20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…

PMKB

PMKB
Na Web

Faça sua pesquisa  

Project Management Knowledge Base – Conhecimento e Experiência em Gerenciamento de Projetos

Login | Cadastre­se

Menu do Mobile  
Menu do Mobile

Home
Sobre
Anuncie no PMKB
Contato
Créditos
Mapa do Site
os Colunistas
Política de Privacidade
Experiência
Academia
Profissional
Arquivo das Enquetes
Conhecimento
e­Book
e­Kit
e­Learning
e­Paper
Download
Construção
Engenharia
Gestão de Projetos
SIG
Padrões GP
WikiPM
Publique Artigos
Loja PMKB
Parcerias

     

Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel
Postado em 08/02/2016 por Técnico Mídias

RESUMO

O trabalho discute a aplicação da metodologia “Simulações de Monte Carlo”, aplicadas à área de gerenciamento de projetos. A cultura hoje dominante está
baseada  em  um  modelo  determinístico  e  reducionista,  mas  a  realidade  se  aproxima,  devido  às  incertezas,  de  um  modelo  probabilístico.  A  utilização  da
Simulação  de  Monte  Carlo,  baseada  apenas  no  algoritmo  matemático,  quando  aplicada  em  gerenciamento  de  projetos,  mostra­se  por  demais  limitada.  O
importante não é a simulação da variação matemática do parâmetro de uma variável, mas sim, entender os fenômenos que podem afetar esta variável e como
estes  fenômenos  influenciam  o  desenvolvimento  de  um  projeto.  E  desta  maneira,  poder  atuar  preventivamente  nesses  fatores.  A  necessidade  de  uma
explicação  mais  detalhada  da  teoria  das  incertezas  em  projetos,  tornou  este  artigo  um  pouco  extenso.  Sendo  assim,  ele  foi  dividido  em  duas  partes,  como
segue:

Parte 1 – Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel.

Parte 2 – Aplicação da Simulação de Monte Carlo em projetos. Em Breve (29/02)

INTRODUÇÃO

Como  discutido  em  artigos  anteriores,  e  parte  transcrito  neste  para  retomar  a  discussão  das  vantagens  da  utilização  de  modelos  probabilísticos,  é  muito
comum ouvir­se que “Planejar” significa visualizar o futuro. Como poucos têm o dom de pitonisa, este autor entende ser mais adequada a seguinte definição:
“Planejar” significa moldar o futuro.

O problema reside na maneira que essa atividade é executada, pois nosso pensamento é linear, cartesiano e determinístico. Usam­se dados determinísticos do
passado para inferir o futuro e desta maneira, projeta­se um futuro determinístico.  Esse modo de projeção não deixa de ser importante, é um bom ponto de
partida.  O problema é que o futuro não é determinístico, pois as incertezas existem.

Não se educa para que as pessoas pensem probabilisticamente e assim, cria­se dificuldade de aceitação de que os projetos apresentam enormes incertezas. E
ainda  tenta­se  simplificar  as  ações,  quebrar  o  projeto  em  partes  diminutas  e  sem  atentar,  as  pessoas  são  levadas  a  aplicar  técnicas  lineares  em  problemas

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 1/8
20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…
complexos. Agindo assim, muitas vezes não se enxerga o inter­relacionamento entre as atividades e decisões são tomadas baseando­se apenas na seguinte
equação: um problema, uma solução isolada.

Nos  projetos  ocorrem  poucos  fatos  de  natureza  determinística,  pois  na  maioria  das  vezes  não  se  tem  absoluta  certeza  do  que  ocorrerá  no  futuro  e,  nestas
condições de incertezas, aplicar técnicas determinísticas e reducionistas para explicar fenômenos complexos tem apresentado resultados decepcionantes.

Algumas metodologias existentes no mercado contribuem para que as análises das incertezas sejam mais abrangentes. Como existe a dificuldade de enxergá­
las, podem levar os projetos a situações de riscos indesejáveis. Por outro lado, metodologias como o PERT, Simulações de Monte Carlo, adaptação do Front­
End/Plannig,  do  IPA  (Independent  Project  Analysis),  com  suas  fases  FEL1,  2  e  3  e  a  Metodologias  do  Diagrama  de  Fases  da  Petrobras,  auxiliam  na
identificação das incertezas e riscos, em cada etapa do projeto.

De  acordo  com  Moschin,    no  livro  S.Exa.,O  Parzo  (2012),  essas  metodologias  apresentam  diferenças  significativas  e  precisam  ser  consideradas  no
planejamento, como segue:

Existem diferenças nas estimativas das durações para uma mesma atividade estipulada por métodos diferentes.
É possível eliminar as folgas desnecessárias sem prejudicar a execução das tarefas.
Um gerenciamento e um acompanhamento criterioso das atividades interferem de maneira positiva para a eliminação dessas folgas.
Existe remédio para as doenças do planejamento e, devido a isso, é possível obter ganhos em cronogramas elaborados pelas empresas.

FUNDAMENTAÇÃO TEÓRICA

Metodologia para delineamento de Cronograma

Para  delineamento  de  cronogramas  é  muito  usada  a  metodologia  CPM  –  Método  do  Caminho  Crítico,  que  consiste  em  se  trabalhar  com  durações
determinísticas. E, nestas condições, o resultado é uma duração discreta, única.

Figura 1 – Exemplo de diagrama de rede com durações determinísticas

No método do Caminho Crítico considera­se que a variável “mais provável” é uma constante, ou seja, um valor discreto. Mas, na realidade esta variável pode
oscilar entre os limites inferiores e superiores, como exemplificado na figura 2. E toda insegurança é embutida neste valor discreto.  Quanto mais insegurança,
mais o valor se aproxima do valor pessimista.

Figura 2 – Exemplo de limites de oscilação de uma variável aleatória

Essa rigidez contribui para a acomodação da equipe. A busca pela excelência é deixada de lado. O sucesso é cumprir o prazo determinístico e esquece­se das
folgas desnecessárias embutidas.

Proposta de Mudança de Paradigma

A  proposta  é  usar  metodologias  que  atiçam  a  mente  a  enxergar  as  incertezas  e  fazer  delas  uma  aliada  na  busca  das  oportunidades  de  ganho  e
consequentemente, da excelência.

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 2/8
20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…

Figura 3 – Exemplo de combinação de durações – Fonte: Livro S. Exa., O Prazo, Qualitymark Editora, RJ, 2012.

Figura 4 – Exemplo gráfico da atuação das forças em um projeto com durações determinísticas

A realidade é probabilística e normalmente usa­se uma modelagem determinística, que fornece um ponto na curva de distribuição. Toda energia é consumida
para fazer acontecer este prazo determinístico, como mostra a figura 4. Para as tarefas que apresentem algum atraso, usam­se as práticas do paralelismo ou da
aceleração de atividades, com aumento de recursos, etc. e para as tarefas adiantadas, o ritmo é reduzido.  Ou seja, o prazo determinístico torna­se a verdade
absoluta e a meta é o cumprimento deste prazo. Na sequência deste artigo serão discutidos os inconvenientes e a perda da produtividade.

Simulações de Monte Carlo

A  Simulação  de  Monte  Carlo  foi  proposta  pelos  matemáticos  Von  Neumann,  Ulam  e  Fermi,  durante  o  projeto  de  desenvolvimento  da  bomba  atômica
(Manhattan).  Estudaram  a  possibilidade  de  se  utilizar  um  método,  que  simulasse  a  natureza  probabilística  relacionada  à  difusão  do  nêutron  em  certos
materiais. A lógica do método já era conhecida há muito tempo em artigo do cientista Lord Kelvin em que discutia as técnicas de Monte Carlo, nas equações
de Boltzmann. O nome Monte Carlo é uma homenagem à cidade de Monte Carlo e seus famosos cassinos.

Matematicamente,  a  técnica  de  Monte  Carlo  consiste  em  gerar  valores  aleatórios  para  cada  distribuição  de  probabilidades  dentro  de  um  modelo  com  o
objetivo de produzir centenas ou milhares de cenários.

Em linguagem de projetos, significa a simulação matemática de diversas possibilidades de cenários, obedecendo­se as restrições do projeto. Ou seja, trabalha­
se com informações operacionais de um sistema real.

Usando­se as Simulações de Monte Carlo é possível obter facilmente informações importantes sobre o projeto, como:

Qual a probabilidade do projeto terminar no prazo negociado.
Qual a probabilidade do projeto terminar no custo negociado.
Qual a probabilidade do projeto terminar na data X.
Quais as tarefas mais críticas.
Qual a data mais provável do projeto terminar.
Qual o custo mais provável a ser alcançado.
Quais as tarefas que participaram mais vezes no caminho crítico.

Exemplo de um churrasco

Quantos quilos de carne serão consumidos em um churrasco para 100 pessoas?

Pode­se adotar uma estimativa grosseira e discreta, como segue:

Estimativa de comparecimento – 90%

Estimativa de consumo médio por pessoa –  350gr

= 100 x 0,9 x 0,35

= 31,5 kg de carne

Notem que este valor representa uma média.  E como chegar a um valor mais próximo da realidade, que reflita as incertezas associadas ao evento?

Opção  1  –  Repetir  esse  churrasco,  para  essas  mesmas  100  pessoas,  nas  mesmas  condições  ambientais,  por  10.000  vezes.  Anotar  o  consumo  real  em  cada
churrasco e depois traçar uma curva de distribuição.   Naturalmente que isso é impraticável.

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 3/8
20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…
Opção  2  –  Simular  matematicamente  o  consumo  de  carne  dessas  100  pessoas,  em  10.000  churrascos.  Ou  seja,  fazer  oscilar  a  variável  estudada  dentro  de
determinados limites, seguindo­se as regras matemáticas.

Base matemática – geração de números aleatórios para a variável.

Geração de números aleatórios

Dispositivos físicos, como roleta, dados, moedas, etc.
Tabelas de números aleatórios
Processos matemáticos e computacionais

Simulação de Monte Carlo pelo programa MS­EXCEL

Passos

1 – Escolha da variável. No caso, o consumo de carne

2 – Acessar no Excel

“Dados”
“Análise de Dados”
“Geração de Números Aleatórios”

3 – Escolha da distribuição que melhor represente este evento. Como não se conhece o comportamento da variável, adota­se uma distribuição, por exemplo, a
Uniforme, preencher os campos no pop­up “Geração de Números aleatórios” e rodar.

4 – Acessar no Excel o pop­up do “Histograma” e traçar o gráfico.

“Dados”
“Análise de Dados”
“Histograma”

Resultado  esperado:  Uma  curva  de  distribuição.  É  importante  verificar  que  o  valor  mais  provável  adotado  na  estimativa  acima,  faz  parte  da  curva  de
distribuição. É possível também determinar qual a probabilidade desse valor ocorrer. E para cada valor de consumo, é possível associar uma probabilidade.

Figura 5 – Curva da distribuição

O  resultado  apresentado  tem  como  base  a  aplicação  de  método  matemático  puro,  ou  seja,  os  fatores  responsáveis  pela  oscilação  da  variável  são
desconhecidos. Torna­se assim importante a realização de uma análise de riscos e a elaboração de um plano de respostas, com todas as medidas preventivas
identificadas.  Por  isso  foi  denominada  apenas  de  uma  ferramenta  matemática.    E  em  projetos,  o  uso  desta  ferramenta  é  muito  importante  e  conduz  para
melhores resultados, desde que adaptada à metodologia dedicada aos projetos, como discutido nos itens a seguir.

Na segunda parte deste artigo, será discutida a aplicação das Simulações de Monte Carlo em projetos.

REFERÊNCIAS BIBLIOGRÁFICAS

Barcaui, André B. et alii, Gerenciamento do Tempo em Projetos, 1a edição, editora FGV, 2006.
Mosquim, Puch, Oliveira, Trabalho de Conclusão de Curso,  FGV­BI­Institute – Campinas­2008.
Moschin, John,  S.Exa., O Prazo, 1a edição, Editora Qualitymark, 2012.
Moschin, John, Gerenciamento de Paradas de Manutenção, Editora Brasport, 2015.
PMBOK:  Um  Guia  do  Conjunto  de  Conhecimentos  em  Gerenciamento  de  Projetos.  Quinta  edição,  PMI  –  Project  Management  Institute,  Inc.,
Pensilvânia, USA, 2014.
Ribeiro, Carlos Augusto B., Apostila de Gerência de Tempo em Projetos, FGV, 2006.
Programa Primavera Analysis Risk, Oracle

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 4/8
20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…
Sobre  o  Colunista:  João  Carlos  Mosquim,  Engenheiro  Civil  e  de  Equipamentos,  MBA  em  Gerenciamento  de  Projetos  e  pós­graduação  em  Gestão  de
Pessoas,  especialização  em  Controle  da  Qualidade  e  certificação  PMP  do  Project  Management  Institute.  Foi  membro  da  Banca  Examinadora  do  Prêmio
Nacional da Qualidade, Membro da Comissão de Eletricidade da ABRAMAN, Avaliador/auditor em processos integrados de gestão, Normas NR­10, ISO
9001, 8800, 14001, 18001. Desenvolveu atividades na Petrobras nas áreas de empreendimento, manutenção, automação de sistemas de produção e elétricos e
planejamento de rotina e paradas. Palestrante em webinares do PMI­USA, PMI­SP, Fixe Consulting, autor de artigos e trabalhos técnicos apresentados em 5
Congressos  Mundiais  de  Manutenção  –  ABRAMAN.  Hoje  é  sócio­diretor  da  MKM  CONSULTAITIS,  empresa  de  consultoria  e  treinamento  nas  áreas  de
Gerenciamento de Projetos, Riscos, Paradas e Indicadores de Desempenho, e como professor de MBA na Pragma Academy Brasil.

E­mail de contato: mkmconsultatis@gmail.com

Se você tem comentários, sugestões ou alguma dúvida que gostaria de esclarecer, aproveite o espaço a seguir.

Tags: Artigo, estratégia, Gerenciamento de Projetos, gestão de projetos, João Mosquim, Planejamento, Simulações de Monte Carlo

Deixe uma resposta
Você precisa fazer o login para publicar um comentário.

Veja mais:

Benefícios do planejamento para obras pequenas

A ferramenta surpreendente para ajudá­lo a simplificar o gerenciamento de projetos

As principais Habilidades Gerenciais e Competências Gerenciais

+ Veja Mais

Compre On­line

Análise de Valor Agregado: aplicação (EVM e EVMS)

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 5/8
20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…

Reivindicações em Projetos Industriais: Acompanhamento e Controle

Desenvolvendo a Maturidade em GP através do PMO

+ Compre Mais

Downloads

Condições Fornecimento Materiais

Download ­ 197 downloads ­ 236 KB

Matriz de Riscos ­ Modelo 2

Download ­ 387 downloads ­ 264 KB

2016­PSS­002 – Recuperação de Projetos em Crise

Download ­ 16 downloads ­ 859 KB

+ Veja Mais

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 6/8
20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…

Cursos/EAD/Treinamento

Análises de Custos em Contratações e Aquisições de Proj. Ind., 14/12 e 15/12

EAD – Custos e Orçamentação de Empreend. Ind., 06/12 a 03/01

EAD – Planejamento da Engenharia de Empreend. Ind., 08/12 a 05/01

+ Veja Mais

Sobre
Anuncie no PMKB
Contato
Créditos
Mapa do Site
os Colunistas
Política de Privacidade
Experiência
Academia
Profissional
Arquivo das Enquetes
Conhecimento
e­Book
e­Kit
e­Learning
e­Paper

Download
Construção
Engenharia
Gestão de Projetos
SIG
Padrões GP
WikiPM
Publique Artigos
Loja PMKB
Parcerias
Artigos
Cursos/EAD/Treinamento
Oportunidades de Trabalho
Outros Eventos
Vídeos
Notícias
Software/Aplicativos

Faça sua pesquisa  

     

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 7/8
20/11/2016 Teoria das incertezas em projetos e a Simulação de Monte Carlo pelo MS­Excel ­ PMKB | Conhecimento e Experiência em Gerenciamento de Pr…

PMKB ­ Portal de Ger…
9.310 curtidas

Curtir Página Comprar agora

1 amigo curtiu isso

 Desde 2006 © Saletto Engenharia de Serviços 
PMKB ­ Project Management Knowledge Base

Política de Privacidade | Contato

http://pmkb.com.br/artigo/teoria­das­incertezas­em­projetos­e­a­simulacao­de­monte­carlo­pelo­ms­excel/ 8/8