GERENCIAMENTO DE RISCOS EM PROJETOS:

COMO USAR O MICROSOFT EXCEL PARA

REALIZAR A SIMULAO MONTE CARLO


Csar Augusto Becker de Arajo Fernandes
c.fernandes@cinq.com.br / 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 (MC) 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 MC, 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 MC 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 MC 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 MC 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 MC
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 MC :
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).

4. CONCEITOS ADICIONAIS E ARMADILHAS

1
Csar A. Fernandes - dezembro de 2005

4.1. Independncia de variveis aleatrias

O que acontece na realidade que na simulao MC 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 (assume-se que a
correlao entre as variveis aleatrias pode ser tambm
no-linear). 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 MC 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 delas resulta sempre em uma distribuio normal
(isso para um nmero considervel de variveis aleatrias).
Isto explica por que 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 MC multivariada 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 ou Beta-PERT,
para as quais 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.
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 ri scos
0%
20%
40%
60%
80%
100%
120%
MNIMO MAIS PROVVEL
MXIMO

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 MC 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 MC como por exemplo:

2
Csar A. Fernandes - dezembro de 2005
Portfolio/Credit/Scoring/Operational Risk Browser
(www.numtech.com),
@Risk or Excel ( alisade.com www.p ),
ll Crystal Ball (www.oracle.com/crystalba ),
are.com Model Risk / Model Assist (www.vosesoftw ) e
XLSim/Insight (www.analycorp.com).
vezes distantes Infelizmente essas ferramentas esto muitas
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 MC
multivariada sem o uso de ferramentas comerciais, que no
o Microsoft Excel.

.2. Gerador de nmeros 5 pseudo-aleatrios
.
que o mtodo de MC um mtodo
( ))/2.
.2. enne Twister (MT)
um

.2.1 A idia inicial 5

foi mencionado J
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 coerente 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.
Em princpio, 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
Distribuio normal (ou de Gauss):
). =INV.NORM(ALEATRIO( );;
Distribuio exponencial:
( )). =(-1/)*LN(ALEATRIO

2. Uma melhor abordagem: Mers 5

ma vez escolhida a distribuio de probabilidade para U
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 MC.
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 MC, seno
superior. Eles desenvolveram o Mersenne Twister (MT),
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 MC.
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
http://www.numtech.com/documents/research/20030106/ntr
and-freeware-numeric.php.

5.2.3. A escolha da semente

Tomando por base a condio de independncia das
ariveis aleatrias vista na seo 4.1, pode-se concluir que v
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
nto maior o
mero de iteraes tanto melhor. Mesmo assim seria
rmula do erro total vista na seo 3.2

J foi visto que para o mtodo de MC qua
n
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 f
vem que o nmero de iteraes dado por
2
. 3

=

N .
A faixa superior de pode ser estimada c
Excel isso se traduz em:
= DESVPADP(Cmin:Cmax;MDIA(Cmin:Cmax)).
Estipula-se ento um erro


alculando-se o
desvio padro entre Cmin, Cmax e o valor mdio. No MS
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
bastante rpido a ponto de permitir uma simulao

3
Csar A. Fernandes - dezembro de 2005
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

Ante de se partir s para o uso da ferramenta, necessrio
arantir alguns requisitos bsicos:
o 2.2.
ema operacional

h/2
g
Conhecer os 6 principais processos de Gerenciamento
de Riscos mencionados na se
Instalar ou ter instalado o Microsoft Excel 97, 2000,
XP, 2003, 2007,... em um sist
Microsoft Windows 95, 98, Me, NT4.0, 2000, XP ou
Vista 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(http://www.numtech.com/documents/researc
0030106/ntrand-freeware-numeric.php). 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


5.5.
. identificao de riscos
tificao de
ar um nvel
partir da pode-se usar a ferramenta de Histograma.
A receita do bolo

5.5.1 Abordagens para a

Uma abordagem bastante disseminada na iden
scos com vistas ao mtodo de MC determin ri
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 MC
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
S Excel:
eto (em termos de tempo ou
custo).
considerar
4. desses riscos. Lembrar que
5. idade
or exemplo, pode-se
6.
7.
8. o NtRand para um nmero de
10. tal ao valor base do Projeto,
a gerar os grficos,

Obs
ades
gerada para o valor total do Projeto se assemelha a uma
rva normal.
armetros para cada categoria ao invs

6.

m termos mais prticos, tem-se a seguir o exemplo do
ra simular os custos, levando
a simulao MC no M

1. Proceder preparao descrita na seo 5.4.
2. Obter o valor base do Proj
3. Identificar os riscos do Projeto. Lembrar de
no s as ameaas mas tambm as oportunidades.
Fazer a anlise qualitativa
Risco = Impacto x Probabilidade.
Estabelecer um modelo de distribuio de probabil
para cada risco encontrado, assim como os valores dos
parmetros para cada modelo. P
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.
Determinar o nmero mnimo de iteraes como
mostrado na seo 5.3.
Escolher aleatoriamente as sementes usadas no NtRand
para cada varivel randmica (risco).
Fazer a simulao com
iteraes consideravelmente maior que o mnimo
calculado no passo 6.
9. Para cada iterao, calcular o risco total como o
somatrio dos riscos simulados.
Adicionar o risco to
considerando inclusive o custo total das
respostas/reaes aos riscos.
11. Usar a ferramenta de Histograma do MS Excel menu
ferramentas (tools) o suplemento de Anlise de Dados
(Data Analysis). par
principalmente a curva de distribuio acumulada.
.:
Verificar se a curva de distribuio de probabilid
cu
perfeitamente vivel no passo 5 agrupar os riscos
identificados em categorias independentes e estabelecer
os modelos e p
de para cada risco. Assim o passo 5 seria desdobrado
ento em dois. Neste caso, lembrar de calcular o risco
total por categoria.
EXEMPLO PRTICO
E
emprego do mtodo de MC pa

4
Csar A. Fernandes - dezembro de 2005
em considerao a anlise de riscos, de um Projeto de uma
o: $154000.
mento custo de
INCC, atraso no pagamento do
Secretaria de Meio
4.
0, $75, $750, $450,
5.
do:
or esperado das
das
Tem que [categoria (melhor caso, mais
v

).
6. c do Projeto:

obra civil residencial.
Seguindo os passos da seo 5.5.2:
1. OK. Ver seo 5.4.
2. Valor base do Projet
3. Riscos: clima/chuva, au
material/insumos
cliente, normas/fiscalizao da
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.
Impacto x Probabilidade = Valor Esperado do Risco.
Segue-se a ordem do item 3 acima para o valor
esperado. Riscos: $600, $1350, $90
$75, $1688, $150, $225, $675, $1800, $225, $38, $150.
Oportunidades: $150, $200, $75.
Distribuio de probabilidade empregada: triangular.
Categorizao dos riscos: externo, financeiro,
RH/jurdico e tcnico. Consideran
Valor esperado mais provvel = valor esperado das
ameaas valor esperado das oportunidades.
Valor esperado pior caso = val
ameaas.
Valor esperado melhor caso = valor esperado
oportunidades.
-se ento
pro vel, 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).
Ris o total mais o valor base

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

onde
=DESVPADP(G2:G4;MDIA(G2:G4))
=MDIA(G2:G4)*J7
Nme
Par de sementes puramente aleatrias por ca
Externo: 18 e 8.
Financeiro: 21 e 4.
ro de iteraes=POTNCIA(3*J6/J8;2).
7. tegoria:
8. estipulado: 10000. Para os riscos
r exemplo, ter-se-ia para a


RH/Jurdico: 18 e 2.
. Tcnico: 12 e 34
Nmero de iteraes
de ordem tcnica, po
simulao com o NtRand:

clula E6 possui a
Triangular(10000;0;E2;E4;E3;12;3
Aqui a frmula:
{=NtRand 4)}.
9. Iterao TOTAL
1
2 $14.154,24
3 $35.761,54
$7.287,86

10. L TOTA RESPOSTAS VB+RESP+TOTAL
$7.287,86 $7.340,00 $168.627,86
$14.154,24 $7.340,00 $175.494,24
$35.761,54 $7.340,00 $197.101,54
dad V o
a
a do P ir destes
fonte possvel
11. Sobre os os da coluna
e
B+RESP+TOTAL s
ribuio

obtidos o histograma curva de dist
acumulada p ra o custo rojeto. A part
grficos gerados ou suas s de dados
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
100%
120%
$
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%

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

7. CONSIDERAES FINAIS
e Anlise Quantitativa de Riscos, ele tambm pode ser
jamento de Respostas a
cos (ver seo 2.2). O melhor realmente seria fazer a

Apesar do mtodo de MC ser uma ferramenta do processo
d
empregado aps o processo de Plane
is R
simulao MC 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

5
Csar A. Fernandes - dezembro de 2005
curiosidade, o Planejamento de Respostas a Riscos feito
para o exemplo da seo 6 revelou uma economia de em
torno de 6,5% do 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
MC nada mais do que um
todo numrico estocstico universal para a soluo de
b s. Seu emprego no Gerenciamento de
iscos em Projetos deve-se basicamente difcil (ou
lado em
ishimura na criao do algoritmo
etimento da condio de independncia das
o, 15%. Isso
sob pena claro de deturpar ou mesmo
Is
icrosoft Excel 2003 Ready for the Statistics Classroom?
r
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 MC ou simulao
m
pro lemas matemtico
R
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 MC.
Infelizmente esses conceitos so deixados de
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 MC. O trabalho e iniciativa dos
professores Matsumoto e N
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
MC 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 comprom
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.
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 exempl
daria $177100 de custo estimado considerando os riscos.
Verificou-se com uma anlise coerente de riscos e a
simulao MC 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 MC no
Gerenciamento de Riscos em Projetos confere muito mais
confiabilidade na mensurao das incertezas que envolvem
os Projetos.
No basta o mtodo de MC em si ser bem realizado,
preciso que o valor base do Projeto e a identificao e
anlise qualitativa de riscos estejam absolutamente
consistentes,
invalidar as estimativas da simulao caso contrrio.

9. REFERNCIA BIBLIOGRFICA E INTERNET

APIGIAN, CHARLES H.; GAMBILL, STANLEY E.
M
Jou nal 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
th ed.
03.

approach to planning, scheduling and controlling 8
New Jersey: John Wiley & Sons, Inc., 20

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.
ide
BoK)
ent Institute, Inc., 2004.
0. SOBRE O AUTOR
ngenheiro
Eletrnico graduado pelo Universidade
ca Federal do Paran - UTFPR,
BA Executivo em Gerenciamento de
n
no Brasil e nos Est
Projetos da Cinq Tec

PROJECT MANAGEMENT INSTITUTE (PMI). A Gu
to the Project Management Body of Knowledge (PM
Third Edition. Project Managem

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.

1

Csar Augusto Fernandes, E
Tcni
M
Projetos pelo ISAE Fundao Getlio
Vargas, possui experincia profissional
nas reas de Telecomunicaes/TI,
ceira em multinacionais de grande porte
ados Unidos. Atualmente Gerente de
hnologies Ltda.
Automotiva e Fina

6