26 de outubro de 2026
Gestão Preditiva de Custos em Projetos utilizando Simulação de Monte Carlo
Alexandre Lovato Maidana; Adriano Machado
DOI: 10.22167/2675-6528-202600490
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A imprecisão nas estimativas de custos e esforços em projetos de engenharia compromete a previsibilidade financeira e a confiança das partes interessadas. Este estudo analisou os desvios entre horas planejadas e realizadas em projetos multidisciplinares de uma empresa de engenharia, buscando identificar padrões associados aos escopos disciplinares e ao porte dos projetos, e propor uma abordagem quantitativa para aprimorar as estimativas de custos. Adotou-se uma metodologia quantitativa e aplicada, baseada em um estudo de caso com análise documental de 224 projetos finalizados, totalizando 504 execuções de escopos disciplinares. O consumo de horas, definido como a razão entre horas realizadas e previstas, foi estatisticamente analisado e serviu de base para a modelagem probabilística via Simulação de Monte Carlo, com 1.000 iterações. Os resultados indicaram que os desvios não ocorreram de forma aleatória, apresentando comportamentos sistemáticos. Disciplinas como Automação evidenciaram uma tendência consistente de subestimação das horas planejadas (média próxima a 1,40), enquanto escopos de maior porte exibiram maior variabilidade e incerteza. A simulação gerou cenários probabilísticos, com valores de 213 horas (P50), 588 horas (P80) e 910 horas (P90), e fatores de correção para ajuste orçamentário conforme níveis de risco. Concluiu-se que a integração de dados históricos com a Simulação de Monte Carlo substitui abordagens determinísticas por uma perspectiva orientada a risco, contribuindo para estimativas mais robustas e melhor tomada de decisão na gestão de custos de projetos.
Palavras-chave: Análise estatística; Consumo de horas; Estimativa de custos; Risco; Simulação de Monte Carlo.
1. Introdução
O Gerenciamento de Custos do Projeto constitui uma área de conhecimento fundamental para o sucesso de empreendimentos, abrangendo os processos necessários para assegurar que o projeto seja concluído dentro do orçamento aprovado (PMI, 2017). A exatidão das estimativas de custos e esforços representa um dos pilares da boa gestão de projetos, impactando diretamente a viabilidade financeira e o alinhamento estratégico das iniciativas. No cenário competitivo atual, a capacidade de prever e controlar os gastos de projetos com precisão é crucial para a sustentabilidade organizacional e a confiança das partes interessadas.
Apesar de sua importância crítica, tanto a literatura acadêmica quanto a prática organizacional frequentemente evidenciam um desafio recorrente: os desvios significativos entre os custos planejados e os gastos reais. Essas discrepâncias podem levar a estouros orçamentários, comprometendo severamente a rentabilidade dos projetos e minando a confiança das partes interessadas (VARGAS, 2010). Tais desvios não são meras ocorrências aleatórias; muitas vezes, resultam de problemas sistêmicos no processo de estimativa.
Tradicionalmente, as estimativas de custos são elaboradas por meio de técnicas como estimativas análogas, paramétricas ou do tipo “bottom-up”. Embora amplamente aceitas e difundidas, essas abordagens tendem a tratar variáveis incertas como valores determinísticos (PMI, 2017). Essa perspectiva determinística frequentemente falha em capturar adequadamente as incertezas e os riscos inerentes às atividades do projeto. Consequentemente, observa-se um padrão de erros sistemáticos de planejamento, em especial a subestimação do esforço necessário em determinados escopos técnicos, o que gera um viés excessivamente otimista nos orçamentos. A fragilidade nas estimativas iniciais exige uma abordagem mais abrangente para a avaliação de riscos.
Para superar essas limitações, a Simulação de Monte Carlo surge como uma técnica robusta para a análise de incertezas em sistemas complexos. Esse método baseia-se na geração de múltiplos cenários a partir de distribuições probabilísticas associadas às variáveis de interesse (HILLIER; LIEBERMAN, 2013). No contexto do gerenciamento de projetos, a Simulação de Monte Carlo permite substituir estimativas determinísticas por modelos probabilísticos, incorporando a variabilidade observada no desempenho histórico das atividades. Essa transição de uma estimativa de ponto único para um espectro de resultados possíveis oferece uma visão mais realista dos potenciais custos e durações do projeto.
A aplicação da Simulação de Monte Carlo em projetos possibilita uma avaliação abrangente do comportamento de custos e prazos sob diferentes cenários. Ela facilita a estimativa da probabilidade de ocorrência de desvios e fornece intervalos de confiança para as estimativas (VARGAS, 2010). Essa capacidade é particularmente relevante em ambientes com elevado grau de incerteza, onde pequenas variações nas premissas podem gerar impactos significativos nos resultados do projeto. Ao modelar explicitamente o risco e a variabilidade, a Simulação de Monte Carlo oferece um avanço substancial em relação às técnicas tradicionais de estimativa. Ela integra dados históricos com distribuições probabilísticas, contribuindo para o desenvolvimento de estimativas mais robustas que refletem melhor o comportamento real dos projetos e apoiam a tomada de decisão baseada em risco.
Um problema central que motivou este estudo é a ausência de mecanismos sistemáticos nas organizações para ajustar as estimativas de custos e horas com base no desempenho histórico dos projetos. A repetição de padrões de subestimação, especialmente no planejamento e execução, não ocorre de forma aleatória; ao invés disso, está relacionada às características específicas dos escopos e à complexidade dos projetos. Embora a gestão de projetos seja frequentemente orientada por dados, é necessário um método sistemático para mitigar esses riscos. A identificação de padrões históricos recorrentes é fundamental para aprimorar os processos de estimativa e fornecer subsídios para uma gestão preditiva.
O refinamento contínuo dos processos de controle de custos, que envolve o monitoramento do desempenho, a comparação entre valores planejados e realizados, a identificação de desvios e a implementação de ações corretivas (PMI, 2017), ressalta a necessidade de ferramentas de estimativa mais confiáveis. A análise de padrões históricos e dados quantitativos contribui significativamente para a redução da incerteza inerente e para o aumento da confiabilidade das previsões. Assim, este estudo justifica-se pela necessidade de superar as limitações dos métodos de estimativa determinísticos e de fornecer aos gestores de projetos um instrumento mais robusto para a tomada de decisões, especialmente nas fases iniciais de planejamento, onde os níveis de incerteza são mais elevados. Esta pesquisa tem como objetivo analisar os desvios entre horas planejadas e horas realizadas em projetos multidisciplinares, a partir de dados históricos organizacionais, buscando identificar padrões associados aos escopos disciplinares e ao porte dos projetos, e propor uma abordagem quantitativa para o aprimoramento das estimativas de custos.
2. Material e Métodos
A pesquisa foi delineada com abordagem quantitativa e aplicada, fundamentada na análise de dados numéricos para identificar padrões de desempenho e variabilidade no consumo de horas em projetos (MARCONI; LAKATOS, 2003; GIL, 2008). O delineamento adotado foi o estudo de caso, permitindo a investigação aprofundada do fenômeno em seu contexto organizacional específico (YIN, 2015).
A coleta de dados ocorreu por pesquisa documental, utilizando registros históricos extraídos do sistema interno de controle de projetos de uma empresa de engenharia, com sigilo das informações corporativas assegurado. A unidade de análise central foi o escopo disciplinar, permitindo granularidade na avaliação dos desvios de horas. O método de pesquisa foi estruturado em três etapas: revisão bibliográfica, coleta e tratamento dos dados históricos, e análise estatística descritiva.
A revisão bibliográfica fundamentou conceitualmente o estudo, abordando métodos de estimativa de custos, análise de risco e a aplicação da Simulação de Monte Carlo em projetos (GIL, 2008), consultando bases de informação científica com foco em planejamento, controle de projetos e simulação.
Na etapa de coleta e tratamento, uma base documental interna com 742 projetos multidisciplinares foi acessada. Selecionaram-se apenas os projetos finalizados para comparação completa entre planejamento e execução. Registros classificados como subtotais e a disciplina “Geral” foram excluídos. Observações com horas previstas iguais ou superiores a cem horas foram consideradas, para reduzir distorções de escopos de esforço reduzido.
Após esses critérios, a base de dados analisada foi composta por 224 projetos finalizados, totalizando 504 execuções de escopos disciplinares. Múltiplos escopos disciplinares de um mesmo projeto foram tratados como observações independentes. A variável central foi o consumo de horas, definido como a razão entre horas realizadas e horas previstas para cada escopo disciplinar.
Realizou-se análise estatística descritiva do consumo de horas por escopo disciplinar, calculando medidas de tendência central e dispersão. Os escopos foram segmentados por faixas de porte, utilizando o volume de horas previstas como proxy de complexidade, para avaliar a influência do porte nos desvios. Para estabilidade das estimativas, consideraram-se combinações escopo-porte com um mínimo de cinco observações (N ≥ 5).
Para aumentar a robustez estatística, identificaram-se e trataram-se valores discrepantes (outliers) na variável consumo de horas, empregando o método do intervalo interquartil (IQR). Calcularam-se os quartis (Q1, Q2 e Q3) da distribuição, e o IQR foi determinado como a diferença entre Q3 e Q1. Os limites inferior (Q1 – 1,5 × IQR) e superior (Q3 + 1,5 × IQR) foram estabelecidos para identificação de outliers.
Vinte e sete registros foram identificados como discrepantes em um universo de 504 observações. Embora mantidos na base original para rastreabilidade, esses outliers foram desconsiderados no cálculo das medidas estatísticas de entrada da simulação, como média e desvio padrão, para evitar distorções nos resultados probabilísticos.
A etapa prescritiva consistiu na aplicação da Simulação de Monte Carlo para modelar o risco associado às estimativas de consumo de horas em projetos futuros. Utilizaram-se como parâmetros de entrada os valores médios e desvios padrão do consumo de horas, calculados a partir da base histórica tratada e segmentados por disciplina e faixa de porte (VARGAS, 2010).
A simulação foi implementada em ambiente Microsoft Excel, utilizando bases de dados estruturadas. A modelagem considerou a geração de variáveis aleatórias para seleção da disciplina e da faixa de porte, com base em suas distribuições de frequência, e a geração de horas previstas aleatórias dentro dos intervalos definidos para cada faixa de porte.
O consumo de horas foi simulado por meio da geração de valores aleatórios a partir de uma distribuição normal, parametrizada pela média e desvio padrão específicos de cada combinação disciplina-porte (DE SOUZA RUBATINO et al., 2018). Para evitar valores não realistas, aplicou-se um truncamento na variável consumo de horas, limitando os valores simulados a um intervalo entre 0,4 e 2,0, definidos com base na análise empírica dos dados históricos.
Foram realizadas 1.000 iterações independentes, cada uma representando um cenário possível de execução de escopos. Esse procedimento permitiu a geração de uma distribuição empírica das horas realizadas simuladas (DA PAIXÃO et al., 2021). A distribuição das horas realizadas simuladas foi analisada por meio de estatísticas descritivas e percentis.
3. Resultados e Discussão
A análise dos desvios entre horas planejadas e realizadas em projetos multidisciplinares revelou padrões sistemáticos que transcendem a aleatoriedade, oferecendo uma base empírica para o aprimoramento das estimativas de custos. O estudo focou no consumo de horas, definido como a razão entre horas realizadas e horas previstas, um indicador crucial para avaliar o desempenho das estimativas. Valores médios superiores à unidade sinalizam subestimação do esforço planejado, enquanto valores próximos à unidade indicam maior aderência entre o planejamento e a execução. Essa abordagem permitiu identificar as áreas onde as estimativas tradicionais se mostram mais frágeis, conforme a literatura que aponta a recorrência de desvios significativos em projetos (VARGAS, 2010).
Para garantir a robustez estatística das análises, foram consideradas apenas observações com horas previstas iguais ou superiores a 100 horas. Esse critério visou mitigar distorções causadas por escopos de baixo esforço, que frequentemente apresentam razões de consumo menos representativas do comportamento típico dos dados. A base de dados final, composta por 224 projetos e 504 execuções de escopos disciplinares, foi cuidadosamente tratada, incluindo a identificação de 27 outliers pelo método do intervalo interquartil, que, embora mantidos para rastreabilidade, foram excluídos dos parâmetros da simulação para evitar vieses nos resultados probabilísticos.
Análise dos Desvios por Escopo Disciplinar
A investigação do consumo de horas por escopo disciplinar demonstrou variações significativas no desempenho das estimativas. Observou-se que disciplinas como Automação, Elétrica e Processo apresentaram valores médios de consumo consistentemente superiores à unidade. A disciplina de Automação, em particular, destacou-se com um consumo médio aproximado de 1,40, indicando uma tendência acentuada e recorrente de subestimação das horas planejadas para esses escopos. Esse achado sugere que os processos de estimativa para Automação podem ser excessivamente otimistas ou não capturam adequadamente a complexidade inerente a essas atividades.
As disciplinas de Elétrica e Tubulação também exibiram médias de consumo acima da unidade, embora com menor magnitude do que Automação, o que ainda aponta para uma subestimação, mas em um grau menos pronunciado. Em contraste, escopos como Arquitetura e Mecânica apresentaram valores médios de consumo próximos ou ligeiramente inferiores à unidade. Esse comportamento indica uma maior precisão e aderência entre as horas planejadas e as realizadas nessas disciplinas, sugerindo que seus processos de estimativa são mais eficazes ou que a natureza de suas atividades é intrinsecamente mais previsível.
Além das médias de consumo, a análise da dispersão dos dados, refletida pelos desvios padrão, revelou níveis variados de incerteza entre as disciplinas. Escopos com maior dispersão indicam uma maior variabilidade no consumo de horas, o que se traduz em maior incerteza associada às estimativas. Esse resultado está em consonância com a literatura de gerenciamento de projetos, que reconhece a variabilidade como um fator crítico na análise de risco e na precisão das estimativas (PMI, 2017). A presença de desvios sistemáticos e variabilidade significativa reforça a limitação das abordagens determinísticas e a necessidade de incorporar explicitamente a incerteza no processo de estimativa.
Análise dos Desvios por Faixa de Porte do Escopo
A segmentação dos escopos disciplinares por faixa de porte, utilizando o volume de horas previstas como uma proxy para a complexidade do projeto, revelou que o comportamento do consumo de horas não varia apenas entre disciplinas, mas também em função da dimensão do escopo. A literatura já aponta que a variabilidade e a incerteza nos custos e esforços tendem a aumentar com a complexidade dos projetos, especialmente naqueles de maior porte, devido ao maior número de interfaces, dependências técnicas e incertezas operacionais (PMI, 2017; VARGAS, 2010).
Os resultados obtidos confirmaram essa tendência, evidenciando que escopos classificados em faixas de maior porte geralmente apresentaram valores médios de consumo superiores à unidade, indicando maior subestimação. Adicionalmente, esses escopos de maior porte exibiram níveis de dispersão mais elevados, refletidos por desvios padrão superiores. Esse comportamento sugere que, à medida que a complexidade e o volume de horas de um escopo aumentam, a incerteza nas estimativas também se eleva, tornando-as mais suscetíveis a desvios significativos.
Em contrapartida, escopos de menor porte, em diversos casos, apresentaram médias de consumo mais próximas da unidade e menor dispersão. Essa maior previsibilidade relativa em escopos menores pode ser atribuída à sua menor complexidade e ao menor número de variáveis envolvidas, o que facilita uma estimativa mais precisa. Contudo, a análise também revelou que esse padrão não é homogêneo em todas as disciplinas; algumas mostraram um aumento consistente do consumo médio com o crescimento do porte, enquanto outras exibiram comportamentos mais estáveis ou tendências distintas entre as faixas de porte.
Essa constatação reforça a importância de considerar simultaneamente o tipo de escopo disciplinar e o seu porte ao avaliar o desempenho das estimativas de horas. A variabilidade do desempenho, que aumenta com a complexidade dos escopos, sublinha a inadequação de abordagens de estimativa baseadas em valores determinísticos únicos. Os achados preliminares, portanto, fornecem uma base empírica sólida para a modelagem probabilística do consumo de horas, que será explorada na etapa subsequente da pesquisa, visando incorporar explicitamente a incerteza no processo de estimativa.
Síntese dos Achados Preliminares
A etapa descritiva da pesquisa, baseada na análise de dados históricos, permitiu identificar padrões consistentes nos desvios entre horas planejadas e realizadas. A caracterização da base de dados, com 224 projetos e 504 execuções de escopos disciplinares, e o rigor no tratamento dos dados, incluindo a exclusão de observações com menos de 100 horas previstas e a identificação de outliers, garantiram a confiabilidade das análises estatísticas. Esses achados preliminares são cruciais para compreender a natureza dos desvios e fundamentar a aplicação de métodos mais sofisticados.
Os resultados demonstraram que o consumo de horas varia significativamente entre as disciplinas, com alguns escopos apresentando um padrão recorrente de subestimação das horas planejadas, como a Automação, com média próxima a 1,40. Outros escopos, como Arquitetura e Mecânica, mostraram maior aderência entre planejamento e execução. Essa variabilidade não é aleatória, mas está associada a características específicas de cada escopo, indicando que a natureza técnica e a complexidade das atividades influenciam diretamente a precisão das estimativas iniciais.
A segmentação dos escopos por faixa de porte reforçou essa evidência, mostrando que escopos de maior porte não apenas apresentam médias de consumo mais elevadas, mas também maior variabilidade, refletida por desvios padrão superiores. Esse comportamento sugere que a complexidade do escopo, medida pelo volume de horas previstas, exerce uma influência significativa sobre a incerteza das estimativas, ampliando o risco de desvios à medida que o projeto se torna mais complexo. Em conjunto, esses resultados indicam que os desvios são influenciados por múltiplos fatores estruturais do projeto, destacando a limitação das abordagens determinísticas e a necessidade de métodos que incorporem a variabilidade observada nos dados históricos.
Modelagem Probabilística por Simulação de Monte Carlo
Com base nos padrões de variabilidade identificados na etapa descritiva, a pesquisa avançou para a modelagem do risco associado às estimativas por meio da Simulação de Monte Carlo. Essa abordagem permite incorporar a incerteza observada nos dados históricos, gerando múltiplos cenários possíveis de execução e oferecendo uma visão probabilística do comportamento das horas realizadas, conforme discutido em estudos sobre modelagem estocástica (ARENALES, 2011). A simulação foi construída a partir da base histórica tratada, considerando a distribuição de frequência das disciplinas e das faixas de porte dos escopos.
Para cada uma das 1.000 iterações independentes, foram sorteadas variáveis aleatórias que representam a disciplina, o porte do escopo, as horas previstas e o consumo de horas. O consumo de horas foi modelado a partir de uma distribuição normal, parametrizada pela média e pelo desvio padrão específicos de cada combinação disciplina-porte, uma prática amplamente adotada em modelos de simulação (DE SOUZA RUBATINO et al., 2018). Para garantir a representatividade dos valores simulados, foi aplicado um truncamento na variável consumo de horas, limitando os valores a um intervalo entre 0,4 e 2,0, com base na análise empírica da distribuição dos dados históricos.
A execução da simulação gerou uma distribuição empírica das horas realizadas, que foi analisada por meio de estatísticas descritivas e percentis, seguindo a abordagem clássica de simulação probabilística (DA PAIXÃO et al., 2021). Os resultados indicaram uma média de 376,19 horas para as horas realizadas simuladas. A distribuição apresentou elevada dispersão, com um valor mínimo de 16,40 horas e um máximo de 2834,00 horas, refletindo a variabilidade intrínseca dos dados históricos e a gama de cenários possíveis.
A análise dos percentis permitiu uma interpretação mais robusta das estimativas sob a ótica de risco, possibilitando a definição de níveis de confiança para a tomada de decisão (BILINSKI, 2016). O percentil 50 (P50) correspondeu a 213 horas, representando o cenário mediano da distribuição. O percentil 80 (P80), com 588 horas, indicou um nível de confiança mais conservador, com 80% de probabilidade de que o valor real não seja excedido. Já o percentil 90 (P90), com 910 horas, representou um cenário de elevada confiabilidade, associado a situações de maior risco e incerteza.
A comparação desses valores com a média de 376,19 horas revelou uma assimetria na distribuição, caracterizada por uma cauda longa à direita. Esse comportamento indica que, embora a maior parte dos cenários esteja concentrada em valores próximos à mediana, há uma ocorrência significativa de casos com consumo de horas substancialmente superior, o que impacta diretamente o planejamento e o orçamento dos projetos. Essa assimetria reforça a ideia de que abordagens determinísticas, baseadas exclusivamente em valores médios, tendem a subestimar o esforço necessário para a execução dos escopos, um comportamento amplamente discutido na literatura de pesquisa operacional (DA PAIXÃO et al., 2021).
A partir dessa análise, foram determinados fatores de correção relativos à média para cada percentil: aproximadamente 0,57 para o P50, 1,56 para o P80 e 2,42 para o P90. Esses fatores permitem traduzir os resultados da simulação em parâmetros práticos para apoio à decisão, especialmente no contexto de planejamento e orçamento de projetos. A modelagem probabilística por meio da Simulação de Monte Carlo, uma técnica amplamente utilizada para análise de sistemas complexos sob incerteza, permite a construção de cenários e a avaliação de riscos associados às variáveis de entrada (DE SOUZA RUBATINO et al., 2018).
Dessa forma, a aplicação da simulação contribui diretamente para o objetivo deste estudo, ao fornecer uma abordagem estruturada para a modelagem do risco associado às estimativas futuras. Essa metodologia possibilita a adoção de fatores de correção baseados em níveis de confiança, em vez de se limitar a valores médios, oferecendo aos gestores de projetos um instrumento mais robusto para a tomada de decisões. A integração de dados históricos com a Simulação de Monte Carlo representa um avanço significativo, substituindo abordagens determinísticas por uma perspectiva orientada a risco, o que melhora a previsibilidade dos custos e a gestão das incertezas inerentes aos projetos.
4. Conclusão
O presente estudo analisou os desvios entre horas planejadas e horas realizadas em projetos multidisciplinares, a partir de dados históricos organizacionais, com o intuito de identificar padrões associados aos escopos disciplinares e ao porte dos projetos, e propor uma abordagem quantitativa para o aprimoramento das estimativas de custos. Verificou-se que os desvios no consumo de horas não ocorreram de forma aleatória, mas apresentaram comportamentos sistemáticos. Identificou-se que disciplinas como Automação exibiram uma tendência consistente de subestimação das horas planejadas, com uma média próxima a 1,40. Observou-se, ainda, que escopos de maior porte manifestaram maior variabilidade e incerteza nas estimativas, enquanto os de menor porte demonstraram maior previsibilidade. A modelagem probabilística, realizada por meio da Simulação de Monte Carlo com 1.000 iterações, gerou uma distribuição empírica das horas realizadas, com uma média de 376,19 horas e percentis que indicaram diferentes níveis de confiança, como 213 horas para o P50, 588 horas para o P80 e 910 horas para o P90.
A principal contribuição deste estudo reside na proposição de um modelo estruturado de estimativa que integra dados históricos com a Simulação de Monte Carlo, substituindo as abordagens determinísticas por uma perspectiva orientada a risco. Essa metodologia permite maior previsibilidade dos custos, ao incorporar explicitamente a variabilidade observada no desempenho real dos projetos. A aplicação dos resultados possibilita que gestores de projetos adotem diferentes níveis de confiança nas estimativas, conforme o grau de criticidade do projeto, contribuindo para uma gestão mais robusta das incertezas e para a redução de desvios orçamentários. A determinação de fatores de correção relativos à média, como 0,57 para o P50, 1,56 para o P80 e 2,42 para o P90, oferece um instrumento objetivo para a tomada de decisão, especialmente nas fases iniciais de planejamento, onde o nível de incerteza é mais elevado.
Referências Bibliográficas
ARENALES, M. Pesquisa operacional para cursos de engenharia Rio de Janeiro: ELSIEVER, ABEPRO, 2011.
BILINSKI, P. A. Aplicação da pesquisa operacional na otimização da lucratividade de uma empresa do segmento de marcenaria João Pessoa: ENEGEP, 2016
DA PAIXÃO, Joelson Lopes et al. Métodos Matemáticos de Modelagem e Otimização: Teoria e Aplicações do Método de Monte Carlo. Salão do Conhecimento, v. 7, n. 7, 2021
DE SOUZA RUBATINO, Frederico; BATISTA, Saymon Henrique; DUARTE, Leandro Neves. Probabilidade de Ruína: Aplicação dos Métodos de Aoki e Monte Carlo, 2018;
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 2008.
Hillier, F. S.; Lieberman, G. J. 2013. Introdução à Pesquisa Operacional. 9ed. AMGH Editora, Porto Alegre, RS, Brasil
MARCONI, Marina de Andrade; LAKATOS, Eva Maria. Fundamentos de metodologia científica. 5. ed. São Paulo: Atlas, 2003.
Project Management Institute [PMI]. 2017. Um Guia do Conhecimento em Gerenciamento de Projetos (Guia PMBOK®). 6ed. Project Management Institute, Newtown Square, PA, USA.
Vargas, R. V. 2010. Análise de Risco em Projetos. 2ed. Brasport, Rio de Janeiro, RJ, Brasil.
YIN, Robert K. Estudo de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2015.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

