GERENCIAMENTO DE PROJETOS: SIMULAÇÃO DE MONTE CARLO VIA A FERRAMENTA SIMULAR

Tamanho: px
Começar a partir da página:

Download "GERENCIAMENTO DE PROJETOS: SIMULAÇÃO DE MONTE CARLO VIA A FERRAMENTA SIMULAR"

Transcrição

1 XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro de GERENCIAMENTO DE PROJETOS: SIMULAÇÃO DE MONTE CARLO VIA A FERRAMENTA SIMULAR Gilberto de Aguiar (SUSTENTARE) Custodio da Cunha Alves (UNIVILLE) Elisa Henning (UFSC) Muitas são as técnicas de análise quantitativa aplicadas na solução de problemas gerenciais. A simulação, objeto de estudo deste artigo, é uma delas, muito utilizada nas organizações para o tratamento de problemas administrativos dessa natuureza. O objetivo deste artigo é apresentar os fundamentos estatísticos e as aplicações do Método de Monte Carlo (MMC) em ambiente Simular, um recurso computacional gratuito. Este recurso é aplicado à análise estatística de dados para a tomada de decisão em gerenciamento de projetos por exemplo. No intuito de apresentar uma aplicação prática do método em questão, será realizada uma simulação com a ferramenta de software SimulAr, tornando possível que o leitor possa compreender o MMC e realizar suas próprias simulações. Palavras-chaves: Projetos, simulação, Monte Carlo

2 1. Introdução Atualmente, é muito comum a aplicação de simulações para obtenção de valores esperados associados a acontecimentos futuros. Isso, é resultado do advento de novas tecnologias e computadores cada vez mais potentes, um pré-requisito básico para a realização de simulações. Entretanto, alguns profissionais acabam abandonando a aplicação das ferramentas de simulação em virtude do pouco conhecimento estatístico ou da baixa atratividade pelos resultados obtidos (KWAK & INGALL, 2007). Os métodos de simulação são ferramentas utilizadas para a tomada de decisão na solução de problemas de várias naturezas, especialmente úteis em situações que envolvem análise de riscos para predizer o resultado de uma decisão face à incerteza. A aplicação da simulação em problemas gerenciais requer primeiramente a modelagem em termos matemáticos do sistema que se pretende investigar, tornando conhecidas as variáveis e os relacionamentos relevantes do problema, permitindo simular as respostas do sistema a diferentes escolhas (políticas) da tomada de decisão. Existem vários métodos de simulação. Neste trabalho, é abordado especificamente o método de Monte Carlo (MMC) que é uma técnica de simulação de sistemas discretos, muito utilizada em áreas como gestão de projetos, economia, física, química, medicina, entre outras. Quando aplicado à gestão de projetos, por exemplo, essa técnica de simulação tem como foco três áreas de conhecimento: risco, custo e tempo (GALVÃO, 2005). É possível citar algumas ferramentas que auxiliam na simulação do MMC, tais como o SimulAr (proposta de trabalho), o Crystal Ball, etc. A maioria dessas ferramentas é paga, levando muitos profissionais da gestão de projetos, por exemplo, a abandonarem a simulação e a utilização de ferramentas que necessitem de grande conhecimento em torno do modelo estatístico e distribuições utilizadas. Neste artigo, desenvolveu-se um caso prático utilizando simulação MMC com base no ambiente SimulAr, que é um recurso de auxílio a simulação de acesso gratuito. Os principais fatores que motivaram este trabalho tratam diretamente da apresentação de uma ferramenta gratuita, a contextualização objetiva e direta sobre o que realmente é o MMC e quais seus fundamentos estatísticos. Na seção 2, os pré-requisitos estatísticos para a utilização do MMC são abordados, possibilitando uma compreensão do método como um todo. Para a aplicação prática do método Monte Carlo, as seções 3 e 4 tratam respectivamente sobre sua aplicação em ambientes de projetos e utilização aliada a ferramenta gratuita SimulAr. Conclusões e considerações finais estão presentes na seção 5 do atual trabalho. 2. Monte Carlo O método de simulação Monte Carlo é uma técnica que utiliza a geração de números aleatórios para atribuir valores às variáveis do sistema que se deseja investigar. Os números aleatórios podem ser obtidos através de algum processo aleatório como tabelas ou diretamente do computador, através de funções específicas. A simulação, então, é replicada muitas vezes, até que exista segurança sobre o comportamento característico da variável decisória sobre a qual recairá a decisão. A aplicação desse método nas empresas é comum em problemas de análise de riscos, política de estoque, fluxo de produção, filas de espera e em políticas de manutenção de máquinas. Este método de simulação consiste em um processo de operação de modelos estatísticos de modo a lidar experimentalmente com variáveis descritas por funções 2

3 probabilísticas. Nestes modelos, o tratamento analítico é muito trabalhoso, e o MMC pode ser empregado como uma excelente alternativa para analisar experimentalmente os efeitos conjuntos das variáveis aleatórias no sistema. O método recebeu este nome devido à famosa roleta de Monte Carlo, no Principado de Mônaco, no ano de 1944, período da Segunda Grande Guerra, época em que foi usado como ferramenta de pesquisa para o desenvolvimento da bomba atômica. Porém existem registros isolados de sua utilização em datas bem anteriores e próximas da segunda metade do século XIX, onde várias pessoas executaram experiências nas quais lançavam setas, utilizando do acaso, sobre uma tábua onde havia um conjunto de linhas paralelas e deduziram que o valor de π = 3,14..., observando o número de interseções entre as setas e linhas (PLLANA, 2002). A lógica do MMC é simples e como exemplo de sua utilização é possível calcular a área aproximada para a figura 1, a seguir, contida num quadrado de lado 10cm (CUNHA, 2009). Fonte: Cunha (2009) Figura 1: Quadrado de lado 10cm Para efetuar um cálculo aproximado do tamanho da imagem da figura (1) são tomados, no interior do quadrado, 100 pontos ao acaso conforme a figura (2) a seguir. Fonte: Cunha (2009) Figura 2: Quadrado de lado 10cm pontilhado por 100 valores aleatórios Dos pontos aleatórios, ocorreram 22 pontos no interior da região assinalada. Logo, uma aproximação para sua área é dada por uma relação: 22/100 = área/100 = 22 cm 2. No exemplo citado, por se tratar de uma figura poligonal, é possível efetuar o cálculo de sua área com precisão: 19,75 cm2 Segundo Fernandes (2005), o MMC consiste basicamente em gerar aleatoriamente sucessivas amostras N (variáveis aleatórias) que são então testadas contra um modelo estatístico, no caso, uma distribuição de probabilidades. Este método fornece uma estimativa de valor esperado e um provável erro para estimativa, que é inversamente proporcional ao número de iterações, logo, quanto maior o número de iterações menor será o erro. 3

4 Dias de Moura (2010) propõe para a utilização do o MMC a execução e a análise de seis etapas conforme a seguir: a) Desenvolvimento do modelo: o problema e suas características são modelados em uma planilha eletrônica, na qual a relação entre as variáveis do modelo é estabelecida; b) Identificação de incertezas: identificadas as incertezas torna-se possível enquadrá-las como variáveis do modelo em questão. O estudo de cada uma das variáveis é necessário para que se defina a melhor distribuição de probabilidade se ajusta àquela série de dados; c) Identificação de variáveis de análise ou de saída: as variáveis de estudo são identificadas e analisadas quanto ao seu comportamento; d) Gerar Simulação: executar o modelo N vezes, gerando a série de valores para a variável de análise; e) Análise do Modelo Simulado: obter a distribuição de freqüência e distribuição de freqüência acumulada para as variáveis de análise (saída); f) Tomar a Decisão: tomar a decisão com base nas informações obtidas em conjunto com outros aspectos relevantes do modelo. 3. Simulação de Monte Carlo nos segmentos de projetos Para criar a simulação do MMC em um projeto, o modelo é executado várias vezes, por meios computacionais, retornando assim uma distribuição estatística dos resultados calculados, sejam para tempo ou custos. Para simulações envolvendo tempo é necessário conhecermos o caso otimista, pessimista e esperado, tornando possível a atribuição de uma distribuição de probabilidades mais apropriada aos valores. Com o modelo formado a partir das informações já conhecidas, ao efetuar as simulações com um número de iterações tendendo ao infinito temos como resultado uma distribuição normal. Uma vez que seja conhecida a distribuição normal em torno do seu projeto, torna-se possível responder com firmeza a famosa pergunta qual a probabilidade do meu projeto terminar no prazo? (VARGAS, 2008). As simulações do MMC podem ser realizadas de várias maneiras. Atualmente, as formas mais conhecidas e aplicadas são através de métodos computacionais, porém é importante salientar que algumas formas de simulação exigem grande conhecimento estatístico ou ainda de programação (Vargas, 2008). O desenvolvimento de modelos é classificado de acordo com o enfoque estatístico do gerente de projetos em questão, sendo dividido em: a) Puramente estatístico: desenvolvimento de lógicas avançadas a partir de modelos estatísticos, fórmulas matemáticas e ainda estrutura de programação. Para esse tipo de simulação pode-se utilizar softwares estatísticos como GNU R (R Development Core Team, 2008), Matlab e Minitab. O modelo possui uma característica marcante, devida à utilização de um conjunto de técnicas um pouco afastadas do cotidiano de muitos gerentes de projeto; b) Customizável estatístico: tem sua base de utilização fundamentada em planilhas eletrônicas junto a plug-ins (complementos) diversos. Cada complemento possui função única na estrutura criada, como por exemplo, um plug-in responsável por gerar números aleatórios para uma distribuição normal. Como vantagens para os gerentes que operam neste patamar, podemos citar modelos mais enxutos e personalizados exigindo um grau menor de conhecimentos estatísticos. No entanto, existem grandes dificuldades em reunir 4

5 todos os plug-ins necessários e até mesmo saber das necessidades estatísticas do modelo a ser desenvolvido; c) Foco no modelo: os principais softwares para simulação do MMC possuem uma característica em comum: são ferramentas que operam junto a planilhas eletrônicas. O grande diferencial dessas ferramentas que exigem um conhecimento básico em estatística é a simplicidade de utilização e uma quantidade elevada de recursos para realização de simulações e análises. Elas têm como objetivo geral abstrair modelos estatísticos, fórmulas matemáticas e estruturas de programação, tornando muito mais simples e rápida a criação de novos modelos. Projetos exigem muito tempo e dedicação, porém nem sempre este recurso é disponível de forma adequada para o desenvolvimento de modelos extensos, customizados e que utilizem programação. A simulação do MMC está associada diretamente a gestão de riscos em projetos, sendo uma das análises quantitativas mais utilizadas para custo, prazo e risco. A exposição ao risco é a probabilidade multiplicada pelo seu impacto, porém na maior parte dos exercícios, essa probabilidade já é informada e o cálculo destes valores é obtido através de simulações, onde o MMC é um dos mais aplicados (VARGAS, 2008). Figura 3: Gráfico de Gantt De forma prática, o MMC gera valores aleatórios obedecendo o modelo proposto. Como exemplo, podemos utilizar o projeto da figura (3), na primeira iteração são gerados números aleatórios para as atividades A, B e C, no segundo ciclo o processo é repetido, porém com novos valores. Após um número elevado de iterações, por exemplo, vinte mil iterações, uma distribuição probabilística é obtida para o projeto em questão, indicando as probabilidades de finalização do projeto como um todo ou das atividades A, B e C. Algumas perguntas referentes ao projeto não possuem respostas simples, principalmente questões sobre custo, tempo e quantificação de riscos. Para ajudar o gerente de projetos o MMC se dispõe a auxiliar nas respostas referentes aos questionamentos de cenários do tipo e se? (KWAK & INGALL, 2007). 3.1 Cenários do tipo "e se?" Em muitos casos, por desconhecimento de ferramentas para a realização de simulações, o gerente de projetos acaba utilizando o pior caso como base para o cálculo de contingências em durações e custos por exemplo. O levantamento de riscos e análise de forma sistemática (pior caso) é uma saída rápida e fácil, mas que pode minimizar a competitividade da proposta do projeto, ou torná-la competitiva demais resultando em prejuízos a equipe (SALLES ET AL., 2007). 5

6 E se a situação representada pelo cenário X ocorrer? Essa é a pergunta base para um estudo sobre o cenário e se?. Para custos e tempo é realizada uma análise da rede do cronograma, que avalia a possibilidade de alguns acontecimentos como uma greve, atraso na entrega de um importante componente ou ainda fatores externos que interfiram no projeto. O resultado da análise efetuada são uma das entradas para a avaliação de viabilidade do cronograma do projeto e preparo de plano de resposta a situações inesperadas. A técnica mais comum para a simulação de várias durações do projeto com conjuntos diferentes de premissas das atividades é o MMC (PMBOK 4ª, 2008). A aplicação não automatizada de cenários e se? em projetos de pequeno porte pode ser viável, porém em projetos de médio ou grande porte essa tarefa passa a ser algo árduo, chegando ao ponto de consumir tanto tempo do gerente que uma abordagem manual torna-se quase impossível. Isso acontece devido ao grande número de variáveis que precisam ser controladas em virtude das revisões de cronograma ou solicitação de mudanças no projeto. A automatização de simulações fornece benefícios como o ganho de tempo e ainda uma visão mais profunda do planejamento, pois alguns modelos propostos poderão apresentar como resultado eventos não previstos pela equipe. 4. Proposta de aplicação da Ferramenta SimulAr O SimulAr é uma ferramenta desenvolvida na Argentina e pode ser acessada em de forma gratuita. Sua forma de licenciamento é considerada " ware", o que torna necessário o envio de um para a equipe responsável pela ferramenta com comentários sobre o modelo desenvolvido, objetivando a "dispersão" de simulação e técnica de análise de riscos tanto no ambiente acadêmico como empresarial (SIMULARSOFT, 2009). A criação do modelo segue os seis passos descritos por Dias de Moura (2010), onde a ferramenta SimulAr é utilizada como base de toda a simulação desenvolvida. O estudo de caso é caracterizado como foco no modelo, pois esta ferramenta robusta é própria para realizar simulações de MMC. A simulação de Monte em Carlo é realizada em um projeto simples, sem divisão por entregas e sua estrutura se refere à implantação de um produto de software padrão. O foco da simulação proposta é apresentar um percentual de certeza para a duração do projeto. Figura 4: Gráfico de Gantt e durações do projeto analisado Os dados apresentados na figura (4) são referentes ao projeto analisado e fundamentados com informações históricas a partir de várias de suas execuções em clientes distintos. O cronograma do projeto criado segue as linhas gerais de implantação utilizadas por empresas do segmento de softwares para a gestão de qualidade. Tratando-se de uma ferramenta de utilização da área de qualidade em sua maioria, a implantação acaba não afetando toda a 6

7 organização, resultando em um projeto com menor duração quando comparado com a implantação dos Sistemas Integrados de Gestão Empresarial. Vale lembrar que o projeto supracitado é algo fictício com finalidade apenas de demonstrar a real utilização da simulação do MMC. A partir do momento em que todas as informações existentes sobre o projeto são reunidas, é possível iniciar o desenvolvimento do MMC. Todos os seis passos descritos por Dias de Moura (2010) foram realizadas na simulação executada. 4.1 Desenvolvimento do modelo As condições históricas referentes ao projeto foram resgatadas e aplicadas junto às durações estimadas do projeto. Para uma definição mais clara das distribuições aplicadas a cada uma das variáveis uma coluna Desvio padrão foi criada com base na duração estimada, melhor e pior caso, conforme figura (5). Figura 5: Informações referentes ao projeto A partir das informações presentes no desenvolvimento do modelo torna-se possível realizar algumas análises como a duração total do projeto para valores estimados, melhor e pior caso. 4.2 Identificação de incertezas Esta etapa é muito importante, pois a partir dela toda a modelagem fará uso das variáveis identificadas. Caso alguma variável seja definida de forma errônea todo o modelo é comprometido, resultando em informações falsas que poderão incidir em decisões erradas no projeto. Para o projeto analisado, as incertezas estão associadas a duração de cada uma das atividades. É preciso compreender que a duração total do projeto não pode ser adotada como incerteza, mas sim como resultado a partir da soma de incertezas identificadas neste caso. Figura 6: Valores históricos em horas para atividade "Primeiro contato com cliente" e Levantamento do ambiente de TI do cliente Analisando as atividades "Primeiro contato com cliente" e Levantamento do ambiente de TI do cliente. Seus valores históricos apresentados na figura (6) podem ser caracterizados com uma distribuição normal (desvio padrão igual a 0,2 de hora) e triangular respectivamente. 7

8 Figura 7: Distribuições presentes no software SimulAr. Como se pode observar, a figura (7) contempla todas as distribuições suportadas pela ferramenta SimulAr. Dentre as quais algumas abordadas neste documento, sendo elas a distribuição normal, triangular, uniforme e lognormal. Para a variável referente a atividade "Primeiro contato com cliente" foi definida na planilha eletrônica a entrada de dados e sua respectiva distribuição de acordo com seus valores históricos, conforme figura (8). Figura 8: Criação da variável referente à atividade "Primeiro contato com cliente" Tratando-se de uma variável com características de uma distribuição triangular, a atividade Levantamento do ambiente de TI do cliente recebe uma parametrização diferente da primeira atividade. No entanto, isso não é um problema, uma vez que cada variável assume distribuições distintas, conforme figura (9). 8

9 Figura 9: Criação da variável referente à atividade Levantamento do ambiente de TI do cliente Conforme a figura (9), observa-se uma nova coluna chamada Tipo de distribuição na planilha de informações do projeto, esta coluna apresenta qual a distribuição que melhor se encaixa nos dados históricos da atividade. O relacionamento entre distribuição e variável pode ser realizado manualmente, porém existem softwares que apontam qual a distribuição que melhor expressa os valores informados. As demais atividades do projeto analisado seguem a mesma seqüência de definições, por isso, não são detalhadas. 4.3 Identificação das variáveis de análise ou de saída A análise é realizada sobre o tempo total do projeto, uma vez que todas as atividades assumem o papel de variável. A partir destas afirmações é possível considerar como variável de saída, a soma de todos os valores assumidos pelas atividades durante a simulação. Na figura 10 é apresentado a soma de valores por meio da fórmula SOMA(H2:H8), seu resultado calcula o tempo total do projeto. A cada iteração um novo valor será atribuído às atividades, e o tempo do projeto será modificado também. Os valores gerados são armazenados pela ferramenta possibilitando uma análise detalhada do valor de saída identificado como Duração do projeto. Figura 10: Definição de variável de saída A única variável de saída analisada no projeto em questão é o seu tempo de duração, porém nada impede que exista mais de uma variável a ser analisada, sendo muito usual a existência de vários valores de saída durante simulações focadas em riscos, por exemplo. 9

10 4.4 Gerar Simulação Com todo o modelo desenvolvido e condizente com a realidade do projeto analisado, é necessário realizar a simulação. São realizadas dez mil repetições da execução do projeto, um número bem elevado e que resultará em uma distribuição normal como variável de saída, conforme figura (11) Figura 11: Execução da simulação Entre todas as opções apresentadas ao executar a simulação do MMC, o único valor que interfere no resultado final é o número de iterações realizadas. Porém, quanto maior for esse valor, mais próximo de uma distribuição normal será o resultado obtido com o MMC. No entanto, o tempo de execução da simulação e o consumo de processamento serão superiores. Após a realização da simulação, todos os valores gerados são agrupados pelo SimulAr. A partir destas informações, é desenvolvido um gráfico de distribuição de probabilidades. Outras informações são fornecidas pela ferramenta, como por exemplo, o valor mínimo e máximo junto a sua média e variância, conforme figura (12). 4.5 Análise do Modelo Simulado Figura 12: Resultados numéricos obtidos durante a simulação 10

11 Com a realização da simulação obtêm-se os valores necessários para uma análise do projeto. O resultado é apresentado em forma de intervalo, pois não é factível afirmar que um ponto seja o resultado exato para a duração do projeto, conforme figura (13). Figura 13: Resultado do MMC. Como se pode observar (figura 13) os valores obtidos pelo MMC em forma do gráfico de distribuição normal e uma lista de valores com as colunas Bins (valores resultantes da simulação de duração do projeto), Frequency (quantidade de ocorrências do valor obtido na coluna Bins) e Cumul.% (percentual acumulativo dos valores obtidos). As conclusões resultantes simulação realizada são: a) Realização do projeto em 28,8 horas ou menos, ou seja, possui aproximadamente 8,3% de chances de acontecer; b) As chances de o projeto ser concluído no intervalo de 28 a 31 horas são de aproximadamente 61%; c) A maior probabilidade de finalização do projeto está em 30,05 horas, onde das dez mil iterações, um valor de 3010 apontou para esse ponto como mais provável de conclusão do projeto; d) A conclusão do projeto próximo aos 25,8 horas é algo quase intangível, possuindo 0,01% de chances; e) A possibilidade da duração do projeto ser superior a 31 horas é aproximadamente de 37%. 4.6 Tomar a Decisão Conforme mencionado anteriormente, a simulação não mostra o que acontecerá com 100% de certeza, mas disponibiliza referências de informações para a tomada de decisões. A partir das conclusões obtidas, podemos apresentar algumas das decisões, tais como: a) Estimar a duração do cronograma para o melhor caso (25,8 horas), porém ao final do projeto incluir uma reserva de 4,25 horas. A partir do momento que se conhece o ponto 11

12 mais provável do projeto (30,05 horas), é possível estipular com maior precisão uma contingência; b) Realizar a substituição do tempo mais provável pela duração obtida durante a simulação do MMC em cada uma das atividades. Com esta substituição, o projeto passa a ter como duração total o ponto de conclusão mais indicado pelo MMC. 5. Considerações finais Enquanto uma forma de realizar previsões com 100% de certeza em qualquer que seja o evento é pouco provável, a simulação do MMC oferece recursos para tornar conhecida a probabilidade da ocorrência de determinado acontecimento. A proximidade do resultado obtido está ligada diretamente ao modelo desenvolvido, uma vez que este é a base de toda a simulação a ser realizada. Durante o desenvolvimento da simulação do MMC todo o conhecimento adquirido e histórico de projetos anteriores é analisado, promovendo um modelo mais conciso e preciso. Além disso, qualquer informação identificada de forma errada poderá comprometer toda a previsão, criando falsos resultados, fornecendo um ambiente propício à tomada de decisões erradas. Para tornar mais coerentes as decisões tomadas, o gerente de projetos deve focar no modelo a ser desenvolvido, através do ambiente SimulAr resultando assim em uma redução do tempo despendido nos estudos de simulação. A simulação deve ser vista como uma ferramenta de apoio ao usuário na tomada de decisões e não como a decisão propriamente dita. É importante salientar que os resultados obtidos com o MMC possuem forma de distribuição normal, onde não existe um número exato, mas sim um intervalo ao qual pode ser utilizado como faixa de resultados esperados. O MMC proporciona ao gerente de projetos uma poderosa ferramenta que aliada a boas práticas de gestão de projetos resultará em planejamentos mais robustos que inclui fontes mais confiáveis de informação sobre as estimativas apresentadas para o projeto. Com isso, torna-se desnecessária a utilização de técnicas como o tão conhecido chute, por exemplo. Quanto às recomendações para futuros trabalhos, se propõe a partir dos resultados deste estudo, dois temas. O primeiro, um estudo de caso utilizando a ferramenta SimulAr para a análise detalhada referente a riscos em projetos. Uma segunda sugestão seria um estudo comparativo da utilização de outros pacotes livres como o GNU R e RExcel com a ferramenta abordada neste trabalho envolvendo questões de confiabilidade dos resultados obtidos, ergonomia e tempo despendido durante a realização do MMC. Referências CUNHA, M. 0. O método de Monte Carlo: algumas aplicações na Escola Básica Disponível em: Acessado em: 20/12/2009. MOURA, A. D. Análise de projetos sob condições de risco. Disponível em: Acessado em: 15/01/2010. FERNANDES, C. Gerenciamento de riscos em projetos: Como usar micrsoft excel para realizar a simulação de monte Carlo. Disponível em: Acessado em: 10/02/2010. GALVÃO, M. Análise quantitativa de riscos com simulação de Monte Carlo. Editora Mundo PM Disponível em: Acessado em: 20/01/

13 KWAK, Y. H. & INGALL, L. Exploring Monte Carlo simulation applications for project management Disponível em: home.gwu.edu/~kwak/monte_carlo_kwak_ingall.pdf Acessado em: 03/01/2010. PALISADE. Análise de Risco, Disponível em: Acessado em: 02/02/2010. PLLANA, S. History of Monte Carlo Method, Disponível em: stud2.tuwien.ac.at/~e /index.html Acessado em: 15/04/2002. R DEVELOPMENT CORE TEAM (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN Disponível em: Acessado em: 23/12/2009. SALLES JR, C. A. C. J; SOLER, A. M.; VALLE, J. A. S.; RABECHINI JR, R. Gerenciamento de Riscos de Projetos. Rio de Janeiro : Editora FGV, SIMULARSOFT. SimulAr: Montecarlo Simulation in Excel, Disponível em: Acessado em: 13/01/2010. VARGAS, R. Podcast sobre simulação de Monte Carlo. Disponível em: Acessado em: 22/12/

Modelagens e Gerenciamento de riscos (Simulação Monte Carlo)

Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Prof. Esp. João Carlos Hipólito e-mail: jchbn@hotmail.com Sobre o professor: Contador; Professor da Faculdade de Ciências Aplicadas e Sociais

Leia mais

3 Método de Monte Carlo

3 Método de Monte Carlo 25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional

Leia mais

ANAIS APLICAÇÃO DA SIMULAÇÃO DE MONTE CARLO NO GERENCIAMENTO DE RISCOS EM PROJETOS COM O CRYSTAL BALL

ANAIS APLICAÇÃO DA SIMULAÇÃO DE MONTE CARLO NO GERENCIAMENTO DE RISCOS EM PROJETOS COM O CRYSTAL BALL APLICAÇÃO DA SIMULAÇÃO DE MONTE CARLO NO GERENCIAMENTO DE RISCOS EM PROJETOS COM O CRYSTAL BALL PAULO ALVES DE OLIVEIRA JÚNIOR ( paulo@pejota.net, paulo-junior@outlook.com ) PONTÍFICIA UNIVERSIDADE CATÓLICA

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

Monte Carlo em Estimativas de Software

Monte Carlo em Estimativas de Software Monte Carlo em Estimativas de Software Mauricio Aguiar ti MÉTRICAS Ltda www.metricas.com.br 1 Agenda Introdução Um Exemplo Simples Outro Exemplo Reamostragem Faça Você Mesmo Resumo www.metricas.com.br

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Capítulo 3 Aplicando o PMBoK ao Microsoft Office Project 2003

Capítulo 3 Aplicando o PMBoK ao Microsoft Office Project 2003 Capítulo 3 Aplicando o PMBoK ao Microsoft Office Project 2003 29 3.1 GERENCIAMENTO DO ESCOPO O Gerenciamento do Escopo do Projeto engloba os processos necessários para assegurar que o projeto inclua todas

Leia mais

Simulação Computacional de Sistemas, ou simplesmente Simulação

Simulação Computacional de Sistemas, ou simplesmente Simulação Simulação Computacional de Sistemas, ou simplesmente Simulação Utilização de métodos matemáticos & estatísticos em programas computacionais visando imitar o comportamento de algum processo do mundo real.

Leia mais

3 Metodologia de Gerenciamento de Riscos

3 Metodologia de Gerenciamento de Riscos 3 Metodologia de Gerenciamento de Riscos Este capítulo tem como objetivo a apresentação das principais ferramentas e metodologias de gerenciamento de riscos em projetos, as etapas do projeto onde o processo

Leia mais

COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO

COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA O que é risco? Quais são os tipos de riscos? Quais são os tipos de análises? Qual a principal função do Excel para gerar simulações aleatórias? O que é distribuição

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

Simulações em Aplicativos

Simulações em Aplicativos Simulações em Aplicativos Uso Avançado de Aplicativos Prof. Marco Pozam mpozam@gmail.com A U L A 0 5 Programação da Disciplina 20/Agosto: Conceito de Project Office. 27/Agosto: Tipos de Project Office.

Leia mais

FINANÇAS EM PROJETOS DE TI

FINANÇAS EM PROJETOS DE TI FINANÇAS EM PROJETOS DE TI 2012 Material 1 Prof. Luiz Carlos Valeretto Jr. 1 E-mail valeretto@yahoo.com.br Objetivo Objetivos desta disciplina são: reconhecer as bases da administração financeira das empresas,

Leia mais

Estudo de Caso da Implantação do Nível G do MPS.BR em Uma Empresa

Estudo de Caso da Implantação do Nível G do MPS.BR em Uma Empresa Estudo de Caso da Implantação do Nível G do MPS.BR em Uma Empresa Dayana Henriques Fonseca 1, Frederico Miranda Coelho 1 1 Departamento de Ciência da Computação Universidade Presidente Antônio Carlos (UNIPAC)

Leia mais

Modelagem e Simulação Material 02 Projeto de Simulação

Modelagem e Simulação Material 02 Projeto de Simulação Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação

Leia mais

Método do Caminho Crítico PERT /CPM. Prof. Marcio Cardoso Machado

Método do Caminho Crítico PERT /CPM. Prof. Marcio Cardoso Machado Método do Caminho Crítico PERT /CPM Prof. Marcio Cardoso Machado - Conjunto de técnicas utilizado para o planejamento e o controle de empreendimentos ou projetos - Fatores: prazo, custo e qualidade - Aplicado

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

Utilizando Monte Carlo e Reamostragem em Estimativas. Mauricio Aguiar, TI Métricas

Utilizando Monte Carlo e Reamostragem em Estimativas. Mauricio Aguiar, TI Métricas Utilizando Monte Carlo e Reamostragem em Estimativas Mauricio Aguiar, TI Métricas Agenda Introdução Um Exemplo Simples Outro Exemplo Reamostragem Faça Você Mesmo - Monte Carlo Resumo Introdução Estimativas

Leia mais

XXV Encontro Nac. de Eng. de Produção Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005

XXV Encontro Nac. de Eng. de Produção Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 Modelo de integração de sistemas de gestão erp com a produção lexandre ugusto Massote (FEI) massote@fei.edu.br Guilherme Braga guiar De Maria (FEI) guibraga@terra.com.br Vanessa Takagochi (FEI) vanessa_takagochi@yahoo.com.br

Leia mais

Gerenciamento de Riscos em Projetos. Aula 4

Gerenciamento de Riscos em Projetos. Aula 4 Gerenciamento de Riscos em Projetos Aula 4 Out/2013 EMENTA DO CURSO - Riscos definição e histórico. - Planejamento do gerenciamento de riscos. - Fontes, Identificação e Categorização de riscos. - Qualificação

Leia mais

OBJETIVO PÚBLICO ALVO

OBJETIVO PÚBLICO ALVO GESTÃO DO RISCO Boas Práticas para o Gerenciamento de Risco em Projetos da Indústria e na Prestação de Serviços. DIFERENCIAIS Avaliação prévia das necessidades de cada participante para customização do

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

Gerenciamento de Projetos Web. Professor: Guilherme Luiz Frufrek Email: frufrek@utfpr.edu.br http://paginapessoal.utfpr.edu.

Gerenciamento de Projetos Web. Professor: Guilherme Luiz Frufrek Email: frufrek@utfpr.edu.br http://paginapessoal.utfpr.edu. Gerenciamento de Projetos Web Professor: Guilherme Luiz Frufrek Email: frufrek@utfpr.edu.br http://paginapessoal.utfpr.edu.br/frufrek Possui Especialização em Engenharia de Software e Banco de Dados pela

Leia mais

GERENCIANDO UMA MICROEMPRESA COM O AUXÍLIO DA MATEMÁTICA E DO EXCEL: UM CONTEXTO DE MODELAGEM

GERENCIANDO UMA MICROEMPRESA COM O AUXÍLIO DA MATEMÁTICA E DO EXCEL: UM CONTEXTO DE MODELAGEM GERENCIANDO UMA MICROEMPRESA COM O AUXÍLIO DA MATEMÁTICA E DO EXCEL: UM CONTEXTO DE MODELAGEM Fernanda Maura M. da Silva Lopes 1 Lorena Luquini de Barros Abreu 2 1 Universidade Salgado de Oliveira/ Juiz

Leia mais

11 Conclusão. 11.1 Descobertas

11 Conclusão. 11.1 Descobertas 97 11 Conclusão 11.1 Descobertas Nesse trabalho apresentamos o McCloud Service Framework, um arcabouço para implementação de serviços baseados na Simulação de Monte Carlo na nuvem, disponibilizamos duas

Leia mais

Aula Nº 05 Determinação do Cronograma

Aula Nº 05 Determinação do Cronograma Aula Nº 05 Determinação do Cronograma Objetivos da Aula: Os objetivos desta aula são, basicamente, apresentar as atividades necessárias para se produzir o cronograma do projeto. Ao final desta aula, você

Leia mais

PRIMAVERA RISK ANALYSIS

PRIMAVERA RISK ANALYSIS PRIMAVERA RISK ANALYSIS PRINCIPAIS RECURSOS Guia de análise de risco Verificação de programação Risco rápido em modelo Assistente de registro de riscos Registro de riscos Análise de riscos PRINCIPAIS BENEFÍCIOS

Leia mais

Gerenciamento de Projetos

Gerenciamento de Projetos Definição Gerenciamento de Projetos SWEBOK Aplicação de atividades de gerenciamento (planejamento, coordenação, medição, controle e relatório) para assegurar que o desenvolvimento de software é sistemático,

Leia mais

Software para especificação de motores de indução trifásicos

Software para especificação de motores de indução trifásicos Instituto Federal Sul-riograndense Campus Pelotas - Curso de Engenharia Elétrica Software para especificação de motores de indução trifásicos Disciplina: Projeto Integrador III Professor: Renato Neves

Leia mais

A Computação e as Classificações da Ciência

A Computação e as Classificações da Ciência A Computação e as Classificações da Ciência Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Classificações da Ciência A Computação

Leia mais

Análise Bayesiana do Sistema de Cotas da UFBA

Análise Bayesiana do Sistema de Cotas da UFBA Análise Bayesiana do Sistema de Cotas da UFBA Lilia Carolina C. da Costa Universidade Federal da Bahia Marina Silva Paez Universidade Federal do Rio de Janeiro Antonio Guimarães, Nadya Araujo Guimarães

Leia mais

UTILIZAÇÃO DA SIMULAÇÃO DE MONTE CARLO EM ESTUDO DE VIABILIDADE ECONÔMICA PARA A INSTALAÇÃO DE UM CONJUNTO DE REBENEFICIAMENTO DE CAFÉ NA COCARIVE

UTILIZAÇÃO DA SIMULAÇÃO DE MONTE CARLO EM ESTUDO DE VIABILIDADE ECONÔMICA PARA A INSTALAÇÃO DE UM CONJUNTO DE REBENEFICIAMENTO DE CAFÉ NA COCARIVE UTILIZAÇÃO DA SIMULAÇÃO DE MONTE CARLO EM ESTUDO DE VIABILIDADE ECONÔMICA PARA A INSTALAÇÃO DE UM CONJUNTO DE REBENEFICIAMENTO DE CAFÉ NA COCARIVE Kleber de Castro Junqueira Escola Federal de Engenharia

Leia mais

Unidade III FINANÇAS EM PROJETO DE TI. Prof. Fernando Rodrigues

Unidade III FINANÇAS EM PROJETO DE TI. Prof. Fernando Rodrigues Unidade III FINANÇAS EM PROJETO DE TI Prof. Fernando Rodrigues Quando se trabalha com projetos, é necessária a utilização de técnicas e ferramentas que nos auxiliem a estudálos, entendê-los e controlá-los.

Leia mais

Gerenciamento de Projetos Gerenciamento do Tempo

Gerenciamento de Projetos Gerenciamento do Tempo Gerenciamento de Projetos Gerenciamento do Tempo Metodologia Aula Teórica Exemplos e Exercícios práticos Questões de concursos anteriores Metodologia e Bibliografia Bibliografia PMBOK, 2004. Project Management

Leia mais

Gerenciamento de Riscos

Gerenciamento de Riscos Gerenciamento de Riscos Técnicas e Ferramentas de Mercado O termo risco é proveniente da palavra risicu ou riscu, em latim, que significa ousar (to dare, em inglês). Costuma-se entender risco como possibilidade

Leia mais

Cristian Dekkers Kremer (PPGEP - UTFPR) E-mail: cristian_dk@ig.com.br Prof. Dr. João Luiz Kovaleski (PPGEP - UTFPR) E-mail: kovaleski@utfpr.edu.

Cristian Dekkers Kremer (PPGEP - UTFPR) E-mail: cristian_dk@ig.com.br Prof. Dr. João Luiz Kovaleski (PPGEP - UTFPR) E-mail: kovaleski@utfpr.edu. Determinação do momento ótimo para a realização da manutenção preventiva em equipamentos de uma indústria metalúrgica: um estudo voltado para a redução de custos Cristian Dekkers Kremer (PPGEP - UTFPR)

Leia mais

Unidade II. Outras ferramentas que também auxiliam o gerenciamento de projetos são: WBS, gráficos Gantt, PERT/CPM, ECD, entre outros.

Unidade II. Outras ferramentas que também auxiliam o gerenciamento de projetos são: WBS, gráficos Gantt, PERT/CPM, ECD, entre outros. GERENCIAMENTO DE PROJETOS DE TI Unidade II 2 FERRAMENTAS PARA GESTÃO DE PROJETOS A gestão de projeto como já visto no capítulo anterior é uma tarefa trabalhosa que requer muito controle. Assim, para ajudar

Leia mais

SISTEMA. Tecnologia. Software. Hardware. Prazos. Pessoas. Qualidade. Custo GERENCIAMENTO DE RISCO: COMO GARANTIR O SUCESSO DOS PROJETOS DE TI?

SISTEMA. Tecnologia. Software. Hardware. Prazos. Pessoas. Qualidade. Custo GERENCIAMENTO DE RISCO: COMO GARANTIR O SUCESSO DOS PROJETOS DE TI? GERENCIAMENTO DE RISCO: COMO GARANTIR O SUCESSO DOS PROJETOS DE TI? Os projetos de Tecnologia de Informação possuem características marcantes, que os diferencia dos demais são projetos onde o controle

Leia mais

ADMINISTRAÇÃO GERAL GESTÃO DE PROJETOS

ADMINISTRAÇÃO GERAL GESTÃO DE PROJETOS ADMINISTRAÇÃO GERAL GESTÃO DE PROJETOS Atualizado em 31/12/2015 GESTÃO DE PROJETOS PROJETO Para o PMBOK, projeto é um esforço temporário empreendido para criar um produto, serviço ou resultado exclusivo.

Leia mais

Métodos Quantitativos. aula 3

Métodos Quantitativos. aula 3 Métodos Quantitativos aula 3 Prof. Dr. Marco Antonio Insper Ibmec São Paulo Simulação Empresarial Auxílio na tomada de decisão. Criação de cenários otimistas e pessimistas. Poder de previsão baseada em

Leia mais

Finanças em. Profa. Liliam Sakamoto Aula 6

Finanças em. Profa. Liliam Sakamoto Aula 6 Finanças em Projetos de TI Profa. Liliam Sakamoto Aula 6 Gerenciamentode Custos PMBOK apresentaosseguintesconceitos: Gerenciamento de custos; Processos de Gerenciamento de custos: Estimar custos; Determinar

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

Tecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler

Tecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler Tecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler Introdução Objetivos da Gestão dos Custos Processos da Gerência de Custos Planejamento dos recursos Estimativa dos

Leia mais

Plano de Projeto G Stock. G Stock. Plano de Projeto. Versão 1.0

Plano de Projeto G Stock. G Stock. Plano de Projeto. Versão 1.0 Plano de Projeto G Stock Plano de Projeto G Stock Versão 1.0 Histórico das Revisões Data Versão Descrição Autores 10/09/2010 1.0 Descrição inicial do plano de projeto Denyson José Ellís Carvalho Isadora

Leia mais

MRP / MRP II / ERP (capítulos 11 e 12)

MRP / MRP II / ERP (capítulos 11 e 12) MRP / MRP II / ERP (capítulos 11 e 12) As siglas MRP, MRP II e ERP são bastante difundidas e significam: MRP Materials Requirements Planning Planejamento das Necessidades de Materiais; MRP II Resource

Leia mais

Estudo de Viabilidade

Estudo de Viabilidade Estudo de Viabilidade PGE: Plastic Gestor Empresarial Especificação de Requisitos e Validação de Sistemas Recife, janeiro de 2013 Sumário 1. Motivação... 1 2. Introdução: O Problema Indentificado... 2

Leia mais

Melhores Decisões Utilizando Dados. Simulação de Monte Carlo para Análise Quantitativa do Risco em Grandes Projetos. Marcos Huber Mendes

Melhores Decisões Utilizando Dados. Simulação de Monte Carlo para Análise Quantitativa do Risco em Grandes Projetos. Marcos Huber Mendes Melhores Decisões Utilizando Dados Simulação de Monte Carlo para Análise Quantitativa do Risco em Grandes Projetos Marcos Huber Mendes hubermendes@decisionsupport.com.br Cel.: + 55 21 9608-5537 1 Marcos

Leia mais

Análise de risco em incorporações imobiliárias: construção de cenários e simulação de Monte Carlo

Análise de risco em incorporações imobiliárias: construção de cenários e simulação de Monte Carlo Análise de risco em incorporações imobiliárias: construção de cenários e simulação de Monte Carlo Pedro Beck Di Bernardi (UFSC) pedrodibernardi@hotmail.com Norberto Hochheim (UFSC) hochheim@ecv.ufsc.br

Leia mais

UNIVERSIDADE CANDIDO MENDES PÓS-GRADUAÇÃO LATO SENSU INSTITUTO A VEZ DO MESTRE

UNIVERSIDADE CANDIDO MENDES PÓS-GRADUAÇÃO LATO SENSU INSTITUTO A VEZ DO MESTRE UNIVERSIDADE CANDIDO MENDES PÓS-GRADUAÇÃO LATO SENSU INSTITUTO A VEZ DO MESTRE A Aplicação do Gerenciamento de Risco nos Projetos de Implantação de ERP - Protheus. Por: Gisele Santos Ribeiro Orientador

Leia mais

ANÁLISE DE RISCO EM INCORPORAÇÕES IMOBILIÁRIAS: CONSTRUÇÃO DE CENÁRIOS E SIMULAÇÃO DE MONTE CARLO

ANÁLISE DE RISCO EM INCORPORAÇÕES IMOBILIÁRIAS: CONSTRUÇÃO DE CENÁRIOS E SIMULAÇÃO DE MONTE CARLO ANÁLISE DE RISCO EM INCORPORAÇÕES IMOBILIÁRIAS: CONSTRUÇÃO DE CENÁRIOS E SIMULAÇÃO DE MONTE CARLO Pedro Beck Di Bernardi (1); Norberto Hochheim (2) (1) Departamento de Engenharia Civil Centro Tecnológico

Leia mais

4 Metodologia de Gerenciamento Integrado de Riscos

4 Metodologia de Gerenciamento Integrado de Riscos 4 Metodologia de Gerenciamento Integrado de Riscos Neste capitulo iremos apresentar a metodologia escolhida para a elaboração do estudo de caso que incorpora a análise quantitativa dos riscos financeiros.

Leia mais

Aula Nº 06 Determinação do Orçamento

Aula Nº 06 Determinação do Orçamento Aula Nº 06 Determinação do Orçamento Objetivos da Aula: Os objetivos desta aula são, basicamente, apresentar os processos aplicados que possibilitem identificar os recursos necessários para se conduzir

Leia mais

Questionário de Avaliação de Maturidade Setorial: Modelo de Maturidade Prado-MMGP

Questionário de Avaliação de Maturidade Setorial: Modelo de Maturidade Prado-MMGP DARCI PRADO Questionário de Avaliação de Maturidade Setorial: Modelo de Maturidade Prado-MMGP Versão 2.0.0 Janeiro 2014 Extraído do Livro "Maturidade em Gerenciamento de Projetos" 3ª Edição (a publicar)

Leia mais

Automação de Bancada Pneumática

Automação de Bancada Pneumática Instituto Federal Sul-rio-grandense Campus Pelotas - Curso de Engenharia Elétrica Automação de Bancada Pneumática Disciplina: Projeto Integrador III Professor: Renato Allemand Equipe: Vinicius Obadowski,

Leia mais

Unidade I FINANÇAS EM PROJETOS DE TI. Prof. Fernando Rodrigues

Unidade I FINANÇAS EM PROJETOS DE TI. Prof. Fernando Rodrigues Unidade I FINANÇAS EM PROJETOS DE TI Prof. Fernando Rodrigues Nas empresas atuais, a Tecnologia de Informação (TI) existe como uma ferramenta utilizada pelas organizações para atingirem seus objetivos.

Leia mais

Gestão e Projeto de TI Prof. Mauricio Faria

Gestão e Projeto de TI Prof. Mauricio Faria Gestão e Projeto de TI Prof. Mauricio Faria 2011 Lista de Exercícios 2 Semestre Gestão e Projeto de TI 1. Quais os processos que são incluídos no gerenciamento de custos? O gerenciamento de custos do projeto

Leia mais

Nos últimos 20 anos a atividade de manutenção tem passado por mais mudanças do que qualquer outra. Dentre as principais causas, podemos citar:

Nos últimos 20 anos a atividade de manutenção tem passado por mais mudanças do que qualquer outra. Dentre as principais causas, podemos citar: 1. INTRODUÇÃO: O nível da organização da manutenção reflete as particularidades do estágio de desenvolvimento industrial de um país. A partir do momento em que começa a ocorrer o envelhecimento dos equipamentos

Leia mais

ESTIMATIVA DE VENDAS EM EMPREENDIMENTOS IMOBILIÁRIOS UTILIZANDO SIMULAÇÃO

ESTIMATIVA DE VENDAS EM EMPREENDIMENTOS IMOBILIÁRIOS UTILIZANDO SIMULAÇÃO ESTIMATIVA DE VENDAS EM EMPREENDIMENTOS IMOBILIÁRIOS UTILIZANDO SIMULAÇÃO Pedro Beck Di Bernardi Mestre do Programa de Pós Graduação PPGEC/UFSC. Campus Universitário.Cx Postal 479 Florianópolis - SC CEP

Leia mais

Modelo para estimativa de risco operacional e previsão de estoque para equipamentos da Comgás

Modelo para estimativa de risco operacional e previsão de estoque para equipamentos da Comgás Modelo para estimativa de risco operacional e previsão de estoque para equipamentos da Comgás Resumo Marcos Henrique de Carvalho 1 Gabriel Alves da Costa Lima 2 Antonio Elias Junior 3 Sergio Rodrigues

Leia mais

Modelo Cascata ou Clássico

Modelo Cascata ou Clássico Modelo Cascata ou Clássico INTRODUÇÃO O modelo clássico ou cascata, que também é conhecido por abordagem top-down, foi proposto por Royce em 1970. Até meados da década de 1980 foi o único modelo com aceitação

Leia mais

Análise de Sensibilidade

Análise de Sensibilidade Análise de Risco de Projetos Análise de Risco Prof. Luiz Brandão Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista a pensar em diversos

Leia mais

O método de Monte Carlo: algumas aplicações na Escola Básica

O método de Monte Carlo: algumas aplicações na Escola Básica 1 Universidade de São Paulo/Faculdade de Educação Seminários de Ensino de Matemática (SEMA-FEUSP) Coordenador: Nílson José Machado novembro/2009 O método de Monte Carlo: algumas aplicações na Escola Básica

Leia mais

F.1 Gerenciamento da integração do projeto

F.1 Gerenciamento da integração do projeto Transcrição do Anexo F do PMBOK 4ª Edição Resumo das Áreas de Conhecimento em Gerenciamento de Projetos F.1 Gerenciamento da integração do projeto O gerenciamento da integração do projeto inclui os processos

Leia mais

MSF- MICROSOFT SOLUTIONS FRAMEWORK. Cesar Eduardo Freitas Italo Alves

MSF- MICROSOFT SOLUTIONS FRAMEWORK. Cesar Eduardo Freitas Italo Alves MSF- MICROSOFT SOLUTIONS FRAMEWORK Cesar Eduardo Freitas Italo Alves A ORIGEM DO MSF (MICROSOFT SOLUTIONS FRAMEWORK) Baseado na experiência da empresa na construção de softwares como Office e Windows e

Leia mais

Como conduzir com sucesso um projeto de melhoria da qualidade

Como conduzir com sucesso um projeto de melhoria da qualidade Como conduzir com sucesso um projeto de melhoria da qualidade Maria Luiza Guerra de Toledo Coordenar e conduzir um projeto de melhoria da qualidade, seja ele baseado no Seis Sigma, Lean, ou outra metodologia

Leia mais

Análise e projeto de sistemas PROF. REGILAN SILVA

Análise e projeto de sistemas PROF. REGILAN SILVA Análise e projeto de sistemas PROF. REGILAN SILVA Apresentação da disciplina Ver ementa... Solução Técnicas para identificação e detalhamento de requisitos Técnicas para modelagem de sistemas Definir

Leia mais

BENEFÍCIOS DO GERENCIAMENTO DE PROJETOS. Por Maria Luiza Panchihak

BENEFÍCIOS DO GERENCIAMENTO DE PROJETOS. Por Maria Luiza Panchihak BENEFÍCIOS DO GERENCIAMENTO DE PROJETOS Por Maria Luiza Panchihak Este artigo apresenta os benefícios do gerenciamento de projetos e mostra a importância desse processo, dentro de uma organização, para

Leia mais

Avaliação dos projetos de E&P implantados sob a perspectiva da Análise de Riscos Econômicos

Avaliação dos projetos de E&P implantados sob a perspectiva da Análise de Riscos Econômicos Avaliação dos projetos de E&P implantados sob a perspectiva da Análise de Riscos Econômicos REGINA DUARTE PLANEJAMENTO FINANCEIRO E GESTÃO DE RISCOS PETROBRAS Setembro/2011 Agenda Contexto Análise de Riscos

Leia mais

Módulo 2: Gerenciamento de Escopo, Tempo e Custos do Projeto

Módulo 2: Gerenciamento de Escopo, Tempo e Custos do Projeto ENAP Diretoria de Desenvolvimento Gerencial Coordenação Geral de Educação a Distância Gerência de Projetos - Teoria e Prática Conteúdo para impressão Módulo 2: Gerenciamento de Escopo, Tempo e Custos do

Leia mais

Nome: Login: CA: Cidade: UF CARTÃO RESPOSTA QUESTÃO RESPOSTA QUESTÃO RESPOSTA

Nome: Login: CA: Cidade: UF CARTÃO RESPOSTA QUESTÃO RESPOSTA QUESTÃO RESPOSTA ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 3º PERÍODO - 5º MÓDULO AVALIAÇÃO MP1 DATA 05/03/2009 ENGENHARIA DE SOFTWARE Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF CARTÃO RESPOSTA

Leia mais

Gestão de Projetos. Professor Ruy Alexandre Generoso

Gestão de Projetos. Professor Ruy Alexandre Generoso Gestão de Projetos Professor Ruy Alexandre Generoso Gestão de Projetos Fornecimento de produtos e serviços Planejamento e controle do processo Demanda de produtos e serviços Recursos de produção O gerenciamento

Leia mais

Gerenciamento de Projeto

Gerenciamento de Projeto UNIVERSIDADE ESTADUAL PAULISTA INSTITUTO DE BIOCIÊNCIAS, LETRAS E CIÊNCIAS EXATAS DEPARTAMENTO DE CIÊNCIAS DE COMPUTAÇÃO E ESTATÍSTICA Gerenciamento de Projeto Engenharia de Software 2o. Semestre/ 2005

Leia mais

Método de Monte Carlo e ISO

Método de Monte Carlo e ISO Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza

Leia mais

SAD orientado a MODELO

SAD orientado a MODELO Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER

Leia mais

Concurso Público para o provimento de vagas em Cargos de Nível Superior da Carreira de Desenvolvimento Tecnológico CÓDIGO DA VAGA: TP06

Concurso Público para o provimento de vagas em Cargos de Nível Superior da Carreira de Desenvolvimento Tecnológico CÓDIGO DA VAGA: TP06 QUESTÕES DE MÚLTIPLAS ESCOLHAS 1. Nos estágios iniciais da atividade profissional, um técnico ou tecnólogo executará atividades nos níveis operacionais e de gerência. É correto afirmar que, como administrador,

Leia mais

Análise de Processos do PMBOK em uma Fábrica de Software Um Estudo de Caso

Análise de Processos do PMBOK em uma Fábrica de Software Um Estudo de Caso Análise de Processos do PMBOK em uma Fábrica de Software Um Estudo de Caso Carlos Alberto Rovedder, Gustavo Zanini Kantorski Curso de Sistemas de Informação Universidade Luterana do Brasil (ULBRA) Campus

Leia mais

Método Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba

Método Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba Departamento de Física Universidade Federal da Paraíba 23 de Março de 2009 O que são os métodos de Monte-Carlo? Métodos numéricos que utilizam amostragem estatística (em contraposição a métodos determinísticos)

Leia mais

Usando o Arena em Simulação

Usando o Arena em Simulação Usando o Arena em Simulação o ARENA foi lançado pela empresa americana Systems Modeling em 1993 e é o sucessor de dois outros produtos de sucesso da mesma empresa: SIMAN (primeiro software de simulação

Leia mais

Gerenciamento de Projetos Modulo VIII Riscos

Gerenciamento de Projetos Modulo VIII Riscos Gerenciamento de Projetos Modulo VIII Riscos Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com Bibliografia* Project Management Institute. Conjunto de Conhecimentos em Gerenciamento

Leia mais

GUIA PMBOK PARA GERENCIAMENTO DE PROJETOS

GUIA PMBOK PARA GERENCIAMENTO DE PROJETOS ISSN 1984-9354 GUIA PMBOK PARA GERENCIAMENTO DE PROJETOS Emerson Augusto Priamo Moraes (UFF) Resumo Os projetos fazem parte do cotidiano de diversas organizações, públicas e privadas, dos mais diversos

Leia mais

Conceitos ADMINISTRAÇÃO DE SISTEMAS DE INFORMAÇÃO. Comunicação; Formas de escritas; Processo de contagem primitivo;

Conceitos ADMINISTRAÇÃO DE SISTEMAS DE INFORMAÇÃO. Comunicação; Formas de escritas; Processo de contagem primitivo; Conceitos Comunicação; Formas de escritas; Bacharel Rosélio Marcos Santana Processo de contagem primitivo; roseliomarcos@yahoo.com.br Inicio do primitivo processamento de dados do homem. ADMINISTRAÇÃO

Leia mais

AGNALDO IZIDORO DE SOUZA UNIPAR agnaldo@unipar.br JAIR OTT UNIPAR jairott@gmail.com PABLO A. MICHEL UNIPAR pamichel@unipar.br

AGNALDO IZIDORO DE SOUZA UNIPAR agnaldo@unipar.br JAIR OTT UNIPAR jairott@gmail.com PABLO A. MICHEL UNIPAR pamichel@unipar.br A importância da aplicação de técnicas de gerenciamento de riscos em projetos de desenvolvimento de software: estudo de caso do sistema de controle de veículos AGNALDO IZIDORO DE SOUZA UNIPAR agnaldo@unipar.br

Leia mais

Previsão de Demanda por Simulação de Monte Carlo em uma Empresa Especializada em Produtos Odontológicos

Previsão de Demanda por Simulação de Monte Carlo em uma Empresa Especializada em Produtos Odontológicos Previsão de Demanda por Simulação de Monte Carlo em uma Empresa Especializada em Produtos Odontológicos Hugo Hissashi Miyata 1 (GEPPGO, DEP/FECILCAM) hugomiyata7@hotmail.com Alisson Barreto 2 (EPA, DEP,

Leia mais

MÓDULO 9 METODOLOGIAS DE DESENVOLVIMENTO DE SISTEMAS

MÓDULO 9 METODOLOGIAS DE DESENVOLVIMENTO DE SISTEMAS MÓDULO 9 METODOLOGIAS DE DESENVOLVIMENTO DE SISTEMAS O termo metodologia não possui uma definição amplamente aceita, sendo entendido na maioria das vezes como um conjunto de passos e procedimentos que

Leia mais

Uma Análise da Confiabilidade da Aplicação de um Questionário na Equipe de TI de uma Instituição de Saúde

Uma Análise da Confiabilidade da Aplicação de um Questionário na Equipe de TI de uma Instituição de Saúde Uma Análise da Confiabilidade da Aplicação de um Questionário na Equipe de TI de uma Instituição de Saúde Aluna: Karina Aparecida da Cruz Pinto Orientadora: Ms. Maria Ludovina Aparecida Quintans Sistemas

Leia mais

UNIDADE 4. Introdução à Metodologia de Desenvolvimento de Sistemas

UNIDADE 4. Introdução à Metodologia de Desenvolvimento de Sistemas UNIDADE 4. Introdução à Metodologia de Desenvolvimento de Sistemas 4.1 Motivação Sistemas de Informação são usados em diversos níveis dentro de uma organização, apoiando a tomada de decisão; Precisam estar

Leia mais

PMBOK/PMI Project Management Body of Knowledge. Gerenciamento de Projetos

PMBOK/PMI Project Management Body of Knowledge. Gerenciamento de Projetos PMBOK/PMI Project Management Body of Knowledge Gerenciamento de Projetos Organização de Projetos GERENCIAMENTO DE PORTFÓLIOS GERENCIAMENTO DE PROGRAMA GERENCIAMENTO DE PROJETOS GERENCIAMENTO DE SUBPROJETOS

Leia mais

Prática e Gerenciamento de Projetos

Prática e Gerenciamento de Projetos Universidade de São Paulo Escola de Artes, Ciências e Humanidades Prática e Gerenciamento de Projetos Gerenciamento de Custos do Projeto Equipe: Jhonas P. dos Reis Marcelo Marciano Mário Januário Filho

Leia mais

Gerenciamento de Projetos Gerenciamento de Custos

Gerenciamento de Projetos Gerenciamento de Custos Gerenciamento de Projetos Gerenciamento de Custos Metodologia Aula Teórica Exemplos e Exercícios práticos Questões de concursos anteriores Metodologia e Bibliografia Bibliografia PMBOK, 2004. Project Management

Leia mais

Gerenciamento de Projetos

Gerenciamento de Projetos Gerenciamento de Projetos Motivação Por que estudar Gerenciamento de Projetos? As habilidades mais valorizadas pelas organizações são Liderança (89%) Comunicação (78%) Conhecimento em Gerenciamento de

Leia mais

LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE

LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE RESUMO Fazer um bom levantamento e especificação de requisitos é algo primordial para quem trabalha com desenvolvimento de sistemas. Esse levantamento

Leia mais

Estatística: Conceitos e Organização de Dados. Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos

Estatística: Conceitos e Organização de Dados. Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos Estatística: Conceitos e Organização de Dados Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos Introdução O que é Estatística? É a parte da matemática aplicada que

Leia mais

Gerenciamento de Riscos em Projetos. Parte 10. Gerenciamento de Projetos Espaciais CSE- 325. Docente: Petrônio Noronha de Souza

Gerenciamento de Riscos em Projetos. Parte 10. Gerenciamento de Projetos Espaciais CSE- 325. Docente: Petrônio Noronha de Souza Gerenciamento de Riscos em Projetos Parte 10 Gerenciamento de Projetos Espaciais CSE- 325 Docente: Petrônio Noronha de Souza Curso: Engenharia e Tecnologia Espaciais Concentração: Engenharia e Gerenciamento

Leia mais

4. PMBOK - Project Management Body Of Knowledge

4. PMBOK - Project Management Body Of Knowledge 58 4. PMBOK - Project Management Body Of Knowledge No Brasil, as metodologias mais difundidas são, além do QL, o método Zopp, o Marco Lógico do Banco Interamericano de Desenvolvimento (BID) e o Mapp da

Leia mais

Questionário de Avaliação de Maturidadade MMGP Darci Prado QUESTIONÁRIO DE AVALIAÇÃO DE MATURIDADE

Questionário de Avaliação de Maturidadade MMGP Darci Prado QUESTIONÁRIO DE AVALIAÇÃO DE MATURIDADE MMGP Darci Prado QUESTIONÁRIO DE AVALIAÇÃO DE MATURIDADE Extraído do Livro "Gerenciamento de Programas e Projetos nas Organizações" 4ª Edição (a ser lançada) Autor: Darci Prado Editora INDG-Tecs - 1999-2006

Leia mais

UNIVERSIDADE FEDERAL DA BAHIA

UNIVERSIDADE FEDERAL DA BAHIA UNIVERSIDADE FEDERAL DA BAHIA INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO MATA62 - Engenharia de Software I Comparação entre Ferramentas de Gerência de Projeto Salvador 2009.1 MATA62

Leia mais

Tecnologias da Informação e da Comunicação Aula 01

Tecnologias da Informação e da Comunicação Aula 01 Tecnologias da Informação e da Comunicação Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 31 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Professor do curso ESAMI

Leia mais

Engenharia de Software Introdução. Ricardo Argenton Ramos UNIVASF Engenharia de Software I - Aula 1

Engenharia de Software Introdução. Ricardo Argenton Ramos UNIVASF Engenharia de Software I - Aula 1 Engenharia de Software Introdução Ricardo Argenton Ramos UNIVASF Engenharia de Software I - Aula 1 Tópicos Apresentação da Disciplina A importância do Software Software Aplicações de Software Paradigmas

Leia mais