SIMULAÇÃO

Prof. Dr. Hercules de Souza 1

 Introdução

Existem várias técnicas quantitativas aplicadas

na solução de problemas gerenciais. Apesar
da enorme contribuição destas técnicas, em
algumas situações elas tem seu potencial
limitado. Isso ocorre quando há incerteza
quanto aos valores assumidos por uma ou
mais variáveis do problema:

Prof. Dr. Hercules de Souza 2

 Introdução

a) Uma empresa deseja determinar qual a

probabilidade de que um produto seja
lucrativo;
b) Uma empresa quer saber quantas unidades
de um produto devem mantidas em estoque,
para que a demanda não atendida não
ultrapasse 5%;

Prof. Dr. Hercules de Souza 3

 Introdução

c) Uma empresa deseja conhecer o número

mínimo de telefonistas requeridas para que
apenas 3% das solicitações de informações
não sejam atendidas de imediato;

d) Uma fábrica quer programar sua produção,

definir níveis de estoques e número de
funcionários e planejar suas necessidades de
investimento.
Prof. Dr. Hercules de Souza 4
 Histórico

A história da simulação remonta aos jogos

de guerra chineses, há 5000 anos. Os
povos prússios utilizaram esses jogos no
final do século XVIII como auxílio ao
treinamento militar de suas tropas.

Prof. Dr. Hercules de Souza 5

• Durante a Segunda Guerra Mundial, o matemático
hungaroamericano John Von Neumann, em seu trabalho no
Projeto Manhattan (bomba atômica), criou um novo conceito,
denominado Simulação de Monte Carlo. O trabalho consistia
na simulação direta de problemas probabilísticos relacionados
com a difusão aleatória das partículas de nêutrons quando
submetidas a um processo de fissão nuclear.

28 de dezembro de 1903, Budapeste, Hungria.

8 de fevereiro de 1957, Washington, USA.

Prof. Dr. Hercules de Souza 6

 Histórico

O nome Monte Carlo foi cunhado pelo cientista

Nicholas Metropolis, inspirado no interesse
por pôquer de seu colega Stanislaw Ulam
(matemático polaco que participou do Projeto
Manhattan). Buscou-se na similaridade que a
simulação estatística desenvolvida por eles
tinha com os jogos de azar, simbolizados nas
roletas do cassino de Monte Carlo, na capital
do principado de Mônaco.

Prof. Dr. Hercules de Souza 7

 Histórico

Atualmente, graças ao desenvolvimento dos

recursos computacionais, este método é
usado rotineiramente em diversas áreas,
desde a simulação de fenômenos físicos
complexos, como o transporte da radiação na
atmosfera terrestre, até na simulação do
resultado de loterias.

Prof. Dr. Hercules de Souza 8

 Modelo

Modelo é uma representação simplificada da realidade, cujo

propósito é permitir a compreensão do sistema e prever seu
comportamento sob determinadas condições.
Os modelos podem ser físicos ou matemáticos. A construção
para testes do modelo de um carro é um exemplo de modelo
físico.
Os modelos matemáticos representam, em termos lógicos e
quantitativos, os relacionamentos entre as variáveis. Os
modelos matemáticos podem ter uma solução analítica ou
por meio da simulação.

Prof. Dr. Hercules de Souza 9

 Simulação

O objetivo da simulação é descrever a

distribuição e as características dos possíveis
valores da variável dependente Y, depois de
determinados os possíveis valores e os
comportamentos das variáveis independentes
X1,X2,...,Xn.

Prof. Dr. Hercules de Souza 10

Diferentemente da programação linear, que é uma
técnica de otimização (busca de uma solução mais
adequada entre diversas soluções alternativas), a
simulação NÃO determina a solução ótima. Ela torna
possível, pelo exame dos experimentos, a realização
de inferências sobre o comportamento do sistema,
uma vez que as observações realizadas representam
apenas uma amostra do conjunto total das
observações.

Prof. Dr. Hercules de Souza 11

 O método de Monte Carlo

O que se deseja na simulação é manter a

atenção sobre as variáveis de interesse. Uma
ou mais dessas variáveis deverão ter seus
valores numéricos simulados, enquanto o
efeito dessa simulação sobre outras variáveis
de interesse será mensurado.

Prof. Dr. Hercules de Souza 12

 O método de Monte Carlo

As variáveis cujos valores queremos simular são

variáveis probabilísticas, ou seja, variáveis
aleatórias que podem assumir um conjunto de
valores, cada qual associado a uma
determinada frequência de ocorrência ou
probabilidade.

Prof. Dr. Hercules de Souza 13

 O método de Monte Carlo

Vamos supor que queremos simular o comportamento

de uma variável cujos valores numéricos possíveis e
respectivas frequências são dados na tabela abaixo:

Valor frequência
4 0,15
7 0,15
8 0,38
13 0,25
14 0,07

Prof. Dr. Hercules de Souza 14

Deve-se esperar que, na simulação, o valor 8 apareça
mais vezes que o valor 13, deve-se esperar também
que os valores 4 e 7 apareçam aproximadamente o
mesmo número de vezes, isso é o que irá acontecer
se simularmos um número bastante grande de
valores da variável.

Prof. Dr. Hercules de Souza 15

É preciso ter uma abordagem para simular o
comportamento das variáveis probabilísticas
de interesse, uma das abordagens mais
conhecidas é o chamado Método de Monte
Carlo.

Prof. Dr. Hercules de Souza 16

O método de Monte Carlo consiste na geração
artificial de valores das variáveis de interesse,
com o auxílio de números aleatórios. A cada
faixa de frequências, atribui-se uma faixa
correspondente de números ao acaso. Esses
números podem ser selecionados ou gerados
de várias formas: a) pedaços de papel
numerados e colocados em uma urna, b) bolas
numeradas, c) sub-rotina de computador, etc.

Prof. Dr. Hercules de Souza 17

A geração de números aleatórios é bastante facilitada
com o uso de planilhas eletrônicas, que trazem uma
função já programada para a tarefa.

Prof. Dr. Hercules de Souza 18

Para visualizar a utilização dos números aleatórios vamos
retomar à tabela anterior acrescentando uma coluna com as
frequências acumuladas:

Valor Frequência Frequência

acumulada
4 0,15 0,15
7 0,15 0,30
8 0,38 0,68
13 0,25 0,93
14 0,07 1,00

A cada uma das faixas de frequências, vamos atribuir um

conjunto de números compatível com as extensão da faixa.

Prof. Dr. Hercules de Souza 19

 Valor Frequência Frequência
acumulada
4 0,15 0,15
7 0,15 0,30
8 0,38 0,68
13 0,25 0,93
14 0,07 1,00

Atribui-se 15 números ao valor 4, 15 ao valor 7 e assim por diante. Daí

ficamos:
Valor Frequência Frequência Números
acumulada atribuídos
4 0,15 0,15 00 a 14
7 0,15 0,30 15 a 29
8 0,38 0,68 30 a 67
13 0,25 0,93 68 a 92
14 0,07 1,00 93 a 99
Prof. Dr. Hercules de Souza 20
Fazendo agora, para efeito didático, 40 rodadas de simulação, ou
seja, vamos simular 40 valores da variável. Na prática isso é
pouco pois com computadores se faz centenas e até milhares
de simulações.

Para as rodadas, tomemos algarismos de dois dígitos na tabela

de números aleatórios. Para ilustrar a liberdade em tomar os
números, vamos escolher números da 1ª coluna à esquerda,
tomando o segundo e terceiro números (da esquerda para a
direita) em cada linha. O 1º número é o 94, o 2º número é o
57, o 3º é o 53 e assim por diante. Os resultados estão na
tabela a seguir:

Prof. Dr. Hercules de Souza 21

Prof. Dr. Hercules de Souza 22
A média real = 4(0,15)+7(0,15)+8(0,38)+13(0,25)+14(0,07)=8,92

A média real é um pouco superior à média obtida pelas

simulações, isso se deve ao fato das frequências obtidas pela
simulação variarem um pouco em relação às frequências
originais.

Valor Frequência real Frequência simulada

4 0,15 0,175
7 0,15 0,10
8 0,38 0,425
13 0,25 0,25
14 0,07 0,05

Prof. Dr. Hercules de Souza 23

Exemplo: lançamento de dois dados não viciados,
toma-se a soma dos dois dados:
Dado A Dado B Soma Dado A Dado B Soma Dado A Dado B Soma

1 1 2 3 1 4 5 1 6

1 2 3 3 2 5 5 2 7

1 3 4 3 3 6 5 3 8

1 4 5 3 4 7 5 4 9

1 5 6 3 5 8 5 5 10
1 6 7 3 6 9 5 6 11

2 1 3 4 1 5 6 1 7

2 2 4 4 2 6 6 2 8

2 3 5 4 3 7 6 3 9

2 4 6 4 4 8 6 4 10

2 5 7 4 5 9 6 5 11

2 6 8 4 6 10 6 6 12

Soma total = 252 e a média = 7,0

Prof. Dr. Hercules de Souza 24
Prof. Dr. Hercules de Souza 25
Prof. Dr. Hercules de Souza 26
Como já foi visto no tópico sobre a Teoria de Filas, uma
das distribuições discretas mais importantes nessa
teoria é a distribuição de Poisson, motivo pelo qual
será usada para exemplificar como se pode simular a
partir de uma distribuição teórica.

Exemplo: A chegada de clientes à bilheteria de um

teatro obedece a uma distribuição de Poisson com
taxa de 1,2 clientes por minuto. Empreender a
simulação do comportamento da chegada ao caixa
durante 50 minutos

Prof. Dr. Hercules de Souza 27

Se chamarmos de k ao número de clientes que chegam
ao caixa em cada minuto, temos:
k -
 e
P(k) =
k!
Onde µ = 1,2 cliente/minuto.

Para simular é preciso antes calcular a probabilidade

associada a cada um dos valores possíveis de k,
embora k possa crescer indefinidamente na prática
poucos valores terão probabilidades significativas.

Prof. Dr. Hercules de Souza 28

 K P(k) Probabilidades acumuladas Faixas de números
0 0,301 0,301 000-300
1 0,361 0,662 301-661
2 0,217 0,879 662-878
3 0,087 0,966 879-965
4 0,026 0,992 966-991
5 0,006 0,998 992-997
6 0,002 1,000 998-999

Vamos empreender a simulação do comportamento da

chegada ao caixa durante 50 minutos

Prof. Dr. Hercules de Souza 29

Tomando os números
ao acaso a partir da
terceira coluna, da
esquerda para a
direita, em cada
linha serão tomados
os três últimos
números.

Prof. Dr. Hercules de Souza 30

Prof. Dr. Hercules de Souza 31
 Vantagens da simulação

a) viabiliza o estudo do comportamento de um

sistema por meio de modelos e, assim, não
interfere no sistema real;
b) permite "comprimir o tempo", fazendo com
que dados relativos a meses e anos futuros
possam ser obtidos em um pequeno período
de tempo;

Prof. Dr. Hercules de Souza 32

 Vantagens da simulação
c) geralmente, os sistemas com variáveis aleatórias só
podem ser investigados com o emprego de
simulação, pois, por serem complexos, torna-se
inviável a solução analítica das equações
matemáticas que os descrevem;
d) as alternativas de operação de um sistema podem
ser comparadas;
e) permite avaliar as interações existentes entre as
diversas variáveis de um sistema.

Prof. Dr. Hercules de Souza 33

 Exercício 1
Suponhamos que uma empresa de varejo, do ramo
farmacêutico, deseja simular sua demanda diária de
vitamina C no estoque. É preciso, inicialmente, que
se identifiquem as frequências relativas das
demandas diárias.

Prof. Dr. Hercules de Souza 34

Prof. Dr. Hercules de Souza 35
Escolhido um número aleatório entre 00 e 99 (distribuição
uniforme), teremos a demanda correspondente na tabela
seguindo as frequências relativas estabelecidas.

Demanda Frequência Frequência Números do

diária (dias) relativa sorteio
(frascos)
10 30 0,3 00 a 29
11 30 0,3 30 a 59
12 40 0,4 60 a 99
Total 100 1

Prof. Dr. Hercules de Souza 36

 Exercício 2

Em um determinado dia da semana, chegam em

média, a um guichê de pedágio, 1,8 carros por
minuto. Admitindo que a chegada de carros
ao guichê obedeça a uma distribuição de
Poisson, realizar uma simulação abrangendo
60 minuto de operação do guichê. Qual será
essa média obtida pela simulação?

Prof. Dr. Hercules de Souza 37

 K P(k) Probabilidades Faixas de números
acumuladas
0 0,165 0,165 000-164
1 0,298 0,463 165-462
2 0,268 0,731 463-730
3 0,161 0,892 731-891
4 0,072 0,964 892-963
5 0,026 0,990 964-989
6 0,008 0,998 990-997
7 0,002 1,000 998-999

Tomemos os números na tabela de números

aleatórios a partir do 1º dígito da 1ª linha, da
esquerda para a direita
Prof. Dr. Hercules de Souza 38
Prof. Dr. Hercules de Souza 39
 Exercício 03

Uma empresa planeja o lançamento de um produto, o qual é

cercado de diversos elementos de risco. Assim, a demanda
dos primeiros seis meses é probabilística, não havendo no
mercado um similar perfeito que permita uma previsão com
total segurança: o custo unitário de produção também é
cercado de indefinições, pois certos detalhes de projeto que
influenciam diretamente no custo, não estão ainda
disponíveis . Finalmente, em parte pelas indefinições no custo
e em parte por falta de pesquisas de mercado, também o
preço de venda pelo qual o produto poderá ser vendido não
pode ser conhecido com precisão.

Prof. Dr. Hercules de Souza 40

Continuação do exercício 03: As distribuições de probabilidade
estimadas para a demanda, o custo unitário de produção e o
preço de vendas estão nas tabelas abaixo:
Demanda: Demanda Probabilidade Probabilidade Faixa de
(unidades) acumulada números
50.000 0,15 0,15 00-14

100.000 0,25 0,40 15-39

150.000 0,35 0,75 40-74

200.000 0,25 1,00 75-99

Custo unitário: Custo unitário Probabilidade Probabilidade Faixa de números

(R$) acumulada
70 0,20 0,20 00-19

90 0,40 0,60 20-59

120 0,40 1,00 60-99

Prof. Dr. Hercules de Souza 41

Preço de venda: Preço Probabilidade Probabilidade Faixa de
venda R$ acumulada números
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

Pede-se: Sabendo que o lançamento do produto

implica também em um investimento fixo de R$
5.000.000,00, determinar o lucro médio esperado
para os seis primeiros meses de venda do produto,
usando para isso 20 rodadas de simulação, (em um
caso real seriam necessárias mais simulações).

Prof. Dr. Hercules de Souza 42

Lembrar que:
Lucro= receita total - custo de produção total
- investimento inicial;
Por sua vez:
Receita total = (demanda)(preço de venda)
Custo de produção total = (demanda) (custo unitário de
produção)
Logo:
Lucro = (demanda)(preço de venda) - (demanda) (custo
unitário de produção) - investimento inicial
Lucro = demanda(preço de venda - custo unitário de
produção) – investimento inicial.
Prof. Dr. Hercules de Souza 43
Fazer uma tabela com 20 linhas onde deve
constar:
Serão necessários realizar 20 rodadas de simulação, a cada rodada, deve-se
tomar 3 números ao acaso: um para simular a demanda, outro para
simular o custo unitário e o último para simular o preço de venda.

(1) (2) (3) (4) (5) (6) Lucro (R$)

Número Demanda Número Custo Número Preço de (7) =(2)x(6-4) -
ao acaso (unidades) ao acaso unitário (R$) ao acaso venda (R$) 5.000.000

Para padronização: Demanda: 2º e 3º números de cada coluna, da esquerda

para a direita , começando na 3ª e 4ª linha de cima para baixo.
Custo unitário: 2º e 3º número de cada coluna, na 5ª e 6ª linha de cima para
baixo.
Preço de venda: 2º e 3º número de cada coluna, na 7ª e 8ª linha de cima para
baixo
Prof. Dr. Hercules de Souza 44
Prof. Dr. Hercules de Souza 45
 Exercício 4
Um determinado órgão de fiscalização possui um veículo cujo
número de viagens semanais varia segundo a tabela abaixo:
Nº de viagens Frequência
por semana relativa
0 0,10
1 0,10
2 0,15
3 0,25
4 0,25
5 0,15

Sabe-se que o veículo precisa revisar o óleo do motor a cada 30

viagens. a) Simular o número de viagens por 54 semanas. b)
Após quantas semanas o óleo do motor precisará ser trocado?

Prof. Dr. Hercules de Souza 46