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>