2 Metodologia de Medição de Riscos para Projetos

Documentos relacionados
3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

Algarismos Significativos Propagação de Erros ou Desvios

4 Critérios para Avaliação dos Cenários

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

METOLOGIA. 1. Histórico

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

NOTA II TABELAS E GRÁFICOS

3 A técnica de computação intensiva Bootstrap

D = POLINÔMIO INTERPOLADOR DE NEWTON 1) DIFERENÇAS DIVIDIDAS 1.1) DIFERENÇAS DIVIDIDAS ORDINÁRIAS (D) Sejam n+1 pontos de uma função y = f(x):

XVIII Seminário Nacional de Distribuição de Energia Elétrica

4 Sistema Híbrido de Otimização de Estratégia de Controle de Válvulas de Poços Inteligentes sob Incertezas

O F Í C I O C I R C U L A R. Participantes dos Mercados da B3 Segmento BM&FBOVESPA. Ref.: Nova Metodologia do Índice Dividendos BM&FBOVESPA (IDIV).

7 Tratamento dos Dados

8 - Medidas Descritivas

3 Desenvolvimento do Modelo

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Introdução aos Problemas de Roteirização e Programação de Veículos

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Modelo de Alocação de Vagas Docentes

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo

Estatística Espacial: Dados de Área

NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

METODOLOGIA DO ÍNDICE CARBONO EFICIENTE (ICO2)

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

4 Discretização e Linearização

MODELOS DE REGRESSÃO PARAMÉTRICOS

3 Método Numérico. 3.1 Discretização da Equação Diferencial

Chapter 9 Location INTRODUÇÃO. Localização de Instalações. Problemas de comunicação

7 - Distribuição de Freqüências

Experiência V (aulas 08 e 09) Curvas características

2 Modelos de Otimização sob Incerteza 2.1. Introdução

Análise de Regressão Linear Múltipla IV

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

Aula Características dos sistemas de medição

Prof. Lorí Viali, Dr.

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT

), demonstrado no capítulo 3, para

Proposta de uso conjunto do BSC e QFD no estabelecimento de conjunto de indicadores de desempenho para suprir exigências da norma ISO 9001 versão 2000

CAPÍTULO 6 ESTRATÉGIA ÓTIMA DE OFERTA DE PREÇOS

AULA EXTRA Análise de Regressão Logística

METODOLOGIA DO ÍNDICE DIVIDENDOS BM&FBOVESPA (IDIV)

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

3 Elementos de modelagem para o problema de controle de potência

2 Incerteza de medição

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

Estatística II Antonio Roque Aula 18. Regressão Linear

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS

8 Soluções Não Ideais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

Modelagem do Transistor Bipolar

Associação entre duas variáveis quantitativas

Preço Base = 2,581 US$/MMBTU x TMD 0

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva

4.1 Modelagem dos Resultados Considerando Sazonalização

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

AEP FISCAL ESTATÍSTICA

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO

Medidas de Tendência Central. Prof.: Ademilson Teixeira

Análise de áreas de risco considerando os afundamento de tensão em estudos de planejamento

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:

2 Lógica Fuzzy Introdução

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

As leis de Kirchhoff. Capítulo

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Modelos para Localização de Instalações

Gestão e Teoria da Decisão

DELINEAMENTOS EXPERIMENTAIS

Regressão Linear Simples by Estevam Martins

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO

Testes não-paramétricos

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO

3 Algoritmos propostos

Flambagem. Cálculo da carga crítica via MDF

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES

Marta Gonçalves Diretora Técnica do ONRH João d Orey Diretor Executivo do ONRH

Resumos Numéricos de Distribuições

Diferença entre a classificação do PIB per capita e a classificação do IDH

Aplicação de ferramenta de auxílio multi-critério à decisão na escolha de alternativas para movimentação e armazenagem de material siderúrgico

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

Prof. Lorí Viali, Dr.

Cálculo de Índices de Preços do Setor Sucroalcooleiro

Transcrição:

2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem e qualdade bem defndos. Conclur o projeto cumprndo as metas estabelecdas é o prncpal objetvo da equpe do projeto. Porém, como descrto anterormente, as metas de prazo e qualdade mpactam dretamente a margem do projeto de duas formas. Pelos custos assocados à extensão de prazo e pela alteração das datas dos pagamentos e recebmentos, que são afetadas por taxas e preços. Desta forma, a smulação do fluxo de caxa ncorporando as varações mpostas pelos rscos é o prncpal objetvo desta aplcação metodológca. A fgura 5 lustra a metodologa descrta acma para a medção de rscos de projetos. Modelo fnancero de Fluxo de Caxa Fgura 5 Modelo probablístco de rsco do projeto Como propõe a metodologa, podemos avalar o rsco da cartera de projetos. Podemos ntegrar todos os projetos, fatores de rscos, premssas e resultados para gerar uma dstrbução empírca das varáves de nteresse da cartera de projetos. Esta ferramenta apoa às decsões corporatvas da empresa, podendo ser utlzado na composção do caxa futuro para desenvolvmento do

19 planejamento estratégco, avalação da contngênca de forma corporatva, podendo trazer maor compettvdade, avalação do nível de exposção ao rsco, podendo alterar a estratéga de venda da empresa, avalação de hedges naturas através dos projetos que compõe a cartera, e prncpalmente avalar a lqudez e saúde fnancera da empresa. A fgura abaxo lustra a análse quanttatva dos rscos do portfólo de projetos. Fgura 6 Modelo probablístco do rsco da cartera de projetos Abaxo remos descrever os cnco passos da metodologa aplcada em projetos. 2.1 Identfcação das Varáves de Interesse, Fatores de Rscos e Premssas Para medrmos rscos de projetos defnmos como varáves de nteresse: o prazo de conclusão do projeto e a margem do mesmo, resultado da dferença entre os custos e a receta do projeto. As varáves de nteresse sofrem mpacto dreto dos fatores de rscos, no caso de projetos vamos classfcá-los em dos grupos, os

20 rscos operaconas e fnanceros. Como descrto anterormente, os rscos fnanceros são as varações externas do mercado aos custos do projeto tas como varações cambas, commodtes, nflação e dssídos salaras e etc. Os rscos operaconas são dentfcados pela equpe do projeto e especalstas. Alguns rscos operaconas comuns em projetos ndustras são greves na obra, rsco no transporte dos prncpas equpamentos, ocorrênca de snstros na obra, mprecsão nos quanttatvos estmados, dfculdade de relaconamento com o clente, dfculdade de moblzação de equpe experente para o projeto, dentre outros. A premssa é a taxa de despesa e receta fnancera. 2.2 Modelo de Cálculo para as Varáves de Interesse: Fatores de Rscos Operaconas e Fnanceros As varáves de nteresse são o prazo e a margem do projeto. O modelo de cálculo utlzado para descrever o prazo do projeto em função dos fatores de rscos operaconas é a smulação Monte Carlo da rede Pert. A rede Pert é a lógca de execução (ou seja, a cadea de atvdades) do projeto, onde as atvdades envolvdas apresentam sua data de níco, data térmno e duração. De forma smplfcada, a rede pert pode ser modelada por um grafo G(V,A), onde V é o conjunto de vértces assocados às tarefas, que contem todas as nformações da mesma, e A o conjunto de arestas que ndca a dependênca temporal entre as tarefas. A fgura 7 apresenta um exemplo de um grafo que representa uma rede Pert com sete tarefas. 1 2 3 6 7 4 5 Fgura 7 Exemplo de Grafo Para desenvolvermos a smulação dos cenáros da rede Pert, smulamos as durações das atvdades do projeto que sofrem mpacto dos rscos operaconas. Ao fnal de cada atvdade ocorre um recebmento ou desembolso. Ao smularmos a

21 rede Pert, smulamos os nstantes de despesas e recetas. O detalhe da lógca de smulação não é objeto deste estudo vsto que a mesma é feta através do software PertMaster. Para avalarmos a margem do projeto fo necessáro escrever um modelo que permte calculá-la em qualquer nstante, presente ou futuro, como uma função dos fatores de rscos fnanceros e premssas do projeto. O resultado da smulação da rede Pert é nsumo para o modelo que permte calcular a margem do projeto em função dos rscos operaconas, com mpacto em custos, e fnanceros. O modelo está escrto consderando o mês como undade de tempo. A margem pode ser descrta como o saldo de caxa do projeto no últmo mês do projeto. Assm, remos modelar o caxa nos meses correntes do projeto. Genercamente o saldo de caxa do projeto no nstante t é representado pelas equações abaxo: c( = c( t 1) * (1 + r) + R( D(, para o caso de c(t-1)>0 c( = c( t 1)*(1 + rd ) + R( D(, para o caso de c(t-1)<0 Onde r é a taxa de receta fnancera e r d é a taxa de despesa fnancera, ambas premssas do projeto. R( é a receta no nstante t e D( a despesa no nstante t. Como exstem ncertezas quanto ao nstante de ocorrênca das despesas e recetas, em vrtude dos rscos que mpactam os prazos de conclusão das atvdades, podemos modelar R( e D( como o somatóro das atvdades concluídas no mês t. Abaxo modelamos R( e D(, consderando: - Indca a tarefa do projeto sendo [ 1, N ]; P - Prazo de conclusão da tarefa (em das); n t - Da de níco da tarefa ; fm t - Da de térmno da tarefa ; n fm t - Período de tempo t [ t, t ] de conclusão da tarefa ; I t (t ) - Varável bnára que ndca 1 se t > P, e zero caso contráro.

22 R( = D( = N = 1 N = 1 R I ( t ) t D I ( t ) t Desta forma, podemos obter o caxa do projeto de forma teratva. Abaxo apresentamos este modelo: c(0) = 0 c(1) = R(1) D(1) Se c(1) > 0, c(2) = c(1) * (1 + r) + R(2) D(2) c(2) = Se c(1) < 0, c(2) = c(1) * (1 + rd ) + R(2) D(2) Se c(2) > 0, c(3) = c(2) *(1 + r) + R(3) D(3) c(3) = Se c(2) < 0, c(3) = c(2) * (1 + rd ) + R(3) D(3) M Este modelo pode ser descrto genercamente pela formula: { 1+ r[ c( t 1) ]} + R( D( ) c( = c( t 1) t r, se c > o Consderando r[] c = rd, c. c. 2.3 Formulação de um Modelo Probablístco para os Fatores de Rscos O modelo probablístco para os fatores de rscos, em geral são as dstrbuções trangular e unforme, para os rscos operaconas, e normal e lognormal para os rscos fnanceros.

23 2.4 Geração de Cenáros para os Fatores de Rscos A quarta etapa, será dvdda em duas fases. Para os rscos operaconas, remos gerar um grande número de cenáros de fluxo de caxa, utlzando a smulação de Monte Carlo. Os cenáros de fluxo de caxa são gerados a partr da smulação do cronograma ou rede Pert. O nstante de despesas e recebmentos é defndo pela conclusão das atvdades do cronograma. Para os rscos fnanceros remos ncorporar os valores smulados por um modelo econométrco das taxas de câmbo, nflação, preços de commodtes e dssído salaral aos fluxos de caxa gerados pela smulação de Monte Carlo. 2.5 Defnção das Dstrbuções de Probabldades das Varáves de Interesse e suas Meddas de Rscos A partr destes cenáros, obteremos a qunta etapa: a dstrbução empírca das varáves de nteresse, margem e prazo do projeto.