Guia · Análise
Simulação de Monte Carlo na engenharia de sistemas: de estimativas pontuais a probabilidades
Ouvir este guia 19 min
A simulação de Monte Carlo na engenharia de sistemas substitui um único palpite por uma distribuição de resultados. Este guia trata da escolha das distribuições de entrada, da execução de amostras suficientes, da leitura dos percentis e da probabilidade de atender a um requisito, da correlação e dos erros comuns, com um exemplo prático na passagem de imageamento de um pequeno satélite de observação da Terra.
Nesta página
Por que as estimativas pontuais enganam
A maioria das estimativas de engenharia é dada como um único número: a campanha de integração leva 14 semanas, a carga útil consome 38 W, a estação de solo processa uma passagem em 45 minutos. Cada número costuma ser o valor mais provável, e somar valores mais prováveis dá um total que não diz nada sobre com que frequência ele é excedido, por dois motivos.
- Entradas assimétricas. As durações reais das tarefas raramente são simétricas. Uma tarefa que muito provavelmente leva 6 minutos pode terminar em 4, mas também pode levar 9 quando algo dá errado. A média dessa tarefa fica acima do valor mais provável, e a soma das médias fica acima da soma dos valores mais prováveis.
- Viés de junção. Onde caminhos paralelos se juntam, o trabalho espera pelo mais lento. O máximo esperado de vários caminhos incertos é maior que o máximo de seus valores esperados, porque qualquer caminho que atrase atrasa o todo.
O mesmo vale para os orçamentos. Um orçamento de massa ou de energia montado com valores nominais esconde a chance de vários itens virem altos ao mesmo tempo, e um cronograma montado com durações nominais esconde a chance de o caminho crítico se alongar. Um único número não consegue dizer qual é a probabilidade de ele se manter. Uma distribuição consegue.
A simulação de Monte Carlo é a forma mais simples de obter essa distribuição: descreva cada entrada incerta como uma distribuição de probabilidade, sorteie um valor para cada entrada, calcule o resultado e repita muitas vezes. O conjunto dos resultados aproxima a distribuição da saída, e dele você lê médias, percentis e a probabilidade de atender a um requisito. Nos termos da ISO/IEC/IEEE 15288, é uma ferramenta do processo de análise de sistemas, e seu resultado costuma ser a evidência para a verificação por análise, um dos quatro métodos de uma matriz de verificação de requisitos.
Entradas incertas como distribuições
Uma distribuição declara o que você sabe sobre uma entrada. Escolha a mais simples que corresponda às informações que você tem; três formas cobrem a maior parte do trabalho de engenharia de sistemas. Os exemplos vêm da passagem de imageamento do satélite tratada abaixo.
| Distribuição | Parâmetros | Use quando | Exemplo |
|---|---|---|---|
| Uniforme | Mínimo e máximo | Você conhece os limites e nada favorece um valor em relação a outro | Codificar e armazenar uma faixa de imagem leva de 20 a 40 segundos, dependendo do conteúdo da cena |
| Triangular | Mínimo, mais provável, máximo | Especialistas conseguem dar uma faixa e um valor mais provável, muitas vezes assimétrico para o lado mais longo | Enviar o plano de imageamento leva de 4 a 9 minutos, mais provavelmente 6 |
| Normal | Média e desvio padrão | Muitos efeitos pequenos e independentes se somam, ou os dados medidos mostram uma dispersão simétrica | Processar os produtos de imagem leva 45 minutos com desvio padrão de 10 |
- Uma distribuição uniforme é honesta quando você só conhece os limites, mas dá aos extremos tanto peso quanto ao meio.
- Uma distribuição triangular é a escolha habitual para estimativas de três pontos feitas por engenheiros. Sua média é (mín + mais provável + máx) / 3, então uma cauda superior longa move a média para acima do valor mais provável: 4, 6 e 9 minutos dão uma média de 6,33.
- Uma distribuição normal tem caudas ilimitadas. Para durações, massas e outras grandezas que não podem ser negativas, mantenha o desvio padrão pequeno em relação à média, ou use uma distribuição com limite inferior.
- Outras formas têm usos específicos: lognormal para grandezas que são produto de fatores, exponencial para tempos entre eventos aleatórios, Weibull para tempos até a falha, beta para frações entre 0 e 1.
Mantenha fixo o que não é incerto. Um modelo em que todas as entradas variam é mais difícil de revisar e esconde as poucas entradas que determinam o resultado.
Executar muitas amostras
Uma execução de Monte Carlo é um resultado possível: cada entrada incerta recebe um valor aleatório de sua distribuição, cada decisão é sorteada com sua probabilidade, e o modelo calcula o resultado como se aquele fosse o caso real. Um estudo repete isso centenas ou milhares de vezes com sorteios independentes. Duas regras práticas:
- Fixe a semente aleatória quando o resultado se tornar evidência. A mesma semente reproduz as mesmas execuções, então um revisor pode repetir o estudo e qualquer execução pode ser reproduzida para ver o que aconteceu nela.
- Mantenha a lógica do modelo no modelo. Ramificações com probabilidades, laços com contagens e limites de recursos pertencem ao mesmo fluxo que a simulação executa, não a uma planilha separada que se afasta do projeto. O fluxo costuma ser o cenário operacional da análise funcional, com durações acrescentadas.
Ler os resultados
Um estudo produz uma lista de resultados, um por execução. Leia-a de quatro formas.
- Histograma. A forma dos resultados: onde cai a maioria das execuções, se a distribuição é assimétrica e quão longas são as caudas.
- Média e desvio padrão. Resumos úteis, com um intervalo de confiança da média que diminui à medida que execuções são acrescentadas. A média sozinha não diz nada sobre o risco.
- Percentis. P50 é a mediana: metade das execuções termina abaixo dela. P90 ou P95 é um valor de compromisso: o resultado que você atinge em 90% ou 95% dos casos. Cronogramas e orçamentos costumam ser comprometidos em P80 ou P90, e não na média.
- Probabilidade de atender a um requisito. A fração das execuções que atendem a um limite, por exemplo “tempo total de no máximo 100 minutos”. Leia-a na curva de probabilidade acumulada (a curva S), que mostra, para cada valor x, a fração das execuções com resultado de no máximo x. Um requisito declarado com uma probabilidade (“em pelo menos 90% dos casos”) é checado diretamente contra esse número.
A margem pode ser lida da mesma forma: a diferença entre o limite e a média é a margem em média; a diferença entre o limite e o valor P90 ou P95 é a margem que você tem na confiança com que se compromete.
Quantas execuções bastam
Um resultado de Monte Carlo é ele próprio uma estimativa, e sua precisão cresce com a raiz quadrada do número de execuções. Para uma probabilidade p estimada a partir de N execuções, o erro padrão é cerca de √(p(1 − p) / N). Perto de 0% ou 100%, o intervalo simples de ±2 erros padrão é ruim, por isso a tabela usa o intervalo de Wilson, que fica dentro de 0 a 100%.
| Execuções (N) | Execuções que atendem ao limite (p ≈ 97,6%) | Erro padrão | Intervalo de 95% |
|---|---|---|---|
| 100 | 98 | 1,5 ponto percentual | 93,0% a 99,4% |
| 200 | 195 | 1,1 ponto percentual | 94,3% a 98,9% |
| 1,000 | 976 | 0,5 ponto percentual | 96,5% a 98,4% |
| 2,000 | 1,951 | 0,3 ponto percentual | 96,8% a 98,1% |
| 10,000 | 9,756 | 0,15 ponto percentual | 97,2% a 97,8% |
O teste prático: o estudo tem execuções suficientes quando o intervalo de confiança do número com que você decide não cruza mais a linha de decisão. No exemplo abaixo, o requisito pede 90%; mesmo 100 execuções dão um intervalo que fica acima de 90%, então o veredito se define cedo. Se a estimativa fosse 91% com um intervalo de 88% a 94%, mais execuções seriam necessárias. As médias se estabilizam rápido; percentis nas caudas (P95, P99) e pequenas probabilidades de falha precisam de muito mais execuções, porque só algumas execuções caem lá.
A correlação e seu efeito
Sortear cada entrada de forma independente supõe que um downlink longo não diz nada sobre o processamento que vem depois. Muitas vezes isso é falso: um grande volume de dados deixa os dois lentos, uma espaçonave fria torna várias etapas de aquecimento mais lentas, uma estrutura pesada precisa de um mecanismo mais pesado. Entradas que compartilham uma causa são correlacionadas.
A correlação positiva não muda a média de uma soma, mas amplia a dispersão: valores altos vêm juntos e valores baixos vêm juntos em vez de se compensarem. As caudas se afastam, e o valor P90 ou P95 em que um compromisso se apoia se move com elas. Ignorar uma correlação positiva real, portanto, subestima o risco.
Formas de tratá-la:
- Modele a causa comum explicitamente: sorteie o volume de dados uma vez por execução e derive as duas durações dele.
- Sorteie as entradas correlacionadas a partir de um número aleatório compartilhado, para que se movam juntas execução por execução.
- No mínimo, execute o estudo uma vez de forma independente e uma vez totalmente correlacionado, e informe os dois: a verdade está entre eles.
Erros comuns
| Erro | Por que engana | Em vez disso |
|---|---|---|
| Falsa precisão | Informar “P(atender) = 97,56%” a partir de faixas de entrada adivinhadas sugere uma certeza que as entradas não têm | Arredonde para o que as entradas sustentam, informe o intervalo de confiança e diga de onde vieram as faixas |
| Entradas tratadas como independentes que não são | As causas comuns são ignoradas, a dispersão fica estreita demais e as caudas curtas demais | Modele a causa comum, ou delimite o resultado com um estudo independente e um correlacionado |
| Ignorar as caudas | Informar só a média esconde com que frequência o requisito falha | Informe P50 e P90 ou P95, e a probabilidade de atender a cada limite |
| Faixas simétricas para grandezas assimétricas | Uma distribuição normal em torno do valor mais provável remove a cauda superior longa | Use uma forma triangular ou lognormal quando os excessos forem maiores que as sobras |
| Poucas execuções | O veredito muda quando o estudo é repetido com outra semente | Acrescente execuções até o intervalo não cruzar mais a linha de decisão |
| Um modelo diferente do projeto | Uma cópia do fluxo em planilha se afasta da sequência real, de seus caminhos paralelos e de suas decisões | Simule o fluxo mantido no modelo, para que uma mudança no projeto chegue à análise |
Exemplo prático: a passagem de imageamento do EO-1
O EO-1 é um CubeSat 6U que fotografa terras agrícolas, a missão fictícia do projeto de exemplo de MBSE. Sua especificação de requisitos do sistema contém um requisito de tempo que é verificado por análise:
6.5 Planning Cycle Time. The mission shall complete each planning cycle, from target list uplink to product delivery, within 100 minutes.
O plano de verificação do 6.5 diz: uma simulação de Monte Carlo da passagem de imageamento atende aos 100 minutos com probabilidade de pelo menos 90%. A Measure MOE-7 Planning Cycle Time especifica o requisito, com um limite de 100 minutos e um objetivo de 80 minutos.
A linha do tempo operacional é a ação OPS Run Nominal Imaging Pass. A estação de solo envia o plano de imageamento, a espaçonave o decodifica e carrega e então gira para o primeiro alvo enquanto a câmera aquece. Ela fotografa quatro alvos, cada um uma faixa que é capturada e depois codificada. Se houver um contato com o solo à vista (75% das passagens), ela transmite os dados; caso contrário, guarda os dados para a próxima passagem. Por fim, a bateria recarrega sob a luz do sol enquanto o solo recebe o downlink e processa os produtos de imagem.
| Ação | Onde no fluxo | Duração | Mais provável (min) | Média (min) |
|---|---|---|---|---|
| OPS.1 Transmit Imaging Plan | Início | Triangular, 4 a 9 minutos, pico 6 | 6 | 6.33 |
| OPS.2 Receive Imaging Plan | Depois | Fixa, 1 minuto | 1 | 1 |
| OPS.3 Load Command Schedule | Depois | Fixa, 2 minutos | 2 | 2 |
| OPS.4 Rotate to Target | Em paralelo com OPS.5 | Normal, média 3, desvio padrão 0,5 minuto | 3 | 3 |
| OPS.5 Prepare Camera | Em paralelo com OPS.4 | Fixa, 5 minutos | 5 | 5 |
| OPS.6 Capture Image Strip | Laço, 4 alvos | Normal, média 40, desvio padrão 6 segundos | 0,67 por alvo | 0,67 por alvo |
| OPS.7 Encode and Store Image | Laço, 4 alvos | Uniforme, 20 a 40 segundos | 0,50 por alvo | 0,50 por alvo |
| OPS.8 Transmit Image Data | Contato à vista (75%) | Normal, média 8, desvio padrão 1,5 minuto | 8 | 8 |
| OPS.9 Hold Data Onboard | Sem contato (25%) | Fixa, 1 minuto | 1 | 1 |
| OPS.10 Recharge Battery in Sunlight | Em paralelo com OPS.11 e OPS.12 | Fixa, 35 minutos | 35 | 35 |
| OPS.11 Receive Downlink | Depois OPS.12 | Fixa, 9 minutos | 9 | 9 |
| OPS.12 Process Image Products | Depois de OPS.11 | Normal, média 45, desvio padrão 10 minutos | 45 | 45 |
As estimativas pontuais
- Valores mais prováveis, seguindo o ramo de contato, que é o mais provável: 6 + 1 + 2 + max(3, 5) + 4 × (0,67 + 0,50) + 8 + max(35, 9 + 45) = 80,7 minutos. Contra o limite de 100 minutos, isso parece quase 20 minutos de margem.
- Valores médios, ponderando os dois ramos por sua probabilidade (0,75 × 8 + 0,25 × 1 = 6,25): 6,33 + 1 + 2 + 5 + 4,67 + 6,25 + max(35, 54) = 79,25 minutos.
Os dois números dizem que a passagem cabe com folga. Nenhum deles diz com que frequência ela não cabe, e é exatamente isso que o requisito pergunta.
O resultado de Monte Carlo
Um estudo do mesmo fluxo sorteia todas as durações e a decisão de contato em cada execução e deixa os caminhos paralelos competirem. A tabela traz uma checagem de um milhão de execuções calculada separadamente em Python e o estudo de 2.000 execuções do Holarch mostrado nas capturas de tela abaixo. Eles usam geradores de números aleatórios diferentes, então diferem pelo erro de amostragem (para 2.000 execuções, cerca de 0,25 minuto na média, 0,5 minuto no P95 e 0,35 ponto percentual em uma probabilidade).
| Saída | Python, 1.000.000 de execuções | Holarch, 2.000 execuções, semente 2026 |
|---|---|---|
| Tempo total médio | 79,35 minutos | 79,35 minutos |
| Desvio padrão | 10,35 minutos | 10,16 minutos |
| P5 / P50 / P95 | 62,4 / 79,3 / 96,6 minutos | 62,4 / 79,4 / 96,0 minutos |
| P90 | 92,8 minutos | 92,4 minutos |
| P(total ≤ 80 minutos), o objetivo da MOE-7 | 52.7% | 52.4% |
| P(total ≤ 100 minutos), requisito 6.5 | 97.6% | 97,8% (1.955 de 2.000; intervalo de 95% de 97,0% a 98,3%) |
O que os números dizem:
- O requisito é atendido. Cerca de 97,6% das passagens terminam em até 100 minutos, bem acima dos 90% exigidos, e o intervalo de 2.000 execuções fica acima de 90% com folga.
- A margem é menor do que parece. A margem na média é de cerca de 20,6 minutos, mas o valor P95 é cerca de 96,6 minutos, então com 95% de confiança restam só cerca de 3,4 minutos. Cerca de uma passagem em quarenta não atinge o limite. Em quase todas essas execuções, OPS.12 Process Image Products levou mais de uma hora (67 minutos em média, contra sua média de 45), e em 95% delas o ramo de contato acrescentou o downlink de 8 minutos.
- O objetivo é cara ou coroa. O objetivo de 80 minutos da MOE-7 fica quase exatamente na mediana: ele é atingido em só cerca de metade das passagens. A estimativa de 80,7 minutos pelos valores mais prováveis esconde isso completamente.
- O viés de junção é pequeno aqui. A média de 79,35 minutos fica só 0,1 minuto acima da estimativa por valores médios, porque a cadeia de solo (OPS.11 e OPS.12, média de 54 minutos) é mais curta que a recarga de 35 minutos em só cerca de 3% das execuções. Em um fluxo cujos caminhos paralelos têm durações mais próximas, a diferença cresce.
O estudo também aponta a alavanca. OPS.12 Process Image Products responde pela maior parte da dispersão (desvio padrão de 10 minutos, contra cerca de 3 minutos da decisão de contato e 1 minuto de todo o resto), então reduzir o tempo de processamento move a cauda; acelerar as etapas da espaçonave pouco adianta.
O mesmo exemplo com correlação
O downlink e o processamento dependem ambos de quantos dados de imagem a passagem produziu: mais dados significam uma transmissão mais longa e um processamento mais longo. Sortear OPS.8 e OPS.12 a partir de um número aleatório compartilhado por execução (8 + 1,5z e 45 + 10z minutos para o mesmo z normal padrão), de modo que um downlink longo venha com um processamento longo, mantém as duas distribuições como eram e dá:
| Saída | Independente (Python / Holarch) | OPS.8 e OPS.12 correlacionados (Python / Holarch) |
|---|---|---|
| Média | 79,35 / 79,35 minutos | 79,35 / 79,04 minutos |
| Desvio padrão | 10,35 / 10,16 minutos | 11,35 / 11,44 minutos |
| P95 | 96,6 / 96,0 minutos | 98,5 / 99,0 minutos |
| P(total ≤ 100 minutos) | 97.6% / 97.8% | 96.1% / 96.2% |
A média não muda e a dispersão cresce cerca de um décimo. O valor P95 se afasta cerca de dois minutos, o que reduz a margem com 95% de confiança de cerca de 3,4 minutos para cerca de 1,5. O requisito ainda é atendido a 90%, mas um compromisso mais rigoroso, como 100 minutos em 95% das passagens, agora ficaria no limite. Para um compromisso no P95, o caso correlacionado é o mais seguro para planejar.
Baixe o exemplo: o estudo de incerteza da passagem de imageamento do EO-1 como pasta de trabalho do Excel (entradas com suas distribuições, os resultados independentes e correlacionados com percentis e P(atender), e a tabela de número de execuções), ou os mesmos dados em CSV: entradas e distribuições da passagem de imageamento e resultados de Monte Carlo, percentis e P(atender). Use-o como modelo para relatar o seu próprio estudo.
Experimente no Holarch
No Holarch, o Monte Carlo é executado sobre o fluxo de ações do modelo: o mesmo diagrama de Action que descreve a operação é o modelo simulado. A Duração de cada Action é um número fixo ou uma distribuição com unidade, como =triang.dist(4, 9, 6) minutos (mínimo, máximo, pico), =norm.dist(40, 6) segundos ou =uniform.dist(20, 40) segundos. Há dez distribuições disponíveis, entre elas beta, lognormal, exponencial e Weibull. Veja Simulação para os detalhes.
- Crie o projeto do CubeSat com Gerenciar projetos → Arquivos de projeto ▾ → Novo projeto de demonstração → CubeSat (engenharia de sistemas guiada). Ele já contém OPS Run Nominal Imaging Pass com as durações da tabela, o requisito 6.5 e a Measure MOE-7.
- Abra o diagrama de Action da ação e escolha ▶ Simular ▾ → Monte Carlo. Defina Execuções como 2000, Semente aleatória como 2026 e Variar durações fixas como Nenhum (a demonstração acrescenta ±10% às durações fixas por padrão; o estudo aqui as mantém fixas) e clique em ▶ Executar Monte Carlo.
- Leia Estatísticas, Distribuição de duração e Probabilidade acumulada (curva S) na aba Distribuição. Digite 100 no campo x da curva S para ler P(X ≤ 100 min).
- Abra a aba Fatores para ver quais ações consomem o tempo em todas as execuções e quais combinações de ramos ocorreram.
- Clique em Verificar em relação ao requisito… e escolha a Measure MOE-7 Planning Cycle Time. Ela preenche o critério (≤ 100 minutos, a partir de seu limite e do sentido de melhoria) e o requisito 6.5; mantenha a probabilidade exigida de 90%. A tabela dá P(atender) com seu intervalo de confiança, a margem e o veredito. Mude Usar para Objetivo para checar o objetivo de 80 minutos, que é reprovado com cerca de 52%.
- Registrar resultado… mostra uma prévia das mudanças: o Projected Value da MOE-7 passa a ser a média, e um Test Case que verifica o 6.5 recebe o status Passed e o texto do resultado. Aplique-as como uma única etapa de desfazer.
O editor de Duration do Holarch sorteia cada distribuição de forma independente. A comparação correlacionada acima usou Durations controladas por ganchos de script que leem um valor compartilhado por execução, o que o editor de Duration ainda não oferece. Para delimitar a correlação no seu próprio modelo, compare o estudo independente com um cálculo totalmente correlacionado feito fora da ferramenta. A energia da bateria ao longo da passagem também é simulada: a quantidade mínima e a final do recurso Battery Charge são saídas de Monte Carlo que a checagem de requisito aceita. Orçamentos de massa e de energia com contingência e margens ficam em Orçamentos e TPMs, e o mesmo raciocínio se aplica a valores incertos em um estudo de trade-off: uma classificação que se inverte dentro das faixas de entrada ainda não é uma decisão.
Para onde ir a seguir
- Simulação: execuções de eventos discretos e de Monte Carlo, os painéis e a checagem de requisito.
- Orçamentos e TPMs: totalizações com contingência, alocações, margens e medidas de desempenho.
- Diagramas de Action: o fluxo, as construções, os recursos e os scripts que uma simulação lê.