APRENDER. PRATICAR. EVOLUIR.Separar ramos e decisões
Num projeto fictício, a migração pode ser complexa em 20% dos casos. Se for complexa, a probabilidade de atraso é 60%; se for simples, é 5%. A probabilidade total de atraso é 0,2×0,6 + 0,8×0,05 = 16%. A parcela 12% representa simultaneamente complexidade e atraso. Entre os casos atrasados deste modelo, 12/16 = 75% são complexos; isto não permite inverter livremente qualquer probabilidade condicional. Desenha os ramos, confirma que as probabilidades dos resultados de cada nó somam um e distingue aquilo que decides daquilo que apenas observas. Não atribuas probabilidades aos fornecedores escolhidos como se fossem acontecimentos aleatórios.
Comparar distribuições e limites
Duas opções podem ter o mesmo custo esperado e consequências muito diferentes. A opção A tem 20% de probabilidade de perder 80 mil; B custa 12 mil e mantém 5% da mesma perda. Ambas dão 16 mil de custo esperado neste âmbito. Antes de escolher, compara perdas máximas, restrições, capacidade de absorção e restantes objetivos. Uma opção com melhor média pode violar um limite obrigatório do caso. Para durações de 40, 60 e 100 minutos com probabilidades 50%, 30% e 20%, a média é 58 e P80 é 60, usando o primeiro valor cuja probabilidade acumulada chega a 80%. Um percentil continua a permitir resultados superiores.
Modelar causas comuns e sensibilidade
Dois ensaios que dependem do mesmo especialista não são automaticamente independentes. Num modelo em que a ausência desse especialista, com probabilidade 10%, é a única causa de falha e afeta ambos, a falha conjunta é 10%, não 1%. A hipótese é explícita; partilhar fornecedor no mundo real não prova correlação perfeita. Representa causas comuns e procura evidência sobre as relações. Para sensibilidade, compara uma perda de 50 mil com probabilidade p e uma resposta de 6 mil que a elimina no modelo. O equilíbrio é p=12%. Se a estimativa plausível atravessa esse ponto, mais informação pode mudar a recomendação; reporta a fragilidade da decisão.
Pagar por informação que ainda pode mudar a decisão
No segundo exercício, sem resposta há 30% de probabilidade de uma perda de 50 mil. Uma resposta de 8 mil elimina essa perda no modelo e é a melhor decisão sem informação adicional. Informação perfeita, recebida antes da escolha, permitiria pagar os 8 mil apenas nos 30% desfavoráveis: custo esperado de 2,4 mil e valor máximo da informação de 5,6 mil. Este é um limite para o mesmo problema, sem outros benefícios. Um estudo imperfeito de 6 mil não se justifica apenas por esse ganho. Acrescenta custo de atraso e confirma se o resultado chega antes do compromisso; informação posterior não altera uma decisão irreversível já tomada.
Interpretar sensibilidade sem prometer causalidade
Um gráfico de sensibilidade pode mostrar quais entradas influenciam mais o resultado dentro do modelo e dos intervalos escolhidos. Isso ajuda a dirigir investigação, mas não prova que uma intervenção numa entrada produzirá a redução prevista. Duas variáveis podem partilhar uma causa; alterar uma sem alterar a causa pode não gerar o efeito assumido. Confirma também a comparação: variar um parâmetro de 10 a 100 e outro de 10 a 11 mede intervalos diferentes. Uma mudança de intervalo pode alterar a ordem do gráfico. Mais iterações de Monte Carlo podem reduzir variação numérica de amostragem, mas não corrigem uma dependência omitida, uma distribuição mal escolhida ou um calendário incorreto. Guarda versão, pressupostos, entradas e método de cálculo para conseguir explicar diferenças entre execuções.
Uma amostra sem falhas
Observar zero falhas não prova risco nulo. Num exercício com cem tentativas independentes e probabilidade de falha de 1% em cada uma, a probabilidade de todas terem sucesso é 0,99 elevado a 100, aproximadamente 36,6%. Portanto, zero ocorrências é compatível com essa hipótese. Isto não estima automaticamente a probabilidade real a partir de uma amostra; mostra apenas que o resultado não contradiz o modelo dado. Num serviço real, verifica se as tentativas são comparáveis, se todas foram observadas e se partilham causas. Uma campanha que exclui execuções abortadas ou falhas de telemetria pode parecer mais fiável do que foi. Comunica tamanho da amostra, condições e limites da conclusão antes de usar o resultado para rever uma resposta ou encerrar exposição.
// Original synthetic workshop: thousands of fictional cost units, minutes, probabilities.
const round=x=>Math.round(x*1000000)/1000000;
const delay=.2*.6+.8*.05;
const outcomes=[{minutes:40,p:.5},{minutes:60,p:.3},{minutes:100,p:.2}];
function quantile(rows,p){if(p<=0||p>1||Math.abs(rows.reduce((a,r)=>a+r.p,0)-1)>1e-9)throw Error('Invalid distribution');let sum=0;for(const r of [...rows].sort((a,b)=>a.minutes-b.minutes)){sum+=r.p;if(sum+1e-12>=p)return r.minutes;}}
const noInformation=Math.min(.3*50,8),perfectInformation=.3*8;
console.log(JSON.stringify({delay:round(delay),complexAndDelayed:.12,complexGivenDelayed:round(.12/delay),meanMinutes:outcomes.reduce((a,r)=>a+r.minutes*r.p,0),p80:quantile(outcomes,.8),equalExpectedCosts:[.2*80,12+.05*80],responseBreakEven:6/50,perfectInformationValue:round(noInformation-perfectInformation)}));Oficina: reproduz os ramos de atraso, o percentil discreto e o limite de informação no modelo local. Depois altera a probabilidade da perda de 50 mil entre 5% e 20% e encontra o ponto em que a resposta de 6 mil passa a minimizar custo esperado.
Armadilhas comuns
Multiplicar probabilidades dependentes, inverter condicionais, escolher só pela média ou comprar informação depois de já não poder mudar a decisão. Todos os números desta oficina são fictícios.
Tópicos relacionados: Prioridade, custo esperado e confiança · Escolher e executar respostas · Monitorizar, encerrar e passar à operação
Explicita a árvore, o critério e a sequência de informação. Confirma a robustez da escolha e os limites do modelo antes de recomendar; o resultado não prevê uma migração real.
Referência: Decision tree analysis for the risk averse organization · PMI-RMP five-domain ECO, updated-2024 public document