UNIVERSIDADE FEDERAL DA BAHIA

ESCOLA POLITÉCNICA
COLEGIADO DO CURSO DE ENGENHARIA
QUÍMICA

SIMULAÇÃO PROBABILÍSTICA

Breno Selch
Eliabe Rocha
Marcelo Santos
Natália Mendes
Samuel Crisostomo

Semestre 2019.1
2
 Sumário

1. INTRODUÇÃO 4
1.1 ESCOPO 4
1.2 OBJETIVOS 4
1.3 JUSTIFICATIVA 4
1.4 ESTRUTURA DO TRABALHO 5
2. SÍNTESE DA LITERATURA DISPONÍVEL 5
3. METODOLOGIA 7
4. CRONOGRAMA 9
5. REFERÊNCIAS 9

3
1. INTRODUÇÃO

A utilização de métodos que possibilitem avaliar a segurança de operações são

demonstrar que o risco associado está em um nível aceitável. Uma das perguntas que as
pessoas às vezes fazem é: quais técnicas de análise devem ser usadas para determinar
se essa meta é alcançada?
Essencialmente, existem dois tipos principais de análise que podem ser usados:
Análise determinística, que visa demonstrar que uma instalação é tolerante a falhas
ou perigos identificados que estão dentro da “base de projeto”, definindo assim os limites
de operação segura.
Análise probabilística, que visa fornecer uma estimativa realista do risco
apresentado pela instalação. Isso também pode ser usado para confirmar a validade da
avaliação de segurança determinística.
Na prática, as avaliações modernas de segurança tendem a usar técnicas
determinísticas e probabilísticas por causa de suas abordagens complementares.
A simulação probabilística pode ser usada em uma gama de situações como
realizar análises de investimentos dos quais não temos a certeza dos acontecimentos
futuros.
1.1 ESCOPO

O trabalho aborda sobre características e aplicabilidade da simulação probabilística

do método de Monte carlo.

1.2 OBJETIVOS

Esse trabalho tem como objetivo explicar e exemplificar alguns dos métodos de
simulação probabilística, que servem de análise de investimentos para ser utilizado
quando em situações de riscos e incertezas.

1.3 JUSTIFICATIVA

Em muitas situações reais frequentemente nos deparamos com problemas

extremamente complexos que apresentam grandes dificuldades na elaboração de
análises e soluções, seja pela quantidades enorme de variáveis ou entradas cujo

4
comportamento não é muito bem compreendido. Nesses casos, por vezes, a simplificação
e generalização dos modelos determinísticos não produz resultados melhores do que
meros palpites. Assim, a simulação probabilística tem como premissa a abordagem
probabilística de modelos, que a princípio são determinísticos, no intuito de auxiliar o
delineamento de possíveis cenários e tomadas de decisões.

1.4 ESTRUTURA DO TRABALHO

A estrutura do trabalho se divide em quatro partes essenciais, como mostra a figura

1:

Figura 1: Estrutura preliminar do trabalho.

2. SÍNTESE DA LITERATURA DISPONÍVEL

Quando falamos com relação a simulação, os modelos de simulação podem ser

classificado de uma série de maneiras. Normalmente, o mais comum é classificar os
modelos de simulação em três categorias:
● Estáticos ou dinâmicos
● Discretos, contínuos ou combinados
● Determinísticos ou probabilísticos
Um modelo determinístico por exemplo, é um modelo que possui um conjunto de
entradas conhecidas, das quais por sua vez vão resultar em um único conjunto de saídas.
Em geral, um sistema deste tipo é modelado analiticamente, situação que só não ocorrerá
nos casos em que o modelo se torna muito complexo, envolvendo grande número de
variáveis ou de relações, recorrendo-se então à simulação.
Já o modelo probabilístico que será abordado neste trabalho, é um modelo que
possui uma ou mais variáveis aleatórias como entradas. Consequentemente, entradas
aleatórias levam a saídas também aleatórias do modelo, que são consideradas
estimativas das verdadeiras características do sistema. Ao contrário da situação
determinística, a simulação probabilística está mais próxima da realidade. Um processo

5
de amostragem das variáveis aleatórias é estabelecido para tentar reproduzir o mais
fielmente possível a realidade. A amostragem utilizada é aleatória simples, que se tornou
um padrão em simulação.
Em termos de simulação probabilística, um método é o mais empregado para a
realização deste modelo de simulação. Tal método é conhecido como o Método de Monte
Carlo. O nome do método se originou pelo uso da aleatoriedade e da natureza repetitiva
das atividades realizadas em cassinos em Monte Carlo, Mônaco. Atualmente o método
pode ser descrito como método de simulação estatística que utiliza sequências de
números aleatórios para desenvolver simulações. Em outras palavras, é visto como
método numérico universal para resolver problemas por meio de amostragem aleatória.
A simulação de um modelo probabilístico consiste na geração de mecanismos
estocásticos e, em seguida, na observação do fluxo resultante do modelo ao longo do
tempo, sendo um mecanismo estocástico um modelo matemático utilizado para o estudo
de fenômenos aleatórios que têm como resultados funções.
O Método de Monte Carlo torna desnecessário escrever as equações diferenciais
que descrevem o comportamento de sistemas complexos. A única exigência é que o
sistema físico ou matemático seja modelado em termos de funções de densidade de
distribuição de probabilidade (FDP). Uma vez conhecidas essas distribuições, a
Simulação de Monte Carlo pode proceder fazendo as amostragens aleatórias a partir das
mesmas. Este processo é repetido inúmeras vezes e o resultado desejado é obtido por
meio de técnicas estatísticas, como média e desvio padrão por exemplo, sobre um
determinado número de realizações (amostra) que podem chegar a milhões.
Na prática, diante de um problema envolvendo incertezas, realizar uma Simulação
com Monte Carlo para aproximar sua solução consiste em quatro passos padrões:

1. Modelar o problema definindo uma FDP para representar o comportamento de

cada uma das suas incertezas.
2. Gerar valores pseudo-aleatórios aderentes à FDP de cada incerteza do problema.
3. Calcular o resultado determinístico substituindo as incertezas pelos valores
gerados obtendo, assim, uma observação do problema. Repetir os passos B e C
até se obter uma amostra com o tamanho desejado de realizações.
4. Agregar e manipular os resultados da amostra de forma a obter uma estimativa da
solução do problema.

6
 Este método apenas proporciona uma aproximação da solução, portanto, é
fundamental analisar o erro de aproximação, que é 3ơ/(N½), onde ơ é o desvio padrão da
amostra e N o tamanho da amostra. Logo, é evidente que quanto maior o tamanho da
amostra, menor o erro de aproximação.
Como ótimo exemplo da aplicação em termos industriais do Método de Monte
Carlo e da simulação probabilística, podemos ver o artigo de Garcia, S., Lustosa, P., &
Barros, N. (2010). O artigo apresenta um teste da aplicabilidade do Método de Monte
Carlo para prever variações nos custos de produção em um período pós-privatização,
utilizando a Companhia Vale do Rio Doce como objeto de estudo, considerando a sua
privatização ocorrida em 1997.
De acordo com o resumo do artigo, ​os dados das variáveis analisadas foram
extraídos das demonstrações contábeis publicadas entre 1990 e 2004. Os custos de
produção (CPV) foram simulados em duas aplicações do Método: aplicação que
desconsidera os efeitos da privatização e aplicação que considera, no período pós
privatização, a redução de custos variáveis e o incremento de receitas operacionais. Em
um processo de privatização, esses efeitos são esperados e foram estimados por meio de
regressões lineares em estudo anterior de Oliveira e Lustosa (2007). Para verificar a
capacidade preditiva do método foram realizadas análises comparativas, por meio de
testes estatísticos de médias, entre as amostras reais e as amostras simuladas do
período pós-privatização. Os resultados obtidos evidenciaram a adequação do Método na
previsão dos custos de produção e consequente auxílio ao processo decisório.

3. METODOLOGIA
Com o crescimento da complexidade dos problemas reais e a evolução dos
sistemas computacionais, a simulação aparece como um instrumento cada vez mais
utilizado nas mais variadas áreas de conhecimento. Nesse contexto, a simulação é
utilizada para o estudo de problemas, geralmente complexos, para os quais não se dispõe
de solução analítica. Em termos mais práticos, consiste no desenvolvimento de um
modelo ou representação de uma situação real (ou ainda por existir) e, por intermédio do
uso do computador, possibilita a realização de experimentos com vários cenários. Desse
modo, é uma ferramenta de auxílio na avaliação de sistemas fornecendo uma melhor
compreensão ao invés de gerar simplesmente uma solução. A Simulação de Monte Carlo
é utilizada na avaliação de fenômenos que se podem caracterizar por um comportamento

7
probabilístico. Por meio da geração de números aleatórios, permite resolver uma
quantidade grande de problemas com a simulação de cenários e o posterior cálculo de
um valor esperado. Esse método admite a implantação de hipóteses adicionais nas
previsões.
De acordo com Andrade (1989), as fases para realização de uma simulação
compreendem: a Formulação do Problema; a Coleta de Dados; a Identificação das
Variáveis aleatórias que serão simuladas e suas respectivas distribuições de
probabilidades; A Formulação do Modelo, com a modelagem das relações entre as
variáveis do problema; a Avaliação do Modelo e a Realização dos Experimentos de
Simulação.
Logo para a realização de um experimento, o primeiro passo é a identificação das
distribuições de probabilidades das variáveis aleatórias definidas no modelo. Para o
método de Monte Carlos, a função cumulativa de probabilidades da variável aleatória X
tem uma distribuição uniforme sobre o intervalo fechado (0,1). Então, dada a função de
distribuição de probabilidades da variável em simulação e a sua respectiva função
cumulativa de probabilidades, é tomado um número gerado aleatoriamente no intervalo
(0,1). Usando a função cumulativa, é determinado o valor da variável X que corresponde
ao número aleatório gerado. Ressalta-se que as populações analisadas devem ter certos
parâmetros, como média e desvio padrão, e podem apresentar vários comportamentos
como Normal, Exponencial e Uniforme. As amostras obtidas devem ser aleatórias. São
utilizadas séries de tentativas aleatórias e a precisão do resultado final depende, em
geral, do número de tentativas.
O equilíbrio entre a precisão do resultado e o tempo de computação é uma
característica útil dos métodos de Monte Carlo (ESCUDERO, 1973). Segundo Lustosa,
Ponte e Dominas (2004), para a efetivação da simulação, deve-se encontrar cem
números aleatórios, no mínimo, para cada um dos resultados almejados, pois quanto
maior for a amostra, melhores os resultados obtidos. Utilizando um estudo de caso do
artigo da revista “RCO – Revista de Contabilidade e Organizações – FEA-RP/USP, v. 4, n.
10, p. 161-173, set-dez 2010”. No trabalho citado, com base em análises dos dados
históricos, constatou-se que o comportamento das variáveis aleatórias-CPV e receita
operacional líquida --ROL se aproxima da distribuição normal. Para esta distribuição de
probabilidades, o Excel® possui uma função estatística programada denominada
INV.NORM, a qual retorna o inverso da distribuição cumulativa normal para a média e o

8
desvio padrão especificados (LUSTOSA; PONTE; DOMINAS, 2004). Também os
números aleatórios são gerados no Excel® pela função ALEATORIO(). Assim, para cada
amostra analisada é necessário calcular a média e o desvio padrão e, usando a fórmula a
seguir, são gerados os números aleatórios e respectivos valores das variáveis aleatórias
x.

4. CRONOGRAMA
Capa, folha de rosto, sumário e introdução:​ 19 a 21 de Abril.
Síntese da Literatura​: 22 a 25 de Abril.
Metodologia:​ 26 a 28 de Abril.

5. REFERÊNCIAS

https://anaiscbc.emnuvens.com.br/anais/article/viewFile/3276/3276

http://www.scielo.br/pdf/prod/v21n1/aop_t6_0003_0208.pdf

http://aloq.com.br/metodologia-de-monte-carlo-investimentos/

https://www.maxwell.vrac.puc-rio.br/12093/12093_5.PDF

http://www.abepro.org.br/biblioteca/enegep2009_TN_STO_093_631_13595.pdf

http://www.bertolo.pro.br/AdminFin/AnalInvest/AnaliseDeRiscoNaAvaliacaoDeInvestiment
os.pdf
GARCIA, S.; LUSTOSA, P.; BARROS, N. Aplicabilidade do método de simulação de
Monte Carlo na previsão dos custos de produção de companhias industriais: o caso da
Companhia Vale do Rio Doce .​ Revista de Contabilidade e Organizações​, v. 4, n. 10, p.
152-173, 1 dez. 2010.
https://impa.br/wp-content/uploads/2017/04/10_CBM_75_03.pdf

https://app.uff.br/riuff/bitstream/1/4180/1/RenatoRicardoDePaula%202014-2.PDF

9
http://www.pucrs.br/ciencias/viali/especializa/mia_ima_fafis/material/ead/eslaides/Simula_
02.pdf

https://app.uff.br/riuff/bitstream/1/4180/1/RenatoRicardoDePaula%202014-2.PDF

10