Simulação de Monte Carlo em Projetos: P50, P80, prazo e custo

Entenda como aplicar simulação de Monte Carlo em projetos de Engenharia para analisar riscos de prazo e custo, interpretar P50/P80, calcular contingência e identificar drivers.

Confira!

A simulação de Monte Carlo é uma técnica quantitativa que executa grande número de cenários possíveis a partir de distribuições de incerteza e eventos de risco. Em projetos de Engenharia, ela permite sair de uma única data ou valor determinístico e trabalhar com uma distribuição de resultados, estimando a probabilidade de cumprir determinado prazo, orçamento ou nível de contingência.

Em vez de afirmar que um projeto “terminará em 30 de junho” ou “custará R$ 50 milhões”, a análise pode mostrar, por exemplo, que a data tem 35% de chance de ser cumprida ou que um orçamento corresponde ao percentil P60 da distribuição. Essa informação muda a qualidade da decisão porque torna explícito o nível de confiança embutido no compromisso.

Monte Carlo não é uma ferramenta para fabricar precisão. O resultado só é confiável se o cronograma, as distribuições, os riscos, as correlações e as premissas representarem adequadamente o projeto. Um modelo ruim executado dez mil vezes continua sendo um modelo ruim.

O que é a simulação de Monte Carlo

Monte Carlo usa amostragem aleatória repetida para representar incerteza. A cada iteração, o modelo sorteia valores possíveis para as variáveis conforme distribuições previamente definidas, calcula o resultado e armazena esse cenário.

Depois de centenas ou milhares de iterações, forma-se uma distribuição de resultados. Em custo, ela mostra diferentes valores possíveis e suas probabilidades acumuladas. Em prazo, mostra diferentes datas de conclusão e o nível de confiança associado a cada uma.

O método é particularmente útil quando várias fontes de incerteza interagem e uma solução analítica simples não representa bem o sistema.

Em projetos, Monte Carlo pode ser usado para:

análise de risco de cronograma;
análise de custo e contingência;
avaliação conjunta de custo e prazo;
comparação de alternativas;
sensibilidade de premissas;
identificação de drivers de risco;
avaliação de confiança em marcos contratuais.

Por que uma data determinística pode ser enganosa

Cronogramas tradicionais usam uma duração para cada atividade. Essa duração pode ser uma melhor estimativa, uma média, uma meta ou um valor negociado. O problema é que nenhuma dessas escolhas elimina a variabilidade real.

Uma atividade estimada em 10 dias pode terminar em 8, 10, 14 ou 20 dias dependendo de produtividade, aprovações, interfaces, disponibilidade de recurso e eventos de risco.

Quando centenas de atividades carregam incerteza, o término do projeto também se torna incerto. Somar durações determinísticas não revela a distribuição de datas possíveis.

A simulação permite observar como a variabilidade se propaga pela rede lógica do cronograma.

Uma data determinística pode esconder um compromisso com baixa probabilidade de sucesso. Monte Carlo permite transformar a incerteza do cronograma em uma distribuição e enxergar o nível de confiança real associado ao marco.

Estruture análises quantitativas dentro da gestão de riscos →

P50, P80 e outros percentis

Percentis são pontos da distribuição acumulada.

Se a data P50 é 30 de setembro, isso significa que aproximadamente 50% dos cenários simulados terminaram até essa data e 50% terminaram depois. Se a data P80 é 20 de outubro, cerca de 80% dos cenários terminaram até esse ponto.

Em custo, o raciocínio é semelhante. Um P80 de R$ 120 milhões representa um valor que foi suficiente em aproximadamente 80% dos cenários do modelo.

P80 não significa “80% de contingência”. Também não significa garantia de 80%. Ele representa o nível de confiança produzido pelo modelo, condicionado às premissas e distribuições usadas.

A escolha do percentil deve refletir apetite a risco, criticidade do compromisso, governança e consequência do descumprimento.

Curva S e distribuição cumulativa

Os resultados de Monte Carlo são frequentemente apresentados como uma curva S, ou distribuição acumulada.

No eixo horizontal está o custo ou a data. No eixo vertical está a probabilidade acumulada. A curva permite responder perguntas como:

qual a probabilidade de cumprir o orçamento atual?
qual valor corresponde a P80?
qual a diferença entre P50 e P90?
quanto de contingência é necessário para atingir determinado nível de confiança?
qual data representa uma promessa mais defensável?

A curva também ajuda a comparar alternativas. Duas soluções podem ter mesmo valor médio, mas distribuições muito diferentes.

Monte Carlo em análise de prazo

Na análise de risco de cronograma, as atividades recebem distribuições de duração ou incerteza. Riscos discretos podem ser modelados com probabilidade de ocorrência e impacto sobre atividades específicas.

A cada iteração, a rede é recalculada com novas durações e eventos. O resultado mostra uma data de término. Repetindo o processo, surge a distribuição probabilística do cronograma.

Essa abordagem é mais informativa que simplesmente adicionar um buffer no final, porque considera a lógica do projeto e a interação entre caminhos.

Qualidade do cronograma antes da simulação

Monte Carlo não corrige um cronograma tecnicamente ruim.

Antes de simular, é necessário verificar:

lógica completa de predecessoras e sucessoras;
ausência de restrições artificiais desnecessárias;
tratamento correto de calendários;
durações coerentes;
caminho crítico identificável;
atividades de resumo não usadas como lógica;
marcos definidos;
atualizações realistas;
progresso corretamente registrado;
caminhos quase críticos e convergentes.

Se a rede lógica estiver quebrada, a propagação da incerteza também estará.

A análise quantitativa deve começar com auditoria do cronograma.

Caminho crítico determinístico x criticidade probabilística

O caminho crítico mostrado no cronograma base é resultado das durações determinísticas atuais. Na simulação, diferentes caminhos podem se tornar críticos em diferentes iterações.

Por isso, uma atividade pode ter criticality index elevado mesmo que não esteja no caminho crítico determinístico atual.

Esse indicador mostra em quantos cenários a atividade participou do caminho que determinou o término. Ele ajuda a descobrir riscos ocultos em caminhos quase críticos.

Um cronograma com vários caminhos convergindo em um marco pode ser mais vulnerável que a leitura simples do caminho crítico sugere.

Distribuições de duração: triangular, beta, normal ou outra?

A escolha da distribuição deve representar o fenômeno e a qualidade da informação.

Uma distribuição triangular pode usar mínimo, mais provável e máximo. É simples e intuitiva, mas depende fortemente de julgamento especializado.

Distribuições beta ou PERT podem produzir formas mais suaves quando existe uma estimativa central dominante. Distribuições normais podem ser inadequadas quando valores negativos são impossíveis ou quando a assimetria é relevante.

Não existe distribuição universalmente correta. O analista deve justificar por que determinado formato representa a variável.

Mais importante que escolher uma função sofisticada é evitar intervalos arbitrários aplicados igualmente a todas as atividades.

Como estimar mínimo, provável e máximo

As três estimativas precisam refletir condições plausíveis, não desejos.

Uma abordagem pode perguntar:

mínimo plausível: duração alcançável sob condições favoráveis, sem depender de eventos extraordinários;
mais provável: duração compatível com produtividade e condições esperadas;
máximo plausível: duração sob condições adversas razoavelmente concebíveis, excluindo catástrofes tratadas como riscos discretos.

Dados históricos são preferíveis quando comparáveis. Quando não existem, entrevistas estruturadas com especialistas devem reduzir vieses de otimismo e ancoragem.

É recomendável documentar a origem de cada intervalo ou regra por classe de atividade.

Variabilidade x risco discreto

Nem toda incerteza deve ser modelada da mesma forma.

Variabilidade está presente mesmo quando o processo ocorre normalmente: produtividade, duração de revisão, tempo de instalação, rendimento de equipe.

Risco discreto é um evento que pode ou não ocorrer: fornecedor falhar, licença atrasar, equipamento reprovar em FAT, chuva extrema interromper obra.

Modelar tudo como amplitude de duração pode esconder causalidade. Modelar toda variabilidade como riscos discretos pode gerar centenas de eventos artificiais.

Uma boa análise separa as duas fontes.

Como modelar riscos discretos

Um risco pode possuir probabilidade de ocorrência e distribuição de impacto.

A cada iteração, o modelo sorteia se o evento ocorre. Se ocorrer, o impacto é aplicado à atividade, custo ou conjunto de elementos relacionados.

Exemplo: existe 30% de probabilidade de atraso na homologação. Se ocorrer, o impacto pode variar entre 10 e 30 dias.

Essa estrutura preserva a diferença entre chance de ocorrência e magnitude da consequência.

O registro de riscos deve informar quais eventos entram no modelo e como foram parametrizados.

Monte Carlo em análise de custos

Em custo, componentes da estimativa podem receber distribuições relacionadas a quantitativos, preços, produtividade, taxas, câmbio, logística ou incerteza de engenharia.

Riscos discretos adicionam impactos quando se materializam na iteração.

O modelo soma os componentes para produzir um custo total por cenário. A distribuição resultante permite calcular percentis, média, desvio, faixas e contingência necessária para o nível de confiança desejado.

A estrutura da WBS é útil para organizar os elementos e identificar onde a incerteza está concentrada.

Estimativa base e análise de risco

A análise precisa distinguir o que já está incorporado à estimativa base e o que representa incerteza adicional.

Se um item já foi estimado com produtividade conservadora e recebe outra distribuição ampla baseada no mesmo risco, ocorre dupla contagem.

O modelo deve documentar:

valor base;
natureza da incerteza;
distribuição aplicada;
riscos discretos adicionais;
correlações;
itens excluídos.

Sem essa arquitetura, o resultado pode parecer sofisticado e ainda assim ser economicamente incoerente.

Correlação: um dos pontos mais críticos

Variáveis de projetos podem se mover juntas.

Aumento de câmbio afeta vários equipamentos importados. Baixa produtividade pode impactar várias frentes. Atraso de projeto pode deslocar múltiplos pacotes de compra.

Se o modelo assume independência completa, pode subestimar extremos porque cenários adversos simultâneos aparecem com frequência menor que a realidade.

Por outro lado, aplicar correlação alta a tudo pode inflar artificialmente a dispersão.

Correlações devem ser justificadas por mecanismo técnico, dados ou julgamento estruturado.

Dependência causal não é apenas correlação estatística

Dois riscos podem ser relacionados porque um causa o outro.

Aprovação tardia pode atrasar fabricação, que reduz a janela de montagem e comprime o comissionamento. Isso é uma cadeia causal, não apenas duas variáveis correlacionadas.

Quando possível, o modelo deve representar a lógica causal diretamente, em vez de usar um coeficiente de correlação como substituto.

Essa distinção melhora interpretação e permite definir respostas mais eficazes.

Quantas iterações são necessárias?

O número depende da complexidade do modelo e da estabilidade dos resultados. Milhares de iterações são comuns porque o custo computacional é baixo.

O objetivo não é atingir um número mágico, mas verificar convergência. Percentis e estatísticas relevantes devem permanecer estáveis quando o número de iterações aumenta.

Modelos com eventos raros podem exigir mais iterações para capturar adequadamente a cauda da distribuição.

Executar mais iterações não corrige dados ruins.

Mais iterações não corrigem premissas ruins. A robustez da simulação depende da qualidade do cronograma, das distribuições, dos riscos discretos e das dependências modeladas — não do volume de sorteios.

Veja como relacionar P50/P80 à reserva de contingência →

Análise de sensibilidade

Depois de conhecer a distribuição, a pergunta seguinte é: o que mais influencia o resultado?

Análises de sensibilidade podem mostrar quais atividades, variáveis ou riscos mais contribuem para custo ou prazo.

Gráficos tornado, correlação com resultado e índices de criticidade são exemplos.

Essa informação tem valor gerencial porque direciona esforços. Se 70% da variabilidade de prazo vem de três interfaces, talvez seja mais eficiente tratar essas interfaces que adicionar contingência geral.

Monte Carlo deve apoiar decisão sobre onde agir, e não apenas produzir um P80.

Drivers de prazo

Em cronograma, drivers podem ser atividades com alta criticidade probabilística, elevada correlação com a data final ou grande amplitude de duração.

Também podem ser riscos discretos que afetam marcos importantes.

Identificar drivers permite revisar sequência, antecipar aprovações, criar alternativas de fornecimento, aumentar recursos, rever estratégia construtiva ou proteger janelas críticas.

A análise transforma uma distribuição abstrata em plano de ação.

Drivers de custo

Em custo, drivers podem estar ligados a itens de grande valor, alta incerteza, câmbio, quantitativos, produtividade ou eventos de grande consequência.

Um item barato com grande variabilidade pode ser menos relevante que um equipamento caro com variação moderada.

A sensibilidade ajuda a priorizar engenharia de valor, negociação, hedge, revisão de quantidades, contratação ou estratégia de contingência.

Como relacionar Monte Carlo à reserva de contingência

A distribuição permite escolher um nível de confiança e calcular a diferença em relação ao valor base ou a outro ponto de referência.

Se o custo base é R$ 100 milhões e P80 é R$ 115 milhões, a diferença de R$ 15 milhões pode informar a reserva necessária para atingir aquele nível de confiança, desde que a metodologia de baseline e reserva seja coerente.

O mesmo vale para prazo: a diferença entre a data determinística e P80 pode orientar margem de compromisso.

Essa abordagem é mais transparente que aplicar percentual arbitrário, mas depende da qualidade do modelo.

P50 não é necessariamente a melhor meta

P50 representa equilíbrio entre cenários acima e abaixo, não uma recomendação universal.

Para decisões internas exploratórias, P50 pode ser adequado. Para compromisso contratual crítico, a organização pode escolher P70, P80 ou outro nível.

A escolha deve considerar custo da proteção adicional e consequência do descumprimento.

Níveis de confiança muito altos podem tornar o projeto economicamente inviável; níveis muito baixos podem produzir promessas sistematicamente otimistas.

A decisão é de governança, não do software.

Schedule Risk Analysis — SRA

A Schedule Risk Analysis aplica técnicas quantitativas ao cronograma para avaliar a probabilidade de atingir marcos e identificar drivers temporais.

O processo normalmente envolve:

validar a qualidade da rede lógica;
definir incerteza de durações;
modelar riscos discretos;
estabelecer correlações quando aplicável;
executar a simulação;
analisar curva de conclusão;
identificar atividades críticas probabilísticas;
testar cenários de mitigação.

O resultado pode revelar que a data contratual está muito abaixo de P50, indicando compromisso agressivo.

Custo e prazo devem ser analisados juntos?

Em muitos projetos, custo e prazo são interdependentes.

Atraso aumenta mobilização, administração local, aluguel de equipamentos e custos indiretos. Aceleração pode reduzir prazo e aumentar custo. Falhas técnicas podem produzir ambos.

Modelos integrados de custo e prazo procuram representar essas relações. Eles são mais complexos, mas podem ser necessários em programas de grande porte.

Quando custo e prazo são modelados separadamente, a equipe deve reconhecer as limitações e evitar interpretar as duas distribuições como independentes.

Joint Confidence Level

Algumas metodologias avaliam simultaneamente a probabilidade de cumprir custo e prazo. O Joint Confidence Level (JCL) representa essa visão conjunta.

Ele pode ser útil quando decisões de financiamento e cronograma precisam considerar dependência entre as duas dimensões.

Não é necessário em todo projeto. Seu uso exige maturidade de dados e modelo integrado.

Como testar cenários de mitigação

Uma das aplicações mais úteis de Monte Carlo é comparar o modelo antes e depois de uma resposta.

Exemplo: homologar fornecedor alternativo pode reduzir a probabilidade de atraso de 40% para 15%. A simulação mostra quanto essa ação desloca P80 e reduz contingência.

Outro exemplo: antecipar uma aprovação pode remover um caminho quase crítico.

Essa comparação permite quantificar o benefício da mitigação e apoiar decisões de investimento em respostas.

Cenários “what-if”

A análise pode testar alternativas como:

executar pacotes em paralelo;
contratar fornecedor secundário;
aumentar turno de instalação;
antecipar compra;
adiar determinada funcionalidade;
alterar sequência de comissionamento;
aumentar contingência;
reduzir escopo;
acelerar aprovação.

Cada cenário deve manter premissas documentadas para permitir comparação justa.

Viés de otimismo

Especialistas tendem a subestimar duração e impacto, especialmente quando metas comerciais ou políticas já foram anunciadas.

A coleta de distribuições deve procurar reduzir esse viés por meio de dados históricos, entrevistas independentes, análise de referência e comparação com projetos anteriores.

Se todos os “máximos plausíveis” são apenas alguns pontos acima do valor base, a distribuição pode estar artificialmente estreita.

A análise quantitativa precisa desafiar a estimativa, não apenas formalizá-la.

Caudas e riscos extremos

Médias e percentis centrais podem esconder eventos severos.

Riscos de baixa probabilidade e alto impacto podem produzir caudas longas. Em segurança, continuidade operacional ou grandes perdas financeiras, a organização pode precisar analisar cenários extremos separadamente.

Monte Carlo é uma ferramenta, mas não substitui análise de cenários de desastre, HAZOP, Bow Tie ou outras técnicas especializadas quando a natureza do risco exige.

O erro de remover riscos “porque são improváveis”

Excluir todos os riscos de baixa probabilidade pode reduzir artificialmente a cauda da distribuição.

O critério de inclusão deve considerar materialidade, não apenas frequência.

Ao mesmo tempo, adicionar dezenas de eventos remotos sem base pode inflar o resultado.

A carteira precisa ser curada com critérios técnicos e registrar por que cada risco foi incluído ou excluído.

Dados históricos e calibração

Modelos melhoram quando são comparados a resultados reais.

Após o encerramento do projeto, é possível verificar:

onde o custo final caiu na distribuição prevista;
se o prazo real estava dentro da faixa simulada;
quais distribuições foram otimistas;
quais riscos ocorreram;
quais correlações estavam inadequadas;
se P80 foi sistematicamente conservador ou insuficiente.

Essa retroalimentação permite calibrar futuros modelos.

Monte Carlo em fases iniciais

Mesmo com pouca definição, a técnica pode ser útil se as incertezas forem representadas com honestidade.

Em fase conceitual, distribuições mais amplas e cenários paramétricos podem refletir a falta de definição. O erro é produzir um resultado estreito para aparentar precisão.

À medida que o projeto amadurece, distribuições podem ser refinadas com dados de engenharia, fornecedores e campo.

A evolução do modelo deve acompanhar a maturidade do empreendimento.

Monte Carlo em procurement

Fornecimentos críticos podem ser modelados considerando lead time, aprovação de desenhos, fabricação, FAT, logística, desembaraço e instalação.

Riscos de fornecedor único, capacidade fabril e importação podem entrar como eventos discretos.

A análise ajuda a responder se o cronograma precisa antecipar contratação, exigir alternativas ou proteger marcos com contingência adicional.

Monte Carlo em obras e implantação

Produtividade, clima, disponibilidade de frentes, acesso, interferências e retrabalho criam variabilidade significativa.

Distribuições podem ser baseadas em históricos de produtividade, dados de campo ou faixas de especialistas.

É importante respeitar dependências entre atividades. A produtividade de uma equipe não pode ser sorteada independentemente em dezenas de atividades se todas compartilham a mesma condição de campo.

Monte Carlo em comissionamento

Comissionamento concentra riscos de integração e prontidão.

Falha em FAT, atraso de documentação, indisponibilidade de subsistema e necessidade de reteste podem deslocar o aceite.

Modelar esses eventos pode mostrar que o prazo entre instalação e operação é insuficiente para o nível de confiança esperado.

Essa informação permite ampliar janela de testes, antecipar pré-comissionamento ou priorizar sistemas críticos.

Como documentar uma análise de Monte Carlo

Um relatório defensável deve registrar:

versão da baseline;
data de corte;
escopo do modelo;
atividades ou custos incluídos;
distribuições utilizadas;
fonte das estimativas;
riscos discretos;
correlações;
número de iterações;
software ou método;
resultados P10/P50/P80/P90 conforme aplicável;
drivers de sensibilidade;
limitações;
cenários de mitigação;
decisão tomada.

Sem documentação, o resultado não é reproduzível.

Fluxo de uma análise Monte Carlo aplicada a prazo ou custo de projetos de Engenharia

O que o software não decide

Ferramentas automatizam sorteios e cálculos, mas não decidem:

se o cronograma é realista;
qual risco deve entrar;
que distribuição é defensável;
qual correlação faz sentido;
qual percentil a organização deve adotar;
que resposta é economicamente adequada;
se a baseline está contaminada por margens ocultas.

Essas decisões exigem engenharia, gestão e governança.

Erros comuns em modelos Monte Carlo

Entre os erros mais frequentes estão:

aplicar a mesma distribuição a todas as atividades;
ignorar correlações relevantes;
usar cronograma com lógica defeituosa;
duplicar riscos já embutidos nas durações;
excluir caminhos quase críticos;
usar percentis sem explicar o nível de confiança;
interpretar P80 como garantia;
confiar em excesso na média;
não documentar fontes dos parâmetros;
rodar milhares de iterações sem validar premissas;
apresentar gráficos sofisticados sem ligação com decisão.

Monte Carlo só agrega valor quando a distribuição muda uma decisão. O objetivo não é produzir um gráfico sofisticado, mas decidir contingência, compromisso, mitigação, priorização ou estratégia com base em confiança explícita.

Apoie decisões críticas com Consultoria Técnica de Engenharia →

Quando Monte Carlo não vale a pena

Nem todo projeto precisa de análise probabilística.

Se a decisão é simples, a exposição é pequena e um cenário conservador já fornece resposta suficiente, o custo de modelagem pode não se justificar.

A técnica agrega mais valor quando:

o compromisso de prazo ou custo é material;
existem várias fontes de incerteza;
a contingência é relevante;
há necessidade de justificar nível de confiança;
alternativas precisam ser comparadas;
o cronograma possui muitos caminhos concorrentes;
riscos correlacionados podem alterar o resultado.

A sofisticação deve ser proporcional à decisão.

Relação com matriz de riscos

A matriz qualitativa ajuda a priorizar quais riscos merecem aprofundamento. Monte Carlo quantifica parte da incerteza em termos de distribuição de resultado.

As duas técnicas não competem. A matriz pode identificar um risco alto de fornecimento; a simulação pode mostrar quanto ele desloca P80 do cronograma e quanto uma mitigação reduz a contingência.

A combinação melhora a passagem entre análise qualitativa e decisão quantitativa.

Relação com o registro de riscos

O risk register fornece probabilidade, impacto, owner, resposta e histórico dos eventos discretos.

A modelagem quantitativa deve manter vínculo com identificadores do registro. Assim, quando um risco é mitigado ou encerrado, o modelo pode ser atualizado de forma rastreável.

Esse vínculo evita que a simulação se torne um arquivo paralelo desconectado da gestão do projeto.

Considerações finais

Monte Carlo permite transformar incerteza em uma distribuição de resultados e associar compromissos de custo e prazo a níveis explícitos de confiança. Em Engenharia, isso é particularmente útil para contingência, cronogramas críticos, CAPEX, procurement e decisões em que uma única estimativa determinística esconde exposição relevante.

O valor da técnica não está no número de iterações. Está na qualidade da baseline, das distribuições, dos riscos, das dependências e da interpretação.

P50, P80 e curvas S só são úteis quando a organização compreende o que representam e usa a informação para decidir: ajustar contingência, revisar compromisso, tratar drivers, testar alternativas ou aceitar conscientemente determinado nível de exposição.

Uma boa análise quantitativa não substitui a Engenharia. Ela torna a incerteza mais visível para que a decisão técnica e gerencial seja mais defensável.

Referências técnicas

[1] U.S. GOVERNMENT ACCOUNTABILITY OFFICE. Schedule Assessment Guide: Best Practices for Project Schedules. Washington, DC: GAO, 2015. Disponível em: https://www.gao.gov/products/gao-16-89g

[2] NATIONAL AERONAUTICS AND SPACE ADMINISTRATION. NASA Cost Estimating Handbook — Appendix G: Cost Risk and Uncertainty Methodologies. Washington, DC: NASA. Disponível em: https://www.nasa.gov/ocfo/ppc-corner/nasa-cost-estimating-handbook-ceh/

[3] PROJECT MANAGEMENT INSTITUTE. Risk Management in Portfolios, Programs, and Projects: A Practice Guide. Newtown Square: PMI, 2024. Disponível em: https://www.pmi.org/standards/risk-management-in-portfolios

[4] U.S. DEPARTMENT OF ENERGY. Curating the Inputs for a Contingency Reserve Calculation. Washington, DC: DOE, 2022. Disponível em: https://www.energy.gov/sites/default/files/2023-03/Curating%20the%20Inputs%20for%20a%20Contingency%20Reserve%20Calculation.pdf

Perguntas frequentes

O que é simulação de Monte Carlo em projetos?

É uma técnica probabilística que executa muitos cenários a partir de distribuições de incerteza e riscos para gerar uma distribuição de resultados de custo ou prazo.

O que significa P50 em Monte Carlo?

É o percentil em que aproximadamente 50% dos cenários simulados resultam em valor ou data igual ou inferior. Metade dos cenários fica acima.

O que significa P80?

É o valor ou data que aproximadamente 80% dos cenários simulados não ultrapassam, condicionado às premissas do modelo.

P80 significa 80% de contingência?

Não. P80 é um nível de confiança na distribuição acumulada, não um percentual de contingência.

Quantas iterações uma simulação precisa?

Não existe número universal. Milhares são comuns; o critério importante é a estabilidade dos percentis e estatísticas relevantes e a adequada captura de eventos raros.

Monte Carlo pode ser usado em cronograma?

Sim. A Schedule Risk Analysis varia durações e riscos na rede lógica para estimar probabilidades de atingir marcos e identificar drivers de prazo.

Monte Carlo substitui a matriz de riscos?

Não. A matriz prioriza riscos qualitativamente; Monte Carlo quantifica efeitos sobre distribuições de custo ou prazo. As técnicas são complementares.

Quando Monte Carlo não é necessário?

Quando a decisão é simples, a exposição é pequena ou análises de cenário já oferecem informação suficiente. A complexidade da técnica deve ser proporcional à decisão.