Upload
reginaldo-lima
View
217
Download
0
Embed Size (px)
DESCRIPTION
Método de Monte Carlo
Citation preview
UUUUttttiiiilllliiiizzzzaaaannnnddddoooo MMMMoooonnnntttteeee CCCCaaaarrrrlllloooo eeee RRRReeeeaaaammmmoooossssttttrrrraaaaggggeeeemmmm eeeemmmm
EEEEssssttttiiiimmmmaaaattttiiiivvvvaaaassssMauricio Mauricio Mauricio Mauricio AguiarAguiarAguiarAguiar
Presidente da ti MTRICASIFPUG Immediate Past President
< 2>
Agenda
Introduo
Um Exemplo Simples
Outro Exemplo
Uma Alternativa
Faa Voc Mesmo - Monte Carlo
Resumo
III Innn nttt trrr rooo oddd duuu u ooo o
< 4>
IntroduoEstimativas
Estimativas so projees quantitativas de
caractersticas dos projetos, tais como:
Tamanho do Produto
Esforo Requerido
Prazo Requerido
Qualidade
< 5>
IntroduoIncerteza e Monte Carlo
H um grau de incerteza nos parmetros de
entrada de um modelo de estimativa
Desejamos avaliar como essa incerteza pode
afetar os resultados
Isso pode ser feito atravs de simulao
(Monte Carlo Simulation)
< 6>
IntroduoEntradas de um Modelo de Estimativa
Tamanho (Pontos de Funo, etc.)
Caractersticas do Produto e do Projeto
Esforo Estimado por Atividade
etc.
< 7>
IntroduoModelando a Incerteza
Permitir que as entradas variem segundo distribuies estatsticas definidas
950 PF 1000 PF 1050 PF
Ex.: Tamanho
Distribuio Normal
UUU Ummm m
EEE Exxx xeee emmm mppp plll looo o SSS Siii immm m
ppp plll leee esss s
< 9>
Um Exemplo Simples - I
Executar construo e teste unitrio para 5
mdulos (classes, funes, subrotinas...)
Assuma que o trabalho ser feito
sequencialmente
< 10>
Um Exemplo Simples IIO Problema
Com 100% de probabilidade de acerto, o prazo
seria 48 dias
Um prazo menor com 90% de probabilidade de
acerto seria suficiente
Qual seria esse prazo?
< 11>
Um Exemplo Simples IIIQualidade da Estimativa
Modelando aincerteza
< 12>
Um Exemplo Simples IVMonte Carlo
Simular 10000 vezes a execuo da
construo e teste unitrio dos 5 mdulos
Variar os prazos individuais conforme as
respectivas distribuies
Avaliar a variao do prazo total
< 13>
Um Exemplo Simples VMonte Carlo
< 14>
Um Exemplo Simples VIHistograma do Prazo Simulado
< 15>
Um Exemplo Simples VIIFrequncia Acumulada do Prazo Simulado
Prazo menor ou igual a 38 dias com 90% de probabilidade de acerto
< 16>
Um Exemplo Simples VIIIQuestionamento
As distribuies utilizadas correspondem
realidade?
A probabilidade de terminar antes a mesma de
terminar depois?
< 17>
Um Exemplo Simples IXQuestionamento
< 18>
Um Exemplo Simples XQuestionamento
Simular 10000 vezes a execuo da
construo e teste unitrio dos 5 mdulos,
utilizando a distribuio lognormal somente no
caso anteriormente normal
< 19>
Um Exemplo Simples XIQuestionamento
< 20>
Um Exemplo Simples XIIQuestionamento
< 21>
Um Exemplo Simples XIIIQuestionamento
O prazo agora 39 dias
OOO Ouuu uttt trrr rooo o EEE Exxx xeee emmm m
ppp plll looo o
< 23>
Outro Exemplo IProdutividade de 9 Projetos
Productividade in Horas/Pontos de FunoNota: Dados fictcios
< 24>
Outro Exemplo IIEstimando o Erro
Mean Relative Error
((Estimado Real)/Real) * 100
< 25>
Outro Exemplo IIIDados de Esforo
Muitas vezes a qualidade dos dados de
esforo questionvel
Como o erro nos dados de esforo afetaria o
erro de estimativa?
< 26>
Outro Exemplo IVDados de Esforo
< 27>
Outro Exemplo VDados de Esforo
< 28>
Outro Exemplo VIDados de Esforo
O erro inferior
a 40% com90% de
probabilidade.
O mximo 42%.
UUU Ummm m
aaa a AAA Alll lttt teee errr rnnn naaa attt tiii ivvv vaaa a
< 30>
Reamostragem - IA Idia
Monte Carlo exige que faamos suposies sobre as distribuies
A Reamostragem basea-se na replicao de uma amostra (podendo haver repeties)
As estatsticas baseadas em reamostragem aproximam-se dos valores reais, conforme cresce o nmero de amostras
A Reamostragem independe de suposies sobre as distribuies
< 31>
Reamostragem - IIUm Exemplo
Construir um intervalo de confiana a 90%
para a produtividade do COBOL, com base no
banco de dados ISBSG V10
Os dados: 615 projetos, produtividade mdia
20.5 H/PF, produtividade mediana 11.9 H/PF
< 32>
Reamostragem - IIIDistribuio Amostral: Mdia, Mediana
< 33>
Reamostragem IVDistribuio Amostral: Mdia
< 34>
Reamostragem VDistribuio Amostral: Mdia
< 35>
Reamostragem - VIDistribuio Amostral: Mediana
< 36>
Reamostragem - VIIDistribuio Amostral: Mediana
FFF Faaa a aaa a VVV Vooo occc c MMM M
eee esss smmm mooo o
MMM Mooo onnn nttt teee e CCC C
aaa arrr rlll looo o
< 38>
Faa Voc Mesmo - ISimulando a Distribuio Triangular
< 39>
Faa Voc Mesmo - IISimulando a Distribuio Triangular
< 40>
Faa Voc Mesmo - IIISimulando a Distribuio Triangular
Trabalhando com Excel VBA
< 41>
Faa Voc Mesmo - IVSimulando a Distribuio Triangular
RRR Reee esss suuu ummm m
ooo o
< 43>
Monte Carlo ajuda a identificar a variao nos resultados em funo da incerteza nas entradas
A escolha das distribuies estatsticas muito importante em Monte Carlo
A Reamostragem funciona mesmo quando a distribuio desconhecida
possvel fazer muita coisa com Excel e VBA H ferramentas profissionais para Monte Carlo
(Crystal Ball, @Risk, XLSim, etc.)
ResumoMonte Carlo
< 44>
Savage, Sam L., Decision Making with Insight
XLSim 2.0
Mooney, C.Z. and Duval, R.D, Bootstrapping: A Nonparametric Approach to Statistical Inference, SAGE, 1993
Davidson, A.C. and Hinkley, D.V., Bootstrap Methods and Their Application, Cambridge University Press, 1997
ResumoReferncias
< 45>
Mauricio Aguiar
www.metricas.com.br