Você está na página 1de 13

AZEVEDO CONSULTORIA E PROJETOS LTDA 

Analisando Situações Complexas através de Simulação
1. Introdução 
A maioria, senão todas as decisões de negócio, estão sujeitas a um certo grau de incerteza e subjetividade.  
Na  tentativa  de  reduzir  a  incerteza  a  níveis  toleráveis,  e  tornar  o  processo  decisório  tão  objetivo  quanto 
possível,  é  comum  buscar‐se  um  modelo  que  permita  de  alguma  forma  quantificar  a  incerteza  e  tratá‐la 
matematicamente.. 
Um  modelo  é  sempre  uma  aproximação  da  realidade  e  sua  adequação  é  refletida  por  sua  capacidade  de 
fornecer predições corretas sobre os eventos futuros. Tendo em vista que somente o passado é conhecido, 
qualquer modelo se baseia em dados históricos e na presunção de que, se uma determinada combinação de 
fatores (ou  entradas) no  passado produziu um  resultado  (ou  saída)  X,  esta mesma  combinação  de  fatores 
produzirá no futuro um resultado X’ semelhante a X. 
Em geral, não é razoável esperar que X’ seja igual a X porque (a) na prática é impossível considerar todos os 
fatores que influenciam X, e; (b) mesmo para os fatores conhecidos, é quase sempre impossivel reproduzir 
exatamente as mesmas condições que produziram X.  
 

2. Incorporando a incerteza ao modelo 
2.1 Introduzindo as variáveis aleatórias 
Para que a incerteza inerente aos acontecimentos do dia a dia seja levada em conta no modelo, este deve 
ser  formulado  com  base  nos  conceitos  da  Teoria  das  Probabilidades.  Tanto  as  entradas  como  as  saídas 
podem ser encaradas como variáveis aleatórias, possivelmente descritas por distribuições de probabilidades 
conhecidas, as quais, por sua vez, são também modelos matemáticos que procuram descrever a realidade. 
Uma variável aleatória é definida nos seguintes termos: 
Se E  é um experimento cujos resultados possíveis estão contidos no espaço amostral S, e X uma função que 
associa um número real X(e) a cada resultado e   S, então X(e) é denominada uma variável aleatória. 
Por exemplo, num lançamento de duas moedas o espaço amostral é 
  S = {HH, HT, TH, TT} 
onde H e T representam cara (“head”) e coroa (“tail”). 
A função X = {número de coroas  no lançamento de duas moedas} associa os números reais  
• 0 ao evento HH => X(HH)=0 
• 1 aos eventos HT e TH => X(HT) = X(TH) = 1 
• 2 ao evento TT => X(TT)=1  
 
Neste  exemplo,  a  variável  aleatória  é  discreta,  visto  que  somente  pode  assumir  determinados  valores  em 
seu intervalo de variação.  
A  variável  aleatória  X(e)  assume  os  valores  xi    {0,  1,  2}  com  probabilidades  p(xi)  =  {0,25;  0,50;  0,25}, 
respectivamente;  p(xi)  denomina‐se  função  probabilidade  de  xi  e  o  conjunto  de  pares  de  valores  {xi;p(xi)} 
caracteriza a distribuição de probabilidades de xi.  
De maneira geral, se uma variável aleatória discreta xi pode assumir n valores, a função probabilidade p(xi) 
deve atender a duas condições: 
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 1 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação

 
 
2.2 Avaliando as probabilidades 
No caso do lançamento das duas moedas a determinação das probabilidades de cada resultado é imediata, 
já que são conhecidos todos os eventos do espaço amostral e estes são equiprováveis (todos tem a mesma 
probabilidade de ocorrer).  
Por conseguinte, torna‐se possível utilizar a definição clássica da probabilidade:   
Sendo  A  um  evento  do  espaço  amostral  S,  constituído  por  N  eventos  equiprováveis,  a  probabilidade  do 
evento A é dada por 

 
onde um evento favorável é aquele no qual o evento A ocorre. 
Por  exemplo,  no  lançamento  de  um  dado  não‐viciado,  o  espaço  amostral    S  consiste  de  6  eventos 
elementares igualmente prováveis. 
S  = {1, 2, 3, 4, 5, 6} 
Considerando o evento A = {resultado par}, vê‐se que A ocorre quando o resultado é um dos três eventos 
elementares {2}, {4} ou {6}; logo P(A) = 3/6 = 0,5. 
Nas situações da vida real, a menos que nossa ocupação seja lançar dados ou moedas, não se conhecem os 
resultados  possíveis,  e  estes  não  são  equiprováveis.  Neste  caso,  é  forçoso  recorrer  a  uma  definição  de 
probabilidades conhecida como empírica ou frequentista: 
Sendo  A  um  evento  do  espaço  amostral  S    de  um  experimento  E,  repetido  n  vezes,  a  probabilidade  do 
evento A é dada por: 

 
Assim,  é  de  se  supor  que  em  n  lançamentos  de  um  dado  não‐viciado  ocorram  aproximadamente  n/2 
resultados pares, sendo a   aproximação cada vez melhor a medida que são feitos mais e mais lançamentos. 
Por  definição,  a  probabilidade  empírica  é  baseada  em  dados  históricos,        portanto  sua          aplicação  em 
situações de negócio exige a coleta e análise destes dados. Tanto  a abordagem clássica como a empírica são 
consideradas objetivas, no sentido em que se baseiam em dados, fatos e formulações matemáticas. 
Uma  terceira  abordagem  seria  a  atribuição  subjetiva  de  probabilidades  aos  eventos,  tomando  como  base 
percepções,  sentimentos,  conhecimentos  e  experiência  em  situações  similares.  Julgamentos  como  “Creio 
que  a chance de conquistarmos aquele cliente é de 80%”, “Há 60% de chances de que o time A vença o time 
B amanhã”, etc., expressam uma avaliação subjetiva de uma situação única. 
A abordagem subjetiva pode ser a única alternativa, pois com frequência ocorrem situações novas, sobre as 
quais  não  se  dispõe  de  dados  históricos.  É,  no  entanto,  conveniente  observar  que  a  avaliação  subjetiva 
padece de duas limitações: 
• é dificil defendê‐la quando posta em questão, e; 
• é  susceptível  de  ser  influenciada  por  idéias  pré‐concebidas,  desejos,  inclinações  e  interesses 
pessoais. 
 
2.3 Valor esperado e diagrama de árvore 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 2 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
O conceito de valor esperado pode ser muito útil para tomada de certas decisões. Se uma variável aleatória 
discreta x pode assumir n valores (x1, x2, ... xn), cada um deles com probabilidade pi, então o valor esperado 
da variável é  

 
   
Por exemplo, no lançamento de um dado não viciado o valor esperado é: 

 
 
É  claro  que  nenhum  lançamento  do  dado  produzirá  o  resultado  3,5.  Porém,  se  o  dado  for  lançado  um 
grande  número  de  vezes,  a  média  de  todos  os  resultados  será  um  valor  próximo  a  3,5.  Portanto,  o  valor 
esperado pode ser entendido como a média de longo prazo do experimento. 
O valor esperado pode também ser utilizado como uma das entradas no processo de tomada de decisões de 
negócio. Por exemplo, considere‐se a situação descrita no parágrafo a seguir. 
Exemplo  1:  Uma  empresa  deve  adquirir  um  determinado  equipamento,  no  valor  de  R$200.000,00  para 
habilitar‐se  a  participar  de  uma  concorrência.  Caso  vença  a  concorrência,  seu  lucro  será  de  R$600.000,00; 
entretanto, se vier a perdê‐la, o equipamento adquirido ficará sem uso e deverá ser revendido, acarretanto 
um  prejuízo  estimado  de  R$100.000,00.  O  gerente  da  empresa  julga  que  a  probabilidade  de  vencer  a 
concorrência é de 75%. Qual o valor monetário esperado da decisão?  
Solução:  Há  75%  de  chances  de  obter  um  lucro  de  R$600.000,00  e  25%  de  chances  de    que  ocorra  um 
prejuízo de R$100.000,00. Logo, o valor monetário esperado da decisão é: 

 
que favorece a decisão de investir no equipamento para entrar na concorrência.  
Observe que  rendimentos, lucros (e outras entradas  monetárias) são representados por valores positivos, 
ao passo que despesas, prejuízos (e outras saídas monetárias) são representados por valores negativos.  
Um outro tópico relevante para a discussão que se segue, é o diagrama de árvore ou árvore de decisão. Este 
diagrama é uma forma de apresentar as alternativas possíveis em uma dada situação. É constituído de nós 
(que são os pontos onde se originam as alternativas) e ramos (linhas que interligam os nós); é comum que 
sobre os ramos se anote a probabilidade associada àquela alternativa 
Em geral, percorrer os nós da esquerda para a direita corresponde a acompanhar a sequência temporal dos 
eventos. O final da árvore tem tantos ramos quantos são os resultados possíveis e  a probabilidade de cada 
resultado é o produto  das probabilidades associadas aos ramos que levam até aquele resultado. 
A Figura 1 mostra o diagrama de árvore que representa três lançamentos sucessivos de uma moeda; neste 
diagrama  em  cada  nível  os  resultados  são  designados  por  HLi  ou  TLi  ,  onde  L  representa  o  nível  e  i  é  um 
número sequencial.  
O  diagrama  de  árvore  está  baseado  no  chamado  princípio  da  multiplicação,  que  estabelece  que  se  uma 
escolha consiste de n passos, sendo possíveis k1 escolhas no primeiro passo, k2 escolhas no segundo passo, 
etc., então o número total de escolhas é  

 
 
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 3 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
 
50% H31
50% H21
50% T31
50% H11
50% H32
50% T21
Root 50% T32
0
50% H33
50% H22
50% T33
50% T1
50% H34
50% T22
50% T34

Figura  1 ‐ Diagrama de árvore para 3 lançamentos de uma moeda 
 

3. Exemplo de aplicação – árvore de decisão e método de Monte Carlo 
Expostos estes conceitos, passa‐se a realizar a análise de uma situação de negócios, descrita no Exemplo 2. 
 
Exemplo  2:  Uma  indústria  possui  três  fornecedores  para  determinada  peça,  todos  eles  localizados  no 
Exterior.  A fábrica recebe um pedido urgente de um cliente e, para atender este pedido, necessita  receber 
um lote desta peça  em não mais que 15 dias. Procurando tomar a decisão com maiores chances de acerto, o 
comprador analisou o histórico destes fornecedores, e obteve o quadro mostrado na Tabela  1. 

ANÁLISE DE ORDENS POR FORNECEDOR  A B  C
Embarcadas  entre 3 e 6 dias após a colocação do pedido 75,00% 80,00%  87,50%
Embarcadas entre 7 e 10 dias após a colocação do pedido 20,00% 16,00%  11,25%
Embarcadas entre 11 e 30 dias após a colocação do pedido 5,00% 4,00%  1,25%
Com tempo de trânsito entre 3 e 4 dias  93,33% 70,00%  50,00%
Com tempo  de trânsito entre 5 e 10 dias  5,00% 25,00%  45,00%
Com tempo de trânsito entre 11 e 30 dias  1,67% 5,00%  5,00%
Documentação OK – liberação alfandegária em 1 dia 96,67% 99,00%  100,00%
Com problemas de documentação – liberação entre 5 e 30 dias 3,33% 1,00%  0,00%
Lotes aceitos – 1 dia adicional  99,00% 99,60%  98,75%
Lotes rejeitados ‐ substituição do lote em 15 a 30 dias 1,00% 0,40%  1,25%
Tabela  1‐ Desempenho dos fornecedores A, B e C 
   
 
Para realizar esta análise têm‐se como certo que: (a) o histórico reflete com razoável fidelidade a situação 
corrente, e; (b) os eventos são independentes, ou seja, por exemplo, o tempo de trânsito não é influenciado 
pelo tempo de atendimento da ordem.  
 
Ademais,  um  exame  detalhado  dos  dados  revelou  que  para  cada  evento  o  número  de  dias  de  duração  se 
distribui  de  maneira  uniforme,  ou    seja,  por  exemplo,  se  o  evento  pode    durar  de  5  a  10    dias,  as 
probabilidades de que dure 5, 6, 7, 8, 9 ou 10 dias são iguais. 
 
Com base nestas informações, qual seria o fornecedor mais adequado para receber o pedido? 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 4 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
 
Solução: Para tomar uma decisão baseada nos dados disponíveis, o comprador poderia montar uma árvore 
de decisão e calcular, para cada fornecedor, a probabilidade de receber as peças no prazo. 
 
A seqüência de eventos pode ser melhor entendidas considerando o fluxo mostrado  na Fig. 2.   

Figura  2 – Fluxo do processo de suprimento da peça 
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 5 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
 
Os  tempos  (OTS,  TT,  CC  e  LIR)  são  as  variáveis  aleatórias  envolvidas  e,  baseado  na  Tabela    1,  é  possível 
descrevê‐las para o fornecedor A, por exemplo, conforme abaixo: 
 

 
 

 
 

 
 

 
 

 
 
 
 
Calculando  os  valores  esperados  para  as  variáveis  OTS,  TT,  CC  e  LIR  para  cada  um  dos  fornecedores,  e 
levando  em conta que o tempo  de entrega é a soma destas quatro variáveis, é possível determinar qual dos 
fornecedores apresenta o menor valor esperado para esta soma.  
 
Estes cálculos estão sumarizados na Tabela  2, na qual P(X=x) representa a probabilidade de que a variável 
aleatória  assuma  o  valor  x  (1,  2,  ...,  30);  a  linha  E(x)  contém  os  valores  esperados  para  cada  variável  e, 
finalmente, a linha S[E(x)] mostra a soma dos quatro valores (OTS + TT + CC + LIR). 
 
P(X=x) 
FORNECEDOR A  FORNECEDOR B  FORNECEDOR C 

OTS(x)  TT(x)  CC(x)  LIR(x)  OTS(x)  TT(x)  CC(x)  LIR(x)  OTS(x)  TT(x)  CC(x)  LIR(x) 
1  0,0000  0,0000  0,9667  0,9900  0,0000  0,0000  0,9900  0,9960  0,0000  0,0000  1,0000  0,9875 
2  0,0000  0,0000  0,0000  0,0000  0,0000  0,0000  0,0000  0,0000  0,0000  0,0000  0,0000  0,0000 
3  0,1875  0,4667  0,0000  0,0000  0,2000  0,3500  0,0000  0,0000  0,2188  0,2500  0,0000  0,0000 
4  0,1875  0,4667  0,0000  0,0000  0,2000  0,3500  0,0000  0,0000  0,2188  0,2500  0,0000  0,0000 
5  0,1875  0,0083  0,0013  0,0000  0,2000  0,0417  0,0004  0,0000  0,2188  0,0750  0,0000  0,0000 
6  0,1875  0,0083  0,0013  0,0000  0,2000  0,0417  0,0004  0,0000  0,2188  0,0750  0,0000  0,0000 
7  0,0500  0,0083  0,0013  0,0000  0,0400  0,0417  0,0004  0,0000  0,0281  0,0750  0,0000  0,0000 
8  0,0500  0,0083  0,0013  0,0000  0,0400  0,0417  0,0004  0,0000  0,0281  0,0750  0,0000  0,0000 
9  0,0500  0,0083  0,0013  0,0000  0,0400  0,0417  0,0004  0,0000  0,0281  0,0750  0,0000  0,0000 
10  0,0500  0,0083  0,0013  0,0000  0,0400  0,0417  0,0004  0,0000  0,0281  0,0750  0,0000  0,0000 
11  0,0025  0,0008  0,0013  0,0000  0,0020  0,0025  0,0004  0,0000  0,0006  0,0025  0,0000  0,0000 
12  0,0025  0,0008  0,0013  0,0000  0,0020  0,0025  0,0004  0,0000  0,0006  0,0025  0,0000  0,0000 
13  0,0025  0,0008  0,0013  0,0000  0,0020  0,0025  0,0004  0,0000  0,0006  0,0025  0,0000  0,0000 
14  0,0025  0,0008  0,0013  0,0000  0,0020  0,0025  0,0004  0,0000  0,0006  0,0025  0,0000  0,0000 
15  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
16  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 6 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
P(X=x) 
x  FORNECEDOR A  FORNECEDOR B  FORNECEDOR C 
17  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
18  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
19  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
20  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
21  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
22  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
23  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
24  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
25  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
26  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
27  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
28  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
29  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
30  0,0025  0,0008  0,0013  0,0006  0,0020  0,0025  0,0004  0,0003  0,0006  0,0025  0,0000  0,0008 
E(x)  6,1000  3,9839  1,5495  1,2150  5,7800  5,3500  1,1650  1,0860  5,1500  6,1500  1,0000  1,2688 
S[E(x)]        12,848350        13,381000        13,568750 

Tabela  2 – Probabilidades dos tempos de duração para cada v.a. 
 
A    Tabela    2    mostra    que  a  média  do  tempo  de  importação  das  peças  é  menor  para  o  fornecedor  A.  
Entretanto, apenas a média não é suficiente para uma decisão, pois é preciso saber também qual a dispersão 
da média ou, neste caso, qual a porcentagem de embarques recebidos em 15 dias ou menos, de cada um dos 
fornecedores. 
 
Para    reforçar  este  ponto,  vale  o  seguinte  raciocínio.  Se  um  fornecedor  tivesse  feito  100  embarques  com 
prazo  igual  a  10  dias  e  50  embarques  com  prazo  de  16  dias,  o  prazo  médio  seria  de  12  dias,  com  ⅓  dos 
prazos acima de 15 dias; da mesma forma, um outro fornecedor que tivesse feito 75 embarques com prazo 
de 13 dias e 75 embarques com prazo de 14 dias, teria um prazo médio de 13,5  dias, com 100% dos prazos 
abaixo de 15 dias. É claro que o desempenho do segundo fornecedor é, nesta situação, mais adequado que o 
do primeiro, mesmo sendo a média um pouco maior.  
 
Uma  das  formas  de  responder  a  questão  colocada  acima  é  traçar  o  diagrama  de  árvore  para  cada 
fornecedor, verificar os caminhos através do diagrama que conduzem a resultados menores ou iguais a 15 
dias, e somar as probabilidades  associadas a cada  um destes resultados. Conforme dito anteriormente, ao 
construir  o  diagrama,  é  comum  representar‐se  os  eventos  por  círculos  e  conectar  cada  evento  ao  que  lhe 
segue  por  linhas,  indicando  em  cada  linha  a  condição  que  esta  representa  e  sua  probabilidade.  Numa 
primeira aproximação, pode‐se considerar para cada um dos ramos o valor médio da v.a. naquela condição. 
 
A  árvore de decisão  para  o  Fornecedor A inicia‐se  com OTS,  que  possui  três alternativas:  (a1)  3 ≤  OTS  ≤  6, 
valor médio 4,5, probabilidade 75,00%; (b1) 7 ≤ OTS ≤ 10, valor médio 8,5, probabilidade 20,00% e; (c1) 11 ≤ 
OTS ≤ 30, valor médio 20,5, probabilidade 5,00%.  
 
Cada uma das linhas leva ao evento TT, onde há novamente três alternativas: (a2) 3 ≤ TT ≤ 4, valor médio 3,5, 
probabilidade 0,9333; (b2) 5 ≤ TT ≤ 10, valor médio 7,5, probabilidade 0,0500 e; (c2) 11 ≤ TT ≤ 30, valor médio 
20,5, probabilidade 0,0167.  
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 7 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
Por    sua  vez,  cada  uma  destas  três  linhas  leva  ao  evento  CC,  onde  há  duas  alternativas:  (a3)  CC=1,  valor 
médio 1, probabilidade 0,9667 e; (b3) 5 ≤ CC ≤ 30, valor médio 17,5, probabilidade 0,0333.  
 
Finalmente, cada uma das duas linhas leva ao evento LIR, com duas alternativas: (a4) LIR=1, valor médio 1, 
probabilidade 0,9900 e; (b4) 15 ≤ LIR ≤ 30, valor médio 22,5, probabilidade 0,0100.  
 
Parte  da  árvore  de  decisão  para  o  fornecedor  A  está  mostrada  na  Figura    3.  Trata‐se  de  um  diagrama 
relativamente complexo, pois existem: 3 x 3 x 2 x 2 = 36 caminhos e resultados possíveis. No diagrama: (a) os 
valores indicados acima das linhas são os incrementos associados a cada caminho;  (b) nos pontos finais há 
também um valor abaixo das linhas, que representa o resultado (total de dias) associado àquele caminho, e;  
(c)  no  ponto inicial  há  também  um valor abaixo  da linha, que  representa o  valor  esperado para a variável 
aleatória.  
 

Figura 3  – Parte do diagrama de árvore para o fornecedor A 
 
 
Lembrando que a probabilidade de cada resultado é o produto das probabilidades associadas a cada um dos 
caminhos que leva até aquele resultado, têm‐se, por exemplo, para o resultado que segue o caminho OTS_A1 
/ TT_A11 / CC_A111 /  LIR_A1111: 
 
p( x) = p(OTS _ A1) * p(TT _ A11) * p(CS _ A111) * P( LIR _ A1111) =
 
= 0,7500 × 0,9333 × 0,9667 × 0,9900 = 0,6699
 
A Tabela  3 mostra as probabilidades de cada um dos 36 resultados para o fornecedor A.   

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 8 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
 
 
Terminado  RESULTADO  Terminado  RESULTADO 
Probabilidade E(x)  Probabilidade  E(x) 
em LIR_  (DIAS)  em LIR_  (DIAS) 
1  1  1  1            10,00   0,6699        6,70   2 2 2 1           34,50   0,0003         0,01 
1  1  1  2            31,50   0,0068        0,21   2 2 2 2           56,00   0,0000         0,00 
1  1  2  1            26,50   0,0231        0,61   2 3 1 1           31,00   0,0032         0,10 
1  1  2  2            48,00   0,0002        0,01   2 3 1 2           52,50   0,0000         0,00 
1  2  1  1            14,00   0,0359        0,50   2 3 2 1           47,50   0,0001         0,01 
1  2  1  2            35,50   0,0004        0,01   2 3 2 2           69,00   0,0000         0,00 
1  2  2  1            30,50   0,0012        0,04   3 1 1 1           26,00   0,0447         1,16 
1  2  2  2            52,00   0,0000        0,00   3 1 1 2           47,50   0,0005         0,02 
1  3  1  1            27,00   0,0120        0,32   3 1 2 1           42,50   0,0015         0,07 
1  3  1  2            48,50   0,0001        0,01   3 1 2 2           64,00   0,0000         0,00 
1  3  2  1            43,50   0,0004        0,02   3 2 1 1           30,00   0,0024         0,07 
1  3  2  2            65,00   0,0000        0,00   3 2 1 2           51,50   0,0000         0,00 
2  1  1  1            14,00   0,1786        2,50   3 2 2 1           46,50   0,0001         0,00 
2  1  1  2            35,50   0,0018        0,06   3 2 2 2           68,00   0,0000         0,00 
2  1  2  1            30,50   0,0062        0,19   3 3 1 1           43,00   0,0008         0,03 
2  1  2  2            52,00   0,0001        0,00   3 3 1 2           64,50   0,0000         0,00 
2  2  1  1            18,00   0,0096        0,17   3 3 2 1           59,50   0,0000         0,00 
2  2  1  2            39,50   0,0001        0,00   3 3 2 2           81,00   0,0000         0,00 
Tabela  3 ‐  Resumo da  árvore de decisão para o fornecedor A 
 
Observa‐se pela tabela que somente os caminhos  terminados em LIR_1111, LIR_1211 e LIR_2111 resultam 
em tempo total médio menor ou igual a 15 dias. Analisando mais detidamente estes caminhos, em termos 
de tempos máximos e mínimos, encontra‐se o resultado mostrado na Tabela  4. 
 
Caminho  OTS_A  TT_A  CC_A  LIR_A  TOTAL 
terminado em  Min.  Max  Min. Max Min. Max Min. Max  Min.  Max 
LIR_1111  3  6  3 4 1 1 1 1  8  12 
LIR_1211  3  6  5 10 1 1 1 1  10  18 
LIR_2111  7  10  3 4 1 1 1 1  12  16 

Tabela  4 – Tempos máximos e mínimos para os caminhos considerados 
Conclui‐se  que  algumas  combinações  de  tempos  nos  caminhos  terminados  em  LIR_1211  e  LIR_2111  não 
conduzem  ao  resultado  desejado,  pois  o  total  máximo  excede  15.  Uma  quebra  destes  dois  caminhos  em 
todas as combinações posssíveis é mostrada na Tabela  5,  onde se vê que das 24 combinações possíveis para 
LIR_1211 somente  18  (75%)  resultam  em valores  menores  ou  iguais a  15. Nesta  mesma  tabela, verifica‐se 
que das 8 cobinações possíveis para LIR_2111 um total de 7 (87,5%) satisfazem a condição desejada. 
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 9 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
 
 
 
  OTS_A  TT_A CC_A LIR_A TOTAL 
3  5 1 1 10 
3  6 1 1 11 
3  7 1 1 12 
3  8 1 1 13 
3  9 1 1 14 
3  10 1 1 15 
4  5 1 1 11 
4  6 1 1 12 
4  7 1 1 13 
4  8 1 1 14 
LIR_1211 

4  9 1 1 15 
4  10 1 1 16 
5  5 1 1 12 
5  6 1 1 13 
5  7 1 1 14 
5  8 1 1 15 
5  9 1 1 16 
5  10 1 1 17 
6  5 1 1 13 
6  6 1 1 14 
6  7 1 1 15 
6  8 1 1 16 
6  9 1 1 17 
6  10 1 1 18 
7  3 1 1 12 
7  4 1 1 13 
LIR_2111 

8  3 1 1 13 
8  4 1 1 14 
9  3 1 1 14 
9  4 1 1 15 
10  3 1 1 15 
10  4 1 1 16 

Tabela  5 – Combinações de tempos nos caminhos terminados em LIR_1211   e LIR_2111 

Dado que as probabilidades são uniformes para todas as variáveis aleatórias, é possível reduzir linearmente 
as  probabilidades  dos  caminhos  LIR_1211  e  LIR_2111.  Referindo‐se  novamente  à  Tabela    3,  e  somando  as 
probabilidades destes três caminhos, já aplicando os fatores de redução mencionados, obtêm‐se finalmente 
a probabilidade de que o Fornecedor A atenda o  prazo requerido: 
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 10 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação

 
 
 
Uma  análise  idêntica  pode  ser  feita  para  os  fornecedores  B  e  C;    os  resultados  correspondentes  estão 
mostrados na Tabela  6. 
  
  p(prazo ≤ 15 dias)
Fornecedor A 0,8531
Fornecedor B 0,7967
Fornecedor C 0,7723
Tabela  6  – Resultados da análise para os  fornecedores A, B e C 
 
Assim,  a  opção  mais  adequada  é  colocar  as ordens no  Fornecedor  A, pois historicamente  é o  que possui  a 
maior probabilidade de enviar as peças no prazo de até 15 dias.  
 
O exemplo anterior ilustra de maneira realista como uma árvore de decisão pode ser usada para selecionar 
a  melhor  opção  em  um  cenário  no  qual  há  fatores  incertos.  Muitas,  se  não  a  maioria,  das  situações  de 
negócios tem esta característica e a aplicação de modelos probabilísticos, tais como o ilustrado no exemplo, 
pode ser muito útil no processo de tomada de decisões.  
 
Entretanto,  mesmo  neste  exemplo  relativamente  simples,  com  apenas  algumas  poucas  variáveis,  todas 
consideradas  como  uniformes,  fica  evidente  que  a  análise  é  trabalhosa.  Conforme  já  mencionado,  é  claro 
que a utilidade de um modelo está diretamente relacionada com seu grau de aproximação com a realidade, 
e a realidade costuma ser bem mais complexa.  
 
Há programas que permitem construir modelos de grande complexidade e determinar o efeito das variáveis 
independentes  sobre  o  resultado  através  de  simulações,  da  seguinte  forma:  (a)  são    atribuídos  valores  a 
cada variável aleatória, de acordo com sua respectiva distribuição; (b) o resultado daquela combinação de 
valores para as variáveis é calculado e registrado;  (c) o processo é repetido um grande número de vezes.  
 
Este  processo  é  conhecido  como  simulação  de  Monte  Carlo  (nome  do  famoso  cassino  do  Principado  de 
Mônaco),  e  permite  determinar  como  uma  variável  dependente  varia  em  função  das  variáveis  aleatórias 
independentes. Através de simulações deste tipo é possível tratar situações que envolvem a incerteza, sem 
necessidade de calcular diretamente as probabilidades de cada resultado. 
 
Técnicas de Monte Carlo tem sido usadas para estudar fenômenos tão distintos quanto o fluxo de trânsito 
na fase de projeto  de uma auto‐estrada, a disseminação de doenças epidêmicas, o comportamento humano 
por ocasião de desastres naturais, o espalhamento de neutrons após uma colisão com outras partículas, etc.  
 
Em  aplicações  de  negócios,  estas  técnicas  tem  sido  utilizadas  na  solução  de  problemas  de  inventário,  em 
programação da produção, na avaliação do efeito de campanhas publicitárias e em diversas situações que 
envolvem o planejamento em condições incertas. 
 
Utilizando um software aplicativo voltado para a criação de modelos de situações de negócio, foi feita uma  
simulação de Monte Carlo comparando os três fornecedores. As variáveis de entrada  são OTS, TT, CC e LIR, 
que apresentam distribuições discretas uniformes; o número de repetições utilizado foi 1000. Através desta 
simulação,  é  possível  determinar  as  distribuições  de  freqüência  absoluta  e  acumulada  para  os  tempos  de 
entrega das peças por fornecedor, mostrados nas figuras a seguir. 
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 11 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
 
Distribuição de frequências

20.00%

15.00%
Probabilidade

10.00%

5.00%

0.00%
8 8 9 10 11 13 14 15 16 17 18 19 21 22 23 24 25 26 27 29 30 31 32 33 34 35 37 38 39 40 41 42 43 44 46 47 48 49 50 51 52 54 55 56 57 58 59 60 62 63 64 65 65

Prazo de entrega (dias)

FORNECEDOR_A FORNECEDOR_B FORNECEDOR_C


 
Figura  4 – Histograma dos prazos por  fornecedor (simulação de Monte Carlo) 
 
 
 
Distribuição Acumulada

100%

80%

60%
Probabilidade

40%

20%

0%
0 10 20 30 40 50 60

Prazo de entrega (dias)

FORNECEDOR_A FORNECEDOR_B FORNECEDOR_C


 
Figura  5 – Distribuição acumulada dos prazos por fornecedor (simulação de Monte Carlo) 
 
A Figura  5 mostra que realmente a melhor escolha é o Fornecedor A, pois é aquele que apresenta a maior 
probabilidade  acumulada para o prazo de entrega de 15 dias. 
 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 12 de 13   
AZEVEDO CONSULTORIA E PROJETOS LTDA 
Analisando Situações Complexas através de Simulação
REFERÊNCIAS BIBLIOGRÁFICAS  

FREUND, J. E., 1988.  Modern Elementary Statistics, 7ª edição, Prentice‐Hall International, Englewood Cliffs;  
1ª edição 1952, Prentice‐Hall, Englewood Cliffs. 

HINES,  W.  W.  &  MONTGOMERY,  D.  C.,  1980.    Probability  and  Statistics  in  Engineering  and  Management 
Science, 2ª edição, John Wiley & Sons, New York; 1ª edição 1972, John Wiley & Sons, New York. 

STEVENSON, W.  J., 1981 (original  1978).   Estatística  Aplicada à Administração,  1ª edição, Editora  Harper& 


Row  do  Brasil,  Trad.  Alfredo  A.  de  Farias  do  original  “Business  Statistics:  Concepts  and  Applications”,São 
Paulo. 

J. Azevedo – Tel: (35) 3471‐1463 –  joaoazevedojr@azevedoconsult.com.br  Pág. 13 de 13