Simulação Monte Carlo para quem não é quant: o método que transforma planilha em probabilidade

Em 1946, um matemático polonês chamado Stanislaw Ulam estava se recuperando de uma doença no hospital quando começou a jogar paciência. Ele era um dos principais cientistas do Projeto Manhattan e, mesmo no leito, continuava pensando em problemas matemáticos. Olhou para o baralho e se fez uma pergunta aparentemente inocente: qual é a probabilidade de eu ganhar esta paciência embaralhada aleatoriamente?

Calcular analiticamente essa probabilidade, com as 52 cartas e todas as regras do jogo, era proibitivamente complexo. Matemáticos haviam tentado antes sem sucesso. Mas Ulam teve uma ideia que na época era quase heresia: em vez de tentar derivar a fórmula, por que não simplesmente jogar muitas vezes e observar?

Ele jogou centenas de mãos, anotando resultados. A proporção de vitórias convergiu para um valor estável. Esse número não era uma derivação elegante, mas era a resposta. E era confiável na medida em que a amostra fosse grande.

Dessa intuição nasceu o método que hoje é padrão em seguradoras, bancos de investimento, engenharia aeroespacial, epidemiologia e regulação bancária. Chama-se Simulação Monte Carlo — em homenagem ao cassino onde Ulam observou o tio jogando quando criança. E, apesar do nome glamouroso, a ideia central é de uma simplicidade desarmante.

Este texto é um convite para quem nunca estudou estatística avançada entender o que Monte Carlo faz, por que funciona e como isso pode transformar decisões de negócio sem exigir nenhum aprendizado matemático pesado.

O problema que planilhas resolvem mal

Quase toda decisão de negócio séria passa por uma planilha. Você projeta receita, custo, margem, lucro. Multiplica, soma, chega em um número. Esse número vira a base da decisão: investir ou não, escalar ou não, contratar ou não.

O problema é filosófico antes de ser técnico. Toda variável da sua planilha é, na realidade, um intervalo de valores possíveis, não um número fixo. Seu CAC não é R$ 80 — é algo entre R$ 55 e R$ 140 dependendo do momento do ano, do criativo, da concorrência. Sua conversão não é 3% — é algo entre 1,8% e 4,2% dependendo do produto, da audiência, do dispositivo. Seu ticket médio oscila. Sua taxa de churn oscila. Cada número da planilha é na verdade uma distribuição.

Quando você fixa um valor para cada variável e multiplica, está fazendo o equivalente a perguntar "qual é o altura do brasileiro médio?" e receber "1,74m" — quando a resposta honesta é "entre 1,55m e 1,95m, com maior concentração perto de 1,72m para homens e 1,62m para mulheres". A média esconde a distribuição, e a distribuição é onde as decisões importantes moram.

O cenário em planilha estática é um ponto no espaço de resultados possíveis. Um único ponto. Monte Carlo explora o espaço inteiro.

O método em três parágrafos

O funcionamento é surpreendentemente intuitivo.

Primeiro, em vez de fixar um valor para cada variável, você define um intervalo realista e uma forma de distribuição. Custo de aquisição, por exemplo, raramente é uniforme entre R$ 55 e R$ 140 — tende a se concentrar em torno de R$ 80 e ficar menos comum nos extremos. Essa forma de distribuição tem nome (normal, lognormal, triangular, beta, uniforme — a escolha depende do fenômeno), mas para entender o método, basta saber que você está descrevendo matematicamente o que já sabe intuitivamente: "esse número costuma ficar aqui, raramente vai pra lá."

Segundo, o computador sorteia um valor aleatório de cada variável respeitando a distribuição que você definiu. Você fez isso pra dez variáveis? Então tem dez valores. Com esses dez valores, você calcula o resultado da sua fórmula de negócio: receita × conversão − custo = lucro. Esse é um cenário. Um entre milhões possíveis.

Terceiro, você repete esse sorteio 10.000 vezes. Ou 100.000. Ou um milhão. O computador é muito rápido nisso — são operações simples multiplicadas. Ao final, você tem 10.000 resultados possíveis da sua fórmula. A distribuição desses resultados é a verdadeira resposta que a planilha estática te escondia.

É isso. Um método industrial-estratégico inteiro, que suporta decisões bilionárias em Wall Street, construído sobre três ideias acessíveis.

O que a distribuição te diz que a média não diz

Depois dos 10.000 sorteios, você não tem um número. Você tem uma nuvem. Dessa nuvem saem respostas que nenhum cenário único consegue dar.

Probabilidade de resultado positivo. Se 43% dos cenários geram lucro, essa é a probabilidade real do seu modelo. Não é "vai dar certo" ou "não vai dar certo" — é um número entre 0 e 100. Decisão de capital a partir daí muda de natureza.

Cauda de cenários catastróficos. A distribuição tem pontas. A ponta esquerda é onde moram os cenários de prejuízo grande. Mesmo que sejam só 7% dos casos, eles existem — e Monte Carlo te mostra exatamente quão ruim podem ficar. Value at Risk é isso: o tamanho do prejuízo possível nos 5% dos piores cenários. É uma métrica que seguradoras usam todo dia.

Sensibilidade de variáveis. Pegando só os cenários de prejuízo, quais variáveis estavam fora de faixa? Se 80% dos cenários ruins tinham CAC acima de R$ 110, você acabou de identificar o driver crítico do seu modelo. Monitora essa variável em tempo real na execução e ignora o ruído das outras.

Horizonte temporal. Quando o modelo roda ao longo do tempo (18 meses, 3 anos, 5 anos), a simulação mostra a distribuição de resultados em cada momento. Você sabe não apenas se vai fechar positivo, mas quando esse fechamento é mais provável acontecer — crítico pra planejamento de capital de giro.

Uma planilha estática não responde nenhuma dessas perguntas. Três cenários (otimista, base, pessimista) não respondem de forma quantitativa. Monte Carlo responde todas, e com rigor métrico.

Onde Monte Carlo já é padrão — e você nem sabia

A razão pela qual Monte Carlo parece exótico para quem vem de negócios é que ele geralmente está escondido atrás das decisões profissionais que afetam seu dia a dia. Mas está em todo lugar.

Sua apólice de seguro automóvel. A seguradora calculou o prêmio rodando Monte Carlo sobre distribuições de frequência de sinistro, severidade de colisão, seu perfil etário, seu CEP, seu histórico. O resultado é uma distribuição de custo esperado, e o prêmio cobrado é esse custo esperado mais uma margem para absorver a variância.

O preço da hipoteca oferecida pelo banco. O risco de inadimplência não é fixo. É uma distribuição que depende de inflação, desemprego, sua renda relativa. Monte Carlo roda essa distribuição para cada perfil e ajusta o spread.

A decisão do governo de estocar vacinas. Epidemiologistas usam Monte Carlo pra simular trajetórias de propagação de doenças, e os ministérios alocam orçamento com base nas distribuições de cenários esperados.

A confiabilidade do avião que você pega. Cada componente crítico tem uma taxa de falha com distribuição conhecida. Engenheiros rodam Monte Carlo na interação entre todos os sistemas para provar que a probabilidade de falha catastrófica é menor que 10^-9 por hora de voo. Sem esse cálculo, o certificado não sai da ANAC.

A regulação bancária no Brasil. O Banco Central exige que bancos rodem stress tests baseados em Monte Carlo trimestralmente, simulando choques macroeconômicos extremos e medindo o impacto no capital regulatório.

Em cada um desses casos, uma decisão técnica com consequências sérias foi tomada depois de milhares de simulações. Não antes. Não em vez de — depois.

Por que o mundo dos negócios demorou a adotar

Se o método é tão poderoso e tão estabelecido, por que um empreendedor médio em 2026 ainda planeja o negócio numa planilha estática?

A resposta tem três camadas.

Primeira, a tecnologia cobrava conhecimento técnico. Para rodar Monte Carlo bem até poucos anos atrás, você precisava saber programação (Python, R ou MATLAB), entender distribuições de probabilidade, saber interpretar resultados estatísticos. Era um filtro de entrada que eliminava a maioria dos profissionais de negócios.

Segunda, o cérebro humano resiste. Nossa intuição foi moldada pra pensar em números fixos, não em distribuições. Quando alguém te pergunta "qual é o seu CAC?", responder "R$ 80" é cognitivamente barato. Responder "uma distribuição lognormal com média R$ 82 e desvio padrão R$ 24" é cognitivamente caro. Tomamos atalhos.

Terceira, e talvez a mais importante: o mercado não cobrava. Se todos os concorrentes planejam em cenário único, usar probabilidade não dá vantagem competitiva visível. Vira um custo sem retorno aparente. Esse equilíbrio se quebra quando alguém começa a exibir os ganhos de usar o método — e outros precisam alcançar.

As três camadas estão ruindo ao mesmo tempo. A tecnologia ficou acessível. A pressão por rigor em decisões de capital aumentou. E os primeiros operadores sérios a adotar probabilidade estão ganhando margem competitiva visível sobre os que continuam no cenário único.

Quem está antes dessa curva, tem janela. Quem está depois, tem custo.

O que acontece quando você troca cenário único por distribuição

Três coisas mudam no dia a dia, e vale descrever cada uma porque é onde o valor real aparece.

Decisões ficam calibradas. Você para de sofrer com a sensação de "e se eu estiver errado?". A pergunta vira "qual é a probabilidade de estar errado?" — e essa pergunta tem resposta numérica. Seu medo não desaparece, mas ele se torna operável.

Conversas ficam mais rápidas. Sócio, investidor, cliente, conselho. Todos estão acostumados a discutir cenários únicos na base do argumento retórico. Quando você chega com distribuição de probabilidade, as conversas encurtam — a pergunta deixa de ser "mas e se X?" e vira "na sua distribuição, qual é a probabilidade de X?". A discussão foca em drivers, não em cenários imaginados.

Erro vira aprendizado estruturado. Quando algo dá errado, você tem o modelo anterior documentado. Compara o que aconteceu com a distribuição que você previu. Identifica se foi um cenário dentro do esperado (cauda da distribuição materializada) ou fora do esperado (modelo estava errado). Atualiza o modelo e segue. Sem modelo, cada erro vira memória anedótica.

Não é uma mudança instantânea nem mágica. Leva algumas semanas de uso pra começar a pensar nativamente em distribuições. Depois disso, voltar pra planilha estática parece estranho — como voltar pra usar mapa de papel depois de meses com GPS.

A próxima década das decisões de capital é probabilística

A migração do cenário único para o pensamento distributivo está acontecendo agora, nesta década, nesta indústria. Não é futurologia — é observável. Founders formados em engenharia e ciências trazem o vocabulário. Investidores institucionais exigem stress tests em termos probabilísticos. Gestores de performance marketing das grandes agências começam a reportar distribuição de CAC em vez de média.

O que era exótico vira padrão. O que era padrão vira defasado.

Para quem lidera negócios em 2026 — founder, gestor, consultor — a questão não é se esse vocabulário vai se estabelecer. É quando. E quanto vale estar antes ou depois dessa curva.

Começar é mais fácil do que parece. Não exige mestrado em estatística. Exige curiosidade por entender o próprio modelo de negócio numa dimensão que a planilha estática esconde. O primeiro uso já entrega insight — e depois desse insight, raramente se volta atrás.

Experimente o método em um modelo real

Se você tem um modelo de negócio, funil de vendas ou tese de investimento que hoje mora numa planilha, vale rodar a simulação uma vez. Em poucos minutos você vê a distribuição de resultados que sua planilha esconde.

Experimente grátis em arvidus.com →

Arvidus é uma plataforma de simulação de negócios. 10.000 cenários antes do primeiro real.