GERENCIAMENTO DE RISCOS EM PROJETOS:

COMO USAR O MICROSOFT EXCEL PARA

REALIZAR A SIMULAO MONTE CARLO

Eng. Csar Augusto Becker de Arajo Fernandes, MBA, PMP

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.

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.

1.

3.

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 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.

CONCEITOS BSICOS

2.1. Projetos

3.2. O mtodo de Monte Carlo em si

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.

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

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.

total dado por:

3
, onde o desvio padro da
N

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.

2.3. Anlise quantitativa e simulaes

CONCEITOS ADICIONAIS E ARMADILHAS

Csar A. Fernandes dezembro de 2005

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.

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.

250

120%

4.2. O Teorema do Limite Central

100%

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.

200

80%
150
60%
100
40%

50
20%

MAIS PROVVEL

MNIMO

MXIMO

$34.897

$33.184

$31.472

$29.759

$28.047

$26.334

$24.621

$22.909

$21.196

$19.483

$17.771

$16.058

$14.346

$12.633

$9.208

$10.920

$7.495

$5.783

$4.070

$645

$2.357

-$1.068

-$2.781

-$4.493

0%

-$6.206

Custo dos riscos

Fig. 1: Distribuio triangular usada na simulao Monte Carlo.

importante mencionar que para a obteno dos parmetros

da modelagem, sobretudo a de distribuio triangular, devese 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 deixlas errneas caso contrrio.

4.3. A escolha do modelo

5.
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

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 (www.palisade.com),
Crystal Ball (www.oracle.com/crystalball),
Model Risk / Model Assist (www.vosesoftware.com) e
XLSim/Insight (www.analycorp.com).
Infelizmente essas ferramentas esto muitas vezes distantes
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.

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 (pseudoaleatrios), 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. Gerador de nmeros pseudo-aleatrios

5.2.1. A idia inicial
J foi mencionado que o mtodo de MC um mtodo
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( ))/2.
Distribuio normal (ou de Gauss):
=INV.NORM(ALEATRIO( );;).
Distribuio exponencial:
=(-1/)*LN(ALEATRIO( )).

5.2.3. A escolha da semente

Tomando por base a condio de independncia das
variveis aleatrias vista na seo 4.1, pode-se concluir que
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
J foi visto que para o mtodo de MC quanto maior o
nmero de iteraes tanto melhor. Mesmo assim seria
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 frmula do erro total vista na seo 3.2

3.
vem que o nmero de iteraes dado por N
.

2

A faixa superior de pode ser estimada calculando-se o

desvio padro entre Cmin, Cmax e o valor mdio. No MS
Excel isso se traduz em:
= DESVPADP(Cmin:Cmax;MDIA(Cmin:Cmax)).
Estipula-se ento um erro 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

5.2.2. Uma melhor abordagem: Mersenne Twister (MT)

Uma vez escolhida a distribuio de probabilidade para um
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.
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.

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.

5.4. Preparao
Antes de se partir para o uso da ferramenta, necessrio
garantir alguns requisitos bsicos:
Conhecer os 6 principais processos de Gerenciamento
de Riscos mencionados na seo 2.2.
Instalar ou ter instalado o Microsoft Excel 97, 2000,
XP, 2003, 2007,... em um sistema operacional
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/research/2
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
partir da pode-se usar a ferramenta de Histograma.

5.5.2. Passo-a-passo
Finalmente pode-se partir para a soluo passo-a-passo para
a simulao MC no MS Excel:
1.
2.

Proceder preparao descrita na seo 5.4.

Obter o valor base do Projeto (em termos de tempo ou
custo).
3. Identificar os riscos do Projeto. Lembrar de considerar
no s as ameaas mas tambm as oportunidades.
4. Fazer a anlise qualitativa desses riscos. Lembrar que
Risco = Impacto x Probabilidade.
5. Estabelecer um modelo de distribuio de probabilidade
para cada risco encontrado, assim como os valores dos
parmetros para cada modelo. Por exemplo, pode-se
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.
6. Determinar o nmero mnimo de iteraes como
mostrado na seo 5.3.
7. Escolher aleatoriamente as sementes usadas no NtRand
para cada varivel randmica (risco).
8. Fazer a simulao com o NtRand para um nmero de
iteraes consideravelmente maior que o mnimo
calculado no passo 6.
9. Para cada iterao, calcular o risco total como o
somatrio dos riscos simulados.
10. Adicionar o risco total ao valor base do Projeto,
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). para gerar os grficos,
principalmente a curva de distribuio acumulada.

5.5. A receita do bolo

5.5.1. Abordagens para a identificao de riscos
Uma abordagem bastante disseminada na identificao de
riscos com vistas ao mtodo de MC determinar um nvel
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.

Obs.:
Verificar se a curva de distribuio de probabilidades
gerada para o valor total do Projeto se assemelha a uma
curva normal.
perfeitamente vivel no passo 5 agrupar os riscos
identificados em categorias independentes e estabelecer
os modelos e parmetros para cada categoria ao invs
de para cada risco. Assim o passo 5 seria desdobrado
ento em dois. Neste caso, lembrar de calcular o risco
total por categoria.
6.

EXEMPLO PRTICO

Em termos mais prticos, tem-se a seguir o exemplo do

emprego do mtodo de MC para simular os custos, levando
4

Csar A. Fernandes dezembro de 2005

em considerao a anlise de riscos, de um Projeto de uma

obra civil residencial.
Seguindo os passos da seo 5.5.2:
1. OK. Ver seo 5.4.
2. Valor base do Projeto: $154000.
3. Riscos:
clima/chuva,
aumento
custo
de
material/insumos INCC, atraso no pagamento do
cliente, normas/fiscalizao da Secretaria de Meio
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.
4. Impacto x Probabilidade = Valor Esperado do Risco.
Segue-se a ordem do item 3 acima para o valor
esperado. Riscos: $600, $1350, $900, $75, $750, $450,
$75, $1688, $150, $225, $675, $1800, $225, $38, $150.
Oportunidades: $150, $200, $75.
5. Distribuio de probabilidade empregada: triangular.
Categorizao dos riscos: externo, financeiro,
RH/jurdico e tcnico. Considerando:
Valor esperado mais provvel = valor esperado das
ameaas valor esperado das oportunidades.
Valor esperado pior caso = valor esperado das
ameaas.
Valor esperado melhor caso = valor esperado das
oportunidades.
Tem-se ento que [categoria (melhor caso, mais
provvel, 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).
6. Risco total mais o valor base do Projeto:

de ordem tcnica, por exemplo, ter-se-ia para a

simulao com o NtRand:

9.

Aqui
a
clula
E6
possui
a
frmula:
{=NtRandTriangular(10000;0;E2;E4;E3;12;34)}.
Iterao
TOTAL
1
$7.287,86
2
$14.154,24
3
$35.761,54

10. TOTAL
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
11. Sobre os dados da coluna VB+RESP+TOTAL so
obtidos o histograma e a curva de distribuio
acumulada para o custo do Projeto. A partir destes
grficos gerados ou suas fontes de dados possvel
afirmar, por exemplo, que h 80% de chance do custo
do Projeto, considerando os riscos, no ultrapassar
$196.956,67.

Mais

$224.055

$220.581

$217.107

$213.633

$210.159

$206.684

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

$203.210

0%
$199.736

0
$196.262

20%

$192.788

50

$189.313

40%

$185.839

100

$182.365

60%

$178.891

150

$175.417

80%

$171.943

200

$168.468

100%

$164.994

250

$161.520

120%

$158.046

300

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

7.

8.

onde
=DESVPADP(G2:G4;MDIA(G2:G4))
=MDIA(G2:G4)*J7
Nmero de iteraes=POTNCIA(3*J6/J8;2).
Par de sementes puramente aleatrias por categoria:
Externo: 18 e 8.
Financeiro: 21 e 4.
RH/Jurdico: 18 e 2.
Tcnico: 12 e 34.
Nmero de iteraes estipulado: 10000. Para os riscos

7.

CONSIDERAES FINAIS

Apesar do mtodo de MC ser uma ferramenta do processo

de Anlise Quantitativa de Riscos, ele tambm pode ser
empregado aps o processo de Planejamento de Respostas a
Riscos (ver seo 2.2). O melhor realmente seria fazer a
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

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
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.

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, sob pena claro de deturpar ou mesmo
invalidar as estimativas da simulao caso contrrio.
9.

REFERNCIA BIBLIOGRFICA E INTERNET

APIGIAN, CHARLES H.; GAMBILL, STANLEY E. Is

Microsoft Excel 2003 Ready for the Statistics Classroom?
Journal of Computer Information Systems, 2004.

CONCLUSES
JEGES, ROB. Monte Carlo simulation in MS Excel.
www.projectware.com.au/pw040.html.

O mtodo de MC ou simulao MC nada mais do que um

mtodo numrico estocstico universal para a soluo de
problemas matemticos. Seu emprego no Gerenciamento de
Riscos em Projetos deve-se basicamente difcil (ou
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 lado em
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 Nishimura na criao do algoritmo
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 comprometimento da condio de independncia das
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 exemplo, 15%. Isso
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

KERZNER, HAROLD. Project Management: a systems

approach to planning, scheduling and controlling 8th ed.
New Jersey: John Wiley & Sons, Inc., 2003.
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.hiroshimau.ac.jp/~m-mat/MT/emt.html.
PROJECT MANAGEMENT INSTITUTE (PMI). A Guide
to the Project Management Body of Knowledge (PMBoK)
Third Edition. Project Management Institute, Inc., 2004.
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.
10. SOBRE O AUTOR
Csar Augusto Fernandes, Engenheiro
Eletrnico graduado pelo Universidade
Tcnica Federal do Paran - UTFPR,
MBA Executivo em Gerenciamento de
Projetos pelo ISAE Fundao Getlio
Vargas, possui experincia profissional
nas reas de Telecomunicaes/TI,
Automotiva e Financeira em multinacionais de grande porte
no Brasil e nos Estados Unidos. Atualmente Gerente de
Projetos Snior da Positivo Informtica.