Revisado por Josi Bertuzzi, CEO da BGP
Simulação de Monte Carlo: o que é, como funciona e como fazer no Excel
Simulação de Monte Carlo é uma técnica que testa um modelo financeiro milhares de vezes, sorteando valores aleatórios para as variáveis incertas (vendas, custos, taxa de juros) dentro de faixas definidas. Em vez de um único resultado, ela entrega uma distribuição de resultados e a probabilidade de cada um acontecer.
Como o método funciona e como fazer a simulação de Monte Carlo no Excel, com uma noção de como é em Python, estão no centro da página. Um exemplo numérico com uma PME fictícia, as aplicações em finanças e em projetos e os erros a evitar completam o texto.
O que é a simulação de Monte Carlo?
A simulação de Monte Carlo (também chamada de método de Monte Carlo ou análise de Monte Carlo) é um método de cálculo que usa números aleatórios para medir o efeito da incerteza sobre um resultado. Você monta um modelo, diz quais entradas são incertas e em que faixa elas variam, e o computador recalcula o modelo muitas vezes, a cada vez com um sorteio diferente.
O nome vem do cassino de Monte Carlo, em Mônaco, porque o método depende do acaso. Ele foi desenvolvido nos anos 1940, em Los Alamos, nos Estados Unidos, por pesquisadores como Stanislaw Ulam e John von Neumann, para problemas de física que não tinham solução exata. Hoje é usado em engenharia, seguros, mercado financeiro e gestão de projetos.
Na prática de uma empresa, a ideia é simples. O orçamento tradicional diz: "vamos faturar R$ 1,2 milhão e ter R$ 54 mil de resultado". A simulação responde outra pergunta: "considerando que o faturamento e a margem podem variar, qual a chance de o mês fechar no negativo?". A primeira resposta é uma aposta. A segunda é uma medida de risco.
A base de cálculo desse tipo de modelo é a matemática financeira: a simulação só repete, milhares de vezes, as contas que você já faria uma vez.
Para que serve a simulação de Monte Carlo em finanças?
Ela serve para decidir sob incerteza. Sempre que um resultado depende de várias variáveis que você não controla, o método mostra a faixa provável de resultados, e não apenas o valor central. As aplicações mais comuns em finanças são:
- Análise de investimentos: sortear fluxos de caixa e taxa de desconto para obter a distribuição do VPL (valor presente líquido) e a chance de ele ser negativo.
- Orçamento e previsão: estimar o intervalo provável de resultado do ano, em vez de um número único (veja budget e forecast).
- Caixa: medir a probabilidade de o saldo ficar abaixo de um mínimo seguro nos próximos meses.
- Valuation: trocar o valor único da empresa por uma faixa de valores, a partir das premissas de crescimento, margem e custo de capital.
- Risco de mercado: calcular o VaR (valor em risco) de uma carteira por simulação, técnica comum em bancos e gestoras.
- Gestão de projetos: estimar a chance de entregar a obra ou o projeto no prazo e dentro do custo.
Para uma PME, as três primeiras costumam ser as mais úteis. A simulação de Monte Carlo em finanças corporativas é quase sempre uma extensão de um modelo que já existe, construído na modelagem financeira da empresa.
Como funciona a simulação de Monte Carlo?
O funcionamento tem quatro peças: um modelo, as variáveis incertas, as distribuições de probabilidade e as iterações. Em cada iteração, o computador sorteia um valor para cada variável incerta, recalcula o modelo e guarda o resultado. Depois de milhares de rodadas, os resultados guardados formam um histograma que mostra o que é provável e o que é raro.
Passo a passo para calcular o Monte Carlo
- Monte o modelo determinístico. Escreva a conta que leva das entradas ao resultado, por exemplo: resultado = receita × margem de contribuição − custos fixos.
- Escolha as variáveis incertas. Priorize as que mais mexem no resultado. Nem tudo precisa ser sorteado: custo de aluguel contratado, por exemplo, pode ficar fixo.
- Defina a faixa e a forma de cada variável. Use histórico, contrato e a opinião de quem opera. É o passo mais importante, porque a simulação só é tão boa quanto essas premissas.
- Rode as iterações. Em geral, de 1.000 a 10.000 ou mais. A cada rodada, sorteie as variáveis e recalcule.
- Leia a distribuição. Observe a média, a faixa entre pessimista e otimista (por exemplo, o percentil 10 e o percentil 90) e a probabilidade de o resultado ficar abaixo do mínimo aceitável.
- Decida e revise. Compare o risco com o que a empresa aguenta e refaça a simulação quando as premissas mudarem.
Fórmula: probabilidade de prejuízo = número de iterações com resultado abaixo de zero ÷ número total de iterações.
Quais distribuições de probabilidade usar?
A distribuição diz como os sorteios se espalham dentro da faixa. Escolher bem evita resultados absurdos.
| Distribuição | Quando usar | Exemplo em uma PME |
|---|---|---|
| Uniforme | Você só conhece o mínimo e o máximo e todos os valores são igualmente prováveis | Prazo de recebimento de um cliente novo, entre 20 e 45 dias |
| Triangular | Você conhece o mínimo, o máximo e o valor mais provável | Faturamento do mês, entre R$ 900 mil e R$ 1,5 milhão, com R$ 1,2 milhão como mais provável |
| Normal | O valor oscila em torno de uma média, com desvio padrão conhecido pelo histórico | Margem de contribuição que historicamente gira em torno de 32% |
| Lognormal | O valor não pode ser negativo e tem cauda longa para cima | Preço de uma commodity usada como insumo |
Na dúvida, a triangular é a melhor porta de entrada: ela exige só três números e é fácil de explicar para a diretoria.
Exemplo prático de simulação de Monte Carlo
Imagine uma distribuidora de autopeças fictícia que fatura em média R$ 1,2 milhão por mês. A margem de contribuição costuma ficar perto de 32% e os custos fixos são de R$ 330.000 por mês. O dono quer saber qual a chance de um mês fechar no prejuízo.
1. O cenário único (determinístico)
Fórmula: resultado = receita × margem de contribuição − custos fixos.
Com os valores médios: R$ 1.200.000 × 32% = R$ 384.000 de margem de contribuição; menos R$ 330.000 de custos fixos, o resultado é de R$ 54.000. Parece confortável.
2. As variáveis incertas
O dono e o financeiro definem duas incertezas e mantêm os custos fixos em R$ 330.000, porque estão em contrato:
- receita mensal: entre R$ 900.000 e R$ 1.500.000, com R$ 1.200.000 como valor mais provável (distribuição triangular);
- margem de contribuição: entre 28% e 36%, com 32% como valor mais provável.
3. Dez sorteios, só para enxergar o mecanismo
A tabela mostra 10 iterações, escolhidas para ilustrar a mecânica. Uma simulação de verdade usa milhares.
| Iteração | Receita sorteada (R$) | Margem sorteada | Margem de contribuição (R$) | Resultado após custos fixos (R$) |
|---|---|---|---|---|
| 1 | 1.050.000 | 30% | 315.000 | -15.000 |
| 2 | 1.320.000 | 34% | 448.800 | 118.800 |
| 3 | 1.180.000 | 31% | 365.800 | 35.800 |
| 4 | 940.000 | 29% | 272.600 | -57.400 |
| 5 | 1.450.000 | 35% | 507.500 | 177.500 |
| 6 | 1.210.000 | 33% | 399.300 | 69.300 |
| 7 | 1.100.000 | 28% | 308.000 | -22.000 |
| 8 | 1.260.000 | 32% | 403.200 | 73.200 |
| 9 | 1.380.000 | 36% | 496.800 | 166.800 |
| 10 | 1.020.000 | 32% | 326.400 | -3.600 |
4. Lendo o resultado
A soma dos dez resultados é R$ 543.400, o que dá uma média de R$ 54.340, praticamente igual ao cenário único de R$ 54.000. Até aqui, a simulação confirma o orçamento. A diferença aparece na dispersão: das 10 iterações, 4 fecharam no negativo (as de número 1, 4, 7 e 10). Nesta amostra didática, a probabilidade de prejuízo seria de 4 ÷ 10 = 40%, e o pior mês chegou a -R$ 57.400.
Com 10 iterações, esse percentual não é confiável. Numa rodada de 10.000, ele se estabiliza e passa a ser a estimativa do risco. O ponto do exemplo é outro: o número médio de R$ 54.000 escondia que, em uma parte relevante dos meses, o resultado fica abaixo de zero. Com essa informação, o dono pode agir antes: negociar custos fixos, ajustar preços ou montar uma reserva de caixa proporcional ao risco.
Como fazer simulação de Monte Carlo no Excel?
O Excel faz a simulação sem nenhum complemento. A ideia é colocar o modelo em uma linha, sortear as variáveis com fórmulas aleatórias e repetir a linha milhares de vezes.
- Escreva o modelo em uma linha. Colunas: receita sorteada, margem sorteada, margem de contribuição e resultado.
- Sorteie as variáveis. Para uma distribuição uniforme entre um mínimo e um máximo, use mínimo + ALEATÓRIO() × (máximo − mínimo). Para uma normal, use a função NORM.INV (em português, INV.NORM.N) com ALEATÓRIO() como probabilidade, a média e o desvio padrão. Para a triangular, é preciso aplicar a fórmula inversa da distribuição, que cabe em uma célula com SE e RAIZ (veja abaixo).
- Copie a linha para baixo. Arraste até ter 1.000 ou 5.000 linhas. Cada linha é uma iteração.
- Resuma os resultados. Use MÉDIA para o valor esperado, PERCENTIL para a faixa (por exemplo, 10% e 90%) e CONT.SE sobre o resultado menor que zero, dividido pelo total de linhas, para a probabilidade de prejuízo.
- Monte o histograma. O gráfico de histograma do Excel mostra a forma da distribuição de resultados.
Fórmula: triangular no Excel =SE(U<(c-a)/(b-a);a+RAIZ(U*(b-a)*(c-a));b-RAIZ((1-U)*(b-a)*(b-c))), em que U é um ALEATÓRIO() guardado em outra célula da mesma linha, a é o mínimo, c o valor mais provável e b o máximo. No exemplo da receita, a = 900.000, c = 1.200.000 e b = 1.500.000.
Como a função ALEATÓRIO() recalcula a cada alteração na planilha (ou ao pressionar F9), os números mudam a cada rodada. Isso é esperado: o que precisa ficar estável é a média e a probabilidade, quando o número de iterações é grande. Se quiser fixar uma rodada para apresentar, copie e cole como valores.
Há ainda a Tabela de Dados (em Teste de Hipóteses), que repete o cálculo de uma célula várias vezes e é um atalho comum para rodar a simulação sem copiar linhas. Existem também complementos pagos e gratuitos para Excel que sorteiam e resumem tudo automaticamente. Antes de baixar um, confira a origem e teste com um caso que você saiba resolver à mão.
E em Python?
Quando o modelo cresce, o Python é mais confortável. Com a biblioteca numpy, o gerador de números aleatórios (numpy.random.default_rng) já traz as distribuições triangular, normal e lognormal. O roteiro é o mesmo: sortear as entradas como vetores de 10.000 posições, calcular o resultado com a mesma fórmula do modelo e resumir com média, percentis e a proporção de resultados negativos. O ganho está na velocidade, na repetibilidade e na facilidade de conectar a simulação a uma base de dados.
Qual a diferença entre simulação de Monte Carlo, análise de cenários e análise de sensibilidade?
As três respondem a "e se?", em níveis de sofisticação diferentes. A análise de cenários e de sensibilidade é o ponto de partida natural e, para muitas PMEs, já resolve. A simulação entra quando há várias incertezas ao mesmo tempo.
| Técnica | O que faz | O que entrega | Limite |
|---|---|---|---|
| Análise de sensibilidade | Muda uma variável por vez e observa o efeito | Quais variáveis mais pesam no resultado | Ignora que as variáveis mudam juntas |
| Análise de cenários | Combina variáveis em poucos cenários (pessimista, base, otimista) | Três ou quatro resultados possíveis | Não diz qual a probabilidade de cada cenário |
| Simulação de Monte Carlo | Sorteia todas as variáveis juntas, milhares de vezes | Distribuição completa e probabilidade de cada faixa | Exige premissas de faixa bem definidas |
Uma boa sequência de trabalho é usar a sensibilidade para descobrir as duas ou três variáveis que realmente importam e só então simular essas variáveis. Isso evita um modelo gigante, difícil de explicar e de manter.
Como usar a simulação de Monte Carlo em projetos e investimentos?
Em um estudo de projeto, o modelo costuma terminar em um indicador de retorno. A simulação sorteia as entradas (volume de vendas, preço, custo, investimento inicial e taxa de desconto) e calcula o indicador a cada rodada. O resultado é um conjunto de valores, e não um número único.
- Com o VPL, você enxerga a probabilidade de o projeto destruir valor (VPL abaixo de zero) e a faixa entre o pior e o melhor caso.
- Com a TIR, você mede a chance de ela ficar abaixo da taxa mínima de atratividade da empresa.
- Com o payback, você descobre em quantos meses o investimento volta no cenário típico e no pior caso razoável.
Para o fluxo que alimenta esses indicadores, veja o fluxo de caixa descontado e o fluxo de caixa livre. O WACC (custo de capital) costuma ser uma das variáveis sorteadas, porque a taxa de desconto também é incerta.
Em um estudo de viabilidade econômica, a simulação é o complemento que transforma "o projeto dá retorno de X" em "o projeto dá retorno de X, com Y% de chance de ficar abaixo do mínimo". Em gerenciamento de projetos (obras, TI, lançamentos), a mesma lógica vale para prazo e custo: sorteia-se a duração de cada etapa e obtém-se a probabilidade de terminar até uma data. Quando a decisão é grande e pontual, esse tipo de análise costuma entrar como projeto de FP&A sob demanda.
Como a simulação de Monte Carlo funciona na rotina de uma PME
Na rotina, o método só funciona se estiver ligado ao fechamento mensal e ao orçamento. Uma simulação feita uma vez e esquecida em uma pasta vira enfeite. O caminho prático é este:
- Parta de um modelo que já bate com a realidade. Se a DRE gerencial e o fluxo de caixa projetado e realizado não fecham com o banco e com o ERP, a simulação vai multiplicar um erro.
- Use o histórico para calibrar as faixas. Olhe 12 a 24 meses de faturamento, margem de contribuição e inadimplência. O mínimo, o máximo e o mais provável saem dali, e não do otimismo da reunião.
- Separe o que é fixo do que é variável. A distinção entre custo fixo e variável define o que precisa ser sorteado e o que é contrato.
- Rode a simulação antes das decisões grandes. Contratar equipe, abrir filial, comprar estoque grande ou assumir dívida são os momentos em que ela compensa o trabalho.
- Apresente o resultado na reunião de resultado. Mostre a média, a faixa do percentil 10 ao 90 e a probabilidade de ficar abaixo do mínimo, em um gráfico simples dentro do pacote de relatórios gerenciais.
- Atualize a cada fechamento. Quando o realizado sai da faixa prevista, as premissas precisam ser revistas.
Erros comuns na simulação de Monte Carlo
- Premissas inventadas. Faixas sem base no histórico geram um resultado com aparência técnica e nenhuma utilidade. Lixo entra, lixo sai.
- Sortear variáveis que andam juntas como se fossem independentes. Preço e volume costumam se mexer em sentidos opostos, e o custo de insumos pode subir junto com o dólar. Sem essa correlação, o risco real é subestimado ou superestimado.
- Poucas iterações. Com dezenas de sorteios, o resultado oscila a cada rodada. A precisão melhora com a raiz quadrada do número de iterações: para reduzir o erro à metade, é preciso rodar cerca de quatro vezes mais.
- Olhar só a média. A média costuma ficar perto do cenário único, como no exemplo. O valor da simulação está na dispersão e na cauda de pior caso.
- Tratar a probabilidade como promessa. Dizer que há 15% de chance de prejuízo não quer dizer que o prejuízo acontece em 15% dos meses reais. É uma estimativa condicionada às premissas.
- Modelo complexo demais. Se ninguém na empresa consegue explicar o modelo, ninguém vai confiar nele para decidir.
Como ler o resultado para decidir
Compare a probabilidade de resultado ruim com o que a empresa suporta. Se a chance de o caixa ficar abaixo do mínimo seguro é alta, as respostas típicas são: reduzir o custo fixo, renegociar prazos, preparar uma linha de crédito antes de precisar, rever o preço ou adiar o investimento. Os riscos que a simulação revelar também alimentam a gestão de riscos financeiros e, quando o assunto é câmbio ou juros, a discussão sobre hedge.
Quais as vantagens e limitações do método de Monte Carlo?
As vantagens são claras: mostra o risco em vez de escondê-lo, lida com várias incertezas ao mesmo tempo, funciona com qualquer modelo que você consiga calcular e facilita a conversa com sócios, bancos e investidores, porque trabalha com probabilidades e não com opiniões.
As limitações são igualmente importantes. O resultado depende totalmente das premissas e do modelo. Eventos raros e extremos, como uma crise inédita, não aparecem se não estiverem nas faixas definidas. E o método dá uma falsa sensação de precisão quando as entradas são frágeis. Por isso, ele complementa o julgamento do gestor, e não o substitui.
Onde a simulação de Monte Carlo entra no trabalho da BGP
A simulação é uma ferramenta de análise, e a base dela é um financeiro organizado. Na Controladoria da BGP, o time fecha o ciclo mensal, projeta o caixa e monta o orçamento com o GO BI, e é esse histórico confiável que permite calibrar faixas de variação com segurança. Nos projetos pontuais do On Demand, como FP&A, planejamento estratégico e valuation, as premissas são testadas em cenários e em análise de sensibilidade antes de uma decisão. Em cada caso, a técnica é escolhida conforme o tamanho da decisão, e não por ser sofisticada.
Perguntas frequentes sobre simulação de Monte Carlo
Como calcular o Monte Carlo?
Monte o modelo (por exemplo, resultado = receita × margem − custos fixos), defina a faixa de cada variável incerta, sorteie valores para todas elas, calcule o resultado e repita milhares de vezes. Depois, resuma com média, percentis e a proporção de resultados abaixo do mínimo aceitável.
Como simular Monte Carlo no Excel?
Escreva o modelo em uma linha, sorteie as variáveis com ALEATÓRIO() (ou NORM.INV para a distribuição normal), copie a linha para baixo até ter milhares de iterações e resuma com MÉDIA, PERCENTIL e CONT.SE. A Tabela de Dados, em Teste de Hipóteses, é um atalho para repetir o cálculo.
O que é a avaliação de Monte Carlo?
É o uso da simulação para avaliar um projeto, investimento ou empresa considerando a incerteza. Em vez de um valor único, a avaliação produz uma faixa de resultados, com a probabilidade de cada um. É muito usada com o VPL, a TIR e o valuation por fluxo de caixa descontado.
Como posso simular Monte Carlo em Python?
Use a biblioteca numpy: gere vetores de números aleatórios para cada variável com o gerador numpy.random.default_rng, calcule o resultado com a fórmula do modelo e resuma com média, percentis e a proporção de resultados negativos. Com 10.000 iterações, o cálculo roda em segundos.
Quantas iterações são necessárias em uma simulação de Monte Carlo?
Para a maioria das análises de uma PME, de 5.000 a 10.000 iterações bastam. O teste prático é rodar duas vezes: se a média e a probabilidade mudarem pouco entre as rodadas, o número é suficiente. A precisão cresce com a raiz quadrada das iterações.
Qual a diferença entre Monte Carlo e análise de cenários?
A análise de cenários compara poucas combinações definidas à mão (pessimista, base e otimista), sem probabilidades. A simulação de Monte Carlo sorteia milhares de combinações e informa a chance de cada faixa de resultado acontecer, o que a torna mais completa para decisões de risco.
A PME precisa de simulação de Monte Carlo?
Nem sempre. Para decisões pequenas, a análise de cenários basta. A simulação compensa em decisões grandes e incertas, como investimento relevante, expansão, captação de dívida ou venda da empresa, desde que existam dados históricos organizados para definir as faixas.
