Você está na página 1de 63

CREDENCIADA JUNTO AO MEC PELA

PORTARIA N 2.861 DO DIA 13/09/2004


MATERIAL DIDTICO

SIMULAO DE SISTEMAS
GERENCIAIS

0800 283 8380


www.portalprominas.com.br

SUMRIO
INTRODUO ....................................................................................................... 3
UNIDADE 1 TEORIA DAS FILAS APLICADA RESOLUO DE
PROBLEMAS ENVOLVENDO CONGESTIONAMENTO ...................................... 5
1.1 Filas: o que so e onde aparecem? .............................................................. 5
1.2 Filas do cotidiano: como se comportam?...................................................... 5
1.3 Custos relacionados s filas: como controlar?........................................... 10
1.4 Teoria das Filas: um aparato histrico ........................................................ 13
1.5 Modelando uma fila simples ....................................................................... 13
1.6 Fonte de clientes ........................................................................................ 14
1.7 Descrevendo o comportamento de chegada de clientes ............................ 15
1.8 Modelo associado a uma fila caractersticas ........................................... 25
1.9 Estudando a Fila: Modelo de Canal nico .................................................. 28
UNIDADE 2

APLICANDO

A TEORIA DA SIMULAO NO MEIO

EMPRESARIAL E INDUSTRIAL ......................................................................... 36


2.1 Aspectos introdutrios da teoria da simulao ........................................... 36
2.2 Razes e vantagens da simulao ............................................................. 37
2.3 A simulao Monte Carlo ............................................................................ 38
2.4 Simulando com os nmeros ao acaso ........................................................ 42
2.5 Casos peculiares da simulao .................................................................. 49
2.6 Simulando via distribuio terica de probabilidades ................................. 50
2.7 Simulando duas variveis simultaneamente ............................................... 53
REFERNCIAS .................................................................................................... 63

INTRODUO
O nico lugar onde sucesso vem antes de trabalho no dicionrio.
(Albert Einstein)

Salientamos que no mundo atual aplicado, gesto empresarial, dois


problemas comparecem e demandam de um cuidado especial em situaes
especficas, que so os problemas de congestionamento e a simulao de
sistemas. Neste sentido, chamamos de Simulao Monte Carlo, a qualquer
mtodo de uma classe de mtodos estatsticos que se baseiam em amostragens
aleatrias massivas para obter resultados numricos, isto , repetindo sucessivas
simulaes um elevado nmero de vezes, para calcular probabilidades de modo
emprico, tal como se, de fato, registassem os resultados reais em jogos diversos.
Este tipo de mtodo utilizado em simulaes estocsticas com diversas
aplicaes em reas como a Fsica, Matemtica, Biologia e Gesto.
O mtodo de Monte Carlo tem sido utilizado h bastante tempo como forma
de obter aproximaes numricas de funes complexas em que no vivel, ou
mesmo impossvel, obter uma soluo analtica ou, pelo menos, determinstica
e, especificamente, falando na atualidade, na resoluo de problemas
empresariais via simulao.
Cabe ressaltar ainda que com o desenvolvimento computacional, o mtodo
de Monte Carlo se desenvolveu rapidamente. Segundo Moreira (2007), o "Monte
Carlo" surgiu durante o projeto Manhattan na Segunda Guerra Mundial.
No

projeto

de

construo

da

bomba

atmica, Ulam, von

Neumann e Fermi consideraram a possibilidade de utilizar o mtodo, que envolvia


a simulao direta de problemas de natureza probabilstica relacionados com o
coeficiente de difuso do nutron em certos materiais.
De outra forma, com certeza, voc j esteve diante de uma fila. Ento,
como entender o processo de formao de uma fila? De atendimento de uma
Fila? O que isso reflete em uma situao empresarial especfica? A teoria das
filas um ramo da probabilidade que estuda a formao de filas, atravs de
anlises matemticas precisas e propriedades mensurveis das filas. Ela se
baseia em modelos para demonstrar previamente o comportamento de um

sistema que oferea servios cuja demanda cresce aleatoriamente, tornando


possvel dimension-lo de forma a satisfazer os clientes e ser vivel
economicamente para o provedor do servio, evitando desperdcios e gargalos e,
especificamente falando, surgem os problemas de congestionamento de sistemas
que podem ser minimizados a partir do detalhamento e entendimento da fila do
sistema em questo.
Portanto, o nosso mdulo busca a apresentao de ferramentas
relacionadas teoria das filas e simulao, que possibilitem a tomada de deciso
gerencial com confiabilidade, buscando sempre a maximizao de resultados
organizacionais em problemas especficos e peculiares destas reas.
Pois bem, as palavras acima so nossa justificativa para o mdulo em
estudo.

UNIDADE 1 TEORIA DAS FILAS APLICADA


RESOLUO DE PROBLEMAS ENVOLVENDO
CONGESTIONAMENTO
1.1 Filas: o que so e onde aparecem?
Com certeza o conceito de fila muito peculiar para cada um de ns, voc
no acha? J participou de vrias filas no dia a dia? J pegou uma fila em um
supermercado? E em um banco? Quantas vezes j ficou na fila? Sua empresa j
ficou aguardando um pedido chegar, ou seja, esperando em uma fila para ser
atendida com a entrega? Com certeza, esta situao comumente difundida no
nosso cotidiano, porm no entendida nos mnimos detalhes para o estudo do
seu comportamento como um todo?
De acordo com Moreira (2007), as situaes envolvendo a chamada de
Teoria das Filas, em verdade, poderiam ser entendidas como um conjunto de
conhecimentos matemticos aplicados ao fenmeno das filas, em franco
desenvolvimento no s terico, mas tambm prtico, bem como, uma das
tcnicas de Pesquisa Operacional bastante praticada, principalmente, no
entendimento de problemas de congestionamentos de sistemas diversos.

1.2 Filas do cotidiano: como se comportam?


Em um primeiro momento, deve-se salientar que todos ns estamos
acostumados a esperar em filas nas mais variadas situaes. Grosso modo, as
filas so situaes muito comuns no nosso mundo cotidiano, dessa forma, de
fundamental importncia o seu entendimento para a maximizao de resultados
envolvendo as mesmas. Pessoas, indstrias e produtos convivem com as
mesmas diariamente, por exemplo:
em uma lotrica para pagarmos as contas comuns do dia a dia;
em indstrias, aguardando matria-prima para o seu ciclo produtivo;
aguardando produtos para serem entregues;
pagando contas em agncias e instituies financeiras;
descontar um cheque ou uma nota promissria em uma agncia
bancria;
comprar entradas para o jogo de futebol;

passando por cabines de pedgios;


navios aguardando sua vez para entrar em portos;
avies aguardando autorizao para aterrissar; entre outros.
Importante! Fila significa a designao de situaes, em que pessoas
aguardam atendimento ou objetos (ou outra coisa qualquer) aguardam sua
vez de processamento, dando-se palavra processamento um sentido bem
amplo (aterrissar um avio, tornear uma pea, atracar um navio, entre
outros, tudo isso pode ser considerado processamento).

Figura 01: Algumas aplicaes da Teoria de Filas na rea da administrao.


Fonte: Elaborado pelo prprio autor.

Sendo assim, pode-se pensar em Como se obtm uma fila? Seria a


capacidade de atendimento ser insuficiente? s vezes sim, s vezes no. Para
entendermos este processo, vejamos uma situao problema introdutria, bem
simples.
Situao Introdutria (Adaptada de Moreira, 2007): considere que uma
assistente em uma escola, esteja atendendo alunos que fazem suas matrculas
em alguns cursos oferecidos pela mesma. Assumamos que este processo de

matrcula acontea em apenas um guich de atendimento. Estamos assumindo


est hiptese apenas para entendermos de uma forma mais fcil. Sendo assim,
consideremos que o tempo para atender a um aluno seja de exatamente 5
minutos, invariavelmente de um aluno para outro. Alm disso, suponhamos
tambm que, em mdia, chegue um aluno a cada 8 minutos para efetuar
matrcula. Note que, tambm em mdia, a assistente da escola no guich estar
ocupada na frao de

5
do tempo e ter (8 5) = 3 minutos de ociosidade a cada
8

8 minutos. Mas o que isto nos diz? Em verdade, ela estar ocupada 62,5% do
tempo e ocioso nos 37,5% restantes.
inegvel que h capacidade de sobra para o atendimento. possvel
concluirmos que no se formar uma fila? Ou, deve-se ficar claro que a fila ainda
possvel, mesmo com a folga no atendimento? Para tal, basta que, enquanto um
aluno se encontre no guich com a assistente, sendo atendido, cheguem mais
dois ou trs, isto , basta que os tempos entre a chegada de um aluno e a de
outro sejam de 1 minuto, 2 minutos, 2,5 minutos, 3 minutos, entre outros, podendo
outras vezes ser de 6 minutos, 11 minutos e, assim por diante. Dessa forma,
vamos assumir que chegava um aluno a cada 8 minutos, o que responsvel
pela formao da fila. De maneira similar, o prprio tempo de atendimento (que
supnhamos de 5 minutos, fixos) pode ser varivel em torno de uma mdia.
Portanto, est aqui mais uma fonte da formao das filas do nosso dia a dia.

Importante! A fila no se forma to-somente por um problema de capacidade


de atendimento, mas tambm devido variabilidade tanto no intervalo entre
chegadas de clientes como no tempo de atendimento desses clientes.

A Figura 02 a seguir relaciona as causas que influenciam direta e


indiretamente no aparecimento das Filas do mundo atual.

Figura 02: Fatores que determinam o aparecimento das filas.


Fonte: Elaborado pelo prprio autor.

De outra forma, note que poderamos ainda indagar: O que acontece se os


clientes chegarem em intervalos fixos de tempo e forem atendidos em um
intervalo de tempo fixo? Em outras palavras, o que se passa se no houver
variabilidade, no intervalo entre chegadas e no tempo de atendimento?
Para respondermos tal indagao, vamos considerar alguns casos descritos por
Moreira (2007).

Caso 1: A taxa de chegada maior que a taxa de atendimento aqui, se


existir um nico posto de atendimento, provavelmente a fila se tornar cada vez
maior, ou seja, a quantidade de nmero de postos de atendimento depende dos
tamanhos das taxas de chegada e de atendimento.

Caso 2: A taxa de chegada igual taxa de atendimento notemos que aqui


no teremos a presena da fila, exceto se j existe no incio do atendimento. Se
existir tal fila, ela se manter de tamanho constante.

Caso 3: A taxa de chegada menor que a taxa de atendimento aqui, no


havendo a existncia de uma fila inicial, ela ento nunca se formar. Observemos
que o posto estar sempre disponvel para o atendimento da mesma. Todavia,
devemos notar que se houver uma fila formada j no incio do atendimento, o seu
esgotamento ir consumir um determinado perodo de tempo, sendo que aps o
esgotamento, o posto estar sempre disponvel para o atendimento. Vamos
detalhar um pouco mais este terceiro caso, colocando uma situao numrica no
mesmo.

Situao Numrica do Caso 03 (Adaptada de Moreira, 2007):


retomemos o caso que trabalhamos na situao introdutria anterior, envolvendo
a assistente de uma escola em que o atendimento a um aluno demora 5 minutos
e chega um aluno a cada 8 minutos. S que agora, vamos supor fixos esses
tempos.
Alm disso, vamos admitir tambm que, quando da abertura do guich,
cinco alunos j estavam em fila, aguardando atendimento. Observe que como as
taxas so fixas e atende-se mais rapidamente do que os alunos possam chegar,
haver um momento em que a fila deixar de existir, bem como, o atendimento
aos alunos que estavam originalmente na fila coexiste com a chegada de novos
alunos.
Vejamos o Quadro 01 a seguir, no qual, na primeira coluna marcamos o
tempo decorrido desde a abertura do guich, os tempos so mltiplos de 5 e 8
minutos, para mostrarmos tanto o atendimento como a chegada de novos alunos.
Na segunda coluna, marcamos o nmero acumulado de alunos que chegam para
o atendimento e, finalmente, na ltima coluna marcamos o nmero de alunos
remanescentes na fila.

Quadro 01: Variao do tamanho da fila (taxas de chegadas e atendimento


constantes).

Tempo

(a) Alunos

(b) Alunos que

(c) Alunos

(em minutos)

atendidos

chegam

remanescentes

(acumulado)

(acumulado)

na fila (5 + b a)

10

10

15

16

20

24

25

30

32

35

40

45

48

50

10

55

11

0
Fonte: Elaborado pelo prprio autor.

Sendo assim, verificamos que o tempo total de 55 minutos gasto antes


que se esgote a fila.

1.3 Custos relacionados s filas: como controlar?


Inicialmente, devemos notar que segundo Moreira (2007), as filas precisam
ser gerenciadas e controladas. Neste sentido, surgem, sem grandes dificuldades,
algumas indagaes que os gestores querem que, de toda forma, sejam
respondidas, dentre elas citamos:

Indagao 01: as reas relacionadas s filas so adequadas ou


prejudicam de alguma forma o bom andamento dos servios ou a movimentao
de pessoas ou objetos na mesma?

11

Indagao 02: seria interessante a introduo de algumas prioridades para


certos tipos de clientes? Por exemplo, como ocorre em uma agncia bancria,
comumente, tais agncias deixam caixas separados para clientes designados
como especiais e/ou para clientes com alta probabilidade de demandar um tempo
de atendimento muito grande, como office-boys e mensageiros. Ou ainda, quando
o atendimento preferencial em filas de supermercados, farmcias, entre outros.
Aparentemente, j podemos ento perceber que existe uma relao direta
entre o custo da fila e a qualidade do atendimento, ou seja, o melhor
atendimento leva quase sempre a custos maiores, que nascem por causa de um
treinamento melhor para as pessoas, pelo uso maior da tecnologia da informao,
pela multiplicao de postos de trabalho ou ainda pela compra de mquinas e
equipamentos mais sofisticados. E da? Como proceder? interessante trabalhar
e entender tais custos? Segundo Moreira (2007), provavelmente sim, se estiver
ocorrendo uma grande perda de clientes por causa do no atendimento e da
presena das filas.
Na Figura 03 a seguir, vamos observar que no eixo horizontal (das
abscissas) est a medida do nvel de servio e no eixo vertical (das ordenadas)
trs medidas diferentes de custos, dando como resultado trs curvas distintas.
Salientamos que entendemos por nvel de servio a excelncia maior ou menor
do atendimento, ou ainda, perceba que quanto maior o nvel de servio, melhor o
atendimento (o cliente demora menos tempo na fila, o tempo de atendimento no
prprio posto de servio menor, entre outros). Note ainda, a reta descrita como
Custo de Atendimento, uma reta crescente, indicando que, quanto melhor o
atendimento, maior ser o custo. J a curva Custo da Fila indica os custos
associados

existncia

das

mesmas.

Custo

da

Fila

relaciona-se,

fundamentalmente:
1. receita direta perdida devido aos clientes que simplesmente vo
embora por causa das filas ou da relativa incapacidade de atendimento;
2. receita indireta, perdida por causa de desgaste da boa imagem da
instituio ou sua associao com ineficincia ou mau atendimento.
Independentemente, de esperarmos que, quanto melhor o nvel de
servio, menor seja o custo da fila, j que as esperas e o tempo de atendimento
tendem a diminuir.

12

Figura 03: Balano entre os custos de atender e de no atender.


Fonte: Adaptado de Moreira (2007).

Observe que se para cada nvel de servio especfico, forem computados


os valores do Custo de Atendimento e do Custo da Fila, teremos a terceira
curva, a do Custo total, que representa um balano entre o atendimento e o no
atendimento. Alm disso, deve ficar claro que a curva do Custo total apresenta
um mnimo, que corresponde, claro, a certo nvel de servio, ou seja, em termos
gerenciais, esse nvel de servio que deve ser buscado, se apenas as
consideraes de custo formar o critrio de deciso. Porm, no dia a dia
empresarial, nem sempre muito fcil estimar os custos, principalmente o custo
da fila.

Figura 04: Custo de Atendimento + Custo da Fila = Custo Total.


Fonte: Elaborado pelo prprio autor.

13

1.4 Teoria das Filas: um aparato histrico


Vimos que a Teoria das Filas um conjunto de conceitos e de modelos
matemticos utilizados para analisar as filas. Sendo assim, existem muitos tipos
diferentes de filas, definidos por meio de algumas hipteses que fazemos sobre o
comportamento da situao real que descreve a mesma.
Segundo Moreira (2007), a Teoria das Filas um ramo amplo da Pesquisa
Operacional, sendo que, em 1957, um pesquisador chamado A. Doig tinha
identificado cerca de 700 artigos em revistas internacionais, sobre a Teoria das
Filas e, quase 50 anos depois, com o advento do microcomputador, tornou-se
possvel a descrio de modelos mais sofisticados. Atualmente, temos uma srie
de modelos de filas que descreveremos a seguir.

Figura 04: Informaes diversas sobre a Teoria de Filas.


Fonte: Elaborado pelo prprio autor.

1.5 Modelando uma fila simples


A situao tpica, mais simples possvel, que resulta na formao de uma
fila, a que apresentamos na Figura 05 a seguir.

Figura 05: Modelo de uma Fila Simples.


Fonte: Adaptado de Moreira, 2007.

14

interessante observarmos na Figura 05 anterior, que os clientes provm


de uma populao (no cunho estatstico de conjunto de todos os clientes) que
chamada de fonte de clientes, segundo Moreira (2007).
Tais clientes chegam ao local em que ser prestado o atendimento,
apresentando certo comportamento de chegada. Ainda segundo Moreira (2007),
talvez no possam ser atendidos de imediato, caso em que ficaro aguardando
em uma fila. Neste sentido, teremos um processo para selecionar os mesmos, de
acordo com algum critrio, por exemplo, o que se adota comumente a ordem de
chegada. Alm disso, o atendimento se dar em um posto de atendimento, sendo
que tal atendimento ter suas caractersticas especficas, ou seja, seu
comportamento de atendimento prprio. Ressalta-se ainda que aps o
atendimento, os clientes devem deixar o local. Esses conceitos e grandezas
constituem o alicerce para o estudo de alguns modelos matemticos
fundamentais que a teoria das filas nos fornece. De acordo com Moreira (2007),
esses conceitos e grandezas so os seguintes:

Figura 06: Conceitos e Grandezas base para o desenvolvimento de modelos.


Fonte: Elaborado pelo prprio autor.

1.6 Fonte de clientes


Segundo Moreira (2007), chamamos de fonte de clientes populao
(conjunto total) de clientes potenciais que podem demandar um certo tipo de
servio (atendimento). A fonte de clientes pode ser finita ou infinita.
Temos que uma fonte infinita, nos casos em que a probabilidade de uma
chegada no afetada de forma significativa pelo fato de que alguns clientes j

15

esto aguardando na fila (o tamanho da fila no interfere em uma nova chegada).


Tal fato acontece em especial quando o nmero de chegadas em um dado
momento to-somente uma pequena frao das chegadas potenciais. No
cotidiano, podemos exemplificar fontes infinitas como os sistemas abertos ao
pblico em geral, como cinema, teatros, postos de gasolina, clientes em um
supermercado, eleitores em um posto de votao, carros chegando a um sinal de
trfego e assim por diante. A rigor, nenhuma dessas populaes infinita, mas o
fato de que alguns clientes j estejam na fila no interfere nas chegadas de outros
clientes que queiram juntar-se a ela.
Contrariamente, no dia a dia temos a existncia de sistemas de
atendimento que colocam limites sobre a populao a ser atendida, ou seja, aqui
surgem as chamadas populaes finitas ou limitadas. Salientamos que a chegada
e, consequentemente, o atendimento de novos clientes so significativamente
afetados pelo tamanho atual da fila. Nas aplicaes mais simples da teoria das
filas, a fonte de clientes supostamente colocada como infinita, porque os
clculos so mais fceis do que aqueles envolvidos na hiptese de fonte de
clientes finita.

1.7 Descrevendo o comportamento de chegada de clientes


Segundo Moreira (2007), existe mais de um aspecto a ser estudado quanto
ao comportamento de chegada dos clientes, que so:
chegada isolada ou em grupos;
a pacincia ou impacincia do cliente;
a distribuio de probabilidade associada chegada.
Chegada isolada ou em grupos
Obviamente, o cliente pode chegar sozinho ao posto de atendimento,
como acontece, por exemplo, com carros que chegam a uma praa de pedgio ou
com uma pessoa que vai fazer um saque em um caixa eletrnico, contrariamente,
pode chegar em grupos, como acontece quando um nibus cheio de turistas
para em um restaurante de beira de estrada para o almoo ou quando um lote de
120 peas chega a uma mquina de torno. Alm disso, salientamos que podemos

16

ter casos considerados intermedirios, como quando pequenos grupos, de duas,


trs ou quatro pessoas, chegam a um banco ou a um jogo de futebol.
Quando s chegadas, so isoladas ou so uma mistura de chegadas
isoladas e de pequenos grupos, fazemos a suposio de que todas as chegadas
so isoladas. Essa a suposio que se faz amplamente no meio empresarial.

A pacincia ou impacincia do cliente


Salientamos que um determinado cliente considerado paciente se aceitar
permanecer na fila at que seja atendido. De outra forma, ele chamado de
impaciente, se assumir duas diferentes atitudes:
o cliente recusa juntar-se fila, abandonando o posto de atendimento;
o cliente junta-se fila, mas acaba desistindo ao cabo de algum tempo.

Note que em ambos os casos, qualquer receita derivada daquele


atendimento ser perdida, a menos que, obrigatoriamente, o cliente deva retornar
em outra oportunidade. Na prtica empresarial, trabalha-se comumente com o
cliente sendo considerado paciente, ou seja, permanece na fila at que seja
atendido.

A distribuio de probabilidade associada chegada de clientes


Temos a existncia de duas formas bsicas de se falar sobre a entrada de
clientes na fila visando atendimento. Neste caso, podemos nos basear no:
1. nmero de clientes que chegam em um determinado intervalo de tempo;
2. tempo auferido entre duas chegadas em sequncia.

Vejamos a descrio de cada um deles a seguir.

Nmero de clientes que chegam em um dado intervalo de tempo


Primeiramente, interessante nos preocuparmos com o nmero de clientes
que chegam em um dado intervalo de tempo, depois vamos discutir a parte
relacionada ao tempo decorrido entre duas chegadas. Salientamos que este
nmero pode ter um comportamento determinstico ou probabilstico.

17

De acordo com Moreira (2007), um comportamento determinstico


significa que o nmero de clientes que chegam num certo intervalo de tempo
sempre o mesmo, ou seja, igual. Sendo assim, note, por exemplo, que o nmero
de pessoas que chegam a um posto de atendimento de uma agncia dos correios
pode ser de 2 por minuto, ou equivalentemente, 1 a cada 30 segundos, 10 a cada
5 minutos e assim sucessivamente.
Deve-se notar tambm que se o comportamento for determinstico,
claramente, temos que a varincia zero e, a qualquer momento que faamos
uma observao, iremos visualizar 2 clientes chegando por minuto. Todavia, na
maior parte dos casos, assumido que o nmero de clientes que chegam em um
intervalo de tempo tm um comportamento probabilstico, que em verdade,
significa que aceitaremos que esse comportamento sem memria, o que em
outras palavras nos diz que:
cada chegada independente de todas as outras anteriores e, por sua
vez, no ir influenciar nas chegadas posteriores;
a probabilidade de uma chegada particular ocorrer durante um intervalo
especfico de tempo depende apenas da magnitude desse intervalo.
De acordo com Moreira (2007), podem-se utilizar vrias distribuies de
probabilidade como modelo para representar a chegada de clientes. No entanto,
na literatura referente Teoria das Filas sugerida a Distribuio de Poisson, que
pode representar de modo apropriado o nmero de chegadas em um intervalo de
tempo. Sendo assim, vamos admitir que o nmero de chegadas em um dado
intervalo de tempo seja distribudo segundo uma distribuio de Poisson.
Lembre-se que esta distribuio uma distribuio de probabilidade discreta,
sendo aplicada ao caso em que, numa certa unidade de exposio, uma dada
varivel pode assumir valores inteiros. Comumente direcionada a uma medida
de tempo e comprimento. Dessa forma, por exemplo, podemos estar interessados
em saber quantos acidentes ocorrem a cada 100 quilmetros de uma rodovia
federal durante o perodo de uma semana, logo a unidade de exposio de 100
quilmetros, enquanto a varivel a frequncia semanal de acidentes.
Denotemos por o nmero mdio de ocorrncia (clientes que chegam)
em um intervalo de tempo tomado como unidade na situao problema em
questo. De acordo com Moore (2006), o nmero tambm conhecido como

18

taxa de chegada, sendo que a unidade de tempo no precisa necessariamente


ser medida pelo nmero 1, embora deva ser fixada. Note que esta unidade de
tempo pode ser, por exemplo, de 30 minutos, 3 horas, dez semanas ou vinte
anos. O importante que esta taxa de chegada e a unidade devem ser
invariveis, ou seja, constantes. Logo, a probabilidade de que, na unidade
assumida de tempo, cheguem x clientes dada pela equao:
P(x) =

x e
x

Onde:

= taxa de chegada = nmero mdio de chegadas na unidade assumida


de tempo;
e = constante de Euler = 2,7183;
x! = fatorial de x = x.(x 1).(x 2)...(3).(2).(1) = produto dos nmeros
naturais de 1 at x.

Vejamos um exemplo introdutrio para aplicao deste contexto.

Situao Problema (Adaptado de Moreira, 2007): o caixa de um


restaurante fast-food situado na cidade de So Paulo, nos perodos de maiores
movimentos, recebe em mdia dois clientes a cada minuto. A chegada dos
clientes nesses perodos segue distribuio discreta de Poisson. Qual a
probabilidade de que, em um dado minuto, o caixa deste restaurante receba:
a) Nenhum cliente?
b) Dois clientes?
c) Trs clientes ou menos?

Soluo: Neste caso, de acordo com a descrio terica anterior, vem que:
a) A probabilidade de no receber nenhum cliente dada por:
P(x) =

x e
x

Onde, = 2 clientes por minuto. Para x = 0 (nenhum cliente), temos que:


P(0) =

2 0 e 2
= 0,135 ou 13,5%
0!

19

b) A probabilidade de receber dois clientes dada por:


P(2)=

2 2 e 2
= 0,27 ou 27%
2!

c) A probabilidade de receber trs clientes ou menos em um minuto dada


por:
P(receber 3 clientes ou menos) = P(0) + P(1) + P(2) + P(3). Notemos que
P(0) e P(2) j esto calculados. Quanto a P(1) e P(3), temos que:
P(1) =

21 e 2
= 0,27 ou 27%
1!

P(3) =

2 3 e 2
= 0,18 ou 18%
3!

Portanto,
P(receber 3 clientes ou menos) = 0,135 + 0,27 + 0,27 + 0,18 = 0,855 ou
85,5%.

O tempo decorrido entre duas chegadas consecutivas


Trabalhamos at aqui com a suposio de que o nmero de chegadas de
clientes para atendimento obedece distribuio de Poisson. Vamos interpretar
agora com a segunda forma de estudar a chegada para o atendimento, ou seja,
com o tempo decorrido entre duas chegadas consecutivas. Se assumirmos
que o nmero de chegadas segue a distribuio de Poisson com mdia (taxa de
chegada) , ento o intervalo de tempo entre duas chegadas consecutivas
obedece a uma distribuio contnua de probabilidades que a exponencial com
mdia 1/ . Note, por exemplo, que se a taxa de chegada for de cinco clientes a
cada 10 minutos, ento a cada 2 minutos estar chegando um cliente em mdia.
Sendo assim, segundo Moore (2006), temos que para o caso da distribuio
exponencial, a probabilidade de um determinado evento P(t T) dada por:
P(t T) = 1 e .t , sendo T 0.
Onde:
P(t T) = probabilidade de que o intervalo entre chegadas t seja inferior ou
igual a um intervalo especificado T;

= taxa mdia de chegada de clientes (lembremos que 1/ o tempo


mdio decorrido entre as chegadas consecutivas de dois clientes);

20

e = constante de Euler.

Processo de Seleo
Segundo Medeiros (1998), dada uma fila de clientes aguardando
atendimento, o critrio pelo qual se escolhe qual ser o prximo cliente a ser
atendido recebe o nome de disciplina da fila. Nas atividades de servio,
geralmente a disciplina adotada chamada Peps (Primeiro a Entrar, Primeiro a
Sair), ou seja, segue-se a ordem de chegada. Isso tende a assegurar uma certa
justia, tendo aceitao generalizada. Salienta-se que a regra Peps no a nica
disciplina possvel, ou seja, pode-se utilizar do atendimento preferencial, como
acontecem em algumas situaes em que a fila d prioridade s crianas, idosos,
mulheres grvidas, pessoas portadoras de necessidades especiais, entre outros.
Vamos trabalhar com referncia na regra Peps.

Posto de Atendimento
Deve-se salientar, primeiramente, que o posto de atendimento a
instalao do sistema que servir de suporte ao atendimento da fila. Neste
sentido, temos alguns conceitos introdutrios fundamentais, que descrevemos a
seguir. Tais conceitos so baseados em Medeiros (1998) e Moreira (2007).
Fila de Canal nico uma fila chamada de Canal nico quando existe
uma nica instalao de atendimento. Salienta-se que essa instalao pode
consistir de um s posto, que realiza sozinho todo o atendimento, ou de vrios
postos em srie, cada qual realizando uma parte do atendimento.
Fila de Canal Mltiplo uma fila dita de Canal Mltiplo se existirem
duas ou mais instalaes de atendimento em paralelo, cada qual atendendo de
forma independente das demais. Cada instalao pode consistir de um posto
isolado ou de vrios postos em srie.
Atendimento nico o atendimento dito de Atendimento nico se for
realizado integralmente por um s posto de servio.
Atendimento Mltiplo o atendimento dito de Atendimento Mltiplo
se forem necessrios dois ou mais postos em sequncia, cada qual responsvel
por uma parte do atendimento.

21

Neste sentido, as possveis combinaes de casos so apresentadas na


Figura 07 a seguir.

Fila de Canal nico e Atendimento nico

Fila de Canal nico e Atendimento Mltiplo

Fila de Canal Mltiplo e Atendimento nico

22

Fila de Canal nico e Atendimento Mltiplo

Salientamos que as mais utilizadas e conhecidas do meio empresarial so


as mais comuns so: canal nico; atendimento nico; canal mltiplo;
atendimento nico.

O comportamento de atendimento
De acordo com Andrade (2002), chamamos de taxa de atendimento ao
tempo em que um posto de servio demanda para atender um determinado
cliente. Note que como foi definido, o comportamento de chegada dos clientes,
tambm a taxa de atendimento de um posto de trabalho, pode se comportar de
forma determinstica ou probabilstica. Salienta-se que existem situaes em
que um posto de servio consegue atender exatamente o mesmo nmero de
clientes dentro de uma unidade de tempo especificada. Nesse caso, a taxa de
atendimento

ser

constante,

posto

de

servio

comporta-se

deterministicamente. De outro modo, h outras situaes, em que o tempo de


atendimento se altera de um cliente para outro. Ou seja, a taxa de atendimento
agora varivel, e assumimos que ela ir se distribuir segundo alguma distribuio
de probabilidades conveniente.
Segundo Moreira (2007) definimos a taxa mdia de atendimento como o
nmero mdio de clientes atendidos em uma unidade de tempo assumida. Neste
sentido, por exemplo, um posto de servio pode ser capaz de atender um cliente
a cada 5 minutos, logo esta ser, portanto, a sua taxa mdia de atendimento.
Denotemos essa taxa mdia de atendimento por (apenas para distinguirmos a
taxa de atendimento da taxa de chegada, que havamos designado por ).

23

Observe que se a taxa mdia de atendimento for , ento o tempo mdio de


atendimento ser

. Se um posto de atendimento pode atender um cliente a

cada 5 minutos, em mdia, o tempo mdio de atendimento ser de 5


minutos/cliente. De acordo com o mercado e a grande maioria dos autores na
rea, assumimos que a taxa de atendimento varia segundo uma distribuio de
Poisson com mdia . Sendo assim, de acordo com Andrade (2002), a
probabilidade de que, na unidade de tempo assumida, sejam atendidos y clientes
ser caracterizada por:
P(y) =

y .e
y!

Onde:

= taxa de atendimento = nmero mdio de clientes atendidos na unidade


de tempo assumida.
e = base do logaritmo neperiano = 2,7183....
y! = fatorial de y = y.(y 1).(y 2)....(3).(2).(1) = produto dos nmeros
naturais de 1 at y.
A probabilidade de que o tempo de atendimento t no ultrapasse um dado
valor T dado por:
P(t T) = 1 e .T , com T 0
Onde:
P(t T) = probabilidade de que o tempo de atendimento a um cliente seja
inferior ou igual a um intervalo especificado T.

= taxa mdia de atendimento.


e = base do logaritmo neperiano = 2,7183....

Situao Problema (Adaptado de Moreira, 2007): retornando ao caso do


restaurante fast-food. Suponhamos que o caixa consiga atender, em mdia, a
quatro clientes por minuto. Admitimos ainda que a taxa de atendimento obedece
distribuio de Poisson, ou seja, o tempo de atendimento obedece distribuio
exponencial negativa. Pede-se:

24

a) Qual a probabilidade de que o tempo de atendimento seja igual ou


inferior a 20 segundos?
b) Qual a probabilidade de que o tempo de atendimento seja igual ou
inferior a 10 segundos?
c) Qual a probabilidade de que o tempo de atendimento seja igual ou
inferior a 5 segundos?

Soluo: Desta forma, temos que:


a) Temos que P(t T) = 1 e .T , onde = 4 clientes por minuto e T = 20
segundos; os 20 segundos devem ser transformados em minutos:

20 segundos equivalem a 20/60 minutos = 1/3 minuto

Portanto:
P(t 20) = 1 e

1
4.( )
3

= 0,736 ou 73,6%

b) Temos agora que T = 10 segundos;

10 segundos equivalem a 10/60 minutos = 1/6 minuto

Portanto:
P(t 10) = 1 e

1
4.( )
6

= 0,487 ou 48,7%

c) Temos agora que T = 5 segundos;

5 segundos equivalem a 5/60 minutos = 1/12 minuto

Portanto:
P(t 10) = 1 e

4.(

1
)
12

= 0,283 ou 28,3%

25

1.8 Modelo associado a uma fila caractersticas


Segundo Moreira (2007), existem muitos e muitos tipos de filas,
dependendo das hipteses restritivas que sejam feitas sobre a operao e o
comportamento da fila.
Cabe ressaltar a existncia de um grande nmero de modelos que
estudam o comportamento das filas, e a cada dia surgem novos modelos, que so
usados em novas situaes. Dessa forma, poderamos levantar algumas
indagaes: Afinal de contas, qual a vantagem de adotar um modelo para
estudar uma fila? O que se ganha com isso? Que tipo de informao um modelo
pode nos dar? Segundo Moreira (2007), um modelo no consiste apenas na
adoo de uma distribuio de probabilidade, como a Poisson ou a Exponencial.
Existem outras hipteses que so adotadas. Em um primeiro momento, deve-se
observar que uma fila no pode ser otimizada, como se faz em um modelo de
programao linear. O que nos interessa a interpretao de algumas
caractersticas que nos leve a um balano de custos entre atender cada vez
melhor, por um lado, e tornar o sistema de atendimento muito oneroso, por outro.
Segundo Moreira (2007), tais caractersticas so comumente chamadas de
caractersticas operacionais. Grosso modo, as caractersticas operacionais so
nmeros ou indicadores de desempenho calculados com o auxlio do modelo
adotado e que mostram como a fila est se comportando.

Figura 08: Caractersticas operacionais: nmeros e indicadores de desempenho.


Fonte: Elaborado pelo prprio autor.

26

Uma vez determinadas as caractersticas operacionais, podemos tentar


melhorar uma ou outra. interessante notarmos que a partir de um modelo base,
saberemos como a mudana de algumas caractersticas da fila afeta as outras,
levando uma considerao, uma estimativa adequada de custos, podemos
caracterizar as vantagens ou no. Dentre as caractersticas operacionais mais
interessantes na situao de Canal nico, destacamos as principais na Figura 09
abaixo.

Figura 09: Listagem das principais caractersticas operacionais de uma fila.


Fonte: Elaborado pelo prprio autor.

A seguir descrevemos de forma bastante simples cada uma dessas


caractersticas operacionais citadas.

Utilizao do sistema
Usualmente designada pela letra grega (rho) e dada pelas relaes:

Onde:

27

= taxa de chegada de clientes

= taxa de atendimento de clientes


A utilizao do sistema pode ser entendida de mais de uma forma, por
exemplo:
como a porcentagem de tempo em que o sistema est sendo utilizado;
como a probabilidade de que o sistema esteja sendo utilizado;
como a probabilidade de que um cliente que chega tenha de esperar
para ser atendido.

Probabilidade de que o sistema esteja ocioso


a probabilidade de que no haja nenhum cliente esperando ou sendo
atendido; se designarmos tal probabilidade por P(0), temos que:
P(0) = 1 = 1

Probabilidade de que haja n clientes esperando ou sendo atendidos no


sistema
O sistema compreende a prpria fila mais os clientes que esto sendo
atendidos no posto de atendimento.

Probabilidade de que a fila no tenha mais que k clientes


Naturalmente, de acordo com a terminologia, esta probabilidade representa
a chance da fila no conter mais do que k clientes.

Nmero mdio de clientes na fila


Corresponde ao tamanho mdio da fila (sem contar os clientes que estejam
sendo atendidos).

Nmero mdio de clientes no sistema


Engloba os clientes que esto na fila e os que esto sendo atendidos.

28

Tempo Mdio que o Cliente Espera na Fila


Sem contar o tempo de atendimento.

Tempo Mdio que o Cliente Espera no Sistema


Contando o tempo de fila mais o tempo de atendimento.

1.9 Estudando a Fila: Modelo de Canal nico


Embora seja o mais simples, o modelo de canal nico para as filas de
espera tambm um dos mais utilizados no meio empresarial e na resoluo e
problemas de congestionamento. Em verdade, comumente adota-se a hiptese
de que tanto a taxa de chegada como a taxa de atendimento obedecem
distribuio de Poisson. Note que isso nos leva, conforme visto anteriormente,
que o tempo decorrido entre duas chegadas consecutivas e o tempo decorrido
entre dois atendimentos consecutivos distribuem-se segundo a distribuio
exponencial. Admitimos tambm que a taxa mdia de chegada e a taxa mdia de
atendimento so constantes.

29

Existem outras hipteses que so muito importantes no modelo, s quais j


apresentamos antes, pouco a pouco. Essas hipteses so listadas na Figura 10
abaixo.

Figura 10: Listagem das demais hipteses importantes no modelo.


Fonte: Elaborado pelo prprio autor.

Notemos que:
para o caso da disciplina da fila ser a Peps, isto significa, (Primeiro a
Entrar, Primeiro a Sair), ou seja, o atendimento realizado pela ordem de
chegada;
no h abandono da fila nem antes nem depois que o cliente se junta a
ela;
a taxa mdia de atendimento maior que a taxa mdia de chegada, ou
seja, > . Mais a frente, veremos a importncia de tal fato.
No estaremos preocupados em apresentar a derivao das frmulas, que
envolve um esforo matemtico alm dos nossos propsitos. Sendo assim,
utilizaremos a seguinte notao:

= taxa de chegada;

30

= taxa de atendimento;
= utilizao do sistema;
P(0) = probabilidade de que o sistema esteja ocioso;

P(n) = probabilidade de que haja n clientes no sistema;

P(n = k) = probabilidade de que a fila no tenha mais que k clientes;

L f = nmero mdio de clientes na fila;

L = nmero mdio de clientes no sistema;

W f = tempo mdio de que o cliente espera na fila;

W = tempo mdio de que o cliente espera no sistema.

Logo, utilizando a notao acima, as frmulas para o modelo de canal


nico so as seguintes:

I.

Utilizao do sistema: =

II.

Probabilidade de que o sistema esteja ocioso: P(0) = 1 = 1

III.

Probabilidade de que haja n clientes esperando ou sendo

atendidos no sistema: P(n) = . P(0)

31

IV.

k) = 1

Probabilidade de que a fila no tenha mais que k clientes: P(n =


k +1

2
.( )

V.

Nmero mdio de clientes na fila: L f =

VI.

Nmero mdio de clientes no sistema: L = L f +

VII.

Tempo mdio que o cliente espera na fila: W f =

VIII.

Tempo mdio que o cliente espera no sistema: W =

Lf

Vejamos um exemplo introdutrio prtico, a fim de aplicarmos todas essas


frmulas listadas acima.

Situao Problema (Adaptado de Moreira, 2007): Bom Retiro uma


cidade de mdio porte do Estado da Califrnia nos Estados Unidos que mantm
um servio de ponte area com algumas das maiores cidades do pas. O principal
aeorporto da cidade o Pouso Seguro, que concentra todo o servio de ponte
area. Isso faz com que o trfego areo fique um pouco congestionado. A
intensidade do trfego areo funo da hora do dia, mas o momento mais crtico
est entre 17 e 18 horas dos dias teis, exatamente durante o retorno das
pessoas que deixaram a capital pela ponte area para trabalhar fora.
Os avies que chegam ficam em uma fila, aguardando a vez de
aterrissar. Eles ficam sobrevoando em grandes crculos nas proximidades do
aeroporto Pouso Seguro, at que a torre de controle libere alguma pista para
pouso. Para esse horrio (entre 17 e 18 horas), a taxa mdia de chegada de
avies de um a cada 3 minutos. A torre de controle, por sua vez, consegue

32

aterrissar, em mdia, um avio por minuto. Supondo que tanto a taxa de chegada
como a taxa de pouso dos avies obedeam distribuio de Poisson, pede-se:
a) A taxa de utilizao do sistema de aterrissagem do aeroporto.
b) A probabilidade de que nenhum avio esteja pousando ou aguardando a
liberao de pista.
c) A probabilidade de que haja apenas um avio aterrissando ou
aguardando ordem para isso.
d) A probabilidade de que no haja mais que trs avies sobrevoando as
cercanias do aeroporto, aguardando instrues para pouso.
e) O nmero mdio de avies aguardando ordem de pouso.
f) O nmero mdio de avies pousando ou aguardando ordem de pouso.
g) O tempo mdio que um avio fica sobrevoando as cercanias do
aeroporto, aguardando ordem para pousar.
h) O tempo mdio que um avio demora a aterrissar, incluindo o tempo de
aterrissagem em si, mais o tempo que fica sobrevoando perto do aeroporto
aguardando ordem de pousar.
Soluo: inicialmente, devemos notar que embora a nomenclatura esteja
adaptada natureza deste problema, as grandezas pedidas so exatamente as
caractersticas operacionais vista para a situao de canal nico. Dessa forma,
temos que:
a) Taxa de utilizao do sistema de aterrissagem do aeroporto
simplesmente a relao entre as taxas de pouso e de chegada, sendo:

= utilizao do sistema de aterrissagem;


= taxa de chegada de avies = 1 a cada 3 minutos;

= taxa de pouso = 1 avio a cada minuto.


Para que possamos trabalhar com e , preciso que ambas as taxas se
refiram mesma unidade de tempo; vamos adotar o intervalo de 3 minutos como
a unidade de tempo, no se altera, mas passa a ser igual a 3 pousos a cada

33

3 minutos. Dessa maneira, podemos escrever que, = 1 e = 3, valores que


usaremos no restante do exemplo. Sendo assim, temos ento que:

Ou seja,

1
1
(a taxa de utilizao do sistema de , ou 33,3%)
3
3

b) Probabilidade de que nenhum avio esteja pousando ou aguardando a


liberao de pista trata-se da probabilidade de que no haja nenhum avio no
sistema, ou seja, trata-se de P(0), desta forma, temos que:

P(0) = 1 = 1

1
2
=1 =

3
3

c) Probabilidade de que haja apenas um avio aterrissando ou aguardando


para isso pela notao adotada por ns, aqui, em verdade queremos determinar
P(1). Porm, sabemos que:

P(n) = . P(0)

Fazendo a expresso acima para n = 1, vem que:

2
1 2
P(1) = . =
9
3 3

d) A probabilidade de que no haja mais que trs avies sobrevoando as


cercanias do aeroporto, aguardando instrues para pouso neste caso a
frmula mais adequada para esse clculo :

P(n = k) = 1

k +1

34

Fazendo k = 3 na expresso acima, vem que:

1
P(n = 3) = 1
3

3+1

=1

1
80
=
81
81

e) O nmero mdio de avies aguardando ordem de pouso trata-se do


nmero mdio de clientes aguardando na fila, ou seja, L f , dado por:

2
Lf=
.( )
Ou seja,

12
1
=
3.(3 1)
6

Lf=

f) O nmero mdio de avies pousando ou aguardando ordem de pouso


de acordo com a nossa nomenclatura inicial, trata-se do nmero mdio de
clientes aguardando na fila, ou seja:

L=Lf +

Logo,
L=

1
1
1
+ =
6
3
2

g) O tempo mdio que um avio fica sobrevoando as cercanias do


aeroporto, aguardando ordem para pousar trata-se do tempo mdio de
permanncia do cliente na fila, o qual caracterizado por:

Wf=

Lf

Logo,

35

1
1
Wf= 6 =
1
6

h) O tempo mdio que um avio demora a aterrissar, incluindo o tempo de


aterrissagem em si, mais o tempo que fica sobrevoando perto do aeroporto
aguardando ordem de pousar trata-se de W, dado por:
W=

Ou seja,
1
1
W= 2=
1 2

36

UNIDADE 2 APLICANDO A TEORIA DA SIMULAO NO


MEIO EMPRESARIAL E INDUSTRIAL
2.1 Aspectos introdutrios da teoria da simulao
Voc j fez alguma simulao em alguma situao? Voc j ouviu falar do
termo Simulao? No? O termo simulao no nos estranho, j que podemos
perceber de forma direta que todos ns estamos de certa forma, acostumados
com a simulao: por meio de jogos eletrnicos, cinema, teatro, manobras de
guerra simuladas pelas foras armadas, estratgias de mercado, estratgias de
jogos diversos, entre outros. Grosso modo, a Simulao de um sistema uma
operao de um modelo que representa esse sistema, geralmente em
computadores, respeitando-se todas as regras e condies reais a que o sistema
est submetido. O modelo permite manipulaes que seriam inviveis no sistema
real que ele representa, por causa do custo ou da impossibilidade de realiz-las.
Cabe ressaltar que no mundo tcnico e empresarial, simular significa fazer com
que um sistema possa operar como se fosse real, para estudar melhor suas
propriedades.
De outra forma, no enfoque empresarial, Simular significa fazer com que
um sistema possa operar como se fosse real. A Simulao envolve a construo
de um modelo aproximado da realidade, o qual ser operado muitas e muitas
vezes, analisando-se ento seus resultados para que ele possa ser mais bem
compreendido, manipulado e controlado. Notemos que a simulao diferente de
vrios modelos, os quais conduzem a uma soluo obtida por meios analticos.
Segundo Moreira (2007), a simulao envolve comumente o uso de
nmeros aleatrios a partir de um computador. Sendo assim, de nosso intuito,
explorar o prprio conceito de simulao e, portanto, a preciso dos resultados,
no ser prioridade. Para obtermos maior confiabilidade de resultados,
precisamos realizar um grande nmero de simulaes do sistema em pauta, o
que atualmente perfeitamente possvel com auxlio do computador. Aqui, para
um melhor entendimento dessa teoria envolvendo simulao, nossas simulaes
sero manuais e limitadas, mas teremos um bom tratamento conceitual do
assunto. Alm de tudo, usaremos uma ferramenta particular para a simulao: o
denominado Mtodo de Monte Carlo, que veremos a seguir.

37

2.2 Razes e vantagens da simulao


De acordo com Moreira (2007), pode-se enumerar uma srie de razes a
fim de justificarmos a empregabilidade da simulao em diversas reas do
conhecimento, especialmente na rea da administrao. Dentre elas, podemos
destacar:
por ser impossvel ou muito oneroso observarmos diretamente certos
processos do mundo real;
o sistema observado pode ser to complexo que se torne impossvel
descrev-lo em termos de um conjunto de equaes matemticas de soluo
analtica vivel;
mesmo sendo possvel desenvolver um modelo matemtico do sistema
em foco, a sua soluo pode ser muito trabalhosa e pouco flexvel.
Dentre as principais vantagens da utilizao da simulao, podemos
destacar:
a simulao possibilita o estudo e a experimentao de complexas
interaes internas de um dado sistema, seja uma empresa ou parte de uma
empresa;
por meio da simulao podem ser estudadas algumas variaes no
meio ambiente e verificados seus efeitos em todo o sistema;
a experincia adquirida em construir os modelos e realizar a simulao
pode levar a uma melhor compreenso do sistema, o que possibilita melhor-lo;
a simulao de sistemas complexos pode fornecer valiosa introviso no
sentido de descobrir as variveis mais importantes do sistema e a maneira como
elas interagem;
a simulao pode ser usada para experincias com novas situaes,
sobre as quais se tem pouca ou mesmo nenhuma informao, no intuito de
preparar a administrao para acontecer;
a simulao pode servir como um primeiro teste para se delinearem
novas polticas e regras de deciso para a operao de um sistema, antes de
experiment-las no sistema real.

38

2.3 A simulao Monte Carlo


De acordo com Moreira (2007), falando com um linguajar bastante simples,
o nosso objetivo principal com a Teoria da Simulao manter a ateno sobre
as variveis de interesse. Uma ou mais dessas variveis devero ter seus
valores numricos simulados, enquanto o efeito dessa simulao sobre outras
variveis de interesse ser mensurado. As variveis cujos valores queremos
simular so variveis probabilsticas, ou seja, variveis aleatrias que podem
assumir um conjunto de valores, cada qual associado a uma determinada
frequncia de ocorrncia ou probabilidade.
Admitamos, para exemplificar, que queremos simular o comportamento de
uma varivel cujos valores numricos possveis e respectivas frequncias so
dados na Tabela 01 abaixo:

Tabela 01: Distribuio de frequncias simples de uma varivel hipottica.


Valor

Frequncia

0,15

0,15

0,38

13

0,25

14

0,07
Fonte: Elaborado pelo prprio autor.

Sendo assim, devemos esperar que, na simulao, o valor 8 aparea mais


vezes que o valor 13, por exemplo; devemos tambm esperar que os valores 4 e
7 apaream aproximadamente o mesmo nmero de vezes. Isso realmente o
que ir acontecer se simularmos um nmero bastante grande de valores da
varivel. muito importante notarmos que, na simulao da nossa varivel
probabilstica na Tabela 01, nunca se sabe qual ser o prximo valor a ser
atribudo varivel, embora seja obrigatrio que, ao longo do tempo, as
frequncias com que os valores aparecem devam ser concordantes com as
frequncias na Tabela 01.
Precisamos ter alguma abordagem para simular o comportamento ao
acaso das variveis probabilsticas de interesse. Essa abordagem dever nos

39

permitir que, dada uma distribuio de frequncia, por exemplo, como citado na
Tabela 01, possamos gerar valores da varivel que, ao longo do processo de
simulao, obedeam distribuio de frequncias original. Uma das abordagens
mais conhecidas que usaremos aqui o chamado Mtodo Monte Carlo.

Importante! O Mtodo de Monte Carlo consiste na gerao artificial de


valores das variveis de interesse, com o auxlio de nmeros ao acaso ou
nmeros aleatrios. A cada faixa de frequncia, atribui-se uma faixa
correspondente de nmeros ao acaso, de uma forma que ser mais bem
entendida adiante. No momento, vamos fixar nos nmeros ao acaso. O
Mtodo de Monte Carlo um processo de operao de modelos estatsticos
de modo a lidar experimentalmente com variveis descritas por funes
probabilsticas.

Figura 11: Simulao Monte Carlo gerao de valores aleatrios.


Fonte: Elaborado pelo prprio autor.

Definio (Nmeros ao Acaso), de acordo com Moreira (2007), chama-se


nmeros ao acaso a qualquer sequncia numrica em que os nmeros so
completamente independentes entre si.
Saber que um nmero ao acaso foi 5, por exemplo, no d nenhuma
indicao sobre o prximo nmero. Dessa forma, observemos que nmeros
altos no so seguidos necessariamente por nmeros altos e nmeros

40

baixos no so seguidos necessariamente por nmeros baixos. A ocorrncia


de qualquer nmero totalmente independente da ocorrncia de outro.
Os nmeros ao acaso so obtidos pelos chamados geradores de
nmeros ao acaso ou geradores de nmeros aleatrios. Esses geradores de
nmeros so instrumentos, ferramentas ou procedimentos por meio dos quais
nmeros ao acaso podem ser determinados ou selecionados. O gerador pode ser
de vrios tipos. Vejamos alguns exemplos de geradores:
a) Pedaos de papel numerados e colocados em um chapu.
b) Bolas numeradas colocadas em um recipiente.
c) O lanamento de um dado ou um conjunto de dados.
d) Uma subrrotina de computador, entre outros.

Figura 12: Interpretao bsica da Teoria de Simulao nosso enfoque.


Fonte: Elaborado pelo prprio autor.

Para simulaes feitas manualmente, com intuito didtico, vamos usar uma
Tabela de nmeros aleatrios. Vejamos a Tabela 02 abaixo, que ser usada em
exemplos, exerccios e inclusive nos problemas propostos. Por uma questo de
convenincia, a tabela constituda de nmeros com cinco dgitos, mas isso
arbitrrio, ou seja, poderamos construir a Tabela com nmeros de um s dgito,
dois dgitos, trs dgitos, entre outros. Na verdade, conceitualmente, os nmeros
ao acaso podem ser entendidos como sequncias aleatrias dos dgitos 0,1, 2,

41

3, 4, 5, 6, 7, 8 e 9. Se tivssemos dez bolas exatamente iguais, numeradas de 0 a


9, as colocssemos em um recipiente, a probabilidade de que sasse um dado
dgito seria exatamente igual a

1
; havendo reposio da bola que saiu, a
10

retirada de um nmero qualquer no daria qualquer indicao do prximo nmero


a sair e manteria a probabilidade de se retirar qualquer dgito em

1
.
10

Tabela 02: Nmeros ao acaso (aleatrios).

Fonte: Moreira (2007).

42

Esse experimento poderia gerar os nmeros aleatrios, que na prtica so


gerados por alguma subrrotina de computador, por meio de determinadas
distribuies de probabilidade. Uma caracterstica importante dos nmeros
aleatrios que aparecem na Tabela 02 acima que eles podem ser lidos de
qualquer forma que queira: de cima para baixo, de baixo para cima, da esquerda
para a direita, da direita para a esquerda, erraticamente e, assim por diante.

Figura 13: Gerao de Nmeros Aleatrios.


Fonte: Elaborado pelo prprio autor.

2.4 Simulando com os nmeros ao acaso


Para interpretarmos a utilizao dos nmeros ao acaso (ou aleatrios) na
Teoria da Simulao, inicialmente vamos visualizar a seguinte situao.

Situao problema (Adaptada de Moreira, 2007): vamos retornar os


valores da Tabela 01, relativos distribuio de frequncias de uma varivel
hipottica. Esses valores so reproduzidos a seguir para facilitar a consulta;
acrescentou-se uma coluna, contendo as frequncias acumuladas, pois so teis
na atribuio de nmeros ao acaso:

43

Tabela 03: Distribuio de frequncias simples e acumuladas de uma


varivel hipottica.

Valor

Frequncia

Frequncia
acumulada

0,15

0,15

0,15

0,30

0,38

0,68

13

0,25

0,93

14

0,07

1,00
Fonte: Elaborado pelo prprio autor.

A cada uma das faixas de uma frequncia mostradas, vamos atribuir um


conjunto de nmeros, compatvel com a extenso da faixa. Assim, os conjuntos
de nmeros guardam entre si as mesmas relaes que as faixas de frequncias.

Importante! Os conjuntos de nmeros guardam entre si as mesmas relaes


que as faixas de frequncias.

Faamos da seguinte maneira: vamos atribuir 15 nmeros ao valor 8, 25


nmeros ao valor 13 e 7 nmeros ao valor 14. Esses nmeros so diretamente
proporcionais s frequncias exibidas pelos valores da varivel. A coluna de
frequncias acumuladas nos auxilia a tomar esses nmeros em sequncia,
comeando em 00 e terminando em 99. Assim, se atribuirmos ao valor 4 da
varivel os nmeros 00 a 14, deveremos atribuir ao valor 7 os valores de 15 a 29,
e assim por diante. A Tabela 04 repete dados anteriores e apresenta os nmeros
atribudos.

44

Tabela 04: Distribuio de frequncias simples e acumuladas de uma


varivel hipottica.

Valor

Frequncia

Frequncia

Nmeros

acumulada

atribudos

0,15

0,15

00 a 14

0,15

0,30

15 a 29

0,38

0,68

30 a 67

13

0,25

0,93

68 a 92

14

0,07

1,00

93 a 99

Fonte: Elaborado pelo prprio autor.

Vamos agora fazer 40 rodadas de simulao, ou seja, vamos simular 40


valores da varivel. Na realidade, em termos prticos, realizar 40 rodadas de
simulao muito pouco: trabalhando com computadores, comum termos
rodadas de centenas, milhares ou mesmo dezenas de milhares de simulaes de
valores das variveis de interesse.
Para as nossas rodadas, tomemos algarismos de dois dgitos na tabela de
nmeros aleatrios, de forma que seja simples o acompanhamento. Para
ilustrarmos a liberdade em tomar os nmeros, faamos da seguinte forma: vamos
escolher nmeros da primeira coluna esquerda, tomando o segundo e o terceiro
nmeros (da esquerda para a direita) em cada linha. Sendo assim, percebemos
que o primeiro nmero 94; o segundo, 57; o terceiro, 53 e assim por diante.
Terminando a primeira coluna, recomecemos com a segunda. Os resultados
esto na Tabela 05 abaixo, na qual j foi colocado, ao lado do nmero obtido da
Tabela 02, o valor correspondente da varivel.

45

Tabela 05: Resultados de 40 rodadas de simulao.

Fonte: Moreira (2007).

interessante ainda compararmos a mdia obtida com as 40 rodadas de


simulao (8,75) com a mdia real, que podemos calcular a partir da distribuio
de frequncias:

Mdia real = 4 x (0,15) + 7 x (0,15) + 8 x (0,38) + 13 x (0,25) + 14 x (0,07) = 8,92

A mdia real um pouco superior mdia obtida com as simulaes;


podemos verificar por si mesmo por que isso acontece, examinando a Tabela 06
abaixo, que d as frequncias originais dos valores da varivel ao lado das
frequncias obtidas com a simulao. Claramente, a simulao atribuiu
frequncias maiores que as reais aos valores mais baixos da varivel.

46

Tabela 06: Comparao das frequncias reais e simuladas.


Valor

Frequncia Real

Frequncia
Simulada

0,15

0,30

0,15

0,05

0,38

0,325

13

0,25

0,175

14

0,07

0,15
Fonte: Elaborado pelo prprio autor.

Situao problema (Adaptada de Moreira, 2007): vamos agora trabalhar


com um exemplo em que as frequncias podem ser obtidas de maneira terica,
antes mesmo de se fazer qualquer experimento. Conhecendo essas frequncias,
faremos a atribuio de faixas de nmeros e simularemos 50 rodadas.
Imaginemos um experimento no qual se faz o lanamento de dois dados de forma
simultnea. Cada dado tem seis faces, numeradas de 1 a 6; se os dados no
forem viciados, a probabilidade de se retirar qualquer um dos seis nmeros no
lanamento ser a mesma. Vamos tomar a soma dos dois dados. O menor valor
obtido ser a soma 2, que ocorre quando os dois dados do o mesmo nmero 1
(e s nessa eventualidade); o maior valor ser a soma 12, quando ambos os
dados sarem com um 6 (e s nessa eventualidade). Por outro lado, a soma 3
tanto pode resultar de o primeiro dado sair com o nmero 1 e o segundo com o
nmero 2, como o inverso. Algumas somas sero mais frequentes que outras,
porque advm de um maior nmero de possibilidades de combinao de
nmeros. A Tabela 07 mostra todas as combinaes possveis no lanamento de
dois dados, designados como A e B.

Tabela 07: Resultados e somas possveis nos lanamentos de dois dados


no viciados.

Dado

Dado

Soma

Dado

Dado

B
3

Soma

Dado Dado Soma


A

B
6

47

10

11

10

11

10

12

Fonte: Elaborado pelo prprio autor.

Como podemos visualizar, existem 36 possibilidades de soma no


lanamento, correspondendo a todas as combinaes numricas; como j foi dito
anteriormente, a maioria dos valores de soma aparece mais de uma vez. Olhando
mais uma vez para a Tabela anterior, podemos montar sem dificuldades a Tabela
08 abaixo, que sintetiza os resultados, mostrando as frequncias de cada soma e
as respectivas frequncias acumuladas. Todavia, no sendo estritamente
necessrio, na Tabela 08, calculamos as frequncias acumuladas at em
milsimos,

que

nos

permitiu,

com

facilidade,

atribuir

os

nmeros

correspondentes para iniciar a simulao. Notemos que agora precisamos de


nmeros com trs dgitos.

Tabela 08: Resultados possveis e probabilidades no lanamento de dois


dados.
Valor

Frequncia Real

Frequncia

Frequncia

Faixa

de

Acumulada

Acumulada

Nmeros

(milsimos) atribuda
2

1/36

1/36

0,028

000 027

2/36

3/36

0,056

028 055

3/36

6/36

0,177

056 176

48

4/36

10/36

0,278

177 277

5/36

15/36

0,417

278 416

6/36

21/36

0,583

417 582

5/36

26/36

0,722

583 721

4/36

30/36

0,833

722 832

10

3/36

33/36

0,917

833 916

11

2/36

35/36

0,972

917 971

12

1/36

36/36

1,000

972 999

Fonte: Elaborado pelo prprio autor.

Faamos agora 50 rodadas de simulao, utilizando a penltima coluna de


nmeros ao acaso da Tabela 02 (a dcima coluna, a contar da esquerda, ou a
segunda, a contar da direita). Vamos ler algarismos formados pelo segundo,
terceiro e quarto dgitos da coluna, de cima para baixo. Terminando essa
penltima coluna, reiniciaremos a leitura na ltima coluna (a primeira, da direita
para a esquerda), procedendo de forma idntica, at completar as 50 rodadas. O
aluno pode verificar que os primeiros nmeros so 813, 410, 198, e assim por
diante. Os resultados esto na Tabela 09 a seguir:
Tabela 09: Resultados de 50 rodadas de simulao.

Fonte: Moreira (2007).

49

Podemos verificar a aproximidade entre a mdia real da soma (7) e a


mdia simulada (7,34). A tendncia de que esses valores se aproximem ainda
mais, medida que aumente o nmero de rodadas de simulao.

Figura 14: Nmeros ao Acaso: Mdia Simulada aproximadamente igual Mdia Real.
Fonte: Elaborado pelo prprio autor.

2.5 Casos peculiares da simulao


A partir dos conceitos preliminares (simples) de simulao, esperamos
agora utiliz-los a alguns casos importantes. Em verdade, vamos agora aplicar
esses conceitos a dois casos que merecem destaque: a simulao a partir de
uma distribuio terica de probabilidade e a simulao simultnea de duas
variveis.

50

Figura 15: Casos interessantes envolvendo a Simulao.


Fonte: Elaborado pelo prprio autor.

2.6 Simulando via distribuio terica de probabilidades


Vimos que uma das distribuies discretas mais importantes na Teoria das
Filas a Distribuio de Poisson (que uma distribuio discreta de
probabilidade), motivo pelo qual a escolhemos para exemplificar como se pode
simular a partir de uma distribuio terica. Embora estejamos trabalhando com
uma distribuio discreta, devemos salientar que possvel (e bastante comum)
empreender simulaes a partir tambm de distribuies contnuas de
probabilidade (como por exemplo, com a Distribuio Normal de Gauss).

51

A DISTRIBUIO DE POISSON

A Distribuio de Poisson pode ser usada para determinar a


probabilidade de um dado nmero de sucessos quando os eventos
ocorrem em um continuum de tempo ou espao. Tal processo, chamado de
processo de Poisson, simular ao processo de Bernoulli (Ver Referncia
3), exceto que os eventos ocorrem em um continuum ao invs de
ocorrerem em tentativas ou observaes fixadas. Um exemplo de tal
processo a chegada de chamadas de uma central telefnica. Vejamos
mais alguns exemplos de processos de Poisson:
- chamadas telefnicas por unidade de tempo;
- defeitos por unidade de rea;
- acidentes por unidade de tempo;
- chegada de clientes a um supermercado por unidade de tempo;
- nmero de glbulos sanguneos visveis ao microscpio por unidade de
rea.

Situao problema (Adaptada de Moreira, 2007): a chegada de clientes


bilheteria de um teatro obedece a uma distribuio de Poisson com taxa de 1,2
cliente por minuto. Empreender 50 minutos de simulaes, verificando quantos
clientes chegam a cada minuto.

Soluo: Se denominarmos de k ao nmero de clientes que chegam ao


caixa em cada minuto, temos que:
(I)

P(k) =

ke

k!

Que a expresso (ou frmula) que d a probabilidade de k sucessos em


um intervalo t (tempo, rea, ...), onde:

52

= 1,2 cliente por minuto


e = 2,7183.... (Constante de Euler)

Para simularmos, preciso antes calcular a probabilidade associada a


cada um dos valores possveis de k; embora, em princpio, o valor de k possa
crescer indefinidamente, na prtica, apenas poucos valores tero probabilidades
significativas. Aplicando a Equao (I) podemos montar a Tabela 10 abaixo, em
que j foram colocadas as probabilidades acumuladas e as faixas de nmeros
correspondentes, para permitir a simulao.

Tabela 10: Clculo de probabilidade (Poisson).


k

P(k)

Probabilidades Faixa
Acumuladas

de

Nmeros
atribuda

0,301

0,301

000 300

0,361

0,662

301 661

0,217

0,879

662 878

0,087

0,966

879 965

0,026

0,992

966 991

0,006

0,998

992 997

0,002

1,000

998 999

Fonte: Elaborado pelo prprio autor.

Vamos empreender agora a simulao do comportamento da chegada ao


caixa durante 50 minutos, tomando os nmeros ao acaso a partir da terceira
coluna, da esquerda para a direita. Em cada linha, sero tomados os trs ltimos
nmeros. Terminando a terceira coluna, sero tomados os nmeros da quarta, e
assim por diante. Os resultados esto na Tabela 11 abaixo:

53

Tabela 11: Cinquenta rodadas de simulao a partir da distribuio de


Poisson.

Fonte: Moreira (2007).

Fizemos a soma dos valores do nmero de clientes que chegam em cada


minuto (61); reparemos que a mdia de clientes que chegam ao caixa em cada
minuto (1,22) aproxima-se bastante da mdia da Poisson (1,2). Devemos
observar que medida que aumentar o nmero de rodadas, esses valores
tendem a se aproximar cada vez mais.

2.7 Simulando duas variveis simultaneamente


O exemplo que ser mostrado aqui, referente parte da Simulao
Simultnea de Duas Variveis, foi inspirado no estudo de caso da Giftware
Company, apresentado por Barry Shore, no livro Quantitative Methods for
Business decisions: Text and cases (1978, p.355-360).

Situao problema (Adaptada de Moreira, 2007): para certo projeto, cuja


durao de um ano e cujo investimento inicial de R$ 200.000,00, so
conhecidas as distribuies de frequncias da receita e da despesa ao final do
ano. Essas distribuies so apresentadas, respectivamente, na Tabela 12 e na
Tabela 13 abaixo, nas quais j foram calculadas as frequncias acumuladas e j
foram atribudas as faixas de nmeros para simulao. Definamos o Coeficiente

54

de Benefcio/Custo como o quociente do lucro ao final de um ano dividido


pelo investimento inicial. Sendo assim, vamos determinar a distribuio de
frequncias desse coeficiente, tomando como base 40 rodadas de simulao.

Tabela 12: Distribuio de frequncias da receita.


Receita

Frequncia

Frequncia

Faixa

estimada

Acumulada

Nmeros

800.000

0,20

0,20

00 19

700.000

0,40

0,60

20 59

600.000

0,25

0,85

60 84

500.000

0,15

1,00

85 99

de

Fonte: Elaborado pelo prprio autor.

Tabela 13: Distribuio de frequncia da despesa.


Receita

Frequncia

Frequncia

Faixa

estimada

Acumulada

Nmeros

400.000

0,10

0,10

00 09

500.000

0,40

0,50

10 49

600.000

0,30

0,80

50 79

700.000

0,20

1,00

80 99

de

Fonte: Elaborado pelo prprio autor.

55

Tabela 14: Simulao de 40 rodadas de receita e despesa.

Fonte: Moreira (2007).

Soluo: Para determinarmos a distribuio de frequncias do Coeficiente


de Beneficio/Custo, faremos 40 rodadas de simulao, tanto da receita como da
despesa. A diferena entre essas duas quantidades nos dar o lucro que, dividido
pelo investimento inicial (que de R$ 200.000,00), fornecer o Coeficiente de
Beneficio/Custo. A anlise dos diferentes valores do coeficiente nos dar a sua
distribuio de frequncias. A Tabela 14 acima apresenta os resultados. O
nmero ao acaso para a gerao da receita foi obtido a partir da primeira linha de
cima para baixo, de maneira contnua, tomando-se os quatro ltimos dgitos da
coluna, de dois em dois. Para a gerao da despesa, foi tomada a primeira linha
de baixo para cima, tambm de maneira contnua, de dois em dois dgitos.
Finalmente, vemos que o Coeficiente de Benefcio/Custo varia entre os valores 0,4 e 0,33, com a distribuio consolidada que mostramos na Tabela 15 a seguir.
Devemos salientar que a frequncia obtida dividindo-se o nmero de ocorrncia
por 40:

56

Tabela 15: Distribuio de frequncias do coeficiente de benefcio/custo.

Coeficiente
Beneficio/Custo

de Nmero de Frequncia
Ocorrncias

- 0,4

0,025

- 0,2

0,025

- 0,17

0,05

0,15

0,125

0,05

0,14

0,1

0,17

0,1

0,25

0,15

0,29

0,175

0,33

0,1

0,375

0,075

Total

40

1,000
Fonte: Elaborado pelo prprio autor.

Dessa forma, notemos que a faixa de valores relativamente ampla, e o


Coeficiente Mdia de 0,163.
Vejamos agora mais algumas aplicaes simuladas resolvidas, envolvendo
os tpicos discutidos anteriormente relacionando a Teoria da Simulao.

Situao problema (Adaptada de Moreira, 2007): em um determinado dia


da semana, chegam em mdia, a um guich de pedgio,1,8 carro por minuto.
Admitindo que a chegada de carros ao guich obedea a uma distribuio de
Poisson, realizar uma simulao abrangendo 60 minutos de operao de guich.

Soluo: Devemos simular o nmero de carros que chegam a cada


minuto, durante o intervalo de 60 minutos, obedecendo a uma distribuio de
Poisson:
P(k) =

k e
k!

57

Onde:
k = nmero de carros chegando ao guich em um dado minuto

= 1,8 carro por minuto


e = 2,7183

O nmero k pode, teoricamente, assumir valores desde 0 (zero) at


qualquer nmero positivo inteiro que se queira, mas na prtica existe um limite a
partir do qual podemos considerar P(k) = 0. A tabela a seguir mostra os valores de
k e as respectivas probabilidades e probabilidade acumuladas:

P(k)

Probabilidades Faixa
Acumuladas

de

Nmeros
atribuda

0,165

0,165

000 164

0,298

0,463

165 462

0,268

0,731

463 730

0,161

0,892

731 891

0,072

0,964

892 963

0,026

0,990

964 989

0,008

0,998

990 997

0,002

1,000

998 999

Agora vamos proceder simulao. Na tabela seguinte, os nmeros ao


acaso foram tomados da tabela de nmeros ao acaso, a partir do primeiro dgito
da primeira linha, da esquerda para a direita.

Nmero

Nmero

Nmero

Nmero

Nmero

Nmero

ao acaso

de carros ao acaso

de carros ao acaso

de carros

chegando

chegando

chegando

58

ao guich

ao guich

ao guich

294

130

561

079

021

038

904

518

784

977

831

646

766

205

894

177

700

254

258

758

019

112

425

825

037

490

766

314

920

003

858

664

449

175

953

661

092

806

198

427

544

831

781

108

696

881

040

049

395

530

923

837

536

353

395

073

389

711

767

959

Podemos agora agrupar os diversos nmeros de carros chegando ao


guich e calcular suas frequncias relativas. Se considerarmos que as
frequncias obtidas com o auxlio da distribuio de Poisson so as esperadas e,
que foram conseguidas com a simulao, foram realmente as obtidas, podemos
montar a tabela a seguir, que faz a comparao entre elas:

Nmero

de

carros Frequncia esperada

chegando ao guich
0

Frequncia obtida por


simulao

0,165

0,217

59

0,298

0,267

0,268

0,200

0,161

0,217

0,072

0,083

0,026

0,017

0,008

0,002

Notemos que a mdia obtida com a simulao foi de 1,735, bastante


prxima mdia real, que era de 1,8 carro por minuto.

Situao problema (Adaptada de Moreira, 2007): uma determinada


empresa planeja o lanamento de um produto, o qual cercado de diversos
elementos de risco. Assim, a demanda dos primeiros seis meses probabilstica,
no havendo no mercado um similar perfeito que permita uma previso com total
segurana; o custo unitrio de produo tambm cercado de indefinies, pois
certos detalhes de projetos, que influenciam diretamente no custo, no esto
ainda disponveis. Finalmente, em parte, pelas indefinies no custo e, em parte,
por falta de pesquisas de mercado, tambm o preo de venda pelo qual o produto
poder ser vendido no pode ser conhecido com preciso. As distribuies de
probabilidade estimadas para a demanda, o custo unitrio de produo e o preo
de venda so apresentados a seguir. Nessas tabelas, j foram computadas as
probabilidades acumuladas e foram atribudas as faixas de nmeros para
simulao.

Tabela 16: Distribuio de probabilidade da demanda dos primeiros seis


meses.
Demanda

Probabilidade

(unidades)

Probabilidade

Faixa

de

Acumulada

nmeros

50.000

0,15

0,15

00 14

100.000

0,25

0,40

15 39

150.000

0,35

0,75

40 74

60

200.000

0,25

1,00

75 99

Fonte: Elaborado pelo prprio autor.

Tabela 17: Distribuio de probabilidade do custo unitrio.


Custo Unitrio

Probabilidade

(R$)

Probabilidade

Faixa

de

Acumulada

nmeros

70

0,20

0,20

00 19

90

0,40

0,60

20 59

120

0,40

1,00

60 99

Fonte: Elaborado pelo prprio autor.

Tabela 18: Distribuio de probabilidade do preo de venda.


Preo de Venda Probabilidade

Probabilidade

Faixa

de

(R$)

Acumulada

nmeros

120

0,10

0,10

00 09

130

0,20

0,30

10 29

140

0,40

0,70

30 69

150

0,30

1,00

70 99

Fonte: Elaborado pelo prprio autor.

Sabendo-se que o lanamento do produto implica tambm um investimento


fixo de R$ 5.000.000,00 determinar o lucro mdio esperado para os seis primeiros
meses de venda do produto, usando para isso 20 rodadas de simulao.

Soluo: Inicialmente, notemos que o lucro derivado da venda do produto


ser dado por:

Lucro = Receita total Custo de Produo Investimento Inicial

Por outro lado:

61

Receita total = (demanda)(preo de venda)

Custo de produo total = (demanda) (custo unitrio de produo)

Logo,

Lucro = (demanda) (preo de venda) (demanda) (custo unitrio de


produo) investimento inicial = demanda (preo de venda custo unitrio
de produo) investimento inicial

A cada rodada, devemos tomar trs nmeros ao acaso: um para simular a


demanda, outro para simular o custo unitrio e o ltimo para simular o preo de
venda. Esses nmeros foram assim tomados:
para simular a demanda o segundo e terceiro nmero de cada coluna,
na terceira e na quarta linha, de cima para baixo;
para simular o custo unitrio de produo o segundo e o terceiro
nmero de cada coluna, na quinta e na sexta linha, de cima para baixo;
para simular o preo de venda o segundo e o terceiro nmero de cada
coluna, na stima e na oitava linha, de cima para baixo.
Os resultados das 20 rodadas de simulao esto na tabela a seguir:

Resultados de 20 rodadas de simulao: lanamento de um produto.

(1)

(2)

(3)

(4)

(5)

(6)

(7) = (6 4)

Nmero

Demanda

Nmero

Custo

Nmero

Preo

ao

(unidades) ao

Unitrio

ao

de

5.000.000,0

(R$)

acaso

Venda

(R$)

Lucro (R$)

acaso

acaso

(2)

53

150.000

05

70

63

140

5.500.000

37

100.000

10

70

48

140

2.000.000

61

150.000

90

120

20

130

- 3.500.000

62

78

200.000

04

70

24

130

7.000.000

68

150.000

93

120

94

150

- 500.000

54

150.000

94

120

88

10

- 500.000

82

200.000

48

90

98

150

7.000.000

60

150.000

86

120

60

140

- 2.000.000

49

150.000

81

120

16

130

- 3.500.000

19

100.000

67

120

02

120

- 5.000.000

16

100.000

75

120

98

150

- 2.000.000

49

150.000

90

120

52

140

- 2.000.000

35

100.000

02

70

06

120

99

200.000

28

90

85

150

7.000.000

24

100.000

27

90

85

150

1.000.000

66

150.000

62

120

05

120

24

100.000

53

90

74

150

1.000.000

57

150.000

61

120

99

150

- 500.000

04

50.000

48

90

19

130

2.000.000

76

200.000

36

90

86

150

7.000.000

Soma

20.000.000

Lucro

1.000.000

Mdio
Fonte: Elaborado pelo prprio autor.

O lucro total, para as 20 rodadas de simulao, de R$ 20.000.000,00;


logo, o lucro mdio ser de

20.000.000
= R$1.000.000,00. Considerando-se o
20

investimento fixo de R$ 5.000.000,00, o lucro mdio representa uma taxa de


retorno mensal, para os seis primeiros meses, de 20%.

63

REFERNCIAS
ANDERSON, Sweeney, Williams. Estatstica Aplicada Administrao e
Economia. So Paulo: Pioneira, 2003.
ANDRADE, Eduardo Leopoldino de. Introduo Pesquisa Operacional:
mtodos e modelos para a anlise de deciso. 2 Edio. Rio de Janeiro: LTC
Editora, 2002.
CORRER, Luiz J. THEFILO, Carlos Renato. Pesquisa Operacional: para a
deciso em Contabilidade e Administrao. Contabilometria. 1 Edio. So
Paulo: Editora Atlas, 2004.
FONSECA, Jairo S. da; MARTINS, Gilberto de A.. Curso de estatstica. 6. ed..
So Paulo: Atlas, 2009.
HORNGREN, Charles T. ET AL. Contabilidade de custos. 9 ed. Rio de Janeiro:
LTC, 1997.
LACHTERMACHER, Gerson. Pesquisa Operacional na tomada de decises. 4
Ed. So Paulo: Pearson Prentice Hall, 2009.
MARTINS, Gilberto de Andrade. Estatstica geral e aplicada. 3. ed.. So Paulo:
Atlas, 2010.
MILONE, Giuseppe. Estatstica geral e aplicada. So Paulo: Cengage Learning,
2009.
MOORE, David. A Prtica da Estatstica Empresarial: como usar dados para
tomar decises. Rio de Janeiro: LTC Editora, 2006.
MOREIRA, Daniel Augusto. Pesquisa Operacional: curso introdutrio. So
Paulo: Thomson Learning, 2007.
MORETTIN, Pedro A.; BUSSAB, Wilton de O. Estatstica bsica. 6. ed.. So
Paulo: Saraiva, 2010.
RAGSALE, Cliff T. Modelagem e Anlise de Deciso. Edio Revisada. So
Paulo: Cengage Linerning, 2009.
SILVA, ERMES MEDEIROS da; SILVA, ELIO MEDEIROS da; GONALVES,
VALTER; MUROLO, AFRNIO C.. Pesquisa Operacional. So Paulo: Editora
Atlas, 1998.