Poucas frases dão tanta falsa segurança como "o projeto vai custar 100 mil euros". Um número único, seco, esconde tudo o que não sabemos: o preço dos materiais pode subir, um fornecedor pode atrasar-se, a procura pode surpreender. A realidade não é um número — é um leque de resultados possíveis, cada um com a sua probabilidade.
A simulação de Monte Carlo é uma forma simples e poderosa de lidar com essa incerteza. Em vez de calcular um cenário, calcula milhares, atribuindo a cada variável incerta um intervalo de valores plausíveis e deixando o acaso combiná-los. No fim, em vez de um número, temos uma distribuição: quão provável é ficar dentro do orçamento, qual o pior caso razoável, qual a margem de segurança.
O nome vem dos casinos de Monte Carlo, porque o método assenta na aleatoriedade. Mas não tem nada de jogo: é uma das ferramentas mais úteis para decidir quando o futuro é, por natureza, incerto.
O que é a simulação de Monte Carlo
A ideia é esta: pega-se num modelo que liga entradas a um resultado — por exemplo, custo = materiais + mão de obra + imprevistos — e, em vez de dar um valor fixo a cada entrada, descreve-se cada uma como um intervalo com uma forma (uma distribuição). Depois, o computador "sorteia" um valor de cada entrada, calcula o resultado, e repete isto milhares de vezes.
Cada repetição é um futuro possível. Juntando todos, obtém-se a distribuição do resultado: não só o valor médio, mas também a dispersão e as caudas — aqueles cenários maus mas possíveis que uma estimativa única nunca mostra.
Porque é que uma estimativa única engana
Quando somamos os valores "mais prováveis" de várias parcelas, é tentador assumir que o total também é o mais provável. Raramente é. Basta uma ou duas parcelas correrem mal ao mesmo tempo para o total disparar. É o chamado otimismo dos planos: cada peça parece razoável, mas o conjunto acumula risco.
Uma única linha no orçamento — "100 mil" — não diz se há 90% de hipóteses de ficar abaixo desse valor ou apenas 40%. A simulação responde exatamente a essa pergunta, transformando "quanto vai custar?" em "com que probabilidade fica abaixo de X?".
Monte Carlo vs análise de cenários
Muitas equipas já usam a análise de cenários: um caso otimista, um caso base e um caso pessimista. É útil e intuitivo, mas tem limites. Três cenários são três pontos num universo de milhares de combinações, e é fácil escolhê-los de forma enviesada.
- Análise de cenários: poucos casos discretos, fáceis de explicar, mas sem probabilidades e com cobertura limitada.
- Monte Carlo: cobre todo o leque de combinações e devolve probabilidades, ao custo de exigir distribuições e algum cálculo.
- Complementares: a análise de cenários ajuda a comunicar; a simulação dá a base quantitativa por trás dela.
Como funciona, passo a passo
Na prática, uma simulação segue sempre a mesma receita:
- Construir o modelo: a fórmula que liga as entradas ao resultado que interessa (custo, prazo, retorno).
- Descrever as incertezas: para cada entrada incerta, escolher uma distribuição e os seus limites.
- Considerar relações: se duas variáveis se movem juntas, é preciso refletir essa correlação.
- Correr as iterações: sortear valores e calcular o resultado milhares de vezes.
- Analisar a distribuição: ler médias, percentis e probabilidades de ultrapassar limiares.
Escolher as distribuições certas
É aqui que está metade do valor — e metade do risco. Uma distribuição normal serve para grandezas que se agrupam à volta de uma média. A triangular é prática quando só se conhece o mínimo, o mais provável e o máximo. A uniforme aplica-se quando qualquer valor num intervalo é igualmente plausível. E, sempre que existam dados históricos, a melhor distribuição é muitas vezes a própria história.
O objetivo não é a perfeição estatística, mas capturar honestamente o que se sabe e o que não se sabe. Uma distribuição aproximada baseada em experiência real vale mais do que um número fixo disfarçado de certeza.
Ler os resultados sem se iludir
O produto de uma simulação não é um número, é uma distribuição — e é preciso saber lê-la. Em vez da média, olhe para os percentis: o P10, o P50 (a mediana) e o P90 dizem, respetivamente, o cenário bom, o central e o mau razoável. A pergunta mais útil costuma ser: "qual a probabilidade de ultrapassar este limiar?".
Uma análise de sensibilidade completa o quadro, mostrando quais das entradas mais fazem oscilar o resultado. Muitas vezes, uma ou duas variáveis explicam quase toda a incerteza — e é aí que vale a pena investigar melhor ou negociar.
Mini-caso: caber no orçamento com que probabilidade?
Uma empresa de serviços preparava uma proposta para um projeto e queria comprometer-se com um preço fixo. A estimativa "de bolso" era de 200 mil euros, somando os valores mais prováveis de cada rubrica. A direção, no entanto, queria saber o risco de ultrapassar esse valor.
A equipa descreveu cada rubrica com um intervalo: a mão de obra entre 90 e 130 mil, os subcontratos entre 40 e 80 mil, e uma folga para imprevistos. Correram 10 mil iterações. O resultado surpreendeu: a mediana ficava nos 205 mil e havia cerca de 60% de probabilidade de ultrapassar os 200 mil. Para ter 90% de confiança de não perder dinheiro, o preço teria de rondar os 235 mil.
Com esta informação, a decisão deixou de ser um palpite. A empresa propôs um valor intermédio, com uma cláusula para variações de custo dos subcontratos — precisamente a variável que a análise de sensibilidade apontou como a maior fonte de risco.
Erros comuns
O mais grave é o clássico "lixo à entrada, lixo à saída": distribuições inventadas sem qualquer base produzem números com um ar científico e nenhum valor. A seguir vem ignorar correlações — tratar como independentes variáveis que, na verdade, sobem e descem juntas subestima o risco. Correr poucas iterações torna os resultados instáveis. E, talvez o mais perigoso, apresentar as saídas como se fossem exatas: "há 63,7% de probabilidade" transmite uma precisão que o método não tem. Os resultados são estimativas, boas para comparar e decidir, não verdades ao décimo.
Na prática
A simulação de Monte Carlo não elimina a incerteza — torna-a visível e utilizável. Ao substituir um número por uma distribuição, muda a conversa de "quanto custa?" para "que risco estamos dispostos a correr?", que é a pergunta que os gestores realmente precisam de responder. Não é preciso software caro: uma folha de cálculo chega para modelos simples, enquanto uma linguagem como o Python ou o R corre milhões de iterações em segundos para os maiores.
Comece pequeno: escolha uma decisão importante com várias fontes de incerteza, descreva-as honestamente, corra a simulação e comunique os resultados em percentis e probabilidades. Vai perceber depressa que decidir com um leque de cenários à frente é bem mais sólido do que confiar num único número que, no fundo, nunca passou de um palpite bem vestido.
