Analisando Situações Complexas Através de Simulação

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

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
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


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%
Com tempo de trânsito entre 3 e 4 dias 93,33% 70,00% 50,00%
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?

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


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
x
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
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.

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.

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.


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:


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.


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.

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.

Analisando Situações Complexas Através de Simulação

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Analisando Situações Complexas Através de Simulação

Enviado por

Direitos autorais:

Formatos disponíveis

AZEVEDO CONSULTORIA E PROJETOS LTDA

Prazo de entrega (dias)

FORNECEDOR_A FORNECEDOR_B FORNECEDOR_C

Prazo de entrega (dias)

FORNECEDOR_A FORNECEDOR_B FORNECEDOR_C

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

Você também pode gostar