modeladas utilizando distribuies de probabilidade. A prxima seo apresenta uma aplicao da AQR utilizando o mtodo de MC, exemplificando todas as etapas deste processo, a saber: anlise dos riscos identificados e definio das perguntas, coleta de dados e modelagem das variveis, simulao, anlise dos resultados.

4. Exemplo de aplicao da AQR com o mtodo de MC

A seguir, sero apresentadas as etapas citadas anteriormente, atravs de um exemplo de aplicao da AQR contextualizado em um projeto na rea de TI. O quadro 1 apresenta uma sntese dos elementos envolvidos neste estudo de caso. Como se pode observar, um nico risco est associado a dois objetivos do projeto (tempo e custo). O risco identificado refere-se ao atraso na disponibilidade do recurso servidor, essencial para a execuo de um pacote de trabalho do projeto. As duas anlises especificadas objetivam: (1) quantificar a probabilidade de que o recurso no esteja disponvel no prazo previsto no plano do projeto e, caso isto ocorra, (2) mensurar os efeitos deste atraso no oramento do projeto. Neste caso, a incerteza em questo o tempo de entrega do recurso. Este tempo pode ser modelado atravs de uma nica varivel aleatria ou pode ser o resultado da composio de mltiplas variveis,

I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso

dependendo do nvel de detalhamento necessrio. Quadro 1: Relacionamento Objetivo x Risco x Anlise x Tc. & Ferramenta.
Objetivo Risco identificado Anlise
Quantificar a probabilidade de exceder o prazo estipulado para este pacote (20 dias).

Tc. & Ferramentas

Utilizar Modelagem e simulao de MC. Considere como fonte de dados entrevistas com especialistas no ramo de importao de equipamentos similares.

Atraso na entrega do servidor usado pelo pacote de trabalho Firewall-DMZ. Tempo Causa : Inexperincia do fornecedor em importao.

Custo

Idem ao anterior .

Calcular os efeitos Introduzir no modelo o custo da deste atraso no ora- consultoria responsvel pelo projeto. mento.

Juntamente com a identificao da varivel, se faz necessrio obter dados cerca do padro de comportamento desta varivel. Esta etapa pode ser conduzida de duas formas. Uma opo modelar o seu comportamento a partir de informaes provenientes da elicitao de conhecimento de especialistas da rea (AYYUB, 2001). Outra forma se basear em dados histricos (baseline) obtidos de projetos anteriores que possuam caractersticas compatveis com o cenrio em questo. Em cada caso o devido rigor na coleta, organizao e tratamento dos dados se faz necessrio a fim de no comprometer a acurcia do modelo. Para a obteno de dados, provenientes de consultas a especialistas, so recomendadas tcnicas de entrevista e elicitao de conhecimento, tais como Delphi, julgamento de cenrios, dentre outras. J com relao inferncia de um modelo probabilstico a partir de uma amostra de dados histricos, normalmente so adotados testes de aderncia (goodness-of-fit tests - GOF). Estes utilizam um conjunto amplo de distribuies de probabilidade, que aps serem testadas contra os dados da amostra, so classificadas de acordo com o seu nvel de aderncia aos dados (TRIVEDI, 2002, p.714). A partir de ento uma distribuio, normalmente a que melhor adere aos dados, selecionada para insero no modelo. Para este exemplo (quadro 1), ambas as tcnicas sero apresentadas para ilustrar suas aplicaes na implementao da AQR. Inicialmente foi realizada uma entrevista com o departamento de importao do fornecedor, a fim de entender o seu processo de importao de equipamentos similares ao recurso do projeto. O processo foi dividido em quatro etapas: (1) gerar ordem de compra, (2) despacho na fbrica, (3) trmites alfandegrios, e (4) logstica de entrega local. Neste caso optou-se por inserir no modelo quatro variveis aleatrias, cada qual representando uma destas etapas. Portanto, o tempo total do processo de entrega do equipamento foi representado pela soma das quatro variveis. A partir das entrevistas, a estratgia de modelagem adotada considerou que todas as variveis seguem um comportamento compatvel com a distribuio de probabilidade triangular. Esta distribuio uma das mais usadas para modelar opinio de especialistas (VOSE, 2002). Sua estrutura requer trs parmetros, que so os seus valores: mnimo, mximo e o de maior freqncia de ocorrncia. Com isso, durante as entrevistas foram coletadas estimativas (em dias) destes parmetros para cada varivel, os quais esto apresentados na figura 6.
Processos do Fornecedor (Mn; +Freq; Mx) Gerar ordem de compra (1; 2; 4) Despacho na fbrica (1; 2; 3) Trmites alfandegrios (7; 20; 40) Transporte local (3; 5;12)
0,06 Mdia=33,33 0,05 0,04 0,60 0,03 0,02 0,01 0,00 10 20 30 40 50 60 90% 5% 5% 22,12 45,59 (a) 0,40 0,20 0,00 10 20 1,8% 0,40 0,20 0,00 10 0,60 1,00 0,80 Mdia=33,33 1,00 0,80 Mdia=33,33

30 40 50 41 98,12% (c)

60

20

30 40 50 60 20% 80% 41 39,69 (b)

Figura 6 Resultado da modelagem e simulao de Monte Carlo.

I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso

Tendo o modelo estabelecido, realizou-se uma simulao de MC gerando 5.000 observaes de cada varivel aleatria. Uma primeira anlise mostra que, com uma probabilidade de 90%, o tempo total para a entrega do equipamento situa-se no intervalo de 22,12 at 45,59 dias (figura 6(a)). O valor mdio estimado para o tempo de entrega foi de 33,33 dias. A fim de responder a primeira pergunta (quadro 1), gerou-se o grfico da distribuio de probabilidade acumulada (figura 6(b)), o qual permitiu verificar qual a probabilidade do tempo de entrega ser superior ao tempo estimado de 20 dias. Como se pode observar a probabilidade de se ter um tempo dentro do estimado consideravelmente baixa, em torno de 1,88%. Alternativamente, uma estimativa de menor risco foi avaliada, adotando uma probabilidade de acerto de 80%. Para este cenrio, o valor encontrado foi de 39,69 dias (figura 6(c)). Adotar como prazo de entrega um tempo mximo de 40 dias, com probabilidade de acerto de 80%, seria uma alternativa mais conservadora em relao ao valor mdio encontrado que foi de 33,33 dias, cuja probabilidade de se ter o recurso entregue neste prazo de aproximadamente 53%. De forma complementar, uma segunda anlise foi conduzida a partir de uma amostra (baseline) contendo 50 valores referentes ao tempo total do processo de importao at a entrega. Esta amostra foi obtida a partir da consulta a um segundo fornecedor que atua no mesmo segmento. O objetivo desta segunda anlise comparar os resultados obtidos anteriormente, apoiados nas entrevistas dos especialistas, com estes obtidos a partir de uma base de dados histrica. Com estes valores foram realizados testes de aderncia (GOF) utilizando diversas distribuies de 2 probabilidade. O teste adotado foi o Qui-Quadrado ( ) (TRIVEDI, 2002) e a distribuio que melhor se ajustou aos dados da amostra foi a Lognormal. A figura 7 ilustra esta etapa, apresentando os parmetros da distribuio, juntamente com o resultado da simulao na forma da funo de distribuio acumulada.
1,0

Amostra (dias) 20 17 24 30 23 22 26 39 18 36 32 32 41 45 38 2 41 35 45 34 29 GOF ( ) Lognormal(55,17; 9,91) 19 43 47 43 40 24 49 32 47 43 32 18 28 23 38 51 26 26 42 41 30 47 55 19 26 28 33 28 27 29

0,8 0,6 0,4 0,2 0,0 15 25 80,0% 35 35 35 45 41,14 20,0% 55

Figura 7 Ajuste da distribuio de probabilidade a partir de dados da amostra. Haja vista que os valores da amostra referem-se ao tempo total, a simulao neste caso considerou apenas uma varivel aleatria. Seu comportamento foi modelado atravs da distribuio de probabilidade Lognormal com mdia igual a 55,17 e desvio padro igual a 9,91. Como no caso anterior, foram geradas 5.000 observaes. Para o mesmo ndice de probabilidade sugerido anteriormente (80%), obteve-se um tempo de 41,14 dias. Para esta estimativa, a diferena entre o resultado das duas simulaes foi de aproximadamente 1,5 dia. Com relao estimativa de entrega no prazo (20 dias), a simulao baseada na baseline resultou em uma probabilidade de ocorrncia de 7,4% que, apesar de superior anterior (1,88%), ainda pode ser considerada muito baixa. A partir destes resultados possvel tambm responder a segunda pergunta. A estimativa inicial para a disponibilidade do recurso servidor foi de at 20 dias aps a confirmao do pedido, prazo este utilizado para estimar os custos do projeto na etapa de planejamento. De acordo com o diagrama de dependncias do plano de gerenciamento do projeto, o pacote de trabalho Firewall-DMZ s tem incio a partir da disponibilidade do recurso servidor. A consultoria responsvel pela implementao do projeto tem sua remunerao contabilizada no formato de homem-ms (aprox. R$ 800,00/dia). Seu contrato no isenta perodos de inatividade em funo de atrasos no provimento de recursos por parte da contratante. Levando em considerao apenas os efeitos sobre os custos de consultoria, a tabela 1 apresenta seis cenrios com seus respectivos impactos sobre o oramento do projeto. Considerando as estimativas de ambas simulaes, o gerente de projeto possui subsdios quantitativos para fundamentar suas decises cerca do risco sendo analisado. Possivelmente, um gerente mais conservador estaria levando em conta um cenrio menos otimista (5 ou 6 a fim de ) estabelecer seu plano de resposta ao risco. J aqueles gerentes mais arrojados poderiam adotar um dos cenrios intermedirios (3 ou 4), por estarem prximos do valor mdio de ambas simulaes.
I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso

Tabela 1: Cenrios de efeitos do risco sobre o custo do projeto.

Cenrio 1 2 3 4 5 6 Probabilidade Probabilidade Tempo de Atraso em Impacto no de ocorrncia de ocorrncia Entrega dias oramento (R$) (entrevistas) (baseline ) at 20 dias 1,8% 7,4% 0 0 at 25 dias 12,9% 20,7% 5 4.000 at 30 dias 34,4% 40,2% 10 8.000 at 35 dias 59,7% 60,5% 15 12.000 at 40 dias 81,1% 77,0% 20 16.000 at 45 dias 94,2% 88,0% 25 20.000

5. Concluses
Este artigo apresentou a aplicao do mtodo de Monte Carlo como ferramenta para o processo de anlise quantitativa de risco de projeto. Os principais componentes do mtodo foram abordados, juntamente com um exemplo de sua aplicao durante o processo de AQR em um projeto hipottico. Uma das principais dificuldades para se utilizar MC a modelagem das variveis aleatrias a partir da lista de riscos identificados. Duas abordagens foram apresentadas, uma baseada na coleta de dados de especialistas e outra no ajuste do modelo a partir de dados de uma baseline. Outra questo relevante que a construo do modelo de simulao deve ser precedida da especificao das anlises ou perguntas que se pretende responder. Somente a partir destas definies possvel determinar a melhor abordagem para a modelagem, bem como recursos acessrios (ex. grficos, planilhas, etc.) que podero auxiliar a anlise dos resultados. Outros aspectos importantes e que tambm devem ser considerados so o tamanho da amostra gerada na simulao de MC, a qualidade do GNA, a escolha do nvel de confiana e a utilizao de distribuies empricas em alternativa aos modelos existentes. Estes assuntos no foram aprofundados neste trabalho, mas podem ser encontrados na literatura de referncia (seo 6). Atualmente a demanda pela AQR tem sido cada vez maior em projetos de diversas reas, o que tem exigido a adoo de novas tcnicas e ferramentas que apiem esta diversidade de aplicaes. Desta forma, novas tcnicas de modelagem e anlise tm sido introduzidas, complementando os resultados obtidos atravs da simulao de MC. Como exemplo, podem ser citadas as redes neurais e bayesianas, teoria dos conjuntos difusos (fuzzy set), anlise de Weibull, dentre outras.

Formatado

6. Referncias Bibliogrficas
AYYUB, Bilal M. Elicitation of expert opinions for uncertainty and risks. USA: CRC, 2001. 302 p. BEDFORD, T.; COOKE, R. Probabilistic Risk Analysis. UK: Cambridge Univ. Press, 2001. 393 p. CSEP (1995). Introduction to Monte Carlo methods. Computational Science Education Project U.S. Department of Energy. Disponvel em: < http://csep1.phy.ornl.gov/mc/mc.html>. Acesso em: 20 dez. 2005. LAW, Averill M.; KELTON, W. David. Simulation Modeling and Analysis. 2 Edition. USA: McGrawHill, 1991. 759 p. PLLANA, Sabri (2002). History of Monte Carlo method. History of Monte Carlo Method. Disponvel em: <http://www.par.univie.ac.at/~pllana/hmcm/index.html>. Acesso em: 15 dez. 2006. PMI. Guide to the project management body of knowledge. 3 Edition. USA: Project Management Institute, 2004, 388 p. TRIVEDI, Kishor S. Probability and statistics with reliability, queuing, and computer science nd applications. 2 Edition. New York: John Wiley & Sons, 2002. 830 p. VOSE, David. Risk Analysis: a quantitative guide. 2 Edition. UK: John Wiley & Sons, 2002. 418 p. Rivalino Matias Jr., M.Sc. (rivalino@k4b.com.br): Mestre em cincia da computao pela UFSC, onde atualmente realiza doutorado, possui diversas publicaes nacionais e internacionais na rea de TI. Nos ltimos 10 anos realizou atividades profissionais para os setores pblico e privado, como exemplo: TCO Celular (Vivo), Microsoft, Exrcito e Aeronutica, CNPq, Conectiva, Red Hat, dentre outras. Atualmente se dedica s seguintes reas: Gerncia de projetos de TI, AQR, SRE (software reliability engineering) e tecnologias FOSS.
nd rd nd

Formatado

Formatado

I Congresso Brasileiro de Gerenciamento de Projetos Florianpolis 29 a 31 de maro de 2006 www.pmisc.org.br/congresso