XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

MODELAGEM DE CONTRATOS DE
MANUTENÇÃO PARA EQUIPAMENTOS
HOSPITALARES USANDO SIMULAÇÃO
DISCRETA DE EVENTOS

Joao Mateus Marques de Santana (UFPE)

joaomateusmsantana@gmail.com
Marcio Jose das Chagas Moura (UFPE)
marciocmoura@gmail.com
Daniela Morais Pereira da costa (UFPE)
morais_dani@yahoo.com.br
Isis Didier Lins (UFPE)
isis.lins@gmail.com
Enrique Lopez Droguett (UFPE)
ealopez@ufpe.br

Este trabalho apresenta uma modelagem para a manutenção de

equipamentos hospitalares de alta complexidade tecnológica, focando
na interação entre fabricante, que é neutro ao risco e fornece os
serviços de manutenção, e hospitais, que são avessos ao risco e
adquirem o equipamento, também contratando os serviços oferecidos
pelo fabricante. A modelagem utiliza simulação discreta de eventos,
baseado em teoria das filas e equilíbrio de Stackelberg. É apresentado
um exemplo de aplicação utilizando dados reais de falha de um
equipamento de ressonância nuclear magnética em um hospital
brasileiro, sendo realizada uma análise de sensibilidade sobre os
principais parâmetros do modelo.
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

Palavras-chave: manutenção de equipamentos hospitalares, teoria das

filas, equilíbrio de Stackelberg

2
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

1. Introdução
O sucesso de qualquer organização depende do funcionamento adequado das atividades
realizadas, sendo essenciais, nesse sentido, a eficiência e a produtividade de suas operações.
Tais atividades dependem do funcionamento adequado dos equipamentos e ferramentas
utilizados; Murthy et al. (2015) destacam que o atendimento às especificações dos
equipamentos e componentes é imprescindível para que se garanta a produtividade.
Consequentemente, a manutenção assume um papel fundamental na garantia de sucesso.
Além da produtividade, a qualidade da manutenção é destacada por Quinlan et al. (2013)
como importante fator na garantia da segurança dos usuários, pois a realização adequada das
atividades de manutenção pode evitar a ocorrência de acidentes.

Diante disso, práticas adequadas de manutenção têm sido buscadas por empresas de diversos
setores, dentre eles o setor de saúde. Dyro (2004) destaca que a Engenharia Clínica (EC) –
que é a disciplina responsável por projetar, gerenciar e otimizar processos, técnicas e
equipamentos médicos – precisa assegurar o funcionamento dos sistemas de serviços
médicos, o que envolve, dentre outras atividades, a execução adequada das atividades de
manutenção.

Quanto, à tecnologia empregada em equipamentos hospitalares, observa-se uma grande

variedade; este trabalho foca em equipamentos de alta complexidade, os quais exigem alto
nível de treinamento para utilização e realização das atividades de manutenção. Conforme
afirmam Guedes et al. (2015), é frequente a contratação de agentes externos – especialmente o
fabricante do equipamento (OEM, do inglês original equipment manufacturer) – para a
realização das atividades de manutenção em equipamentos médicos de alta complexidade,
pois isso permite que hospitais e clínicas foquem em suas atividades centrais, transferindo
responsabilidades e riscos ao agente externo; comumente, o OEM é o agente mais capacitado
para realização da manutenção, devido ao seu conhecimento sobre o equipamento. De Vivo et
al. (2004) indicam que a contratação do OEM para realização da manutenção é uma
alternativa que pode reduzir custos e até viabilizar a realização das atividades da organização.

3
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

Tendo em vista a contratação dos serviços de manutenção para equipamentos hospitalares

prestados pelo fabricante, este trabalho apresenta uma modelagem da interação entre OEM e
seus clientes, que são os hospitais que avaliam a aquisição de um equipamento. Para isso, o
comportamento de falhas e reparos será replicado através de simulação discreta de eventos
(DES, do inglês discrete event simulation), com base em modelagem através de teoria das
filas. A interação entre OEM e hospitais, para decisão sobre a aquisição do equipamento e a
contratação dos serviços de manutenção, se dá através de uma modelagem de Stackelberg
(OSBORNE; RUBINSTEIN, 1994), em que cada jogador busca maximizar seu retorno
esperado.

Este trabalho estende o modelo analítico apresentado por Ashgarizadeh & Murthy (2000) ao
utilizar valores mais exatos através do uso de simulação; este trabalho também é uma
extensão do modelo apresentado por Santana et al. (2016) através da consideração das
características específicas dos equipamentos hospitalares. Além disso, é realizado um
exemplo de aplicação levando em consideração dados reais de falha de um equipamento de
ressonância magnética nuclear em um hospital brasileiro.

A seção 2 detalha a descrição do problema e apresenta a modelagem aplicada neste trabalho;

na seção 3 é apresentada a solução do modelo para as estratégias de decisão do OEM e dos
clientes; um exemplo de aplicação do modelo é apresentado na seção 4, utilizando, para tal,
dados reais de falha conforme supracitado; por fim, na seção 5 são feitas as considerações
finais acerca deste trabalho.

2. Formulação do modelo
Equipamentos hospitalares de alta complexidade podem chegar a custar alguns milhões de
reais, como é o caso do exemplo apresentado na seção 4, em que o equipamento em questão
custa mais de R$ 3 milhões. Juntamente com a compra do equipamento, o hospital recebe
uma garantia básica, podendo estendê-la. Caso a garantia não seja estendida, o hospital deve
pagar por cada reparo realizado, sempre que o equipamento falha. A modelagem dessas
características é apresentada nesta seção.

4
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

2.1. Descrição do problema

O OEM vende o equipamento por um valor C, oferecendo garantia básica com duração T0,
podendo ser estendida por período T1; nesta análise, a aquisição do equipamento é financiada,
sendo Cb  C o valor total pago durante o período T0 + T1, visto que o término do
financiamento pode ser posterior ao término do período analisado. Quando operacional, o
equipamento gera ao hospital receita R por hora, deixando de gerar tal receita enquanto falho.
Falhas ocorrem aleatoriamente com taxa média constante ; o OEM tem capacidade para
reparar um equipamento por vez, com taxa média constante . O custo médio, para o OEM,
decorrido de cada reparo é Cr. São vendidos K equipamentos, sendo cada um desses
comprado por um cliente (hospital) diferente, ou seja, cada hospital adquire, no máximo, um
equipamento. Observe que essa formulação pode ser considerada um modelo de fila M/M/1
com população finita de tamanho K; esse modelo de fila apresenta tempos entre chegadas e
tempos de reparos exponencialmente distribuídos, conforme indicam Arenales et al. (2007),
Hillier & Lieberman (2015) e Kleinrock (1975).

Durante o período de garantia básica T0, os custos de reparos são cobertos pelo OEM; a
receita que o hospital deixa de gerar enquanto os equipamentos estão falhos é reembolsada
pelo OEM. Do ponto de vista do OEM, esses custos são cobertos pelo preço de venda do
equipamento.

Juntamente com a decisão pela compra do equipamento, o hospital também deve decidir pela
aquisição da garantia estendida. Formalmente, existem três alternativas de decisão para o
cliente:

 A0: não comprar o equipamento e, consequentemente, não contratar serviços de

manutenção;

 A1: comprar o equipamento e contratar a garantia estendida com duração T1, que passa
a contar após o término do período de garantia básica T0 e tem preço Pw; durante o
período da garantia estendida, o custo com falhas é coberto pelo OEM; quando o
tempo y entre a ocorrência de uma falha e o término de seu respectivo reparo é maior

5
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

do que um limite  definido em contrato, o OEM deve pagar multa ao hospital no

valor de  (y – ), onde  é também definido em contrato; diferentemente do período
de garantia básica, as receitas não geradas não são reembolsadas pelo OEM;

 A2: comprar o equipamento, porém não contratar a garantia estendida; o hospital deve
arcar com os custos de manutenção, não recebendo qualquer reembolso ou multa do
OEM após o término do período de garantia básica T0; o OEM ainda realiza os reparos
sob demanda após o término da garantia, mas cobra um valor Cs por cada serviço
realizado.

O OEM é neutro ao risco e deseja maximizar seu lucro esperado; os hospitais são avessos ao
risco e desejam maximizar sua utilidade esperada. Considera-se que os hospitais são
homogêneos quanto ao comportamento em relação ao risco, portanto todos os clientes tomam
a mesma decisão. A utilidade de cada hospital é descrita pela eq. (1) (VARIAN, 1992), onde
w é uma riqueza (em milhares de unidades monetárias) e  é o parâmetro de aversão ao risco.

(1)

Assim como ocorre nos modelos apresentados por Santana et al. (2016), Guedes et al. (2015),
Ashgarizadeh & Murthy (2000), Murthy & Asgharizadeh (1999) e Murthy & Asgharizadeh
(1998), esse problema pode ser modelado através de um jogo de Stackelberg, em que o OEM
atua como líder e os hospitais atuam como seguidores. Dessa forma, é considerada a hipótese
de informação perfeita, ou seja, os jogadores (OEM e hospitais) têm pleno conhecimento
sobre as decisões tomadas e sobre as características de confiabilidade do equipamento,
podendo estimar previamente seus retornos e custos esperados.

2.2. Problema de decisão do cliente

Os hospitais são avessos ao risco e desejam maximizar sua utilidade esperada a partir da
decisão por uma das estratégias listadas na subseção 2.1. A riqueza do cliente quando não há
compra do equipamento (alternativa A0) é zero; as riquezas para as alternativas A1 e A2,

6
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

respectivamente, são dadas pelas eqs. (2) e (3), onde wi é a riqueza do hospital devido à opção
pela estratégia Ai.

(2)

(3)

A partir de w1 e w2, o hospital pode obter sua utilidade esperada através de substituição na eq.
(1) e aplicação do valor esperado.

2.3. Problema de decisão do OEM

O OEM é neutro ao risco e deseja maximizar seu lucro esperado. Dessa forma, analisam-se os
lucros esperados a depender de cada uma das alternativas de decisão dos hospitais. Quando os
clientes optam pela estratégia A0, o OEM tem lucro zero. Quando são escolhidas as
alternativas A1 ou A2, respectivamente, o lucro esperado do OEM é dado pelas eqs. (4) e (5),
respectivamente, onde: i é o lucro do OEM quando os hospitais escolhem a alternativa Ai; N
é o número esperado de falhas para cada equipamento durante o período de garantia
estendida; Tov é o tempo de multa devido a atrasos, no caso da contratação de garantia
estendida.

(4)

(5)

Dessa forma, dados os valores do preço da garantia estendida (Pw) e do preço cobrado ao
hospital por reparo (Cs), o OEM pode decidir pela opção que retorna maior lucro através da
comparação entre as eqs. (4) e (5).

7
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

3. Solução do modelo
3.1. Estratégia ótima do cliente
A partir da substituição das eqs. (2) e (3) na eq. (1) e aplicação do valor esperado, as utilidades
esperadas de cada cliente podem ser obtidas. A utilidade esperada para a estratégia A0 é
E[U(w0)] = 0. Para as estratégias A1 e A2, as respectivas esperanças de utilidade são dadas
pelas eqs. (6) e (7).

(6)

(7)

Note que, como é considerada a hipótese de informação perfeita, os hospitais podem estimar
suas esperanças de utilidade, pois eles possuem conhecimento, no momento da compra, sobre
o comportamento de falhas do equipamento, assim como o número de clientes que serão
atendidos (K), os preços cobrados pelo equipamento e pelos serviços de manutenção.

3.2. Estratégia ótima do OEM

Devido à hipótese de informação perfeita, o OEM pode prever a decisão do cliente a depender
do número de clientes atendidos e dos preços cobrados pelo equipamento e pelos serviços.
Visto que cada hospital avalia qual das alternativas de decisão resultam em maior esperança
de utilidade, o OEM objetiva estimar os preços da garantia estendida (Pw) e de reparos sob
demanda (Cs) que tornam os hospitais indiferentes entre A0, A1 e A2. Para isso, o OEM estima
Pw e Cs a partir da eq. (8). Note que as utilidades esperadas são igualadas a zero pois esse é o
valor de E[U(w0)].

(8)

Os valores de Pw e Cs que satisfazem essa relação são os valores máximos os quais os

hospitais aceitam pagar por cada uma das modalidades de serviços de manutenção, portanto,
são os valores ótimos Pw* e Cs*. Após desenvolver e reorganizar as expressões na eq. (8), Pw*

8
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

e Cs* são obtidos, sendo as expressões resultantes dadas nas eqs. (9) e (10). Note que a eq. (10)
não permite expressão em forma fechada para obtenção de Cs*, sendo resolvida através de
métodos numéricos.

(9)

(10)

Obtidas as estimativas de Pw* e Cs* para um dado número de clientes K, o OEM pode definir
os preços da seguinte forma:

 Pw > Pw* e Cs > Cs*, quando o lucro esperado com a estratégia A0 é maior do quem nas
estratégias restantes, de forma que os hospitais não compram o equipamento nem
contratam os serviços, pois os preços são superiores aos que estão dispostos a pagar;

 Pw = Pw* e Cs > Cs*, quando o lucro esperado com a estratégia A1 é maior do quem nas
estratégias restantes, de forma que os hospitais compram o equipamento e contratam a
garantia estendida, pois o preço de reparos sob demanda é superior ao que estão
dispostos a pagar;

 Pw > Pw* e Cs = Cs*, quando o lucro esperado com a estratégia A2 é maior do quem nas
estratégias restantes, de forma que os hospitais compram o equipamento e não
contratam a garantia estendida, pois o preço da garantia estendia é superior ao que
estão dispostos a pagar;

Por fim, para encontrar o número de hospitais atendidos (K) que retorna o maior lucro
esperado, o OEM estima seu lucro esperado para diferentes valores de K, começando por K =
1, realizando incrementos até que o valor ótimo do lucro esperado seja encontrado.

3.3. Simulação do modelo

As equações (2)-(7), (9) e (10) contêm as variáveis N, Top, e Tov. Note que é necessário calcular
valores esperados de expressões que contêm essas variáveis. Para obtenção desses valores, o

9
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

modelo descrito na seção 2 foi replicado através de DES (ROSS, 2013) e, a partir das saídas
da simulação, as equações do modelo foram estimadas.

4. Exemplo de aplicação
A modelagem descrita nesse trabalho foi aplicada utilizando dados reais de falha para um
equipamento de RNM em um hospital brasileiro. A partir dos dados, coletados entre 2008 e
2015 e totalizando 66 falhas, os seguintes parâmetros foram estimados:  = 1.002255 x 10-3 h-
1
;  = 5.556 x 10-3 h-1; C = 3,555.4 (R$ x 103); R = 0.12901 (R$ x 103); Cr = 18.3 (R$ x 103);
T0 = 8,760 h (1 ano); T1 = 8,760 h (1 ano). Cb = 1,185.13. Foram considerados os seguintes
parâmetros adicionais:  = 0.05 (R$ x 103);  = 360 h;  = 0.02.

4.1. Resultados
Os resultados do exemplo descrito acima são vistos na Tabela 1. O OEM vende o
equipamento para K* = 9 hospitais, que contratam a garantia estendida. O OEM define os
seguintes preços: Pw = Pw* = R$ 578,595; Cs = Cs* = R$ 46,348. O lucro esperado do OEM é
E[] = R$ 3,440,619. Mais informações sobre as métricas do sistema para o período [T0, T1]
são apresentadas na Tabela 2.

Tabela 1 – Resultados principais do exemplo de aplicação

Variável Valor
K 9
Pw (R$) 578,595
Cs (R$) 46,348
A A1
E[π] (R$) 3,440,619

Tabela 2 – Métricas do sistema de manutenção modelado

Variável Valor
Ociosidade esperada da equipe de manutenção (h) 701.59
Número esperado de falhas E[N] 5.39
Downtime esperado E[T - Top] (h) por hospital 3,619.73
Tempo de multa esperado E[Tov] por hospital 1,964.85
Multa esperada paga a cada hospital (R$) 98,242.50

10
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

Multa total esperada paga pelo OEM (R$) 884,182.5

4.2. Análise de sensibilidade

Para melhor entendimento do comportamento do modelo em relação a alguns dos parâmetros,
nesta seção é realizada uma análise de sensibilidade.

Na Tabela 3 são apresentados os resultados de variações na taxa de falhas . Observa-se que,

para menores taxas de falha (equipamentos mais confiáveis), o OEM atende a um número
maior de hospitais (K) e, consequentemente, tem um lucro esperado mais alto. Como os
equipamentos falham menos, funcionam por mais tempo e, por isso, geram mais receita; dessa
forma, os clientes estão dispostos a pagar maiores valores de Pw e Cs.

Tabela 3 – Resultados do modelo para variações em 

 (x 10-3 h-1) K* Pw* ($) Cs* ($) A* E[π] ($)
1.250 7 576,925 43,313 A1 2,584,179
1.111 8 578,906 45,220 A1 3,023,883
1.002 9 578,595 46,348 A1 3,440,619
0.909 9 610,160 51,808 A1 3,883,382
0.833 10 607,443 52,416 A1 4,319,459

Resultados de variações na taxa de reparos  são apresentados na Tabela 4. Efeitos similares

ao aumento de  são observados com aumentos em , ou seja, o OEM atende a um número
maior de clientes (K) e obtém maior lucro, assim como os clientes se dispõem a pagar valores
mais altos pelos serviços de manutenção.

Tabela 4 – Resultados do modelo para variações em 

 (x 10-3 h-1) K* Pw* ($) Cs* ($) A* E[π] ($)
4.0 6 572,483 43,228 A1 2,247.005
5.0 8 573,991 44,863 A1 3,010.130
5.556 9 578,595 46,348 A1 3,440.619
6.0 9 605,680 49,772 A1 3,785.006
7.0 11 601,598 49,851 A1 4,566.200

11
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

Variações no parâmetro de aversão ao risco  são mostradas na Tabela 5. Quando os hospitais

são menos avessos ao risco (menores valores de ), aceitam pagar valores mais altos de Pw e
Cs, ocasionando também maior lucro ao OEM. O número de equipamentos vendidos (K) é
reduzido conforme  aumenta.

Tabela 5 – Resultados do modelo para variações em 

 (x 10 )
-2 K*
Pw* ($) Cs* ($) A* E[π] ($)
1.0 10 611,520 64,943 A1 4,009,441
1.5 9 609,549 55,980 A1 3,719,665
2.0 9 578,595 46,348 A1 3,440,619
2.5 8 581,945 43,084 A1 3,190,253
3.0 8 553,439 37,120 A1 2,962,215

A Tabela 6 contém os resultados de variações na taxa de multa por hora de atraso . É

possível observar que quando  aumenta, apesar de as multas pagas pelo OEM serem mais
altas, seu lucro é maior, assim como o número de clientes atendidos aumenta; o valor pago
pela extensão da garantia também é maior. Isso ocorre pois, ao receberem mais retornos em
forma de multa quando atrasos ocorrem, os clientes se dispõem a pagar mais pela garantia
estendida em contrapartida, o que desencadeia os efeitos observados nas outras variáveis.

Tabela 6 – Resultados do modelo para variações em 

 (R$ x 103 h- K* Pw* ($) Cs* ($) A* E[π] ($)
1
)
0.01 7 505,782 53,366 A1 2,680,326
0.03 8 534,576 49,812 A1 3,062,852
0.05 9 578,595 46,348 A1 3,440,619
0.07 9 655,070 46,103 A1 3,778,235
0.09 10 710,712 41,137 A1 4,058,704

Podem ser encontradas as variações no tempo limite antes da incidência de multas ao OEM 
na Tabela 7. Um efeito similar ao das variações em  é observado; com prazos menores,
apesar da maior incidência de multas, o lucro esperado do OEM é maior, assim como a
disponibilidade de pagamento dos hospitais. Nesse caso, entretanto, não houve variações no
número de clientes atendidos (K).

12
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

Tabela 7 – Resultados do modelo para variações em 

 (h) K* Pw* ($) Cs* ($) A* E[π] ($)
300 9 677,980 46,198 A1 3,664,302
330 9 586,862 45,917 A1 3,464,570
360 9 578,595 46,348 A1 3,440,619
390 9 570,142 46,366 A1 3,414,015
420 9 561,745 46,056 A1 3,386,694

Para variações na receita por hora operacional do equipamento R, são observados os

resultados que constam na Tabela 8. Quando a receita é mais alta, os hospitais aceitam pagar
valores mais altos pelos serviços de manutenção, assim como aumenta o lucro do OEM. O
número de clientes atendidos varia ligeiramente, na mesma direção da variação em R.

Tabela 8 – Resultados do modelo para variações em R

3 -1 *
R (x 10 h ) K Pw* ($) Cs* ($) A* E[π] ($)
0.12 8 505,797 39,502 A1 2,581,414
0.124 8 553,180 44,389 A1 2,960,370
0.12901 9 578,595 46,348 A1 3,440,619
0.132 9 611,446 49,644 A1 3,736,456
0.136 9 655,592 54,152 A1 4,134,291

Pode-se observar que, ao longo da análise de sensibilidade realizada, a estratégia A2 não foi
observada. Isso se deve à aversão ao risco dos hospitais, que aceitam pagar valores mais altos
pela extensão da garantia, pois essa escolha oferece muito menos incertezas do que a não
contratação da extensão e, portanto, pagamento dos custos de reparo a cada intervenção.
Apesar disso, quando a garantia estendida ocasiona muitas multas, devido a parâmetros de
multa ( e ) mais rigorosos, a estratégia A2 passa a ser escolhida. Por exemplo, quando  =
1.0 (R$ x 103 h-1) e  = 90 h, os hospitais compram o equipamento sem a garantia estendida, e
os resultados são os seguintes: K* = 7; Pw > Pw* = R$ 1,394,223; Cs = Cs* = R$ 53,748; E[] =
1,457,630.

5. Conclusões
Este trabalho apresentou uma metodologia para modelagem de problemas de manutenção de
equipamentos hospitalares de alta complexidade tecnológica, sendo uma extensão dos

13
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

modelos propostos por Santana et al. (2016) e Ashgarizadeh & Murthy (2000). Para isso,
foram levadas em consideração características desse tipo de equipamento para direcionamento
do modelo. O OEM detém controle monopolístico sobre as técnicas e tecnologias necessárias
para realização da manutenção, sendo contratado pelos hospitais que compram o equipamento
em uma das modalidades: contratos de garantia estendida; ou reparos sob demanda.

Foi realizado um exemplo de aplicação levando em consideração dados de falhas de um

equipamento de RNM em um hospital brasileiro. A aplicação permitiu avaliar o
comportamento do modelo para o equipamento em questão, assim como a análise de
sensibilidade sobre os parâmetros principais.

Como possibilidades de extensão da metodologia apresentada, são destacadas as modificações

a seguir: adoção de diferentes distribuições para os tempos até falhas e tempos de reparos;
consideração de outras políticas de manutenção, como políticas preventivas ou preditivas;
suposição de informação incompleta, onde o OEM e os hospitais não podem prever com
certeza as esperanças dos seus retornos.

6. Agradecimentos
Os autores agradecem ao Conselho Nacional de Desenvolvimento Científico e Tecnológico
(CNPq) pelo suporte financeiro.

REFERÊNCIAS

ARENALES, M.; ARMENTANO, V.; MORABITO, R. & YANASSE, H. Pesquisa

Operacional. 2007. Rio de Janeiro: Elsevier Campus.

ASHGARIZADEH, E. & MURTHY, D. N. . Service contracts: A stochastic model.

Mathematical and Computer Modelling. 2000, 31(10–12):11–20.

14
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

DE VIVO, L.; DERRICO, P.; TOMAIUOLO, D.; CAPUSSOTTO, C. & REALI, A.

Evaluating alternative service contracts for medical equipment. Annual International
Conference of the IEEE Engineering in Medicine and Biology Society. IEEE
Engineering in Medicine and Biology Society. 2004, 5:3485–3488.

DYRO, J. F. Clinical engineering handbook. 2004. Amsterdam: Elsevier Academic Press.

GUEDES, B. N.; MOURA, M.; LINS, I. D.; ZAIDAN, H. P. S.; Morais, D. & Pascual, R.
Negotiation of extended warranties for medical equipment. Safety and Reliability of
Complex Engineered Systems. 2015 (pp. 975–982).

HILLIER, F. S. & LIEBERMAN, G. J. Introduction to operations research. 2015 (10th

ed.). New York: McGraw-Hill.

KLEINROCK, L. Queueing Systems. 1975 (Vol. I: Theory). New York: Wiley.

MURTHY, D. N. P. & ASGHARIZADEH, E. Optimal decision making in a maintenance

service operation. European Journal of Operational Research. 1999, 116(2):259–273.

MURTHY, D. N. P. & ASGHARIZADEH, E. a Stochastic Model for Service Contract.

International Journal of Reliability, Quality and Safety Engineering. 1998, 5(1):29–45.

15
 XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.

MURTHY, D. N. P.; KARIM, M. R. & AHMADI, A. Data management in maintenance

outsourcing. Reliability Engineering & System Safety. 2015, 142:100–110.

OSBORNE, M. J. & RUBINSTEIN, A. A Course in Game Theory. 1994 (1st ed.). New
York: The MIT Press.

QUINLAN, M.; HAMPSON, I. & GREGSON, S. Outsourcing and offshoring aircraft

maintenance in the US: Implications for safety. Safety Science. 2013, 57:283–292.

ROSS, S. M. Simulation. 2013 (5th ed.). Academic Press.

SANTANA, J. M.; GUEDES, B. N.; MOURA, M. D. C.; LINS, I. D. & DROGUETT, E. L.

Negotiation of extended warranties for medical equipment using discrete event simulation.
Encontro Nacional de Engenharia de Produção - ENEGEP. 2016.

VARIAN, H. R. Microeconomic Analysis. 1992 (3rd ed.). New York: W. W. Norton &
Company, Inc.

16