Professional Documents
Culture Documents
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
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
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.
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:
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