Livro

Modelagem e Simulação
de Processos
Prof. Diego Milnitz
2018
Copyright © UNIASSELVI 2018
Elaboração:
Prof. Diego Milnitz
Revisão, Diagramação e Produção:

Centro Universitário Leonardo da Vinci – UNIASSELVI
Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

UNIASSELVI – Indaial.
M659m
Milnitz, Diego
Modelagem e simulação de processos. / Diego Milnitz. – Indaial:
UNIASSELVI, 2018.
182 p.; il.
ISBN 978-85-515-0240-2
1.Engenharia de materiais. – Brasil. 2.Simulação de Processos. –

Brasil. II. Centro Universitário Leonardo Da Vinci.
CDD 620.11
Impresso por:
Apresentação
Caro acadêmico! Bem-vindo ao Livro de Estudos da disciplina de
Modelagem e Simulação de Processos. Ele está dividido em três unidades:
Unidade 1 – Conceitos de modelagem matemática para processos industriais;
Unidade 2 – Modelos e métodos numéricos para a otimização dos processos
industriais e recursos produtivos; e Unidade 3 – Simulação.
Na Unidade 1 são apresentados os principais modelos e técnicas

relacionados aos processos estocásticos. Estudaremos a Teoria das Filas,
que é um ramo da probabilidade que estuda a formação de filas através
de análises matemáticas precisas e propriedades mensuráveis das filas; o
Método de Monte Carlo, que tem sido utilizado há bastante tempo como
forma de obter aproximações numéricas de funções complexas em que não
é viável, ou mesmo impossível, obter uma solução analítica ou, pelo menos,
determinística; e por fim, as Cadeias de Markov, que é um caso particular
de processo estocástico com estados discretos e com a propriedade de
distribuição de probabilidade do próximo estado que depende apenas do
estado atual e não na sequência de eventos que precederam.
Na Unidade 2 são apresentados os principais métodos relacionados

aos processos determinísticos aplicados em processos industriais, como a
Programação Linear, que é utilizada para otimizar (maximizar ou minimizar)
uma função linear de variáveis, chamada de função objetivo, sujeita a
uma série de equações (ou inequações) lineares, chamadas restrições; a
programação linear geométrica, ou seja, a interpretação geométrica de
problemas de programação linear, e um método para solução de programação
linear por inspeção do gráfico. Este método somente é viável para problemas
com duas variáveis e poucas restrições, entretanto, é útil para aprofundar a
compreensão do que é um problema de programação linear e quais são suas
soluções; por fim, é abordada a análise de redes, discutindo sobre a Teoria
dos Grafos e PERT/COM.
Na Unidade 3 são apresentados os conceitos básicos sobre simulação.

Após a abordagem dos principais conceitos, métodos e técnicas de modelagem
matemática tanto para processos estocásticos como determinísticos, você
aprenderá a realizar a simulação após o desenvolvimento dos modelos
matemáticos. Para isso, será apresentada uma breve introdução sobre
simulação na pesquisa operacional; os tipos de simulações que podem
ser realizadas e, por fim, são apresentados alguns softwares utilizados na
simulação, como Excel®, Matlab e Arena.
Bons estudos!
Prof. Diego Milnitz
III
NOTA
Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto para
você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há
novidades em nosso material.
Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é

o material base da disciplina. A partir de 2017, nossos livros estão de visual novo, com um
formato mais prático, que cabe na bolsa e facilita a leitura.
O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova
diagramação no texto, aproveitando ao máximo o espaço da página, o que também
contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo.
Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente,

apresenta também este livro no formato digital. Assim, você, acadêmico, tem a possibilidade
de estudá-lo com versatilidade nas telas do celular, tablet ou computador.
Eu mesmo, UNI, ganhei um novo layout, você me verá frequentemente e surgirei para
apresentar dicas de vídeos e outras fontes de conhecimento que complementam o assunto
em questão.
Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas
institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa
continuar seus estudos com um material de qualidade.
Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de

Desempenho de Estudantes – ENADE.
Bons estudos!
UNI
Olá acadêmico! Para melhorar a qualidade dos

materiais ofertados a você e dinamizar ainda mais
os seus estudos, a Uniasselvi disponibiliza materiais
que possuem o código QR Code, que é um código
que permite que você acesse um conteúdo interativo
relacionado ao tema que você está estudando. Para
utilizar essa ferramenta, acesse as lojas de aplicativos
e baixe um leitor de QR Code. Depois, é só aproveitar
mais essa facilidade para aprimorar seus estudos!
IV
V
VI
Sumário
UNIDADE 1 - CONCEITOS DE MODELAGEM MATEMÁTICA
PARA PROCESSOS INDUSTRIAIS.......................................................................1
TÓPICO 1 - TEORIA DAS FILAS......................................................................................................3

1 INTRODUÇÃO...................................................................................................................................3
2 TERMOS E CONCEITOS SOBRE FILA........................................................................................4
3 MODELAGEM DAS FILAS.............................................................................................................7
3.1 MODELO DE FILA (M/M/1)........................................................................................................10
3.2 MODELO DE FILA (M/M/S)........................................................................................................10
4 APLICAÇÕES DE MODELOS DE FILAS.....................................................................................11
4.1 APLICAÇÃO DA MODELAGEM DAS FILAS EM PROCESSOS INDUSTRIAIS ..............12
4.2 APLICAÇÃO DA MODELAGEM DAS FILAS EM TRANSPORTES....................................14
RESUMO DO TÓPICO 1.....................................................................................................................17
AUTOATIVIDADE...............................................................................................................................18
TÓPICO 2 - MÉTODO DE MONTE CARLO...................................................................................19

1 INTRODUÇÃO...................................................................................................................................19
2 VARIÁVEIS ALEATÓRIAS..............................................................................................................19
3 GERAÇÃO DE NÚMEROS ALEATÓRIOS..................................................................................23
3.1 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO
CONGRUENTE LINEAR (MCL).................................................................................................25
3.2 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO CONGRUENTE
LINEAR MULTIPLICATIVO (MCLM).......................................................................................26
3.3 UTILIZAÇÃO DO EXCCEL PARA GERAÇÃO DE NÚMEROS ALEATÓRIOS.................27
4 MÉTODO MONTE CARLO.............................................................................................................29
4.1 SIMULAÇÃO POR MEIO DO MÉTODO DE MONTE CARLO............................................31
RESUMO DO TÓPICO 2.....................................................................................................................38
AUTOATIVIDADE...............................................................................................................................39
TÓPICO 3 - CADEIAS DE MARKOV...............................................................................................41

1 INTRODUÇÃO...................................................................................................................................41
2 DEFINIÇÕES SOBRE AS CADEIAS DE MARKOV...................................................................42
2.1 CADEIAS ABSORVENTES DE MARKOV................................................................................46
LEITURA COMPLEMENTAR.............................................................................................................49
RESUMO DO TÓPICO 3.....................................................................................................................59
AUTOATIVIDADE...............................................................................................................................60
UNIDADE 2 - MODELOS E MÉTODOS NUMÉRICOS PARA A OTIMIZAÇÃO

DOS PROCESSOS INDUSTRIAIS E RECURSOS PRODUTIVOS.................61
TÓPICO 1 - PROGRAMAÇÃO LINEAR..........................................................................................63

1 INTRODUÇÃO...................................................................................................................................63
2 ASPECTOS GERAIS SOBRE MODELAGEM MATEMÁTICA
E PROGRAMAÇÃO LINEAR..........................................................................................................64
VII
2.1 DESENVOLVIMENTO DE MODELOS DE PROGRAMAÇÃO LINEAR.............................65
3 APLICAÇÕES PRÁTICAS................................................................................................................67
3.1 PROBLEMA DE TRANSPORTE..................................................................................................68
3.2 PROBLEMA DE COMPOSIÇÃO.................................................................................................70
3.3 PROBLEMA DE PRODUÇÃO.....................................................................................................72
RESUMO DO TÓPICO 1.....................................................................................................................84
AUTOATIVIDADE...............................................................................................................................85
TÓPICO 2 - PROGRAMAÇÃO LINEAR GEOMÉTRICA............................................................87

1 INTRODUÇÃO...................................................................................................................................87
2 SOLUÇÃO GEOMÉTRICA PARA PROBLEMAS DE PROGRAMAÇÃO LINEAR.............87
3 APLICAÇÃO PRÁTICA DA SOLUÇÃO GEOMÉTRICA.........................................................91
3.1 PROBLEMA DE COMPOSIÇÃO.................................................................................................91
3.2 SOLUÇÃO GRÁFICA...................................................................................................................93
3.2.1 Vetor Gradiente . ..................................................................................................................96
RESUMO DO TÓPICO 2.....................................................................................................................102
AUTOATIVIDADE...............................................................................................................................103
TÓPICO 3 - ANÁLISE DE REDES.....................................................................................................105

1 INTRODUÇÃO...................................................................................................................................105
2 DEFINIÇÕES SOBRE A TEORIA DOS GRAFOS.......................................................................106
2.1 PROBLEMA DO CAIXEIRO VIAJANTE (PCV).......................................................................109
RESUMO DO TÓPICO 3.....................................................................................................................117
AUTOATIVIDADE...............................................................................................................................118
UNIDADE 3 - SIMULAÇÃO...............................................................................................................119
TÓPICO 1 - SIMULAÇÃO NA PESQUISA OPERACIONAL......................................................121

1 INTRODUÇÃO...................................................................................................................................121
2 SIMULAÇÃO ......................................................................................................................................121
2.1 VANTANGENS E DESVANTAGENS DO PROCESSO DE SIMULAÇÃO...........................122
3 A MODELAGEM MATEMÁTICA NA SIMULAÇÃO ..............................................................124
3.1 ABORDAGEM TRADICIONAL..................................................................................................126
3.2 ABORDAGEM ATUAL.................................................................................................................127
4 ETAPAS DA SIMULAÇÃO..............................................................................................................128
5 ÁREAS DE APLICAÇÃO DA SIMULAÇÃO ...............................................................................133
5.1 SIMULAÇÃO DE PROJETO E OPERAÇÕES DE SISTEMAS
ORGANIZADOS POR FILA .......................................................................................................134
5.2 SIMULAÇÃO NA GESTÃO DE SISTEMA DE ESTOQUE E
DISTRIBUIÇÃO DE PRODUTOS................................................................................................135
RESUMO DO TÓPICO 1.....................................................................................................................143
AUTOATIVIDADE...............................................................................................................................144
TÓPICO 2 - TIPOS DE SIMULAÇÃO...............................................................................................147

1 INTRODUÇÃO...................................................................................................................................147
2 SIMULAÇÃO DISCRETA.................................................................................................................148
2.1 COMPONENTES DA SIMULAÇÃO DE EVENTOS DISCRETOS........................................151
2.2 SIMULAÇÃO ORIENTADA POR EVENTO.............................................................................152
VIII
2.3 SIMULAÇÃO ORIENTADA POR PROCESSO.........................................................................154
RESUMO DO TÓPICO 2.....................................................................................................................155
AUTOATIVIDADE...............................................................................................................................156
TÓPICO 3 - SOFTWARES DE SIMULAÇÃO..................................................................................159

1 INTRODUÇÃO...................................................................................................................................159
2 LINGUAGEM DE PROGRAMAÇÃO PARA SIMULAÇÃO.....................................................159
3 SOFTWARES EMPREGADOS NA SIMULAÇÃO......................................................................163
3.1 PROMODEL...................................................................................................................................163
3.2 AUTOMOD.....................................................................................................................................164
3.3 SIMFACTORY II.5..........................................................................................................................165
3.4 TAYLOR II (FLEXSIM)..................................................................................................................166
3.5 WITNESS.........................................................................................................................................167
3.6 ARENA............................................................................................................................................169
RESUMO DO TÓPICO 3.....................................................................................................................176
AUTOATIVIDADE...............................................................................................................................177
REFERÊNCIAS.......................................................................................................................................179
IX
X
UNIDADE 1
CONCEITOS DE MODELAGEM
MATEMÁTICA PARA
PROCESSOS INDUSTRIAIS
OBJETIVOS DE APRENDIZAGEM
A partir do estudo desta unidade, você deverá ser capaz de:
• compreender o estudo da Teoria das Filas e conhecer as aplicações desta

análise junto ao embasamento teórico do tema, como a estrutura básica de
uma fila e seus principais elementos;
• identificar os principais modelos baseados em Teoria das Filas, que são

MM/1 e M/M/S, e suas características;
• entender que o Método de Monte Carlo é uma poderosa ferramenta de

simulação, que considera a presença de dados de entrada caracterizados
por distribuições de probabilidade;
• perceber que os geradores de números aleatórios são importantes ferramen-

tas utilizadas na simulação, sendo que sua aplicação vai desde a criação de
jogos até a criação e desenvolvimento de algoritmos de criptografia;
• entender que as Cadeias de Markov são uma derivação específica do “Pro-

cesso de Markov”.
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No decorrer da unidade você
encontrará autoatividades com o objetivo de reforçar o conteúdo apresentado.
TÓPICO 1 – TEORIA DAS FILAS
TÓPICO 2 – MÉTODO DE MONTE CARLO
TÓPICO 3 – CADEIAS DE MARKOV
1
2
UNIDADE 1
TÓPICO 1
TEORIA DAS FILAS
1 INTRODUÇÃO
As filas são um evento do cotidiano de qualquer sistema, seja para uma
pessoa, processo de manufatura ou prestação de algum tipo de serviço, por
exemplo, é comum para uma pessoa enfrentar filas no atendimento bancário, na
compra de ingressos para assistir ao jogo do seu time favorito, quando é atendido
no supermercado etc. Outras formas de filas temos quando um produto fica
aguardando para ser processado no centro de trabalho ou quando um arquivo
aguarda para ser impresso na impressora, ou, ainda, de uma forma mais abstrata,
como no caso de um dado ou arquivo esperando para ser processado pelo servidor
de computador.
De maneira geral, a formação de filas parece inevitável e comum para

qualquer tipo de sistema, contudo, o problema das filas não se limita somente aos
aborrecimentos e esperas que um indivíduo ou objetivo são submetidos. O tempo
aguardado nas filas está relacionado com a própria ineficiência do atendimento
ou processo que, por conseguinte, pode gerar prejuízos enormes.
Segundo Hillier e Lieberman (2013), Agner Kendall Erlang é considerado

o precursor dos estudos sobre filas, tendo realizado modelos matemáticos
para tentar resolver problemas da empresa telefônica onde trabalhava em
Copenhagen, na Dinamarca. No ano de 1908, a empresa enfrentava dificuldades
com questões de espera de chamadas telefônicas e Erlang criou modelos para
estudar as filas geradas pelas ligações, com o intuito de redimensionar as ligações
para outras centrais telefônicas. Entretanto, foi somente a partir de 1939 que esta
teoria realmente começou a ser estudada e melhorada, sendo empregada nos
processos industriais e principalmente na prestação de serviços, em específico,
para atendimentos.
Apesar dos avanços em relação aos estudos sobre a teoria das filas, há
certas situações de filas que são muito complexas de serem representadas pelos
modelos matemáticos de filas que atualmente se têm conhecimento. Neste sentido,
a teoria das filas ainda é um tema a ser explorado pela comunidade científica e
por profissionais da área, possibilitando que sejam estudadas melhores formas de
aplicação e adequação às situações vigentes.
3
UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS
Para Hillier e Lieberman (2013), o tempo que as pessoas de uma determinada

região perdem em filas é um importante indicador tanto para qualidade de vida
como para a eficiência econômica desta região. Os autores citam a situação da
antiga União Soviética, em que era comum para a população enfrentar filas
enormes para comprar produtos de necessidades básicas. Igualmente, Hillier e
Lieberman (2013) comentam que nos Estados Unidos da América os americanos
perdem bilhões de horas por ano, esperando em filas. Do contrário, se esse tempo
fosse convertido em tempos produtivos, resultaria em milhões de pessoas por
ano de trabalhado realizado.
2 TERMOS E CONCEITOS SOBRE FILA

Para modelagem das filas, alguns termos e conceitos precisam ser
elucidados, dentre eles estão:
a) tamanho da população;
b) processo de chegada;
c) processo de atendimento;
d) quantidade de atendentes;
e) organização da fila;
f) tamanho médio da fila;
g) tamanho máximo da fila;
h) tempo médio de espera na fila.
a) Tamanho da População
O tamanho da população está relacionado com a quantidade de usuários,

neste caso os usuários são denominados de clientes que precisam ser atendidos,
para isso, serão organizados numa fila para possibilitar este atendimento.
Para Hillier e Lieberman (2013), se a população de clientes a ser atendida

for muito grande, ela pode ser considerada infinita. Do mesmo modo, caso
a chegada de novos clientes à fila não afetar a chegada de outros clientes que,
eventualmente, possam compor a fila, o processo de chegada dos clientes é
considerado independente. De outra forma, quando o tamanho da população de
clientes é pequeno, a chegada de novos clientes pode afetar a chegada de outros
e alterar a dinâmica da fila.
b) Processo de Chegada
O processo de chegada indica qual é o padrão de chegada dos clientes no

sistema. Este processo de chegada de clientes à fila pode acontecer de maneira
constante, isto é, a taxa de chegada de clientes na fila por unidade de tempo é
sempre a mesma. Deste modo, o modelo é denominado de determinístico. Por
4
TÓPICO 1 | TEORIA DAS FILAS
outro lado, quando o processo de chegadas de clientes à fila não respeita um

tempo determinado, ou seja, chegam clientes na fila em uma taxa por unidade de
tempo diferentes, esta variável, logo, é aleatória. Portanto, o modelo é denominado
de estocástico. Nesta última situação, quando o tempo de chegada dos clientes
é aleatório, o modelo segue uma distribuição de probabilidade, permitindo a
realização da modelagem do processo.
O comportamento estatístico dos clientes, para terem acesso ao sistema

de filas, pode ser descrito por uma distribuição de probabilidades empírica que
pode ser representada por um modelo analítico (MORAES; SILVA; REZENDE,
2011). Geralmente o modelo utilizado, neste caso, é a distribuição de Poisson,
que permite representar a forma como os clientes são gerados pela fonte. Para
demonstrar esse comportamento é necessário ter somente a taxa média de
chegadas. Para isso, a taxa de chegadas de cliente por unidade de tempo à fila é
representada por “λ”, conforme pode-se verificar a seguir:
λ = Taxa média de chegadas de clientes na fila
Além da taxa média de chegadas de clientes na fila, outro fator importante

no processo de chegadas é o IC (intervalo de chegadas), que retrata a taxa de
chegada entre um cliente e outro em um sistema de filas.
c) Processo de Atendimento
O processo de atendimento, também chamado de modelo de serviço,

tem como principal fator medido, o tempo de serviço, ou de atendimento, que
é o tempo em que o atendente utiliza para realizar o atendimento necessário ao
cliente e é representado pelo símbolo “μ”, conforme pode-se verificar a seguir:
μ = Taxa média de atendimentos por unidade de tempo
Igualmente como acontece no processo de chegada, o atendimento pode

ser determinístico (constante) ou estocástico (aleatório). No caso do processo de
atendimento aleatório, a distribuição que representa os tempos de atendimento
é a distribuição exponencial negativa. Essa distribuição é fundamental para os
estudos sobre filas, pois ela geralmente é usada para representar tempos de
atendimento através de uma distribuição contínua.
d) Quantidade de Atendentes
A quantidade de atendentes nada mais é do que o número de servidores

e estão em uma fila para realizar o atendimento aos usuários do sistema. Neste
sentido, em um sistema pode-se deparar com um ou mais atendentes que estão
ou não disponíveis para o atendimento aos usuários na fila.
5
e) Organização da Fila
A organização da fila é o resultado do modo como o processo de atendimento

ao cliente é realizada, geralmente também pode ser denominada de disciplina
de atendimento, por exemplo, a organização mais comum é quando o primeiro
cliente que chega ao sistema é o primeiro que é atendido e, consequentemente, é
o primeiro que sai desse sistema. Essa organização denomina-se, em inglês, FIFO
(First In, First Out), que significa “o primeiro que chega é o primeiro que sai”.
Existe também a organização de fila, que é muito empregada em centros

de distribuição (CD) e armazéns, em que o último cliente a chegar, neste caso, o
último produto, é o primeiro a ser atendido. A essa organização dá-se o nome de
LIFO (Last In, First Out), que significa “o último a chegar é o primeiro a sair”.
Também existem tipos de organização de fila por prioridades. Os casos

mais utilizados são quando os clientes possuem uma prioridade para serem
atendidos em relação a outro cliente que está sendo atendido no momento,
neste caso, o atendimento ao cliente com menor prioridade é interrompido para
que seja dado o atendimento prioritário o outro cliente. Depois, o atendimento
interrompido pode continuar do ponto em que foi interrompido ou mesmo ter
seu atendimento reiniciado.
Outra forma de organização da fila a partir da prioridade é quando o

cliente, que possui a prioridade, de acordo com a regra, é colocado em primeiro
lugar na fila de atendimento, mesmo que o atendimento que esteja sendo realizado
seja para o cliente com menor prioridade, entretanto, ele não é interrompido,
como no caso anterior. Um exemplo de aplicação dessa forma de organização
pode ser observado no atendimento de caixas de bancos, onde pessoas idosas,
pessoas com deficiência e gestantes possuem prioridade para serem atendidas
quando solicitam atendimento.
f) Tamanho Médio da Fila
O tamanho médio da fila é a quantidade média de clientes em uma fila

por uma unidade de tempo. Uma fila nem sempre possui a mesma quantidade
de clientes, logo, se for realizada uma medida do número de clientes ou usuários
presentes em uma fila, em um determinado período de tempo, é possível obter o
tamanho médio da fila.
g) Tamanho Máximo da Fila
Geralmente o tamanho máximo de uma fila funciona como limitador do

tamanho da fila, neste caso é quando ela está muito grande, a ponto de se evitar
novos clientes, sendo que eles são desviados para outros atendentes. Isso pode
ser observado, por exemplo, quando ocorre a redução do preço de combustível
6
em um dia determinado, gerando grandes filas formadas por motoristas que

desejam abastecer seus automóveis e aproveitar a promoção. Neste caso, se a fila
de um determinado posto estiver muito grande, o motorista vai verificar se outro
posto está com uma fila menor, para tentar ser atendido mais rapidamente.
h) Tempo Médio de Espera na Fila
O tempo médio de espera na fila depende inicialmente do tipo de

organização da fila. Portanto, se um cliente chega em um fila com oito usuários
a sua frente, o tempo médio de espera na fila será o tempo total gasto para que
todos os clientes sejam atendidos dividido pelo número de clientes atendidos no
sistema. Nesse caso, se o tempo total de atendimento for de 16 minutos, o tempo
médio de espera na fila será de 2 minutos.
3 MODELAGEM DAS FILAS

Segundo Hillier e Lieberman (2013), a estrutura básica de um modelo de
filas se baseia em usuários que precisam ser atendidos e chegam ao longo do
tempo por uma fonte de entradas. Esses usuários entram no sistema de filas e são
alocados para a fila. Em algum momento, um usuário na fila é selecionado para
atendimento segundo uma regra de organização da fila. O atendimento é então
realizado pelo mecanismo de atendimento e, após isso, o usuário deixa o sistema
de filas. Essa dinâmica é representada na Figura 1:
FIGURA 1 – ESTRUTURA ELEMENTAR PARA MODELAGEM DE FILAS
FONTE: Adaptado de Hillier e Lieberman (2013)
7
TURO S
ESTUDOS FU
Veremos mais adiante, neste tópico, as derivações desta estrutura básica de

modelo de filas em que podemos variar o número de filas e o número de servidores,
também chamados de canais por alguns autores.
O comportamento do sistema de filas ocorre conforme apresentado na

Figura 1. Os clientes surgem de uma população e se encaminham para uma fila
para serem atendidos. Estes são organizados na fila segundo uma regra definida,
aguardam pelo atendimento de algum serviço específico, por exemplo, quando
uma pessoa aguarda para comprar seu ingresso na fila do cinema. Na sequência,
os clientes recebem o atendimento dos atendentes, ou também chamados de
servidores, e após o atendimento saem do sistema de filas. Com relação ao
atendente, ele pode ser um vendedor de uma loja específica, um guarda de
portaria de um prédio etc.
Ainda que a Figura 1 apresente a estrutura básica para um sistema de filas,

seus elementos, regras de operação e o comportamento das variáveis aleatórias
podem apresentar variações e outras combinações, por exemplo, alguns sistemas
podem apresentar-se com mais de um atendente para atender a uma determinada
fila, ou ainda, em outros sistemas, um único atendente pode ser responsável por
mais de uma fila. Além da quantidade de filas de servidores, ainda pode-se ter
regras de organização das filas para o atendimento, por exemplo, as filas tipo
FIFO – First In, First Out –, isto é, o primeiro a chegar é o primeiro a ser atendido.
A Figura 2 apresenta um sistema de filas com uma estrutura de fila única

com mais de um atendente. Neste caso, é possível reduzir consideravelmente o
tempo médio de permanência na fila com o aumento de atendentes para realizar
o atendimento. Geralmente esse sistema funciona em supermercados por meio do
sistema de caixa rápido, em que uma única fila é atendida por vários atendentes.
8
FIGURA 2 – SISTEMA DE FILAS COM UMA ÚNICA FILA E VÁRIOS ATENDENTES
FONTE: Adaptado de Kawano e Kawano (2014)
Outra possibilidade de estrutura de um sistema de filas pode ser por meio

de várias filas para vários atendentes. Neste caso, para ser atendido o cliente
escolhe a fila, geralmente ele leva em consideração a quantidade de clientes
que estão na fila para definir em qual vai se posicionar, entretanto, na maioria
das vezes, somente a quantidade de pessoas na fila não é o único parâmetro
que deve ser considerado, por exemplo, se considerar que o atendimento leva
sempre o mesmo tempo, como no caso de um pedágio rodoviário, se existir duas
filas para escolher, uma com seis carros de passeio e outra com três caminhões,
considerando que a velocidade de saída é igual para todos os veículos, qual fila
seria a escolhida? Bom, geralmente a fila escolhida é a dos seis carros, e o motivo é
simples: o comprimento desta fila é consideravelmente menor que a fila ocupada
pelos três caminhões, entretanto, diante das restrições do sistema, se o próximo
cliente que chegar ao sistema escolher a fila dos seis carros, este esperará mais
tempo do que se estivesse escolhido a fila com três caminhões.
FIGURA 3 – SISTEMA DE FILAS COM VÁRIAS FILAS E VÁRIOS ATENDENTES
Entrada Sistema de Filas Saída
Cliente A
Fila 1 Atendente 1
Clientes Cliente B
Fila 2 Atendente 2
Cliente C
Fila 3 Atendente 3
9
3.1 MODELO DE FILA (M/M/1)

O modelo de filas mais empregado no estudo da teoria das filas é o M/M/1,
que representa um sistema com fila de um único atendente, em que se considera
que os tempos entre as chegadas de clientes e os tempos de atendimentos
obedecem à distribuição exponencial. Nesse modelo também não há limitações
no tamanho da fila em relação ao atendente, e a organização da fila é do tipo FIFO
(o primeiro que chega é o primeiro a ser atendido).
Para o modelo M/M/1 tem-se algumas fórmulas que seguem as

delimitações, conforme definidas no parágrafo anterior, e que conduzem o
comportamento deste modelo. As variáveis presentes nas fórmulas são “λ”,
que representa a taxa média de chegadas de clientes na fila; “μ”, que representa
a taxa média de atendimentos por unidade de tempo; e “ρ”, que representa a
probabilidade de que o sistema esteja ocupado. Elas são apresentadas a seguir:
FIGURA 4 – FÓRMULAS DO MODELO M/M/1

Descrição Fórmula
Probabilidade que o sistema esteja ocupado
Probabilidade que "n " clientes encontrem-se no

Sistema
Probabilidade que o sistema esteja desocupado
𝝀
Número médio de clientes no sistema de atendimento 𝑳=
𝝁−𝝀
Número médio de clientes na fila de espera
Tempo médio gasto no sistema pelo cliente
Tempo médio de espera na fila por cliente
FONTE: Pinto (2011, p. 15)
3.2 MODELO DE FILA (M/M/S)

Também é um modelo baseado num processo de vida e morte que difere
do anterior apenas no número de atendentes disponíveis “S”. Tem-se assim um
modelo em que o número de servidores é S, o sistema tem uma distribuição das
chegadas de Poisson e dos tempos de atendimento exponencial, a capacidade do
10
sistema e da população são infinitas e a organização da fila é tipo FIFO, quem

entra primeiro no sistema será o primeiro a ser atendido. As fórmulas para o
modelo M/M/S são apresentadas a seguir:
FIGURA 5 – FÓRMULAS DO MODELO M/M/S

Descrição Fórmula
Probabilidade que o sistema esteja ocupado
Probabilidade que "n " clientes encontrem-se no

Sistema
Probabilidade que o sistema esteja desocupado
Número médio de clientes no sistema de atendimento
Número médio de clientes na fila de espera
Tempo médio gasto no sistema pelo cliente
Tempo médio de espera na fila por cliente
FONTE: Pinto (2011, p. 16)
4 APLICAÇÕES DE MODELOS DE FILAS

O estudo das filas é um assunto que abrange vários setores. Muitas vezes,
elas são consideradas como a ineficiência de um sistema de atendimento. Contudo,
para uma organização que deseja reduzir a zero suas filas, por exemplo, terá que
envolver e gastar uma quantidade muito alta de recursos, que pode tornar a
atividade insustentável do ponto de vista financeiro.
Logo, os estudos efetivados nessa área têm como objetivo descobrir

um ponto ótimo, em que uma organização consiga atender a seus clientes de
forma adequada, sem que precise consumir recursos que impossibilitem seu
funcionamento.
11
No decorrer das atividades cotidianas existem muitas ineficiências

que ocorrem por diversos tipos de espera, por exemplo, deixar equipamentos
esperando para serem consertados pode resultar em perdas produtivas. Caminhões
que precisam aguardar para serem descarregados podem atrasar carregamentos
posteriores. Aviões esperando para decolar ou pousar podem afetar horários de
voos seguintes. Ordens de produção esperando para serem processadas pode afetar
a produção aumentado os leads times produtivos (HILLIER; LIEBERMAN, 2013).
Diante do contexto, fica claro que a teoria das filas pode ser aplicada
em diversas áreas e situações, como: a) processos industriais; b) atendimento
comercial; c) transporte; d) serviço social; entre outros.
4.1 APLICAÇÃO DA MODELAGEM DAS FILAS EM

PROCESSOS INDUSTRIAIS
Os processos industriais apresentam o maior número de aplicações da
teoria das filas. Pode-se empregar esta teoria tanto para um processo de produção
da área metalmecânica como para a indústria que manufatura produtos
alimentícios.
Além disso, a teoria das filas pode ajudar um gerente a definir o layout de
uma fábrica nova, de forma que ela opere com a menor taxa de espera nas linhas
de produção. Isso poderia otimizar os recursos alocados para o projeto afim de
torná-lo mais assertivo e viável economicamente.
Outro exemplo poderia ser a simulação por meio da modelagem das filas
para melhorar o processo produtivo da empresa. Nesse caso, poderia ser uma
simulação que visa à troca de algumas máquinas que atualmente não apresentam
a eficiência esperada devido à defasagem tecnológica do equipamento, simulando
os produtos produzidos do sistema atual e como a empresa ficaria após as
modificações.
• Exemplo 1
O número médio de peças que chegam a um posto de trabalho é igual a

10 peças/hora. Assumir que o tempo médio de processamento (atendimento) por
peça seja de 4 minutos, e ambas as distribuições de intervalos entre chegadas e
tempo de serviço sejam exponenciais, responder às seguintes questões:
a) Qual a probabilidade do posto de trabalho estar livre?

b) Qual o número médio de peças esperando na fila?
c) Qual o tempo médio que uma peça gasta no sistema (tempo na fila mais o
tempo de atendimento)?
d) Quantas peças serão processadas em média por hora?
12
Resolução:
Dados do Problema:
Chegada: λ = 10 peças/hora.
Atendimento: em média, 1 peça a cada 4 minutos, ou seja, 15 peças/hora
(60/4). Sendo assim, µ = 15 peças/hora.
Obs.: para resolver este problema utilizaremos o modelo M/M/1.
a) Para saber a probabilidade do posto de trabalho estar livre, deve-se calcular a

probabilidade que n clientes encontram-se no sistema, nesse sentido, n=0.
Pn= (1 − ρ ) * ρ 0
Em que,
ë
ρ=
µ
Então,
0
 λ λ
P=
0 1 −  *
 µ µ
Logo,
0
 10  10
P=
0 1 −  *
 15  15
(1 − 0, 6667 ) *1 =
P0 = 0,3333
Resposta: A probabilidade do posto de trabalho estar livre é de

aproximadamente 33%.
b) Para resolver essa questão é preciso calcular o número médio de clientes na fila
de espera.
λ2
Lq =
µ *(µ − λ )
Logo,
102
=Lq = 1,33 peças
15* (15 − 10 )
Resposta: O número médio de peças aguardando para serem processadas é

de 1,33 peças. Nesse caso, é adequado considerar que é possível encontrar, em
média, 2 peças na fila.
13
c) Para resolver essa questão é preciso calcular o tempo médio gasto no sistema
pelo cliente.
1
W=
µ −λ
Logo,
1
=W = 0, 2 horas ou 12 minutos
15 − 10
Resposta: O tempo médio que uma peça fica no sistema é de 12 minutos, isto é, o
tempo na fila mais o tempo de processamento.
d) Se a ocupação média do posto de trabalho fosse 100%, então o número médio

de peças processadas por hora seria de 15 peças, Entretanto, a ocupação média
será (1 - P(0)), ou seja, igual a 2/3, portanto, 15 * 2/3 = 10 peças por hora.
4.2 APLICAÇÃO DA MODELAGEM DAS FILAS EM

TRANSPORTES
A utilização da modelagem das filas em sistema de transporte é realizada
de forma muito acentuada, por exemplo, no trânsito, um pedestre pode ser
considerado um cliente e um semáforo da faixa de pedestre, o atendente. Deste
modo, pode-se modelar o sistema para que o semáforo seja regulado de forma
a permitir que o fluxo de pedestres seja realizado de forma correta, evitando
excessivas esperas para atravessar uma avenida.
No transporte ferroviário, pode-se analisar, por meio da modelagem

de filas, os pontos mais adequados para que sejam colocados desvios nas vias
férreas, ou mesmo a quantidade de estações e tempos de parada de cada trem
nessas estações. O cálculo de tempo de espera, localização e atendimento pode
ser realizado por meio da modelagem de filas.
Além dos modelos voltados para otimizar os modais de transporte, pode-

se também utilizar a modelagem das filas para situações comuns do cotidiano,
por exemplo, quando alguém está esperando pelo elevador. Pode-se considerar
as pessoas como sendo os clientes e o elevador como sendo o atendente. Nesse
sentido, pode-se verificar qual é o percurso que o elevador deve executar, com
o objetivo de atender às demandas (pessoas que chamam o elevador) no menor
tempo possível, fazendo com que cada pessoa fique esperando o menor tempo.
• Exemplo 2
Supondo-se que a chegada de um navio ao berço portuário siga a

distribuição de Poisson, com uma taxa de 6 navios por dia, e que a duração
14
média de atendimento dos navios seja de 3 horas, seguindo-se a distribuição

exponencial, responder às seguintes questões:
a) Qual é a probabilidade de um navio chegar ao porto e não esperar para atracar?

b) Qual é a quantidade média de navios na fila do porto?
c) Qual é a quantidade média de navios no sistema portuário?
d) Qual é a quantidade média de navios utilizando o porto?
Resolução:
Dados do Problema:
Chegada: λ = 6 navios/dia.
Atendimento: em média, 1 navio a cada 3 horas, ou seja, 8 navios/dia
(24/3). Sendo assim, µ - 8 navios/dia.
Obs.: para resolver este problema utilizaremos o modelo M/M/1.
a) Para saber a probabilidade de um navio chegar ao porto e não esperar para

atracar, deve-se calcular a probabilidade que n clientes encontram-se no
sistema, nesse sentido, n=0.
Pn= (1 − ρ ) * ρ 0
Em que,
ë
ρ=
µ
Então,
0
 λ λ
P=
0 1 −  *
 µ µ
Logo,
0
 6 6
P=
0 1 −  *
 8 8
(1 − 0, 75) *1 =
P0 = 0, 25
Resposta: A probabilidade de um navio chegar ao porto e não esperar para atracar

é de aproximadamente 25%.
b) Para resolver essa questão é preciso calcular o número médio de clientes na fila
de espera.
λ2
Lq =
µ *(µ − λ )
Logo,
62
=Lq = 2, 25 navios
8* ( 8 − 6 )
15
Resposta: A quantidade média de navios na fila do porto é de 2,25 navios.
c) Para resolver essa questão é preciso calcular o número médio de clientes no

sistema de atendimento:
λ
L=
µ −λ
Logo,
6
=L = 3 navios
8−6
Resposta: A quantidade média de navios no sistema portuário é de 3 navios.
d) Navios no porto = Lq – L, logo, a quantidade de navios utilizando o porto é =

3 – 2,25 = 0,75 navios.
16
RESUMO DO TÓPICO 1
Neste tópico, você aprendeu que:
• Para compreender o estudo de teoria das filas foi necessário conhecer as

aplicações desta análise, junto ao embasamento teórico do tema, como a
estrutura básica de uma fila e seus principais elementos.
• As características de uma fila são: tamanho da população, processo de chegada,

processo de atendimento, número de atendentes, organização de uma fila.
• Os principais modelos baseados em teoria das filas são MM/1 e M/M/S,

conforme os detalhes e as fórmulas de cada modelo.
17
AUTOATIVIDADE
Questão única – Com base no Exemplo 2 do seu livro de estudos, responda à

questão a seguir:
Qual deve ser a taxa de chegada de um navio para que o tempo médio na fila
seja de 3 horas?
Dados do problema:
Chegada: λ = 6 navios/dia.
Atendimento: em média, 1 navio a cada 3 horas, ou seja, 8 navios/dia (24/3).
Sendo assim, µ - 8 navios/dia.
18
UNIDADE 1
TÓPICO 2
MÉTODO DE MONTE CARLO
1 INTRODUÇÃO
O Método de Monte Carlo (MMC) pode ser definido como uma técnica para
representar a solução de um problema como um parâmetro de uma população
hipotética, e que usa uma sequência aleatória de números para estabelecer uma
amostra da população da qual estimativas estatísticas do parâmetro em estudo
possam ser realizadas.
Os precursores na aplicação do Método de Monte Carlo foram Jon Von

Neuman e Stanislaw Ulam, no ano de 1947. Esses autores sugeriram a utilização
do MMC para simulação computacional em uma etapa do projeto Manhattan,
na Segunda Guerra Mundial. No projeto de construção da bomba atômica,
Ulam e Neumann admitiram a possibilidade de aplicar o método, que abrangia
a simulação direta de problemas de natureza probabilística associados com o
coeficiente de difusão do nêutron de alguns tipos específicos de materiais.
O nome do método tem relação com o uso da aleatoriedade e da natureza

repetitiva das atividades realizadas em cassinos em Monte Carlo, Mônaco. O MMC
tem sido empregado desde a Segunda Guerra Mundial como forma de alcançar
aproximações numéricas de funções complexas. Essas técnicas normalmente
estão relacionadas com a construção e observação de alguma distribuição de
probabilidades e o uso da amostra obtida para aproximar a função de interesse
do estudo. O MMC é também denominado como simulação estocástica e é um
método relativamente simples e fácil de implementar.
Entretanto, é necessário um conhecimento prévio sobre variáveis

aleatórias, principalmente variáveis aleatórias discretas, além disso, como a
aplicação do Método de Monte Carlo necessita da geração de números aleatórios,
o conhecimento sobre este assunto também se faz necessário.
2 VARIÁVEIS ALEATÓRIAS
Uma variável aleatória pode ser compreendida como uma variável
quantitativa, cujo resultado (valor) depende de fatores aleatórios. Geralmente na
engenharia, as variáveis aleatórias estão associadas à realização de experimentos.
Uma grande parcela de experimentos, sejam eles realizados em instituições de
pesquisa ou mesmo por empresas de diversos setores industriais, proporcionam
resultados numéricos, que permitem posteriormente a tomada de decisões a
partir das simulações realizadas, por exemplo, o número de um determinado
19
item que deve ser mantido no estoque de um supermercado para atender a uma
demanda dos clientes.
Além de experimentos que geram resultados quantitativos, existem

experimentos que geram resultados quantitativos, por exemplo, quando se
tenta determinar se uma moeda lançada para o alto será cara ou coroa quando
atingir o chão.
No caso de experimentos puramente qualitativos, como no exemplo da

determinação sobre cara ou coroa, pode-se empregar um artifício para contornar esse
problema. No caso do exemplo apresentado, pode-se relacionar o resultado esperado
com um valor numérico e a partir dessa relação realizar as análises estatísticas
necessárias. Uma forma seria transpor, conforme o quadro a seguir, em que cara é
associada ao valor numérico “1” e coroa é associada ao valor numérico “0”:
QUADRO 1 – TRANSPOSIÇÃO DE VALORES QUALITATIVOS PARA QUANTITATIVOS
Evento X
Cara X (cara) = 1
Coroa X (coroa) = 0
FONTE: O autor
Os estudos baseados em experimentos aleatórios são considerados, de

modo geral, de não determinísticos, dessa forma não se pode saber dos resultados
com antecedência, por exemplo, com o lançamento de um dado para o alto,
sua queda é previsível devido ao efeito da gravidade (este é um experimento
determinístico). Entretanto, não é possível saber qual é a face do dado que vai
ficar virada para cima quando ele estiver no chão, neste caso, trata-se de um
experimento aleatório.
E
IMPORTANT
Uma variável aleatória é uma variável quantitativa, cujo resultado (valor)

depende de fatores aleatórios. Um exemplo de uma variável aleatória é o resultado do
lançamento de um dado que pode dar qualquer número entre 1 e 6. Embora possamos
conhecer os seus possíveis resultados, o resultado em si depende de fatores de sorte (álea).
A variável aleatória se denomina desta forma porque o termo variável

está relacionado ao fato de que é possível conseguir valores numéricos distintos
e aleatórios, pois os valores observados em um experimento aleatório dependem
fundamentalmente dos resultados possíveis do próprio experimento.
20
TÓPICO 2 | MÉTODO DE MONTE CARLO
Alguns exemplos de variáveis aleatórias encontradas no cotidiano são,

conforme apresentam Barbetta, Reis e Bornia (2004):
• Número de caras obtidas ao lançar para o alto duas moedas.

• Número de produtos defeituosos retirados de forma aleatória de um centro de
produção.
• Quantidade de pessoas que acessam um site em um determinado período de
tempo.
• Volume de água perdido por dia em um sistema de abastecimento de água em
um bairro.
• Resistência ao desgaste de um certo tipo de aço em um determinado teste.
• Número de acidentes em uma rodovia num determinado período de tempo.
• Tempo de resposta de um sistema computacional.
• Grau de empenamento de uma tábua de madeira que sai de uma serraria.
As variáveis aleatórias na maioria das vezes são representadas pelas

letras maiúsculas, como X, Y, Z, sendo as letras minúsculas a representação
dos valores a elas associadas (BARBETTA; REIS; BORNIA, 2004), por exemplo,
uma determinada variável aleatória X(S) = x, sendo o valor de “x” pertencente
ao espaço amostral “S”. O espaço amostral é a região que abrange todos os
resultados possíveis de um determinado experimento, que neste caso, se trata
dos experimentos aleatórios.
Portanto, para um dado espaço amostral S de um determinado experimento,

uma variável aleatória é qualquer regra que associe um determinado valor a cada
resultado de S, isto é, uma variável aleatória é uma função cujo domínio é espaço
amostral e o contradomínio é um conjunto de números reais (DEVORE, 2006). A
Figura 6 apresenta um esquema que representa essa definição:
FIGURA 6 – ESPAÇO AMOSTRAL E VALORES ATRIBUÍDOS (VARIÁVEIS ALEATÓRIAS)
FONTE: O autor
21
Para facilitar o entendimento sobre o conceito apresentado sobre variável

aleatória, imagine um caso prático a partir de uma determinada situação quando
uma pessoa em um sistema de atendimento ao consumidor realiza uma ligação
para a central e pode se deparar com duas situações: a primeira é quando a
pessoa consegue uma linha disponível para falar com um atendente, já a outra
situação é quando esta não consegue a linha disponível no momento que solicita
o atendimento.
Para transformar esse vento qualitativo em quantitativo, e por conseguinte

em variável aleatória, pode-se determinar a notação (N) quando a linha não está
disponível e (S) quando a linha está disponível. Neste sentido, o espaço amostral
para os eventos possíveis pode ser representado por: S = {N, S}. Além disso,
quando a ligação não está disponível pode-se atribuir o valor de 0 e quando está
disponível atribuir o valor 1. Portanto:
X(N) = 0 – Situação em que a linha não está disponível

X(S) = 1 – Situação em que a linha está disponível
Assim, por meio dessa representação pode-se executar experimentos

aleatórios, transformando situações qualitativas em valores quantitativos e
representáveis do evento a ser simulado.
Além da definição sobre a variável aleatória, existe a possibilidade de

classificá-la como sendo uma variável aleatória discreta ou contínua. Na Figura 7
é apresentado um esquema que representa os dois tipos de variáveis aleatórias:
FIGURA 7 – ESQUEMA REPRESENTATIVO DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS E DISCRETAS
FONTE: Adaptado de Barbetta, Reis e Bornia (2004)
22
Conforme apresentado na figura, as variáveis aleatórias contínuas

são valores que assumem características de valores contínuos como tempo,
distância, peso etc., sendo que a eles não são atribuídos valores e distribuições de
probabilidade. Estas variáveis geralmente são associadas à Física, sendo que as
variáveis aleatórias discretas são comumente mais utilizadas em experimentação
na área de simulação computacional.
O termo “aleatório”, conforme já apresentado, indica que os valores a

serem obtidos de um experimento, por exemplo, estão sujeitos a uma distribuição
de probabilidade, pelo fato de não ser possível prever os valores a serem obtidos
do experimento. De tal modo, para cada valor “x” a ser obtido tem-se um valor de
probabilidade de ocorrência que pode ser representado da seguinte forma:
P(X=x)
Em que:
P = probabilidade de obtenção do valor;
X = evento;
x = valor atribuído ao evento.
Além disso, outro fator a ser respeitado em se tratando de variáveis

aleatórias discretas é que as probabilidades devem ser maiores ou igual a zero
“0” e menores ou iguais a 1.
0 ≤ P( X =xi ) ≥ 1
Também a soma dos valores de probabilidade para um determinado

experimento deve resultar em valor igual a 1 ou 100%.
∑P ( =
i =1
X ) 1
xi=
3 GERAÇÃO DE NÚMEROS ALEATÓRIOS

A geração de números aleatórios é um elemento fundamental para a
realização de experimentos de simulação. Um exemplo dessa importância é a
sua aplicação no Método de Monte Carlo para simulação de experimentos em
processos industriais. Entretanto, o processo de geração de números aleatórios
não é algo tão simples.
O propósito dos geradores de números aleatórios é gerar uma sequência

de números que parecem ser gerados aleatoriamente de uma distribuição
de probabilidade específica (L’ECUYER, 2001). Geralmente, um gerador de
números aleatórios básico uniforme gera números que imitam valores aleatórios
23
independentes da distribuição uniforme sobre o intervalo [0, 1] (independentes

e uniformemente distribuídas sobre o intervalo [0, 1]) (VIEIRA; RIBEIRO;
SOUZA, 2004).
A técnica mais comum utilizada para geração de números aleatórios faz

uso de uma relação cíclica na qual o próximo número na sequência é uma função
do último ou dois últimos números gerados, um exemplo é a função:
xn +1 3* xn + 1mod13
=
Iniciando a série com x0 = 1, obtém-se x1 da forma que segue:
x0+1 5* x0 + 1mod16
=
5*1 + 1mod16 =
x1 = 6
Os primeiros 19 números gerados através desta técnica são: x0=1; x1=6;

x2=15; x3=12; x4=13; x5=2; x6=11; x7=8; x8=9; x9=14; x10=7; x11=4; x12=5; x13=10; x14=3;
x15=0; x16=1; x17=6; x18=15; x19=12.
A partir dos valores gerados é possível constatar que estes são números
inteiros entre 0 e 15. Se fizer a razão de cada valor por 16, obtém-se uma sequência
de números aleatórios com valores entre 0 e 1. Para o exemplo anterior os números
serão: 0,6250; 0,1875; ... 0,7500.
Portanto, é evidente que ao se conhecer a função f x é possível gerar uma

nova sequência de números aleatórios, somente fornecendo o valor inicial para x0.
Este valor, utilizado para iniciar a geração dos números aleatórios, é denominado
de semente.
Ainda que estes valores sejam classificados como aleatórios, por

serem convencionados em testes estatísticos de aleatoriedade, por certo são
pseudoaleatórios. Mesmo que isso seja verdadeiro, o desígnio de qualquer técnica
de geração é gerar uma sequência de números aleatórios entre “0” e “1”, que
tenha características semelhantes àquelas dos verdadeiros números aleatórios.
Apesar de não serem verdadeiramente aleatórios, os números

pseudoaleatórios podem apresentar vantagens sobre os aleatórios. Um exemplo
é quando são realizadas simulações nas quais é necessário repetir o experimento
simulado, e desse modo, a sequência de números pseudoaleatórios, da maneira
exata como foi realizada anteriormente. Da mesma forma, se for necessário
obter sequências novas, isso somente é possível quando for modificado o valor
da semente. Assim, os geradores de números aleatórios permitem um controle
adicional sobre a possibilidade de reproduzir os resultados.
Diante do exemplo realizado, que apresenta como gerar números

aleatórios a partir de uma função conhecida, é possível observar que somente
24
os dezesseis primeiros números são únicos. O décimo sétimo é igual ao x0 e o

restante da sequência é apenas uma repetição cíclica dos primeiros dezesseis
números. Logo, o gerador empregado tem um comprimento de ciclo igual a 16
valores. Determinados geradores não reproduzem uma parte inicial do ciclo,
chamada de cauda. Neste caso, o comprimento de seu período é dado pela soma
do comprimento “L” da cauda mais o comprimento “C” do ciclo, conforme segue:
FIGURA 8 – COMPRIMENTO DO CICLO, CAUDA E PERÍODO DE GERADOR DE NÚMEROS

ALEATÓRIOS
FONTE: Vieira, Ribeiro e Souza (2004, p. 168)
Quando se fala sobre a geração e aplicação de números aleatórios é

necessário que estes tenham algumas características:
• Deve ser eficiente quando utilizado em computadores: visto que experimentos

e simulações podem precisar de quantidades muito grandes de números
aleatórios para cada execução, o tempo de processamento para a geração dos
números deve ser mínimo.
• A sequência precisa ser longa: uma sequência curta gera um novo ciclo de
números aleatórios, que tem como resultado uma repetição da sequência de
números gerados. Desta forma, pode limitar o período útil de uma rodada de
simulação ou experimento.
• A sequência de valores deve ser independente e uniformemente distribuída:
a correlação entre os vários valores gerados também precisa ser pequena. Se a
correlação for significativa, isso pressupõe dependência entre os valores.
3.1 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO

MÉTODO CONGRUENTE LINEAR (MCL)
O Método Congruente Linear é considerado o mais conhecido, entre
tantos outros métodos empregados para gerar números pseudoaleatórios. Este
método, também denominado de método congruente misto, foi inicialmente
publicado no trabalho desenvolvido por Lehmer, em 1951, em experimentos
realizados no primeiro computador totalmente eletrônico, o ENIAC (Electronic
Numerical Integrator and Computer) no MIT (L’ECUYER, 2001).
Em seus estudos, Lehmer identificou que restos de consecutivas potências

de um número apresentam características apropriadas de aleatoriedade. Segundo
25
Vieira, Ribeiro e Souza (2004), Lehmer obtinha o n-ésimo valor de uma sequência,
adotando o resto da razão da n-ésima potência de um inteiro “a” por um outro
inteiro “m”.
Uma equação análoga empregada para o cálculo de xn após calcular xn+1 é

dada por:
xn +1
= ( a * xn + b ) mod (m)
O parâmetro “a” é denominado de multiplicador, enquanto o “m” é

chamado de módulo. Além disso, para Vieira, Ribeiro e Souza (2004), as definições
de Lehmer para estes parâmetros foram (a = 23) e (m = 108 + 1). Esta escolha
estava relacionada com a simplicidade de operacionalização do ENIAC, que era
uma máquina de oito dígitos decimais.
A popularidade dos geradores fundamentados neste método tem relação

com o fato de serem analisados com facilidade e de determinadas propriedades
serem garantidas pela teoria das congruências (DUDEWICZ; KARIAN, 1985).
Entretanto, a definição dos valores de “a”, “b” e “m” influencia o período e a
autocorrelação da sequência. Algumas determinações sobre essas influências são
descritas na sequência, sob a ótica de Dudewicz e Karian (1985):
• O módulo de “m” precisa ser grande, isto é, maior que a necessidade de

valores para realização do experimento ou simulação, pois os valores de x
serão gerados entre “0” e “m-1”, a sequência de valores jamais terá um valor
maior do que “m”.
• Para que o valor gerado de “mod m” seja eficiente, “m” deve ser uma potência
de 2, isto é, 2k.
• Se “b” for diferente de “0”, a máxima sequência sem repetir o ciclo possível
para “m” é alcançado se, e somente se:
o Os inteiros “m” e “b” forem primos, um em relação ao outro, isto é, não
tenham qualquer outro fator além de 1.
o Todo número primo que é um fator de “m” é também um fator de “a-1”.
o (a-1) é um múltiplo de “4”, se o inteiro “m” é múltiplo de “4”.
• Se “b” for igual a ”0”, e “m” potência de 2, a maior sequência possível será
“m/4”.
3.2 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO

CONGRUENTE LINEAR MULTIPLICATIVO (MCLM)
Uma das variações do método congruente linear é o Método Congruente
Linear Multiplicativo (MCLM). Neste, o valor do incremento “b” é igual a “0”.
Portanto, o gerador fica sintetizado à seguinte equação:
xn +1 = a * xn mod (m)
26
Levando em consideração o processamento computacional, os geradores

fundamentados no método congruente linear multiplicativo são melhores do que
aqueles com base no MCL, pois não há o envolvimento de operações de adição,
ou seja, o tempo de processamento necessário fica reduzido.
3.3 UTILIZAÇÃO DO EXCCEL PARA GERAÇÃO DE

NÚMEROS ALEATÓRIOS
Além da aplicação de fórmulas para geração de números aleatórios,
atualmente existem vários programas e aplicativos que possibilitam a geração
de números aleatórios. Nesse livro será apresentada a utilização do software
Microsoft Excel. Ainda que não seja um método de geração de números
verdadeiramente aleatórios, emprega-se esta possibilidade para aplicação de
experimentos ou simulações mais simples (KAWANO; KAWANO, 2014).
A seguir é apresentado como gerar números aleatórios utilizando o

Excel®. Basicamente, as duas funções que geram números aleatório no Excel®
são:
• (=ALEATÓRIO( )), que fornece números aleatórios entre 0 e 1.

• (=ALEATÓRIOENTRE (limite – inferior; limite – superior)), que fornece
números inteiros aleatórios entre os limites definidos.
Na sequência é apresentado um passo a passo para a geração de números

aleatórios no Excel®:
FIGURA 9 – GERAÇÃO DE NÚMEROS ALEATÓRIOS EMPREGANDO A FUNÇÃO “ALEATÓRIO”

NO EXCEL®
FONTE: O autor
Inicialmente, em qualquer célula do programa Excel® deve-se digitar

“=” e pelo menos as três primeiras letras da palavra aleatório. Ex.: = ale,
automaticamente o Excel® irá sugerir as funções existentes e liberadas. Neste
caso, irão aparecer as possibilidades de “aleatório” e “aleatórioentre”.
27
Para gerar números aleatórios entre “0” e “1”, é necessário somente

selecionar a primeira opção, isto é, aleatório ( ), e efetivar a operação, logo será
apresentado na célula escolhida um número aleatório entre “0” e “1”:
FIGURA 10 – NÚMERO ALEATÓRIO GERADO NO EXCEL POR MEIO DA FUNÇÃO ALEATÓRIO ( )
FONTE: O autor
Caso seja necessário gerar uma sequência de números aleatórios, é

necessário arrastar a célula para baixo, conforme segue a imagem:
FIGURA 11 – GERAÇÃO DE UMA SEQUÊNCIA DE NÚMEROS ALEATÓRIOS NO EXCEL® POR

MEIO DA FUNÇÃO ALEATÓRIO ( )
FONTE: O autor
28
Caso seja necessário gerar valores aleatórios inteiros dentro de um certo

intervalo de valores, deve-se utilizar a função “=ALEATÓRIOENTRE( )” e
informar o intervalo desejado, por exemplo, na Figura 12 é apresentada a geração
de número aleatórioentre (0; 100):
FIGURA 12 – GERAÇÃO DE UMA SEQUÊNCIA DE NÚMEROS ALEATÓRIOS NO EXCEL® POR

MEIO DA FUNÇÃO ALEATÓRIOENTRE ( ; )
FONTE: O autor
Essa forma de geração de números aleatórios possui a distribuição

uniforme como padrão utilizado pelo Excel®. Caso seja necessário gerar números
aleatórios com uma outra distribuição de probabilidade, é preciso utilizar a
ferramenta “Análise de Dados”, que necessita ser ativada na lista de suplementos
do Excel® (KAWANO; KAWANO, 2014).
4 MÉTODO MONTE CARLO

Um conceito formal sobre o Método de Monte Carlo foi realizado por
Halton no ano de 1970. Para o autor, este método possibilita conceber a solução
de um problema como um parâmetro de uma população hipotética, e que
utiliza uma série de números pseudoaleatórios para estabelecer uma amostra da
população da qual estimativas estatísticas possam ser realizadas (PAULA, 2014).
29
Entretanto, o método de Monte Carlo começou a ser desenvolvido em

1946 por John Von Neumann e Stanislav Ulam. Seu surgimento se deu por Ulam
quando, durante um jogo de cartas, buscou calcular as probabilidades de sucesso
de uma determinada jogada empregando a clássica análise combinatória.
Depois de investir muito tempo, realizando os cálculos, constatou que uma

alternativa mais viável seria somente executar uma certa quantidade de jogadas,
algo em torno de cem ou mil, e contabilizar os resultados para cada jogada.
Ulam sugeriu a aplicação de técnicas de amostragem estatística para

solucionar o problema da difusão de nêutrons em material sujeito à fissão
nuclear, difundindo assim suas ideias sobre o método desenvolvido. Mais tarde,
esse método foi denominado de Método de Monte Carlo, nome motivado por um
tio de Ulam, que jogava frequentemente no famoso cassino de Monte Carlo, cuja
característica aleatória de suas roletas também está fortemente ligada ao método.
O Método de Monte Carlo foi formalizado em 1949, por meio do artigo

intitulado “Monte Carlo Method”, publicado por John Von Neumann e Stanislav
Ulam (PAULA, 2014). A partir das suas diversas aplicações, o Método de Monte
Carlo pode ser compreendido como método de simulação estatística que emprega
um conjunto de números aleatórios para realizar simulações e experimentos. De
outro modo, é aceito como método numérico universal para resolver problemas
por meio de amostragem aleatória, também chamada de aproximação da solução.
O método dispensa a necessidade de desenvolver equações diferenciais

para descrever o comportamento de sistemas complexos. Entretanto, o sistema
físico ou matemático deve ser modelado, considerando as Funções de Densidade
de distribuição de Probabilidade (FDP). Tendo conhecimento das distribuições,
a simulação ou experimento por meio da aplicação do Método de Monte Carlo
pode ser realizado, obtendo as amostragens aleatórias a partir das mesmas. Este
processo é repetido várias vezes e o resultado esperado é alcançado por meio de
técnicas estatísticas como média, desvio padrão etc.
Segundo Paula (2014), atualmente o Método de Monte Carlo é empregado

em diversas áreas, como em:
• Finanças: na modelagem e simulação de um mercado de opção.

• Engenharia: na gestão de portfólio de uma empresa de seguros, na análise de
um problema de estoque.
• Biologia: usado para a biologia de sistemas de tratamento de câncer, para
estratégias de otimização e paralelização para a simulação de Monte Carlo
de uma infecção pelo HIV. Dentre inúmeras aplicações na Física, Química e
Medicina.
30
4.1 SIMULAÇÃO POR MEIO DO MÉTODO

DE MONTE CARLO
A simulação de Monte Carlo (SMC) envolve o uso de números aleatórios
e probabilidades para analisar e resolver problemas (SARAIVA JÚNIOR et al.,
2011). Além das áreas de aplicação apresentadas anteriormente, o Método de
Monte Carlo tem aplicação muito importante na simulação de processos em
Pesquisa Operacional (KAWANO; KAWANO, 2014).
A simulação pelo Método de Monte Carlo consiste em um método que

emprega a geração de números aleatórios para atribuir valores às variáveis
do sistema que se deseja investigar (LUSTOSA; PONTE; DOMINAS, 2004).
Os números são obtidos de artifícios aleatórios (por exemplo: tabelas, roletas,
sorteios) ou diretamente de softwares, através de funções específicas (SARAIVA
JÚNIOR et al., 2011). A cada iteração, o resultado é armazenado e, ao final de
todas as repetições, a sequência de resultados gerados é transformada em uma
distribuição de frequência que permite calcular estatísticas descritivas, como
média (valor esperado), valor mínimo, valor máximo e desvio padrão, cabendo
ainda ao responsável das simulações a vantagem de projetar cenários futuros de
operação do sistema em análise (SARAIVA JÚNIOR et al., 2011).
A simulação por meio do Método de Monte Carlo pode ser empregada

em problemas de tomada de decisão em que envolvam riscos e incertezas,
muitas vezes nessas condições o comportamento das variáveis envolvidas com
o problema não é de natureza determinística, o que possibilita a utilização do
método (LUSTOSA; PONTE; DOMINAS, 2004). A Figura 13 apresenta um
esquema com as etapas para a aplicação do Método de Monte Carlo:
31
FIGURA 13 – ETAPAS PARA REALIZAÇÃO DA SIMULAÇÃO PELO MÉTODO DE MONTE CARLO

Passo Descrição
Definir as variáveis envolvidas no sistema em
1 análise com base em dados passados ou em
estimativas subjetivas dos administradores
Construir as distribuições de frequência

2 (absoluta, relativa e acumulada) para cada uma
das variáveis definidas
Definir, para cada variável considerada, os

intervalos de classe/de Incidência dos números
3
aleatórios, com base nas distribuições de
frequência acumulada projetadas
4 Gerar números aleatórios
Incidir números aleatórios gerados nos intervalos

5
de classe de cada variável
6 Simular os experimentos
FONTE: Lustosa, Ponte e Dominas (2004, p. 153)
Para ilustrar a aplicação do Método de Monte Carlo, por meio das etapas
da Figura 13, será apresentado um exemplo adaptado de Andrade (2008).
• Exemplo
Uma distribuidora de água mineral atua no centro de uma cidade,

comercializando água em galões de 20 litros realizando inclusive a entrega
32
dos galões de água em domicílio. Sua clientela é formada basicamente por

consumidores regulares, os quais foram conquistados com grandes esforços em
atendimento e prazo de entrega.
De acordo com dados históricos, a demanda de galões de 20 litros se

distribui entre: 250 galões (5%); 300 galões (5%); 350 galões (30%); 400 galões (40%);
450 galões (15%); 500 galões (10%); 550 galões (5%). Além disso, o fornecedor
da distribuidora está tendo problemas na máquina envasadora e tem feito suas
entregas semanais com atraso de 1 a 3 dias, isto é, com atraso de 1 dia (50%); 2
dias 30%; e 3 dias (20%).
O fornecedor entrega 2400 galões de água por semana e a distribuidora

funciona de segunda-feira a sábado. O custo de armazenagem e do capital parado
de cada galão de água é de R$ 0,50 por dia e o custo da falta é de R$ 2,10 por
unidade, uma vez que, quando há demanda e a distribuidora não possui nenhum
galão de água, para não perder o cliente, ela adquire galões de água no distribuidor
concorrente e arca com o prejuízo do custo maior e do transporte extra. Neste
caso, deve-se simular o comportamento dos seus custos para os próximos 30 dias.
Solução por meio da Simulação de Monte Carlo
A solução do exemplo apresentado será realizada por meio da aplicação

do esquema apresentado na Figura 13.
Passo 1
Inicialmente é necessário definir as variáveis envolvidas no sistema (passo

1). Neste caso, as variáveis envolvidas são:
• demanda por galões de água;

• atraso na entrega dos galões de água.
Passo 2
Após a identificação das variáveis envolvidas no processo, deve-se

construir as distribuições de frequência (absoluta, relativa e acumulada) para
cada variável definida.
Para demanda de galões de água foram verificados os seguintes

percentuais:
33
FIGURA 14 – DISTRIBUIÇÃO PERCENTUAL PARA A DEMANDA DE GALÕES DE ÁGUA
Demanda Percentual
250 5%
300 5%
350 20%
400 40%
450 15%
500 10%
550 5%
FONTE: O autor
A partir dessa distribuição percentual é possível realizar a frequência

acumulada, conforme apresentada a seguir:
FIGURA 15 – DISTRIBUIÇÃO PERCENTUAL PARA A DEMANDA DE GALÕES DE ÁGUA COM

FREQUÊNCIA ACUMULADA
Demanda Percentual Percentual Acum.

250 5% 5%
300 5% 10%
350 20% 30%
400 40% 70%
450 15% 85%
500 10% 95%
550 5% 100%
FONTE: O autor
Passo 3
O terceiro passo é a definição para cada variável considerada dos intervalos

de classe para alocação dos números aleatórios com base nas distribuições de
frequência acumulada projetadas, conforme segue:
FIGURA 16 – DISTRIBUIÇÃO PERCENTUAL PARA A DEMANDA DE GALÕES DE ÁGUA COM

FREQUÊNCIA ACUMULADA E INTERVALO DE CLASSES
Demanda Percentual Percentual Acum. Intervalo de Classes

250 5% 5% 1à5
300 5% 10% 6 à 10
350 20% 30% 11 à 30
400 40% 70% 31 à 70
450 15% 85% 71 à 85
500 10% 95% 86 à 95
550 5% 100% 96 à 100
FONTE: O autor
34
Utilizando o mesmo raciocínio, deve-se realizar a distribuição do

percentual, frequência acumulada e intervalo de classes para o atraso nas entregas,
neste caso, a Figura 17 apresenta o resultado total para essa variável:
FIGURA 17 – DISTRIBUIÇÃO PERCENTUAL PARA O ATRASO NA ENTREGA DE ÁGUA COM

FREQUÊNCIA ACUMULADA E INTERVALO DE CLASSES
Dias de Atraso Percentual Percentual Acum. Intervalo de Classes

1 50% 50% 1 à 50
2 30% 80% 51 à 80
3 20% 100% 81 à 100
FONTE: O autor
Passo 4
Após a realização das distribuições percentuais, frequência acumulada e

definição dos intervalos de classes, no passo 4 são gerados os números aleatórios.
Neste caso, será utilizado o software Excel® para geração da sequência de
números aleatórios. Para geração dos números aleatórios será empregada a função
“=ALEATÓRIOENTRE( ; )”, com um intervalo de 1 a 100 para uma sequência de
trinta números aleatórios, conforme demandado pelo exemplo apresentado. A
seguir está a sequência de números aleatórios para os trinta dias de serviço:
FIGURA 18 – SEQUÊNCIA DE NÚMEROS ALEATÓRIOS PARA OS TRINTA DIAS DE SIMULAÇÃO
Números Números Números Números Números

dias dias dias dias dias
Aleatórios Aleatórios Aleatórios Aleatórios Aleatórios
1 10 7 7 13 7 19 7 25 3
2 4 8 10 14 7 20 5 26 3
3 9 9 3 15 9 21 6 27 1
4 5 10 9 16 7 22 2 28 8
5 3 11 5 17 3 23 10 29 1
6 10 12 9 18 8 24 4 30 1
FONTE: O autor
Passos 5 e 6
Para realização das simulações será utilizada a mesma sequência de

números aleatórios, isto é, tanto para simular os atrasos como as demandas de
galões de água. Portanto, como o funcionamento da distribuidora é de segunda-
feira a sábado, cada semana é composta de 6 dias. Ao longo dos 30 dias (de
funcionamento) da simulação, as entregas de água pelo fornecedor deveriam
ocorrer no 6º, 12º, 18º, 24º e 30º dia, considerando que no 1º dia, o estoque está
completo (2400 galões).
35
A partir da sequência de números aleatórios (Figura 18) é possível simular

os atrasos de entrega, conforme os intervalos definidos na Figura 17. Neste caso,
os atrasos de entrega serão conforme apresentados a seguir:
FIGURA 19 – SIMULAÇÃO DOS ATRASOS NAS ENTREGAS DE GALÕES DE ÁGUA
Data Prevista Número Nova Data de

Atraso (dias)
para Entrega Aleatório Entrega
6 10 1 7
12 9 1 13
18 8 1 19
24 4 1 25
30 1 1 31
FONTE: O autor
Com a simulação dos atrasos nas entregas é possível realizar a simulação

e cálculo das demandas e os custos para os trinta dias de serviço da empresa:
FIGURA 20 – SIMULAÇÃO DA DEMANDA E CUSTOS

Número Estoque Estoque Custo Custo da
dia Demanda Entrega
Aleatório Inicial Final Armazenagem Falta
1 10 300 2400 2100 R$ 1.050,00 R$ -
2 4 250 2100 1850 R$ 925,00 R$ -
3 9 300 1850 1550 R$ 775,00 R$ -
4 5 250 1550 1300 R$ 650,00 R$ -
5 3 250 1300 1050 R$ 525,00 R$ -
6 10 300 1050 750 R$ 375,00 R$ -
7 7 300 2400 3150 2850 R$ 1.425,00 R$ -
8 10 300 2850 2550 R$ 1.275,00 R$ -
9 3 250 2550 2300 R$ 1.150,00 R$ -
10 9 300 2300 2000 R$ 1.000,00 R$ -
11 5 250 2000 1750 R$ 875,00 R$ -
12 9 300 1750 1450 R$ 725,00 R$ -
13 7 300 2400 3850 3550 R$ 1.775,00 R$ -
14 7 300 3550 3250 R$ 1.625,00 R$ -
15 9 300 3250 2950 R$ 1.475,00 R$ -
16 7 300 2950 2650 R$ 1.325,00 R$ -
17 3 250 2650 2400 R$ 1.200,00 R$ -
18 8 300 2400 2100 R$ 1.050,00 R$ -
19 7 300 2400 4500 4200 R$ 2.100,00 R$ -
20 5 250 4200 3950 R$ 1.975,00 R$ -
21 6 300 3950 3650 R$ 1.825,00 R$ -
22 2 250 3650 3400 R$ 1.700,00 R$ -
23 10 300 3400 3100 R$ 1.550,00 R$ -
36
24 4 250 3100 2850 R$ 1.425,00 R$ -

25 3 250 2400 5250 5000 R$ 2.500,00 R$ -
26 3 250 5000 4750 R$ 2.375,00 R$ -
27 1 250 4750 4500 R$ 2.250,00 R$ -
28 8 300 4500 4200 R$ 2.100,00 R$ -
29 1 250 4200 3950 R$ 1.975,00 R$ -
30 1 250 3950 3700 R$ 1.850,00 R$ -
TOTAL R$ 42.825,00
FONTE: O autor
Com esta simulação foi possível obter os valores dos custos de armazenagem
+ capital de R$ 42.825,00 e como custo de falta de R$ 0,00. De posse desta planilha,
o administrador pode simular, por exemplo, diferentes quantidades de compra e
avaliar o impacto em seus custos.
A partir desse exemplo prático da aplicação do Método de Monte Carlo

para simulação de processos é possível aplicar em outras situações práticas do
dia a dia.
37
RESUMO DO TÓPICO 2
• Uma variável aleatória é quando conseguimos atribuir valores a uma

determinada situação qualitativa. Por meio das variáveis aleatórias, podemos
realizar experimentos aleatórios muito úteis em pesquisas e experimentos
dirigidos a empresas.
• Os geradores de números aleatórios são importantes ferramentas utilizadas na

simulação, sendo que sua aplicação vai desde a criação de jogos até a criação e
desenvolvimento de algoritmos de criptografia.
• O Método de Monte Carlo é uma poderosa ferramenta de simulação, que

considera a presença de dados de entrada caracterizados por distribuições de
probabilidade. Para tanto, o método utiliza a geração de números aleatórios
como sua essência.
38
AUTOATIVIDADE
1 A geração de números aleatórios é uma importante ferramenta para

aplicação em processos de simulação. Existem algoritmos específicos para cada
sequência que se queira criar. Por definição, um número aleatório pertence a
uma série numérica cuja previsibilidade não pode ser obtida através dos seus
membros anteriores na série. O objetivo da obtenção de números aleatórios
é o de simular o comportamento de sequências numéricas, sendo utilizados,
por exemplo, no Método Monte Carlo. Com relação à geração de números
aleatórios, classifique V para as sentenças verdadeiras e F para as falsas:
( ) A geração de números aleatórios apresenta diversas aplicações. Dentre

elas, podemos citar a simulação de sistemas de filas, as quais são um
tema recorrente e de vasta aplicação na Engenharia de Produção.
( ) A geração de números aleatórios que obedecem a um sistema binário
[0,1], apesar de considerada válida conceitualmente, não apresenta
aplicação prática, visto que existem infinitos números entre 0 e 1.
( ) Podemos utilizar o software Microsoft Excel para a geração de
números aleatórios. Um das possibilidades é a utilização da função
ALEATÓRIOENTRE( ), especificando, para isso, o intervalo de valores
desejado.
( ) A função ALEATÓRIOENTRE( ) permite aplicar qualquer tipo de
distribuição de probabilidade, bastando indicar na tela de geração da
função o tipo de distribuição e o número de caudas.
Assinale a alternativa que apresenta a sequência CORRETA:
a) ( ) V – F – V – F.
b) ( ) F – V – V – V.
c) ( ) V – V – F – F.
d) ( ) V – F – V – V.
2 O Método de Monte Carlo tem uma produção da função da distribuição

para os valores calculados, podendo ter um grande número de variáveis e não
depende da natureza do modelo. Com relação às etapas de preparação para
aplicação do Método de Monte Carlo, analise as sentenças a seguir:
I- Coletar os dados brutos, analisando do próprio sistema.

II- Analisar os resultados da simulação realizada.
III- Compilar os dados através do desenvolvimento de uma tabela com
intervalos de valores e suas frequências.
IV- Calcular a frequência acumulada, identificando os intervalos.
39
Assinale a alternativa CORRETA:
a) ( ) As sentenças II e III estão corretas.

b) ( ) As sentenças II e IV estão corretas.
c) ( ) As sentenças I, III e IV estão corretas.
d) ( ) Somente a sentença III está correta.
40
UNIDADE 1
TÓPICO 3
CADEIAS DE MARKOV
1 INTRODUÇÃO
As Cadeias de Markov são uma derivação específica do “Processo de
Markov”. Este é um processo estocástico em que as distribuições de probabilidade
para o seu desenvolvimento futuro dependem apenas do estado atual, sem
considerar como o processo atingiu tal estado.
Os processos markovianos são estruturados por meio dos modelos

de Markov, que são sistemas de transições de estados, em que os estados são
concebidos em termos de seus vetores probabilísticos, que podem variar no espaço
temporal (discreto ou contínuo), e as transições entre estados são probabilísticas e
dependem somente do estado atual (BORTOLOTTI et al., 2007).
Se o período de estados é discreto, isto é, quantitativo, então o modelo de

Markov é chamado de cadeias de Markov. As características desses modelos são
analisadas em termos dos domínios das matrizes de transições de estados.
Uma cadeia de Markov é um caso especial de processo estocástico com

estados discretos, com característica de distribuição de probabilidade do próximo
estado dependente somente do estado presente e não no encadeamento de eventos
que antecederam, uma característica denominada “Markoviana”, nomeada deste
modo em homenagem a Andrei Andreyevich Markov.
Essa característica também é conhecida como memória markoviana, em

que os estados antecedentes são irrelevantes para o prognóstico dos estados
seguintes, desde que o estado presente seja conhecido.
NOTA
A Cadeia de Markov é também conhecida como o "andar do bêbado", um

passeio aleatório na linha do tempo em que, a cada passo, a posição pode alterar com
igual probabilidade. A partir de qualquer posição existem duas transições admissíveis. As
probabilidades de transição dependem apenas da posição presente, não sobre o modo
em que a posição foi alcançada.
41
2 DEFINIÇÕES SOBRE AS CADEIAS DE MARKOV

Segundo Bortolotti et al. (2007), uma cadeia de Markov é uma sequência
X1, X2, X3, ...Xn de variáveis aleatórias. O conjunto de valores que elas podem
admitir é denominado de espaço de estados, em que Xn significa o estado do
processo no tempo “n”. Se a distribuição de probabilidade condicional de Xn+1
nos estados passados é uma função apenas de Xn, então a identidade que define
a propriedade de Markov é:
Pr ( X n=
+1 n)
i|X 0 , X 1 , X 2 , …, X = Pr ( X n=
+1 i|X n )
em que “X” é algum estado do processo.
As Cadeias de Markov são comumente representadas por uma sequência

de grafos (diagrama de transição), em que as arestas do gráfico “n” são qualificadas
pelas probabilidades de ir de um estado no tempo “n” para outros estados no
tempo “n+1”, isto é:
Pr (= |X n ) xn
X n +1 x=
Na Figura 21 é representado um exemplo de um diagrama de transição

que mostra uma cadeia de Markov simples e as possibilidades de transição de
estados:
FIGURA 21 – DIAGRAMA DE TRANSIÇÃO PARA UMA CADEIA DE MARKOV SIMPLES
P12
P11 1 2 P22
P21
FONTE: O autor
Em uma Cadeia de Markov, o símbolo Pij (probabilidade de passar de “i”

para “j” em um estado) é usado para demonstrar a probabilidade (condicional)
de que, dado que o sistema permaneça no estado “i” em algum momento,
possa estar no estado “j” no espaço de tempo subsequente. Geralmente, os Pij
são denominados de probabilidades de transição das Cadeias de Markov.
42
TÓPICO 3 | CADEIAS DE MARKOV
Efetivamente, Pij é a probabilidade de acontecer uma transição do estado “i”

para o estado “j”. No exemplo da Figura 21 existem dois estados, o “1” e o “2”,
representados pelos círculos, e as setas P11, P12, P22, P21 são os Pij, isto é, são as
probabilidades de mudança de estados.
Além da representação das Cadeias de Markov por meio de diagrama de

transição, para a realização dos cálculos é necessário e recomendado que sejam
representadas através de matrizes. Neste caso, considere uma cadeia de Markov
com estados 1, 2, ..., N. Seja Pij a probabilidade de transição do estado “i” para o
estado “j”. Então a matriz NxN P= [Pij], em que 0 ≤ Pij ≤ 1, tal que:
∑P
j =1
ij =1
Em que i = 1, 2, ..., m, denomina-se matriz de transição de Cadeia de

Markov. Utilizando o exemplo apresentado na Figura 21, ou seja, uma Cadeia
de Markov de dois estados, 1 e 2, a transposição do diagrama para matriz ficaria:
P P12 
P =  11
 P21 P22 
A distribuição por estados para Cadeias de Markov pode ser escrita como
um vetor de linha estocástico “S” com:
S(
n + 1)
= S( )P
n
Assim, se no tempo “n” o sistema está no estado “S(n)”.
Para facilitar o entendimento sobre a aplicação prática das Cadeias de

Markov será exemplificada a análise de mercado de uma empresa fabricante de
sucos.
• Exemplo
Uma empresa fabricante de sucos controla 20% do mercado de sucos.

Com o intuito de aumentar sua fatia de mercado, a empresa realizou uma análise
do efeito de uma campanha de publicidade. Os resultados obtidos foram: a)
alguém usando a Marca da empresa (Marca A) continuará usando a marca com
probabilidade de 90%; b) alguém não usando a Marca A irá migrar para a Marca
A com probabilidade de 70%. A partir dos dados apresentados, calcular qual
será o ganho de mercado do fabricante de sucos após o período de um mês de
campanha de marketing.
43
Para iniciar a resolução do exemplo, será convencionado que quem usa a

“Marca A” pertence ao estado “A”, e quem usa a outra marca será o estado “B”.
Inicialmente é importante montar um diagrama de transição do problema:
FIGURA 22 – DIAGRAMA DE TRANSIÇÃO DO PROBLEMA
0,1
0,9 A B 0,3
0,7
FONTE: O autor
A partir do diagrama de transição é possível montar a matriz de

probabilidade de transição, conforme apresentada a seguir:
FIGURA 23 – MATRIZ DE PROBABILIDADE DE TRANSIÇÃO
A B
A 0,9 0,1
B 0,7 0,3
FONTE: O autor
Para o exemplo da fábrica de sucos, a matriz de distribuição do estado

inicial é representada geralmente por “S0”, isto é, representa o estado inicial que
a fábrica de sucos se encontra, neste caso, ela detém 20% do mercado, sendo que
a outra marca detém 80% do mercado.
A B
S0 = 0,2 0,8
44
Diante dos desenvolvimentos do diagrama de transição, matriz de

probabilidade de transição e matriz de distribuição do estado inicial é possível
realizar o cálculo do próximo estado, isto é, saber qual será o efeito da campanha
de marketing na mudança de marca. Isso é possível por meio da aplicação da
equação do vetor de linha estocástico:
S(
n + 1)
= S( )P
n
Para o período S0, “n” será igual a “0”. Desta forma:
S(
0 + 1)
= S( )P
0
Portanto, o próximo estado para Cadeia de Markov no exemplo

apresentado é:
S( ) = S( )P
1 0
Substituindo pelas matrizes, fica:
 0,9 0,1
S 1 = [ 0, 2 0,8] *  
0, 7 0,3
Realizando a multiplicação das matrizes, o resultado obtido é:
FIGURA 24 – RESULTADO DA MULTIPLICAÇÃO DAS MATRIZES
0,74 0,26
FONTE: O autor
Portanto,
 0,9 0,1
=S1 [0,
= 2 0,8] *   [ 0, 74 0, 26]
0, 7 0,3
45
Após um mês de campanha de marketing, a empresa fabricante de sucos

passará a ter uma fatia de mercado de 74%.
2.1 CADEIAS ABSORVENTES DE MARKOV

Um processo de Markov é um processo estocástico em que as distribuições
de probabilidade para o seu desenvolvimento futuro dependem somente do
estado presente, não levando em consideração como o processo chegou a tal
estado (BORTOLOTTI et al., 2007). Ainda segundo os autores, esse processo é
modelo por sistemas de transição de estados, em que os estados são representados
em termos de seus vetores probabilísticos, que podem variar no espaço temporal
e as transições entre estados dependem apenas do estado corrente.
Se o espaço de estados é discreto, então o modelo de Markov é denominado

de cadeias de Markov. As propriedades desse modelo são estudadas em termos
das propriedades das matrizes de transições de estados (STAUDT; COELHO;
GONÇALVES, 2011).
Segundo Hoyos (1980), os pontos fundamentais na construção de uma

cadeia de Markov são as definições dos estados do sistema e a constituição da
matriz de transição probabilística. Na Figura 25 é apresentado um exemplo de
cadeia produtiva com as probabilidades de transição e seus respectivos estados, ou
seja, Prod. A, Prod. B, Inspeção, Estoque, Rejeito. Nesta figura é possível verificar
diferentes processos, por exemplo: existe um processo chamado “Prod. A”, esse
processo produz um produto qualquer e apresenta probabilidade de transição
de 95% de transferir seus produtos para do processo Prod. B e probabilidade de
transição de 5% de transferir rejeitos para o processo “Rejeito”. Além disso, o
Prod. A tem probabilidade de receber 3% de produtos do processo Prod. B.
FIGURA 25 – FLUXO PRODUTIVO COM PROBABILIDADES DE TRANSIÇÃO
FONTE: Milnitz, Luna e Coelho (2016, p. 131)
46
A partir do fluxo produtivo apresentado na Figura 25 é possível construir a

matriz de transição estocástica (Figura 26). Segundo Branco e Coelho (2006), estas
matrizes, denominadas “P”, são estocásticas, porque a soma das probabilidades
de cada linha é igual a 1. Na matriz de transição “P”, cada linha “i” representa o
estado atual e cada coluna “j” representa o estado futuro, sendo que a ordem dos
estados atuais deve ser igual à dos estados futuros, nas linhas e colunas de “P”.
FIGURA 26 – MATRIZ DE TRANSIÇÃO ESTOCÁSTICA DO PROCESSO PRODUTIVO
FONTE: Milnitz, Luna e Coelho (2016, p. 131)
A matriz de transição pode ser exibida na forma de quatro submatrizes,

que podem ir de um estado absorvente para outro estado não absorvente (Figura
27). De acordo com a definição, um estado de uma cadeia de Markov é um estado
absorvente se, uma vez nesse estado, é impossível sair dele.
Um caso especial de cadeias de Markov é usado para descrever processos

ou sistemas que cessam após atingir certas condições determinadas. Por exemplo:
uma vez encontrado um número predeterminado de peças, caixas, produtos
aceitáveis ou defeituosas cessam a inspeção sequencial; após x horas de operação,
a máquina quebra e é reparada ou substituída etc. Tais processos podem ser
estudados pelo modelo das cadeias de Markov (BORTOLOTTI et al.; 2007).
FIGURA 27 – MATRIZ DE TRANSIÇÃO ESTOCÁSTICA CONSTITUÍDA POR SUBMATRIZES
FONTE: Bortolotti et al. (2007 apud MILNITZ; LUNA; COELHO, 2016, p. 131)
Estas partições em matrizes menores possuem elementos de probabilidade,

mas quando tomadas de forma individual não constituem, necessariamente,
uma matriz estocástica. Se consideradas individualmente, possuem a seguinte
informação:
47
• Matriz N – representa as probabilidades de transição entre um estado não

absorvente para outro não absorvente.
• Matriz A – representa as probabilidades de transição de um estado não
absorvente passar a ser absorvente.
• Matriz 0 – também conhecida como matriz nula, representa as probabilidades
de transição de sair de um estado absorvente para um não absorvente.
• Matriz I – também conhecida como matriz identidade, representa a
probabilidade de transição de se permanecer dentro de um estado absorvente.
Segundo Shamblin e Stevens Jr. (1979), decorrido um número muito

elevado de períodos de tempo (n→∞), a probabilidade de o processo estar no
estado “j” é constante e independente do estado inicial “i”, ou seja, os elementos
da matriz (I – N)–1*A são as probabilidades estacionárias de absorção.
Portanto, os elementos da matriz (I – N)–1 informam quantas vezes

uma peça passou por cada estágio até ser absorvido, o que permite calcular a
capacidade necessária em cada processo produtivo para a manufatura de uma
peça (STAUDT; COELHO; GONÇALVES, 2011).
48
LEITURA COMPLEMENTAR
CÁLCULO E ANÁLISE DA CAPACIDADE PRODUTIVA UTILIZANDO O

PROCESSO DE MARKOV: ESTUDO DE CASO DE UMA EMPRESA TÊXTIL
Diego Milnitz
Mônica Maria Mendes Luna
Antonio Sergio Coelho
[...]
1 INTRODUÇÃO
Os investimentos em capacidade produtiva de uma organização têm

dimensão estratégica pelo fato de influenciar a sua performance no mercado.
Várias metodologias são usadas para sustentar tal decisão, desde análises
econômicas do mercado até a decisão baseada na experiência e percepção dos
executivos que representam a organização (STAUDT et al., 2011).
Com relação ao método empírico geralmente utilizado pelos executivos

para avaliar novos investimentos, Ensley e Carr (2006) avaliam os comportamentos
e preferências de empresários que decidem sobre investimentos de risco. Para os
autores, esses executivos podem sofrer de excesso de confiança nas suas decisões
de investimento, o que os torna tendenciosos e pode resultar em investimentos
ruins para a organização.
Por outro lado, métodos matemáticos têm se demonstrado de grande

valor para tais análises. Por exemplo, autores como Salim (2001), Slack, Chambers
e Johnston (2002), Kato, Takaki e Souza (2003), Peinado e Graeml (2007) e Watts et
al. (2009) utilizam procedimento estocástico para calcular a capacidade produtiva
e com esse indicador avaliar e comparar o desempenho de várias máquinas,
sistemas ou atividades.
Dentro deste contexto, o presente artigo tem como objetivo principal

aplicar a teoria de cadeias absorventes de Markov para determinar a capacidade
produtiva de uma empresa do ramo têxtil, considerando na análise a influência
dos rejeitos e retrabalhos no sistema. Além disso, vinculam-se as informações
contidas na matriz de transição estocástica de Markov, o índice de eficiência para
determinar a capacidade real necessária de cada setor produtivo da empresa e o
índice de ocupação para avaliar a necessidade de investimento.
[...]
2 CAPACIDADE PRODUTIVA
Segundo autores como Slack, Chambers e Johnston (2002), a capacidade

produtiva pode ser compreendida como um potencial produtivo que uma
49
empresa possui. Além disso, Kato, Takaki e Souza (2003) acrescentam que ela
representa o volume ideal de produção que uma organização pode realizar, seja
de produtos ou de serviços.
Para Watts et al. (2009), a capacidade produtiva serve para avaliar e

identificar a produção relativa e a utilização não produtiva de uma empresa.
Portanto, a forma como ela é calculada e apresentada, influencia nas determinações
gerenciais e na performance econômica da organização.
Entretanto, o cálculo da capacidade produtiva de uma empresa pode alterar

dependendo do tipo de dados e da cultura da organização. Geralmente, define-se
como sendo uma relação entre o valor observado e alguma medida de capacidade
de fluxo de atividade, isto é, capacidade produtiva realizada é igual à razão entre a
saída observada e a medida de capacidade de saída teórica (SALIM, 2001).
Outra forma de medir o desempenho da produção é dada por Peinado e

Gaeml (2007), que apresentam um indicador de eficiência do processo produtivo
que mostra o que a organização consegue produzir a partir de uma programação
da demanda dentro de um tempo disponível, ou seja:
HT
E= (1)
HD
Em que:
E = Eficiência
HT = Horas Trabalhadas
HD = Horas Disponíveis
Em que as “horas disponíveis” é a carga horária diária de trabalho de

uma empresa e as “horas trabalhadas” é o resultado da subtração da carga
horária diária de trabalho pelos horários de paradas planejadas do sistema.
Dentre as diversas paradas que ocorrem em um processo, as paradas planejadas
constituem-se de tempo de setup, horas de exercício laboral, refeição etc. Estas
devem estar incluídas no tempo programado pelo PCP (Planejamento e Controle
da Produção) dentro das horas disponíveis do dia.
Staudt et al. (2011) também relatam a importância dos tempos de paradas

organizacionais, afirmando que essas paradas devem ser consideradas no cálculo
da capacidade produtiva. Portanto, fatores como eficiência, refugos e retrabalhos
precisam ser considerados nesses cálculos.
Para encontrar a capacidade real necessária, os autores relacionaram a

eficiência a um fator de capacidade multiplicado por uma demanda. O fator de
50
capacidade contabiliza a capacidade utilizada pelas peças programadas no início

do processo. Para o cálculo deste fator, é necessário aplicar o modelo estocástico de
cadeia de Markov, que, por meio da sua matriz de transição, mostra a quantidade
utilizada do recurso para produzir uma peça. Este valor considera os refugos
e retrabalhos e, consequentemente, faz aumentar a capacidade necessária para
atingir a demanda, ou seja:
FC (2)
CRN = *D
E
Em que:
CRN = Capacidade real necessária

FC = Fator de capacidade
E = Eficiência
D = Demanda
A capacidade real necessária indica quanto o centro produtivo precisa ter

de recursos para obter a demanda real no final do processo. Entretanto, este valor
não avalia a necessidade de novos investimentos para atender a um aumento de
demanda. Para isso, é necessário avaliar o percentual de ocupação de cada setor
produtivo, que pode ser definido pela equação 3:
TPM * D
OR = *I (3)
HD * NR
Em que:
OR = Ocupação real
TPM = Tempo padrão médio
D = Demanda
HD = Horas disponíveis
NR = Nº de recursos
I = % de incremento
Em que “tempo padrão médio” é o tempo necessário para executar uma

operação de acordo com um método estabelecido, em condições determinadas,
por um operador apto e treinado, possuindo uma habilidade média, trabalhando
com esforço médio, durante todas as horas do serviço (LEAL et al. 2005). A
demanda é a quantidade desejada de produtos no final do processo. O número
de recursos é a quantidade de máquinas ou postos de trabalho que executam a
mesma tarefa. E o “% de incremento” é a razão entre a capacidade real necessária
e a demanda do processo produtivo (STAUDT et al., 2011).
[...]
51
3 ESTUDO DE CASO
A empresa pesquisada está situada na região Norte de Santa Catarina,

foi fundada no início dos anos 90 e atua no setor têxtil produzindo confecções
para linha infantil, juvenil e adulto. Atualmente comercializa seus produtos no
mercado nacional, distribuindo anualmente cerca de 7.000.000 produtos em
quatro coleções distintas.
Considerando a situação instável com relação à demanda do mercado

têxtil, afetada principalmente pelas variações nas estações do ano, obtiveram-se da
empresa os valores de refugo e retrabalho de cada setor produtivo pelo período de
três meses (maio, junho e julho de 2015) que representam o período produtivo da
coleção primavera/verão, além disso, o estudo se limitará somente em parte da área
têxtil que compreende o tingimento e acabamento da malha em rolo.
Um ponto importante sobre a empresa está relacionado com os constantes

investimentos na melhoria contínua de seus processos, garantindo assim que
grandes ineficiências produtivas já foram eliminadas, portanto dados sobre rejeito
e o retrabalho atualmente são considerados estáveis, mesmo que sua redução seja
uma busca contínua. Diante disso, assume-se que as propriedades da cadeia de
Markov são verificadas para o estudo de caso.
Inicialmente, realizou-se um levantamento das etapas do processo

produtivo (Figura 28) conforme o exemplo demonstrado na Figura 25. As
probabilidades de transição de cada setor produtivo foram calculadas com base
em um histórico de pedidos da empresa. De modo geral, as características de
cada produto (tipo de malha) determinam os processos produtivos utilizados
para a sua manufatura. Apresenta-se na Figura 28, um fluxograma dos processos
existentes na área têxtil da empresa, demonstrando o percentual de produção que
passa em cada processo a partir da demanda inicial programada (100%).
A demanda percebida no início do processo varia em quantidade

dependendo de uma série de fatores, entre elas os próprios pedidos de venda para
clientes, contudo, as probabilidades durante o processo não se alteram para o tipo
de produto estudado. Os percentuais constituem, por exemplo, que, de todos os
produtos que passam na Rama, historicamente 70% vão para a Compactadora,
devido às demandas do mercado, e os outros 30% vão para a Estampa Cilindro.
52
FIGURA 28 – FLUXOGRAMA DOS PROCESSOS PRODUTIVOS DA ÁREA TÊXTIL E SEUS

PERCENTUAIS PRODUTIVOS
FONTE: Os autores
Dentro do processo produtivo da empresa existem os produtos bons, os

rejeitos e os retrabalhos. Os produtos bons passam pelo setor produtivo uma
única vez, enquanto os rejeitos inserem uma nova manufatura no processo desde
o início do fluxo, podendo ocorrer em qualquer um dos setores produtivos. Já
com o retrabalho, podem ocorrer duas situações: a carga de trabalho de outros
setores pode ser influenciada, dependendo do tipo de falha cometida, ou pode
provocar somente aumento da carga no próprio setor. Como a empresa não
identifica nos apontamentos de retrabalho qual é a origem do mesmo, não foi
considerado que os produtos são retrabalhados em outros setores. Em situações
de retrabalho no processo produtivo, as peças entram no lote seguinte para serem
processadas normalmente. Por este motivo, no estudo, os produtos reprocessados
são tratados como produtos normais, e as chances de serem classificados para
rejeito e retrabalho (no segundo processamento) são iguais às de qualquer outro
produto novo.
53
Além disso, algumas definições foram realizadas, ou seja, os rejeitos

são identificados e excluídos no setor de trabalho em que o produto está sendo
processado; os retrabalhos são identificados e realizados pelo próprio setor. Não
são consideradas transferências de produtos para tal finalidade entre os setores de
trabalho; e quando o retrabalho ocorre, ele reutiliza 100% do processo, portanto, o
produto é totalmente reprocessado.
FIGURA 29 – FLUXOGRAMA DO PROCESSO PRODUTIVO COM OS PERCENTUAIS DE REJEITO

E RETRABALHO
FONTE: Os autores
A Figura 29 apresenta novamente o fluxo produtivo, porém, agora, com

a inclusão dos rejeitos e retrabalhos de cada parte do processo. Estes reduzem a
quantidade de produtos bons que vão para o próximo estado, visto que os rejeitos
são produtos eliminados do fluxo e os retrabalhos aumentam a carga do setor por
produzirem duas vezes o mesmo produto.
A demanda inicial programada é 100% da produção da empresa. Cada

setor de trabalho é responsável por um percentual desta produção. Na Figura 29,
considerou-se que este percentual equivale a 100% do que é manufaturado na área
têxtil. A partir do total que entra para ser produzido, o destino pode ser rejeito,
retrabalho ou próximo processo. Como os setores de trabalho recebem os produtos
bons das etapas anteriores, a soma deles pode resultar em um valor maior que 100%.
54
6 RESULTADOS E DISCUSSÕES
Nesta seção são apresentados os cálculos, resultados e as discussões

relacionadas com os resultados. Na Tabela 1 é demonstrada a matriz de transição
estocástica que foi representada no fluxograma da Figura 29 com as respectivas
probabilidades entre os setores produtivos. Os estados absorventes são o rejeito
e o estoque, todos os outros são classificados como não absorventes. A única
exceção é o retrabalho, que não é um estado, mas sim a probabilidade de transição
do setor para ele mesmo.
TABELA 1 – MATRIZ DE TRANSIÇÃO ESTOCÁSTICA COM VALORES EM PERCENTUAIS

Est.
Lote Ting. Abr. 1 Abr. 2 Rama Compac. Inspeção Estoque Refugo
Cilindro
Lote 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Tingimento 0,0000 0,1100 0,0890 0,8010 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Abridor 1 0,0000 0,0000 0,0000 0,0000 0,9800 0,0000 0,0000 0,0000 0,0000 0,0200
Abridor 2 0,0000 0,0000 0,0000 0,0000 0,9800 0,0000 0,0000 0,0000 0,0000 0,0200
Rama 0,0000 0,0000 0,0000 0,0000 0,0700 0,6405 0,2745 0,0000 0,0000 0,0150
Compactadeira 0,0000 0,0000 0,0000 0,0000 0,0000 0,1000 0,0000 0,0865 0,7785 0,0350
Estampa
0,0000 0,0000 0,0000 0,0000 0,0000 0,9500 0,0000 0,0000 0,0000 0,0500
Cilindro
Inspeção 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,1100 0,7500 0,1400
Estoque 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000
Refugo 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000
FONTE: Os autores
A partir da Tabela 1, calculou-se (I – N)–1 que está apresentado na Tabela 2.

Segundo Shamblin e Stevens Jr. (1979), a primeira linha da matriz (I – N)–1 fornece
valores que representam o número esperado de tempo gasto em cada setor
produtivo por produto que entra. Portanto, a primeira linha demonstra os fatores
de capacidade da fórmula de capacidade real necessária, pois é a quantidade de
recursos necessários para fazer 1 kg do produto.
TABELA 2 – RESULTADO DA MATRIZ (I – N)–1

Est.
Lote Ting. Abr. 1 Abr. 2 Rama Compac. Inspeção
Cilindro
Lote 1,0000 1,1240 0,1000 0,9000 1,0540 1,0550 0,2890 0,1030
Tingimento 0,0000 1,1240 0,1000 0,9000 1,0540 1,0550 0,2890 0,1030
Abridor 1 0,0000 0,0000 1,0000 0,0000 1,0540 1,0550 0,2890 0,1030
Abridor 2 0,0000 0,0000 0,0000 1,0000 1,0540 1,0550 0,2890 0,1030
Rama 0,0000 0,0000 0,0000 0,0000 1,0750 1,0770 0,2950 0,1050
Compactadeira 0,0000 0,0000 0,0000 0,0000 0,0000 1,1110 0,0000 0,1080
Estampa Cilindro 0,0000 0,0000 0,0000 0,0000 0,0000 1,0560 1,0000 0,1030
Inspeção 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,1240
FONTE: Os autores
55
Após determinar os fatores de capacidade, por meio do cálculo da matriz

(I – N)–1, os índices de eficiência foram calculados conforme a equação 1, utilizando
as informações de horas trabalhadas fornecidas pela empresa. A carga horária
média disponível é de 19 horas, retirando o tempo de refeição, paradas de setup
e manutenção preventiva que são programadas pelo PCP.
A capacidade real necessária indica quanto o setor produtivo precisa ter

de recursos para obter a demanda real no final do processo. De acordo com a
equação 2, o fator de capacidade multiplica o valor da demanda que é dividido
pela eficiência de cada setor de trabalho (equação 1). Para que se possa comparar
a capacidade atual que a empresa considerava necessária (A) e o novo índice de
capacidade real necessária (B), gerando assim um percentual de incremento de
capacidade para cada setor (Tabela 3).
TABELA 3 – EFICIÊNCIA E CAPACIDADE REAL NECESSÁRIA PARA CADA SETOR PRODUTIVO

Horas
Demanda Fator Capacidade % de Horas disponíveis
Setores de Eficiência
(kg de Capacidade real neces- Incremento Traba- descontan-
trabalho (%)
malha (A) (FC) sária (B) (B/A) lhadas do paradas
planejadas
Tingimento 17.000 1,1240 79,17% 24.136 1,4198 19 24
Abridor 1 5.000 0,1000 87,50% 571 0,1143 21 24
Abridor 2 12.000 0,9000 87,50% 12.343 1,0286 21 24
Rama 16.000 1,0540 87,50% 19.273 1,2046 21 24
Compactadeira 21.000 1,0550 87,50% 25.320 1,2057 21 24
Estampa
5.000 0,2890 62,50% 2.312 0,4624 15 24
Cilindro
Inspeção 3.500 0,1030 62,50% 577 0,1648 15 24
FONTE: Os autores
Contudo, o valor da capacidade real necessária não avalia a necessidade

de novos investimentos para atender a um aumento de demanda. Para isso, será
necessário avaliar o percentual de ocupação real de cada setor produtivo, que é
definido pela equação 3.
Como se observa na Tabela 3, os percentuais de incremento variam muito

de um setor para outro. Por meio de uma entrevista com o coordenador do PCP da
empresa pesquisada, obteve-se que o valor de incremento adotado como padrão
para todos os setores produtivos da área têxtil fica entre 10% a 15%. Conclui-
se que adotar o mesmo percentual para todos os setores prejudica os processos
menos eficientes, visto que mascara o percentual de ocupação e retarda possíveis
investimentos necessários.
56
TABELA 4 – PERCENTUAL DE OCUPAÇÃO REAL EM CADA CENTRO DE TRABALHO

Tempo
Demanda Padrão Horas Nº de %
Setores de Incremento
(kg de (TPM) disponíveis recursos Ocupação
trabalho (%)
malha (A) (h/kg de (HD) (NR) real
malha)
Tingimento 17.000 0,8898 0,0100 24 15 42,02%
Abridor 1 5.000 0,0875 0,0013 24 1 2,28%
Abridor 2 12.000 0,7875 0,0013 24 1 49,22%
Rama 17.000 0,9223 0,0020 24 1 130,65%
Compactadeira 11.900 0,9231 0,0010 24 1 45,77%
Estampa
5.100 0,1806 0,0013 24 1 4,80%
Cilindro
Inspeção 1.190 0,0644 0,0056 24 1 1,77%
FONTE: Os autores
A Tabela 4 apresenta os resultados da ocupação real para cada setor.

Segundo Watts et al. (2009), estes valores percentuais indicam a sobrecarga e o
desbalanceamento dos recursos em relação à demanda. O modo no qual a % de
ocupação é mensurado e analisado afeta as decisões gerenciais, assim como o
desempenho econômico da empresa. Por exemplo, no setor produtivo Rama,
130,65% de ocupação significa que a produção a ser realizada está acima da sua
capacidade. Assim, esse processo gera um atraso na quantidade de produto
manufaturado, bem como influencia o desbalanceamento dos demais setores
produtivos da área têxtil.
Além disso, observa-se que vários setores produtivos estão abaixo

de 80% de utilização da sua capacidade, devido à variabilidade do processo
(diversos tempos padrões) e da demanda (sazonalidade, situação econômica
etc.). Diante do cenário apresentado, seria interessante estudar a possibilidade
de um investimento em outro recurso “Rama” para reduzir o gargalo produtivo
e possibilitar um melhor balanceamento dos demais recursos. Esses resultados
servem de base para decisões mais assertivas sobre futuros investimentos, pois
segundo Ensley e Carr (2006), os comportamentos e preferências de empresários
que decidem sobre investimentos de risco sofrer de excesso de confiança nas suas
decisões tornando-os tendenciosos, portanto, o uso de processos matemáticos
além de reduzir esse tipo de erro, melhora a gestão industrial.
Segundo Bortolotti et al. (2007), as atividades de gerenciamento das

empresas dependem de um fluxo sistemático e coerente de informações sobre
as capacidades produtivas que subsidiem a tomada de decisões para atingir
seus objetivos. Portanto, a técnica aplicada e os resultados obtidos reforçam
essa afirmação mostrando a importância do processo de Markov, como uma
técnica moderna capaz de gerar tal fluxo de informações, permitindo, assim, o
acompanhamento da capacidade produtiva real para o seu controle e minimização
e para tomada de decisões em tempo hábil.
57
7 CONCLUSÃO
Com o aumento exponencial da competitividade empresarial, devido

à globalização da economia, com novas inovações tecnológicas e processos de
produção cada vez mais eficientes existe uma necessidade de captar ferramentas
que atendam aos anseios impostos por este novo cenário do mundial dos negócios.
Nesta pesquisa, se demonstrou que utilizar as cadeias de Markov para

a determinação das capacidades produtivas é vantajoso, pois admite uma
visão mais realista em comparação à forma tradicional de tomada de decisões,
com base em dados determinísticos, como a produção, uma vez que com as
cadeias de Markov pode-se determinar as probabilidades de um produto ser
totalmente manufaturado com sucesso e ser enviado para o cliente, bem como as
probabilidades dos produtos que vão para o refugo.
Conclui-se então, que a aplicação das cadeias de Markov, de uma maneira

simples pode contribuir de modo eficaz e relevante, para a gestão de processos,
principalmente da indústria têxtil. De maneira geral, esses resultados consistem
numa vantagem competitiva importante sobre outras empresas que possuem
falhas na determinação da sua real capacidade produtiva.
Como sugestão para futuros trabalhos sugere-se a expansão das variáveis

utilizadas no estudo para uma abrangência maior dos processos da organização
pesquisada, possibilitando que estudos mais amplos e estratégicos possam surgir,
pois o estudo atual se concentrou em um nível mais tático da organização.
FONTE: MILNITZ, Diego; LUNA, Monica Maria Mendes; COELHO, Antonio Sergio. Cálculo e análise
da capacidade Produtiva utilizando processo de Markov: Estudo de caso de uma empresa têxtil.
Exacta, v. 14, n. 1, p. 127-138, 2016.
58
RESUMO DO TÓPICO 3
• As Cadeias de Markov são uma derivação específica do “Processo de Markov”.

Este é um processo estocástico em que as distribuições de probabilidade para o
seu desenvolvimento futuro dependem apenas do estado atual, sem considerar
como o processo atingiu tal estado.
• A Cadeia de Markov é também conhecida como o "andar do bêbado", um

passeio aleatório na linha do tempo em que, a cada passo, a posição pode
alterar com igual probabilidade.
• A matriz de probabilidade de transição pode ser exibida na forma de quatro

submatrizes, que podem ir de um estado absorvente para outro estado não
absorvente. De acordo com a definição, um estado de uma cadeia de Markov
é um estado absorvente se, uma vez nesse estado, é impossível sair dele.
59
AUTOATIVIDADE
Questão única – Considere uma situação em que clientes estão insatisfeitos

com os serviços prestados por uma empresa de planos de saúde, relacionados
à portabilidade (opção de troca imediata de empresa, levando algumas
especificidades do serviço antecipadamente contratado), sempre que houver
outras opções de fornecedores. Para todas as empresas de planos de saúde
existe uma regra que estende a portabilidade para os beneficiários, em que
será possível realizar a mudança de plano de saúde sem o cumprimento
de novos prazos de carência. Analisando o grande índice de saídas de seus
clientes, o gerente de uma das três empresas de planos de saúde de uma
cidade solicitou uma pesquisa de satisfação com clientes sobre o desejo de
substituir o prestador de serviço. Como resultado da pesquisa, atingiu os
seguintes dados:
• Dos 1000 clientes da empresa A, 50 não a trocariam, 450 mudariam para a

empresa B e 500 para a empresa C.
• Dos 1000 clientes da empresa B, 400 não a trocariam, 100 mudariam para a
empresa A e 500 para a empresa C.
• Dos 1000 clientes da empresa C, 500 não a trocariam, 100 mudariam para a
empresa A e 400 para a empresa B.
Sobre as informações apresentadas, analise as informações e as sentenças a

seguir:
I- Considerando que a população permanecerá estável, e se nenhuma ação for

realizada pelas empresas de planos de saúde, a tendência é que a empresa A
tenha 286 clientes, a empresa B, 1.214 clientes, e a empresa C, 1.500 clientes.
II- A situação apresentada é estocástica, orientada por um processo markoviano
com estados completos e, respectivamente, exclusivos.
III- Em caso de a população permanecer a mesma e nenhuma ação for realizada
pelas empresas de planos de saúde, a tendência é que a empresa A tenha 325
clientes, a empresa B, 1.550 clientes, e a empresa C, 1.820 clientes.
IV- É importante compreender se o estado em que se encontra um sistema é
possível retornar ou não a um outro estado.
a) ( ) As sentenças I, II e III estão corretas.

b) ( ) As sentenças I e III estão corretas.
c) ( ) As sentenças I e IV estão corretas.
d) ( ) As sentenças I, II e IV estão corretas.
60
UNIDADE 2
MODELOS E MÉTODOS NUMÉRICOS

PARA A OTIMIZAÇÃO DOS
PROCESSOS INDUSTRIAIS E
RECURSOS PRODUTIVOS
• identificar um Problema de Programação Linear (PPL);
• construir um modelo a partir do PPL;
• representar graficamente as restrições de um PPL;
• construir modelos a partir da teoria de redes, grafos ou árvores;
• planejar atividades usando as técnicas de PERT e COM.
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No decorrer da unidade você en-
contrará autoatividades com o objetivo de reforçar o conteúdo apresentado.
TÓPICO 1 – PROGRAMAÇÃO LINEAR
TÓPICO 2 – PROGRAMAÇÃO LINEAR GEOMÉTRICA
TÓPICO 3 – ANÁLISE DE REDES
61
62
UNIDADE 2
TÓPICO 1
PROGRAMAÇÃO LINEAR
1 INTRODUÇÃO
Os problemas de programação linear (PPL) são, em sua maioria, problemas
de otimização que têm como objetivo “maximizar ou minimizar” uma função
linear que, geralmente, apresenta diversas variáveis. Essa função comumente é
denominada Função Objetivo (FO), estando sujeita a algumas relações lineares de
igualdade ou desigualdade, conhecidas como restrições do problema.
Para o entendimento amplo sobre a evolução do tema “Programação

Linear”, a Figura 1 apresenta uma linha do tempo em que estão relacionados os
principais eventos que contribuíram para o desenvolvimento dos PPL:
FIGURA 1 – LINHA DO TEMPO PARA PROGRAMAÇÃO LINEAR

Origem
1826 - Fourier e seus estudos sobre sistemas lineares de inequações.
1939 - Uso da Programação Linear (PL) para resolver problemas da 2ª

Guerra Mundial.
1940 - Auge dos estudos sobre Programação Linear.
1947 - Desenvolvimento do método Simplex.
1975 - Leonid Kantorovich ganha o prêmio Nobel pelos estudos sobre PL.
1979 - Leonid Khachiyan desenvolve o Algoritmo Elipsoide para resolver

problemas de PL.
1984 - Surge o Algoritmo do Ponto Interior para resolver problemas de

Pesquisa Operacional.
Atual
2018 - Atualmente é utilizado nas mais variadas situações para otimização
de problemas industriais, entre outros.
FONTE: O autor
A origem dos estudos sobre problemas para otimizar uma função linear
sujeita a restrições acometem Fourier, em 1826, com seus estudos relacionados
aos sistemas lineares de inequações (BRONSON, 1985).
100 anos mais tarde, especificamente em 1939, percebe-se a importância

prática desses problemas, quando Leonid Kantorovich, pesquisador de origem
63
UNIDADE 2 | MODELOS E MÉT. NUM. PARA A OTIMIZAÇÃO DOS PROCESSOS INDUSTRIAIS E RECURSOS PRODUTIVOS
russa, apresentou os primeiros problemas de programação linear (PPL) para uso

durante a Segunda Guerra Mundial, com a intenção de planejar gastos e retornos,
isto é, minimizar os custos da guerra e maximizar as perdas para o inimigo
(HILLIER; LIEBERMAN, 2006).
Com o uso dos PPL na Segunda Guerra Mundial, no próximo ano, por
volta de 1940, os estudos sobre a Programação Linear chegariam ao seu auge, com
as pesquisas de George Dantzig e com o prêmio Nobel da Economia conferido a
George Stigler (LISBOA, 2009).
Sete anos mais tarde, em 1947, Dantzig, além de estabelecer o problema

de programação linear também institui o Algoritmo Simplex para a sua solução.
Depois da guerra, muitas empresas descobriram o uso em seus processos
industriais (BRONSON, 1985).
Kantorovich, em 1975, ganhou o Prêmio Nobel da Economia, contudo seu

trabalho ficou desconhecido por mais de 20 anos (LISBOA, 2009).
Em 1979, Leonid Khachiyan criou um novo algoritmo para resolver

problemas de programação linear, o “Algoritmo Elipsoide”. Este algoritmo foi
considerado o primeiro capaz de resolver problemas em tempo polinomial.
Entretanto, era mais lento que o já conhecido Algoritmo Simplex, tanto na teoria
como na prática (HILLIER; LIEBERMAN, 2006).
Em 1984, aparece mais um método para resolver problemas de pesquisa

operacional, o “Algoritmo do Ponto Interior”, desenvolvido por Narendra
Karmarkar. Do mesmo modo que o Algoritmo Elipsoide, ele era polinomial. A
diferença é que o Algoritmo do Ponto Interior era bem mais rápido e conseguia
competir com o Algoritmo Simplex (BRONSON, 1985).
2 ASPECTOS GERAIS SOBRE MODELAGEM MATEMÁTICA E

Um modelo tem o intuito de representar a realidade modelada. Por
meio de um modelo, busca-se captar elementos importantes de determinado
problema ou sistema e conceber a situação através da modelagem. A modelagem
matemática compõe uma retratação do mundo real, sendo apresentada por meio
de um conjunto de equações e relações (LOESCH; HEIN, 1999).
Os problemas de programação linear são modelos matemáticos

representados por variáveis e parâmetros e os dois resultam em valores. Os
parâmetros são valores conhecidos e necessitam ser aceitos como um número
fixo, por outro lado, as variáveis são valores cujos resultados serão obtidos no
processo (EISELT; SANDBLOM, 2007).
64
TÓPICO 1 | PROGRAMAÇÃO LINEAR
O termo programação é usado como sinônimo de otimização, relacionando

com o termo "programa", empregado pelos militares norte-americanos ao
se mencionar a agenda de escalas de treinamentos e ações logísticas, e não à
programação de computadores (EISELT; SANDBLOM, 2007).
Um problema de programação linear também pode ser relacionado

a um problema de tomada de decisão que considera variáveis e as condições
que "conectam" estas variáveis, que geralmente são chamadas de restrições do
problema, neste sentido, podem existir várias restrições e variáveis para um único
modelo. De modo geral, a decisão está associada a certo objetivo, como minimizar
os custos produtivos, maximizar os lucros do negócio, melhorar as condições de
vida numa determinada região etc. (MACULAN FILHO; PEREIRA, 1980). Os
problemas de tomada de decisão normalmente tratam de recursos restritos e o
objetivo é melhorar seu rendimento ou produtividade.
Segundo Carvalho (2014), o desenvolvimento da Programação Linear,

via de regra, aborda três tipos de problemas: transporte; composição; formação e
produção:
1) Transporte: otimização de sistemas de distribuição, otimização dos custos de

transporte, a demanda por uma determinada loja e as quantidades máximas
de manufatura de uma empresa etc.
2) Composição: otimizar a estruturação de uma dieta, minimização do custo e
atendendo aos níveis mínimos de calorias e vitaminas essenciais na alimentação.
3) Formação e produção: otimizar processos de contratação e formação de
funcionários, bem como de produção e armazenagem, minimizando os custos
e maximizando os lucros de uma empresa.
2.1 DESENVOLVIMENTO DE MODELOS DE

O desenvolvimento de modelos de programação linear é a essência da
abordagem de pesquisa operacional e da simulação (WAGNER, 1986).
De modo geral, a construção de um problema de programação linear

(PPL) abrange três partes: 1) definição do objetivo do problema; 2) escolha das
variáveis; e 3) construção do sistema de restrições:
1) A definição do objetivo do problema é o que se quer otimizar, podendo-se

maximizar (por exemplo, os lucros ou algum processo que abranja tempo,
desempenho, entre outros) ou minimizar (custos, perdas, tempo etc.).
2) A escolha das variáveis de decisão envolvidas está relacionada com a construção
da função objetivo, como exemplo pode-se citar a colheita de algum tipo de
alimento, cuja área proposta ao plantio de diferentes alimentos é uma variável
a ser calculada.
65
3) Construir o sistema de restrições do PPL em relação às variáveis de decisão do

problema (no caso da colheita, pode-se considerar as condições do ambiente,
a demanda pelos alimentos, a disponibilidade de mão de obra para plantio, a
capacidade de estocagem etc.).
E
IMPORTANT
Deve-se tomar o cuidado para que todas as relações do PPL sejam, realmente,
lineares.
Os problemas de programação linear são descritos da seguinte forma:
Função Objetivo:
=Z C1 * X 1 + C2 * X 2 +…+ Cn * X n
Restrições:
a11 * X 1 + a12 * X 2 +…+ a1n * X n {≤; ≥; =} b1

a21 * X 1 + a22 * X 2 +…+ a2 n * X n {≤; ≥; =} b2

am1 * X 1 + am 2 * X 2 +…+ amn * X n {≤; ≥; =} bm
X 1 , X 2 , …, X n ≥ 0
Em que:
Z é a variável relacionada com a maximização ou a minimização da função.

Xn é o conjunto de variáveis de decisão do problema.
Cn é o coeficiente da função objetivo do problema.
ami e bm são os coeficientes das restrições.
O coeficiente bm também é denominado de coeficiente da mão direita

(LOESCH; HEIN, 1999), sendo que, para o Método Simplex de resolução de
problemas de programação linear, esse coeficiente deverá ser basicamente não
negativo.
Com relação às restrições, X 1 , X 2 , …, X n ≥ 0 são denominadas de não

negatividade das variáveis de decisão. Geralmente, essas restrições são utilizadas
em problemas em que as variáveis definidas não podem admitir números
negativos, como tempo, área, quantidade de mão de obra, entre outros, pois não
66
faria sentido falar em dez pessoas negativas trabalhando, por exemplo. Entretanto,
determinados problemas podem abranger variáveis que aceitam números
negativos, como problemas que envolvam saldos bancários ou temperaturas.
Além disso, na apresentação geral do modelo de programação linear, as

restrições podem apresentar três tipos de sinais ≤ (menor que ou igual a), ≥ (maior
que ou igual a) e = (igual a). Entretanto, é importante salientar que somente será
empregado um tipo de sinal em cada restrição, que estará relacionado com as
condições impostas pelo próprio problema.
A função objetivo demonstra o tipo de otimização que se deseja realizar

(maximização ou minimização), sendo que deverá ser adotada uma das duas,
conforme o objetivo do problema.
Todos os coeficientes, tanto os da função objetivo como os das restrições

são definidos na modelagem do problema de programação linear. Por outro lado,
os valores das variáveis dependem de um algoritmo empregado para resolver o
problema. Essas variáveis precisam ser valores reais, mas ocasionalmente podem
admitir valores inteiros, isso irá depender do tipo de problema que se necessita
resolver. Se o problema estiver relacionado com a definição da quantidade de
pessoas necessárias para otimizar a produção de algum item, não é adequado
declarar que a solução ótima é 1,3 pessoas. Quando os valores necessariamente
precisam ser inteiros, o problema de programação linear é denominado de
“problema de programação linear inteira”, tendo métodos de solução específicos,
como por exemplo, o Método de Branch and Bound.
3 APLICAÇÕES PRÁTICAS
Para realizar a modelagem de um problema é necessário escolher o que
é mais relevante para a resolução e posterior solução. Geralmente um trabalho
em equipe, com pessoas de áreas distintas, pode ajudar a elucidar as variáveis
do problema. A multidisciplinaridade contribui, e muito, para uma adequada
construção do modelo, proporcionando uma solução eficiente para o problema.
Alguns pontos devem ser considerados na construção de um modelo de

programação linear:
• caso seja necessário e possível, separar o problema em um conjunto de problemas

menores, pois resolvendo cada problema menor, resolve-se o problema todo;
• as variáveis de decisão precisam ser selecionadas e estabelecidas com atenção
(se é real ou inteira, qual sua unidade de medida e se pode ser negativa ou não);
• determinar de forma clara o objetivo do problema, isto é, a meta a ser realizada.
Se é necessária a maximização ou minimização das variáveis e a definição da
função objetivo;
67
• definir as relações entre as variáveis, seus limites e restritivos. Instituir o sistema

de restrições do problema de programação linear;
• verificar se existem situações que sejam redundantes ou que não tragam
relevância à solução do problema. Muitas restrições podem fazer o modelo ficar
muito grande e talvez sua resolução seja impraticável.
Pode-se dizer que a modelagem é uma arte e, neste sentido, a experiência

é um fator fundamental para que se tenha um modelo apropriado. A prática e
o comprometimento com o problema, além de informações e dados extras que
possam ser obtidos sobre o evento a ser estudado, podem ajudar a melhorar a
construção do modelo matemático.
Para um melhor entendimento sobre a modelagem em programação

linear, serão apresentados alguns exemplos de situações reais (com algumas
considerações, é claro) que serão modeladas em termos de problemas de
programação linear com sua função objetivo e suas restrições.
3.1 PROBLEMA DE TRANSPORTE

Um dos problemas de programação linear mais comum é o problema de
transporte. Envolve o transporte de cargas entre uma (ou mais) fonte(s) e um
(ou mais) destino(s). Conhecidos os custos de transporte entre cada fonte e cada
destino, conhecidas as capacidades de produção das fontes e as capacidades de
estoque dos destinos, deseja-se determinar o custo mínimo dos transportes. Segue
o exemplo de transporte para entender como se realiza este tipo de modelagem.
As empresas (A1 e A2) fabricantes de potes de plástico precisam enviar

sua produção para três distribuidores (B1, B2 e B3). Os potes de plástico são
transportados em caixas fechadas, em um número inteiro de caminhões. Os
custos de transporte de cada empresa (fonte) para cada distribuidor (destino), as
capacidades produtivas das empresas e capacidades de estoque dos distribuidores
são apresentadas na Tabela 1 a seguir:
TABELA 1 – DADOS DAS EMPRESAS E DISTRIBUIDORES
Empresa\Distribuidor B1 B2 B3 Quant. Prod.

A1 7 4 5 110
A2 2 8 9 90
Capacidade do Estoque 80 55 65 200
FONTE: O autor
68
E
IMPORTANT
Nesse caso, tem-se um problema de Problema de Transporte Balanceado, pois

a quantidade produzida é igual à capacidade dos estoques nos distribuidores.
Para as variáveis de decisão serão utilizadas as seguintes variáveis:
X11 quantidade a ser transportada da empresa A1 para o distribuidor B1

A função objetivo deverá minimizar os custos de transporte das cargas em

função da quantidade transportada. Dessa forma, tem-se:
Cmin =7 * X 11 + 4* X 12 + 5* X 13 + 2* X 21 + 8* X 22 + 9* X 23
Em que:
Cmin = custo mínimo de transporte
As restrições do problema de transporte são de duas naturezas: quanto

à produção e quanto ao estoque, sendo definidas como: 1) restrições quanto à
produção; 2) restrições quanto à capacidade de estoque; 3) restrição de não
negatividade e tipo da variável.
1) Restrições quanto à produção: a quantidade de unidades produzidas

a ser transportada da empresa A1 para B1, B2 e B3 deve ser igual ao total de
unidades produzidas por A1. Deste modo, fica:
110
X 11 + X 12 + X 13 =
A quantidade de unidades produzidas a ser transportada da empresa A2

para B1, B2 e B3 deve ser igual ao total de unidades produzidas por A2. Deste
modo, fica:
90
X 21 + X 22 + X 23 =
69
2) Restrições quanto à capacidade de estoque: a quantidade de unidades

produzidas a ser transportada das empresas A1 e A2 para B1 deve ser igual à
capacidade total de estoque de B1. Deste modo, fica:
90
X 11 + X 21 =
A quantidade de unidades produzidas a ser transportada das empresas A1

e A2 para B2 deve ser igual à capacidade total de estoque de B2. Deste modo, fica:
55
X 12 + X 22 =
A quantidade de unidades produzidas a ser transportada das empresas A1

e A2 para B3 deve ser igual à capacidade total de estoque de B3. Deste modo, fica:
65
X 13 + X 23 =
3) Não negatividade e tipo da variável: não há como transportar

quantidades negativas de cargas. Então, todas as variáveis devem ser maiores
que zero ou iguais a zero. Deste modo, fica:
X ij ≥ 0, i =
1, 2, 3. As variáveis devem ser inteiras.
O modelo final fica:
Cmin =7 * X 11 + 4* X 12 + 5* X 13 + 2* X 21 + 8* X 22 + 9* X 23
Sujeito a:
110
X 11 + X 12 + X 13 =
90
X 21 + X 22 + X 23 =
90
X 11 + X 21 =
55
X 12 + X 22 =
65
X 13 + X 23 =
X ij ≥ 0, i =
1, 2, 3. As variáveis devem ser inteiras.
3.2 PROBLEMA DE COMPOSIÇÃO

Para determinar uma dieta que reduza o número de calorias é necessário
definir as quantidades de alguns alimentos que necessitarão ser comidos
diariamente, de modo que alguns pré-requisitos nutricionais sejam satisfeitos a
um custo mínimo. Neste sentido, será definida uma dieta alimentar que esteja
70
restrita a suco, contrafilé e uma salada predefinida. Sabe-se ainda que os requisitos
nutricionais deveriam ser demonstrados segundo o tipo de vitaminas B, F e G e
controlados a partir das quantidades mínimas (em mg).
A Tabela 2 sintetiza a quantidade de cada vitamina em disponibilidade

nos alimentos e a necessidade diária para uma alimentação saudável:
TABELA 2 – QUANTIDADE DE VITAMINAS POR PRODUTO

Vitamina Suco Contra-filé Legumes Req. Nutric.
(mg) (l) (Kg) (Kg)
B 2 2 20 11
F 50 20 30 70
G 80 70 80 250
Custo (R$) 2,00 4,00 1,00 -
FONTE: O autor
Nesse caso, o modelo não deve maximizar, mas minimizar o custo

de uma alimentação que equilibre as quantidades ingeridas de cada alimento
e as quantidades de vitaminas, não ultrapassando os limites mínimos a uma
alimentação saudável.
Para as variáveis de decisão, utilizaremos:
XS = quantidade de suco a ser consumida.

XC = quantidade de contrafilé a ser consumida.
XL = quantidade de legumes a ser consumida.
A função objetivo será dada em relação aos custos de cada alimento, isto
é, o custo mínimo. Dessa forma, tem-se:
Cmin =2* X S + 4* X C +1* X L
Em que:
Cmin = custo mínimo total para consumo dos alimentos.
As restrições do problema são determinadas pelos requisitos nutricionais

mínimos de vitaminas que devem ser incluídas na dieta. Portanto, para este
problema, as restrições definidas são: 1) restrição quanto ao consumo de vitamina
B; 2) restrição quanto ao consumo de vitamina F; 3) restrição quanto ao consumo
de vitamina G; e 4) restrição de não negatividade:
1) Restrição quanto ao consumo de vitamina B: cada litro de suco ingerido

acrescenta 2 mg de vitamina A na dieta; cada kg de contrafilé acrescenta, também,
71
2 mg; cada kg de frango acrescenta 10 mg de vitamina A; e cada kg de legumes, 20

mg; restritos a um mínimo de 11 mg dessa vitamina. Deste modo, fica:
2* X S + 2* X C + 20* X L ≥ 11
2) Restrição quanto ao consumo de vitamina F: fazendo de forma análoga,

a mesma análise realizada para construir a restrição em relação ao consumo de
vitamina B, pode-se construir da restrição para vitamina F. Deste modo, fica:
50* X S + 20* X C + 30* X L ≥ 70
3) Restrição quanto ao consumo de vitamina G: igualmente, tem-se para

essa restrição a seguinte expressão:
80* X S + 70* X C + 80* X L ≥ 250
4) Restrição de não negatividade: neste caso, não há possibilidade de ingerir,

por exemplo, uma quantidade negativa de suco. Portanto, essa restrição fica:
XS , XC , X L ≥ 0
Cmin =2* X S + 4* X C +1* X L
Sujeito a:
2* X S + 2* X C + 20* X L ≥ 11
50* X S + 20* X C + 30* X L ≥ 70
80* X S + 70* X C + 80* X L ≥ 250
XS , XC , X L ≥ 0
3.3 PROBLEMA DE PRODUÇÃO

Nesta seção serão apresentados dois problemas relacionados aos modelos
de produção e formação, isto é: 1) exemplo da fábrica de móveis; e 2) exemplo da
plantação de tomates e morangos.
• Exemplo 1
Uma fábrica de móveis tem em estoque 500 m de tábuas, 300 m de pranchas

e 200 m de painéis de MDF. A fábrica disponibiliza uma linha de móveis com
72
os seguintes produtos: carteira escolar, mesa, estante e prateleira. Cada móvel

necessita de uma quantidade de material, conforme mostra o Quadro 1. A carteira
é vendida por R$ 110,00, a mesa por R$ 90,00, a estante por R$ 100,00 e a prateleira
por R$ 30,00.
QUADRO 1 – QUANTIDADES DE MATERIAIS PARA PRODUÇÃO DE MÓVEIS
Quantidade de material consumido por

Disponibilidade de
Materiais produto
Material
Carteira Mesa Estante Prateleira
Tábua 0 3 3 2 500
Prancha 3 0 1 1 300
Painel 3 1 3 0 200
Valor do
110 90 100 30
Produto (R$)
FONTE: O autor
Neste caso, a fábrica tem como meta atingir o máximo de lucro possível
com a venda de seus produtos, pois o mercado consome todo o produto que é
colocado para venda.
Assim, nossa função objetivo é definida como uma busca pelo máximo
lucro. Escrevendo a função objetivo em termos de suas variáveis de decisão, tem-se:
Z max = 110* X C + 90* X M + 100* X E + 30* X P
Em que:
Zmax = a função de maximização dos lucros.

XC = quantidade de carteiras que a fábrica deve produzir.
XM = quantidade de mesas que a fábrica deve produzir.
XE = quantidade de estantes que a fábrica deve produzir.
XP = quantidade de prateleiras que a fábrica deve produzir.
Com a função objetivo construída é possível realizar a construção do

sistema de restrições do modelo, descrevendo em função das variáveis de
decisão. Neste caso, deve-se considerar cada um dos tipos de materiais como
uma restrição quanto ao seu uso em cada produto. Portanto, as restrições ficam:
1) restrição quanto ao uso de tábuas; 2) restrição quanto ao uso de pranchas; 3)
restrição quanto ao uso de painéis; e 4) restrições com relação a valores inteiros e
não negativos.
1) Restrição quanto ao uso de tábuas: as unidades produzidas de mesa e

de estante consomem 3 m de tábuas cada, e cada unidade de prateleira produzida
consome 2 m de tábuas, mas não é necessário o uso de tábuas na produção de
carteiras. A fábrica tem disponível um estoque de 500 m de tábuas, então:
73
0* X C + 3* X M + 3* X E + 2* X P ≤ 500
O sinal de ≤ indica que a fábrica pode consumir qualquer quantidade

menor que 500 m de tábuas ou igual a este valor.
2) Restrição quanto ao uso de pranchas: a fábrica tem disponível em

estoque 300 m de pranchas, podendo distribuir 3 m para cada carteira produzida,
1 m para cada estante e cada prateleira, então:
3* X C + 0* X M + 1* X E + 1* X P ≤ 300
3) Restrição quanto ao uso de painéis: da mesma forma, tem-se:
3* X C + 1* X M + 3* X E + 0* X P ≤ 200
4) Restrições com relação a valores inteiros e não negativos: a fábrica

não pode produzir, ou vender, por exemplo, meia estante, ou uma mesa e meia,
ou então, quatro prateleiras negativas. Portanto, deve-se restringir as variáveis de
decisão para que sejam todas inteiras e não negativas, ou seja, maiores que zero,
ou iguais a zero. Deste modo, fica:
X C , X M , X E , X P ≥ 0 einteiro
Z max = 110* X C + 90* X M + 100* X E + 30* X P
Sujeito a:
0* X C + 3* X M + 3* X E + 2* X P ≤ 500
3* X C + 0* X M + 1* X E + 1* X P ≤ 300
3* X C + 1* X M + 3* X E + 0* X P ≤ 200
X C , X M , X E , X P ≥ 0 einteiro
• Exemplo 2
Um fazendeiro possui 50 acres de terra para plantio e está projetando o

plantio para o próximo ano. Através de dados obtidos em instituições do governo,
sabe-se que os cultivos de tomate e morango serão os mais lucrativos na próxima
colheita. Pela prática, o fazendeiro sabe que a produção de sua terra é de 8 sacas por
cada acre plantado de tomate, precisando de 3 homens-hora de trabalho por acre,
e 10 sacas por cada acre plantado de morango, com 2 homens-hora de trabalho
por acre. A mão de obra custa R$ 100,00 por homem-hora e a disponibilidade é
74
de 120 homens-hora. Também é de conhecimento que o consumo se limita a 240

sacas de tomate, vendidas a R$ 75 cada uma, e 400 sacas de morango, vendidas a
R$ 60 cada uma.
O fazendeiro deseja produzir de forma que consiga o maior lucro possível

com o cultivo desses dois produtos (ou somente um, se for rentável). Neste caso,
o modelo representa também um problema de maximização de lucros, em que
lucro é a diferença entre receita (o que se ganha) e o custo (o que se gasta) da
produção.
XT = quantidade de terra para o cultivo de tomate.

XM = quantidade de terra para o cultivo de morango.
A receita é proveniente da venda dos produtos (sacas de tomate e

morango) e o custo vem dos gastos com mão de obra. Do mesmo modo, a função
objetivo será escrita com base nesses dados. Para o cálculo da receita, sabe-se que
1 acre de tomate rende 8 sacas do produto ao valor de R$ 75 por saca, e, assim, 1
acre de tomate rende 8*R$ 75 = R$ 600, e que 1 acre de morango rende 10 sacas
do produto ao valor de R$ 60 por saca, e, assim, 1 acre de morango rende 10*R$
60 = R$ 600.
Logo:
a receita se resume a 600XT + 600XM
Os custos de mão de obra também podem ser calculados em função das

quantidades de acres, já que 1 acre de cultivo de tomate precisa de 3 homens-hora
ao custo de R$ 100 por homem-hora, temos que 1 acre de tomate custa 3*R$ 100 =
R$ 300. Como 1 acre de cultivo de morango precisa de 2 homens-hora ao custo de
R$ 100 por homem-hora, temos que 1 acre de morango custa 2*R$ 100 = R$ 200.
Logo:
o custo se resume a 300XT + 200XM
Para achar a função lucro, deve-se fazer a diferença entre a receita e o

custo, isto é:
Lucro Receita − Custo

=
L = ( 600XT + 600X M ) − ( 300X T + 200X M )
Logo:
A função objetivo para o lucro é=

Lmax 300 X T + 400 X M
75
Em que:
Lmax é o lucro máximo que o fazendeiro irá obter com seu plantio.
O próximo passo é definir as restrições para a função objetivo. Neste caso,

as restrições estão relacionadas à quantidade de terra, mão de obra disponível e
demanda por cada produto. Como as variáveis de decisão estão relacionadas à
quantidade de acres cultivados, não se tem necessidade de limitar as unidades totais,
já que existe a probabilidade de cultivar partes de acres (por exemplo, 23,4 acres de
tomate). É importante lembrar que não existe medidas negativas para terras.
Para este problema, as restrições definidas são: 1) restrição quanto ao

tamanho do terreno; 2) restrição quanto ao uso de mão de obra; 3) restrição quanto
à demanda de tomate; 4) restrição quanto à demanda de morango; e 5) restrição
quanto à não negatividade.
1) Restrição quanto ao tamanho do terreno: o fazendeiro possui 50 acres

de terra para distribuir entre o cultivo de tomate e morango. Deste modo, fica:
X T + X M ≤ 50
2) Restrição quanto ao uso de mão de obra: tem disponibilidade de 120

homens-hora de mão de obra para distribuir em 3 homens-hora para cada acre
cultivado de tomate (3*XT) e 2 homens-hora para cada acre cultivado de morango
(2*XM). Deste modo, fica:
3* X T + 2* X M ≤120
3) Restrição quanto à demanda de tomate: o consumo se limita a 240

sacas de tomate, portanto a produção deve se limitar a esse valor. Note que a
unidade de medida em questão é saca, então devemos fazer uma transformação
de unidades de sacas para acres, lembrando que cada acre de tomate gera 8 sacas,
para a produção de 240 sacas são necessários 30 acres. Deste modo, fica:
8 * X T ≤ 240
4) Restrição quanto à demanda de morango: lembrando que cada acre

cultivado de morango produz 10 sacas e que o mercado demanda, no máximo,
400 sacas. Deste modo, fica:
10 * X M ≤ 400
5) Restrição quanto à não negatividade: é preciso ainda restringir as

variáveis quanto à não negatividade. Deste modo, fica:
76
XT e X M ≥ 0
Lmax 300 X T + 400 X M

=
Sujeito a:
X T + X M ≤ 50
3* X T + 2* X M ≤120
8 * X T ≤ 240
10 * X M ≤ 400
XT e X M ≥ 0
E
IMPORTANT
“A maioria dos problemas práticos enfrentados pelas equipes de PO é

inicialmente descrita a eles de uma forma vaga e imprecisa. Consequentemente, a definição
de problema é crucial, pois afeta enormemente quão relevantes serão as conclusões do
estudo” (HILLIER; LIEBERMAN, 2006, p. 8).
77
APLICAÇÃO DE UM MODELO DE LOCALIZAÇÃO PARA A

QUESTÃO LOGÍSTICA DA SOJA BRASILEIRA: UMA INDICAÇÃO DE
LOCALIZAÇÃO PARA ARMAZÉNS
RESUMO
A região Centro-Oeste é a maior produtora de grãos do Brasil, sendo o

Mato Grosso o maior estado produtor. Atualmente, o Brasil é responsável por cerca
de 30% da produção mundial de soja e ocupa posição como maior exportador.
A despeito da posição de destaque no mercado internacional de commodities
agrícolas, o Brasil se depara com os gargalos relacionados à infraestrutura
logística disponível implicando em perdas concorrenciais. O objetivo deste
estudo é, através da teoria de localização e utilizando programação linear inteira
mista, identificar a localização ótima para a instalação de armazéns no estado de
Mato Grosso. Os resultados obtidos demonstram que o local ótimo para abertura
de novos armazéns depende, em grande medida, da região produtora, além de
considerar os custos de frete, armazenagem já disponível e a distância percorrida
até os portos de exportação.
INTRODUÇÃO
A eficiência brasileira em alguns setores agrícolas é amplamente

reconhecida, em especial: soja e derivados, açúcar e álcool, suco de laranja, café e
carnes. Parte dessa eficiência deve-se às inúmeras transformações que têm ocorrido
na agropecuária brasileira, desde a mudança de foco nas políticas públicas até
o acesso ao sistema de crédito rural e aos programas de apoio à agricultura.
Destacam-se as mudanças tecnológicas e os investimentos em pesquisas que
levaram a elevados ganhos de produtividade [4, 11].
A cadeia produtiva da soja é um dos segmentos que colaboram para

posição de destaque do agronegócio brasileiro. Segundo o último relatório da
United States Department of Agriculture [21], o Brasil é o maior produtor e exportador
do grão, superando os Estados Unidos na safra 2013/14, o que evidencia o papel
de destaque da soja na economia brasileira, seja em termos de geração de divisas
ou para a manutenção da balança comercial superavitária.
O processo de crescimento das exportações das commodities agrícolas

brasileiras e a expansão das novas fronteiras agrícolas, promovida por meio de
novas tecnologias, têm gerado impactos positivos, mas também revela uma série
de deficiências logísticas do País. Tais deficiências – representadas pelas condições
precárias das rodovias, pela baixa eficiência das ferrovias e pela desorganização e
excesso de burocracia dos portos – tiveram como resultado o aumento das filas de
caminhões nos principais portos de exportação, longas esperas de navios para a
atracação e o não cumprimento dos prazos de entrega ao mercado internacional.
78
Tudo isso resultou no aumento dos custos e na redução da competitividade dos

produtos brasileiros no exterior [6, 17].
O aproveitamento do potencial de expansão da produção de grãos

depende do estabelecimento de um sistema eficiente de transporte. Esse deverá
comportar volumes maiores a custos menores, permitindo, assim, que o setor
de grãos aumente a sua contribuição no abastecimento interno de alimentos e
mantenha sua posição no mercado internacional [22].
A questão do escoamento da safra brasileira é fator fundamental que afeta

diretamente a comercialização, formação de preços e a própria competitividade
do setor. Assim, a infraestrutura logística dever ter capacidade de movimentar e
armazenar de modo eficiente toda a produção agrícola nacional [17, 18].
Em relação à matriz de transportes, a realidade brasileira está longe do que

é proposto na teoria. O ideal seria que países com grandes extensões utilizassem o
modal ferroviário para transportar a longas distâncias, muito divergente do que é
praticado. No Brasil o modal predominante é o rodoviário, responsável por cerca
de 64% da carga transportada. Em termo de uso do sistema de armazenagem,
o mesmo é ainda mais ineficiente, onde em épocas de safras, não há local para
armazenar toda a produção agrícola do país [2].
Quando se analisa a questão logística brasileira, percebe-se que, além do

sistema de transporte, a infraestrutura de armazenagem no Brasil também não
tem acompanhado o ritmo de crescimento da produção agrícola.
A capacidade de armazenar, de forma adequada, a safra agrícola é essencial

para a cadeia logística. Mesmo com as funções clássicas do armazenamento, em
especial, a manutenção da qualidade das matérias-primas, no agronegócio estas
funções se ampliam. Isso porque uma rede adequada é capaz de promover a venda
do produto em melhores épocas do ano (melhores preços e menores custos com
transporte), evitando o chamado “rush de vendas”, e impede o congestionamento
durante o escoamento da produção em períodos de safra, especialmente nos
portos. Dessa maneira, o objetivo do trabalho é avaliar a localização da rede de
armazenagem do Estado do Mato Grosso e, num segundo momento, indicar
uma distribuição ótima para os armazéns. Para tanto, é utilizado um modelo
de programação linear inteira mista para otimização da armazenagem, a fim de
encontrar o ponto ótimo para a instalação de armazéns.
METODOLOGIA
No presente estudo fez-se uso da modelo proposto por Oliveira [15], que
trabalha com a localização ótima de armazéns de açúcar do Estado de São Paulo
para exportação. O modelo aqui proposto foi adaptado e possui como objetivo
determinar a localização ótima de armazéns dedicados para soja do Estado do
Mato Grosso com vistas à exportação. Espera-se, portanto, minimizar o custo
logístico de transporte em função das restrições de capacidade de armazenamento.
79
Na busca de quantificar a oferta de soja no Estado do Mato Grosso, utilizou-se

os dados do IBGE da produção de 2012. Foram consideradas para compor a amostra
as 10 maiores microrregiões produtoras de soja, sendo elas: Alto teles Pires, Parecis,
Canaranã, Sinop, Arinos, primavera do Leste, Rondonópolis, Norte Araguaia,
Tesouro e Paranatinga, que correspondem a 92,11% de toda produção estadual.
É importante destacar que não está disponível a quantidade total exportada

de cada microrregião mato-grossense, portanto no presente estudo adotou-se o
coeficiente de participação de cada microrregião na produção total do Estado
sobre o volume de exportação total estadual que é de 60% da produção, resultando
em uma estimativa das exportações por microrregião. Logo, adotou-se que 60%
do total produzido por cada microrregião tem como destino a exportação.
Já na quantificação da demanda, considerou-se o volume de exportações

do Estado do Mato Grosso por meio dos principais portos, são eles: Santos (SP)
e Paranaguá (PR), que representam 86,72% de todo volume escoado de soja com
destino à exportação.
A Figura 1 apresenta o esquema do modelo proposto, no qual são

representadas 10 microrregiões produtoras (MRi), 22 microrregiões (Aj) possíveis
candidatas para a instalação de armazéns de tamanho t (considerou-se 21
diferentes tamanhos) e dois portos (Pu) com diferentes demandas. A produção
de cada microrregião tem dois destinos: o primeiro sendo o transporte rodoviário
direto para o porto u (wiu); e o segundo sendo o transporte rodoviário para o
armazém localizado em j (xij), seguindo depois por transporte rodoferroviário
para u (yju). A alternativa hidroviária não foi considerada, pois não há relevância
para as rotas logísticas utilizadas no modelo proposto.
Figura 1. Diagrama do modelo proposto
Armazém com Porto (u)

Microrregião
Produtora capacidade (t)
A1 P1
MR 1
A2
MR 2
A3 P2
Transporte rodoviário com destino ao porto

Transporte rodoferroviário com destino ao porto
Transporte rodoviário com destino ao armazém
Fonte: Elaboração própria a partir de [15].
80
Como possíveis locais candidatos para a instalação de armazéns, foram

consideradas as 22 microrregiões mato-grossenses. São elas: Alto Teles Pires,
Parecis, Canarana, Sinop, Arinos, Primavera do Leste, Rondonópolis, Norte
Araguaia, Tesouro, Paranatinga, Aripuanã, Alto Araguaia, Tangará da Serra,
Colíder, Alto Paraguai, Cuiabá, Alto Guaporé, Médio Araguaia, Rosário Oeste,
Alto Pantanal, Jauru, Alta Floresta. Vale ressaltar que não foi restrita no modelo a
quantidade de armazéns por microrregião.
No modelo foram considerados 21 diferentes tamanhos, que indicam a

capacidade dinâmica em toneladas dos armazéns. São eles: 1.000, 2.000, 3.000,
4.000, 5.000, 6.000, 7.000, 8.000, 9.000, 10.000, 20.000, 30.000, 40.000, 50.000, 60.000,
70.000, 80.000, 90.000, 10.0000, 15.0000 e 20.0000. Estes tamanhos foram definidos
com base nos armazéns que já existem nas microrregiões mato-grossenses.
Os custos operacionais de armazenagem tiveram como base Ferrari [9],

que considera os valores mensais das tarifas de recepção, de limpeza, de secagem,
de expedição e de armazenamento, totalizando aproximadamente um valor de
R$ 16,87/t e, trazendo para o valor presente, tem-se R$ 17,86/t. Como todos os
custos no modelo são dados em dólares, utilizou-se o câmbio de R$ 2,29/US$
1,00 para estimar um custo operacional fixo por tonelada de US$ 7. Vale ressaltar
que o modelo não considera economias de escala, logo, o custo foi calculado
multiplicando o valor estimado de US$ 7,00/t pela capacidade dinâmica do
armazém.
Por fim, os dados referentes aos fretes rodoviários e ferroviários, em dólar,

foram fornecidos pelo Sistema de Informações de Fretes [20], enquanto dados
referentes ao transbordo e à tarifa portuária tiveram como base [15, 17]. O custo
portuário considerado no modelo foi de US$ 7/t para o porto de Santos (SP) e de
US$ 7,5/t para o porto de Paranaguá (PA). O software utilizado para otimização
foi o GLPK, versão 4.34.
No modelo, a função objetivo busca minimizar os custos obtidos na

exportação da soja mato-grossense, logo tem-se:
10 10 22 2 10 2 2 22
Min Z ( x)= ∑ ∑ cij xij +
=i 1 =j 1
∑ ∑ a ju yju +
=j 1=
u 1
∑ ∑ piu w iu +∑ CPu du +∑ H j
=i 1 =
u 1 u i
= =j 1
Em que:
cij = custo de transporte rodoviário por tonelada entre a microrregião i e o armazém

localizado em j;
xij = quantidade transportada da microrregião i ao armazém localizado em j;
aju = custo do transporte ferroviário do armazém localizado em j ao porto u;
yju = quantidade transportada do armazém localizado em j ao porto u;
piu = custo de transporte rodoviário por toneladas da microrregião i ao porto u;
wiu = quantidade transportada diretamente da microrregião i ao porto u;
CPu = custo portuário por tonelada de soja;
81
du = quantidade de soja que chega no porto;

Hj = custo operacional do armazém localizado em j.
Restrições:
1. Oferta das microrregiões mato-grossenses: a quantidade de soja transportada

da microrregião i diretamente para o u somada a quantidade transportada
de microrregião i para armazém localizado em j deve ser menor ou igual a
capacidade produtiva da microrregião i.
22 2
=j 1 =u 1
∑ x ij + ∑w iu ≤ M i ,para todo i
Em que:
Mi = Capacidade de produção das microrregiões com destino à exportação.
2. Capacidade dos armazéns: a quantidade em toneladas de soja que chega

no armazém localizado em j, da microrregião i, não deve ser maior que a
capacidade dinâmica do armazém.
10 21
=i 1 =
ij∑t 1 x ≤∑ capt z jt , para todo j
Em que:
capt = capacidade dinâmica do armazém de tamanho t localizado em j.

zjt = variável binária, 1 se o armazém de tamanho t for instalado em j; 0, caso contrário.
3. Estoque zero: no modelo não se leva em consideração estoque no armazém,

logo a quantidade de soja que entra no armazém é igual à quantidade que sai
do armazém.
10 10
∑xij = ∑y ju , para todo j

=i 1 =i 1
4. Demanda do porto u: a demanda do porto u deve ser respeitada.
22 10
∑ yju = ∑ wju ≥ eu , para todou

=j 1 =i 1
Em que:
eu = demanda do porto u.
5. Custo operacional do armazém de tamanho t.

82
21
H j = ∑cot zjt , para todo j
t =1
Em que:
COt = custo operacional do armazém detamanhot ;
 1, se for instalado o armazém detamanhot localizado em j
z jt = 
0, caso contrário
A restrição acima não leva em consideração economia de escala de

armazenagem, ou seja, independente do volume que passe pelo armazém o custo
de utilização será o mesmo.
CONSIDERAÇÕES FINAIS
O Complexo da Soja, juntamente com o milho, soma aproximadamente

80% das exportações de grãos do país. A expansão das fronteiras agrícolas, e as
novas tecnologias, fez com que regiões afastadas dos portos de exportação, caso
da região Centro-Oeste, criasse um grande potencial de produção agrícola.
O sistema logístico brasileiro é ineficiente em diversos pontos, seja na

matriz de transporte, a qual não trabalha com a capacidade adequada para cada
modal, seja no sistema de armazenagem, o qual o Brasil não dispõe de quantidade
suficiente de armazéns para resguardar toda a produção agrícola nacional na
época de safra.
É importante destacar as condições internacionais favoráveis do mercado

da soja e a competitividade do país na produção desse grão, alterações nesse
mercado podem alterar a dinâmica do setor e por consequência o resultado ótimo
obtido no modelo.
Conclui-se que a viabilidade de instalação de armazéns pode ser bastante

dependente das microrregiões produtoras e em especial os custos com fretes e
armazenagem, além de considerar suas distâncias em relação aos portos.
FONTE: <https://www.marinha.mil.br/spolm/sites/www.marinha.mil.br.spolm/.../126718.doc>. Acesso

em: 16 ago. 2018.
83
RESUMO DO TÓPICO 1
• Por meio de um modelo busca-se captar elementos importantes de determinado

problema ou sistema e conceber a situação através da modelagem.
• A prática e o comprometimento com o problema, além de informações e dados

extras que possam ser obtidos sobre o evento a ser estudado, podem ajudar a
melhorar a construção do modelo matemático.
• O desenvolvimento da programação linear, via de regra, aborda três tipos de

problemas: 1) transporte; 2) composição; e 3) formação e produção.
84
AUTOATIVIDADE
1 A programação linear é uma atividade multidisciplinar da matemática

aplicada que faz a aplicação de modelos matemáticos à tomada de decisão.
É empregada para análise de sistemas complexos do mundo real, com a
finalidade de melhorar ou otimizar o desempenho. Sobre os exemplos de
aplicação da programação linear, analise as sentenças a seguir:
I- Planejamento de alocação de uma carga a ser transportada.

II- Otimizar recursos (humanos e materiais) internos de uma indústria com o
propósito de se reduzir custos.
III- Auditar a qualidade dos produtos em processo.
IV- A determinação do melhor local (em termos de custos de transporte e
movimentações) da instalação de uma planta industrial.
a) ( ) As sentenças I, II e III estão corretas.

c) ( ) As sentenças I, II e IV estão corretas.
d) ( ) Somente a sentença II está correta.
2 As variáveis de decisão exercem a função de apoio ao gestor, para que ele

tenha informações de decisão, de acordo com as informações que são possíveis
de se alcançar. Com relação aos exemplos de variável de decisão, analise as
sentenças a seguir:
I- Índice de não conformidade de peças, em uma produção têxtil.

II- Para um coordenador de produção na área têxtil é a quantidade de peças
entregues em uma planta industrial no período de um ano.
III- Uma empresa de comida canina produz dois tipos de rações, as variáveis
de decisão são as quantidades de ração de cada tipo a serem produzidas.
IV- Quantidade de peças a serem retrabalhadas, em função de erro de
operação.
a) ( ) As sentenças II e III estão corretas.

b) ( ) As sentenças II e IV estão corretas.
c) ( ) As sentenças I, III e IV estão corretas.
d) ( ) Somente a sentença IV está correta.
85
86
UNIDADE 2 TÓPICO 2
GEOMÉTRICA
1 INTRODUÇÃO
A programação linear, na área da Modelagem Matemática, é um campo
da pesquisa operacional com ampla aplicação em apoio à decisão. O termo
“programação”, se integrado ao termo linear ou matemático, não tem relação
direta com a programação de computadores ou linguagem de programação.
Essa denominação tem relação com as suas próprias aplicações, originalmente
utilizadas para resolver problemas industriais.
A utilização da programação linear em apoio à decisão acontece a partir

da condição que se define para que um objetivo seja alcançado. Este, por sua vez,
é o resultado da alocação ótima dos recursos, por isso a programação linear é
conhecida como uma técnica de otimização.
Neste sentido, este tópico aborda a resolução gráfica de um Problema

de Programação Linear. Esse método de resolução não pode ser visto como
ferramenta prática, pois é adequado somente para problemas simples, que
envolvem duas variáveis de decisão. Para problemas com três variáveis de decisão,
a resolução se dará de forma muito complexa, porém possível. No entanto, ele é
o mais adequado para a proposta deste trabalho, que é a aplicação no ensino de
Engenharia, pois permite aprofundar a compreensão do que é um Problema de
Programação Linear e de suas soluções.
2 SOLUÇÃO GEOMÉTRICA PARA PROBLEMAS DE

Cada problema a ser abordado neste tópico é um caso especial do seguinte
problema, que é encontrar valores de X1 e X2 que, ou maximizam, ou minimizam
a função objetivo. Esta pode ser exemplificada da seguinte maneira:
Função Objetivo:
=Z C1 * X 1 + C2 * X 2
87
Restrições:
a11 * X 1 + a12 * X 2 {≤; ≥; =} b1

a21 * X 1 + a22 * X 2 {≤; ≥; =} b2

am1 * X 1 + am 2 * X 2 {≤; ≥; =} bm
X1, X 2 , ≥ 0
Em que:
Z é a variável relacionada com a maximização ou a minimização da função;

X é o conjunto de variáveis de decisão do problema;
C é o coeficiente da função objetivo do problema;
Am1 e bm são os coeficientes das restrições.
O problema exposto é chamado de Problema geral de Programação

Linear em duas variáveis. Para resolver graficamente um PPL em duas variáveis,
será encontrado um par de variáveis (X1 e X2) que satisfaz todas as restrições,
chamado de solução viável. O conjunto de todas as soluções viáveis determina
um subconjunto do plano X1 e X2, chamado de região viável. O objetivo é encontrar
uma solução viável que maximize a função objetivo, ou seja, a solução ótima.
Para examinar a região viável de um Problema de Programação Linear,

observa-se que cada restrição do tipo
am1 * X 1 + am 2 * X 2 =
bm
define uma reta no plano X1 e X2, enquanto cada restrição da forma
am1 * X 1 + am 2 * X 2 {≤ ou ≥} bm
define um semiplano que inclui a reta de fronteira
am1 * X 1 + am 2 * X 2 =
bm
Assim, a região viável é sempre uma intersecção de um número finito de

retas e semiplanos.
88
TÓPICO 2 | PROGRAMAÇÃO LINEAR GEOMÉTRICA
E
IMPORTANT
Para a esquematização gráfica de soluções de problemas de programação

linear com duas variáveis serão abordadas algumas possíveis soluções para um problema
de programação linear, de acordo com a região viável obtida em cada caso.
As regiões viáveis podem ser limitadas ou ilimitadas, desta forma, as

soluções para problemas de minimização poderão ser dadas como: 1) única
solução ótima finita; 2) solução ótima alternativa; 3) solução ótima inexistente; e
4) região viável vazia.
Quando a solução ótima finita é única, ela ocorrerá em um vértice (ponto

extremo).
FIGURA 2 – SOLUÇÃO ÓTIMA FINITA E ÚNICA
Ótimo único Ótimo único
c c
(a) (b)
FONTE: Pereira (2010, p. 11)
Na Figura 2 tem-se em (a) um exemplo desse caso em uma região limitada

e em (b) em uma região ilimitada (PEREIRA, 2010).
Com relação à solução ótima alternativa, tem-se um conjunto infinito de

soluções ótimas, sendo possível escolher alternativamente qualquer uma delas
para que se obtenha a solução do problema (PEREIRA, 2010). Na Figura 3 (a) está
ilustrado este caso para uma região viável limitada.
89
FIGURA 3 – SOLUÇÃO ÓTIMA ALTERNATIVA
soluções ótimas
X 1*
soluções ótimas
X*
X 2*
c
c
(a) (b)
* *
Nessa situação, tem-se como soluções os vértices X 1 e X 2 , bem como
qualquer ponto do segmento que os une. Já na figura (b) tem-se uma região viável
ilimitada, em que a solução pode ser qualquer ponto da semirreta, indicada na
figura, com origem em X * e denominada direção extrema.
Para solução ótima inexistente, conforme ilustra a Figura 4, ocorre

quando a região viável é ilimitada e a solução ótima é infinita. Para um problema
de minimização, as curvas de nível Z = k podem ser obtidas na direção (-c)
ilimitadamente, sempre interceptando a região viável. Neste caso, o valor ótimo
é menos infinito e não existe solução ótima.
FIGURA 4 – SOLUÇÃO ÓTIMA INEXISTENTE
Para região viável vazia, conforme ilustra a Figura 5, o sistema de

equações ou inequações que definem a região viável é inconsistente, ou seja, não
existem pontos que satisfazem simultaneamente essas equações ou inequações
(PEREIRA, 2010). De outra maneira, um conjunto de soluções vazio é quando não
há intersecção das regiões representadas pelas restrições.
90
FIGURA 5 – REGIÃO VIÁVEL VAZIA
x2
Conjunto
vazio
x1
FONTE: Adaptado de Pereira (2006)
3 APLICAÇÃO PRÁTICA DA SOLUÇÃO GEOMÉTRICA

Para facilitar o entendimento sobre a resolução de problemas de
programação linear pelo método geométrico, também chamada de solução gráfica
de problemas de programação linear, será adaptado o problema apresentado no
Tópico 1 (problema de composição), desta forma proporcionaremos a integração
dos diversos assuntos abordados nesta unidade.
3.1 PROBLEMA DE COMPOSIÇÃO

Para determinar uma dieta que reduza o número de calorias é necessário
definir as quantidades de alguns alimentos que necessitarão ser comidos
diariamente, de modo que alguns pré-requisitos nutricionais sejam satisfeitos a
um custo mínimo. Neste sentido, será definida uma dieta alimentar que esteja
restrita a suco, contrafilé e uma salada predefinida. Sabe-se ainda que os requisitos
nutricionais deveriam ser demonstrados segundo o tipo de vitaminas A, B e D e
controlados a partir das quantidades mínimas (em mg).
A Tabela 3 sintetiza a quantidade de cada vitamina em disponibilidade

nos alimentos e a necessidade diária para uma alimentação saudável.
TABELA 3 – QUANTIDADE DE VITAMINA POR TIPO DE PRODUTO
Vitamina (mg) Suco (l) Contrafilé (kg) Req. Nutric.

A 10 2 11
B 50 20 70
D 35 70 100
Custo (R$) 2,00 4,00 -
FONTE: O autor
91
Nesse caso, o modelo deve não maximizar, mas minimizar o custo

de uma alimentação que equilibre as quantidades ingeridas de cada alimento
e as quantidades de vitaminas, não ultrapassando os limites mínimos a uma
alimentação saudável.
XS = quantidade de suco a ser consumida.

XC = quantidade de contrafilé a ser consumida.
A função objetivo será dada em relação aos custos de cada alimento, isto
é, o custo mínimo. Dessa forma, tem-se:
Cmin 2* X S + 4* X C
=
Em que:
Cmin = custo mínimo total para consumo dos alimentos.
As restrições do problema são determinadas pelos requisitos nutricionais

mínimos de vitaminas que devem ser incluídas na dieta. Portanto, para este
problema, as restrições definidas, são: 1) restrição quanto ao consumo de vitamina
A; 2) restrição quanto ao consumo de vitamina B; 3) restrição quanto ao consumo
de vitamina D; e 4) restrição de não negatividade.
1) Restrição quanto ao consumo de vitamina A: cada litro de suco ingerido

acrescenta 2 mg de vitamina A na dieta; cada kg de contrafilé acrescenta, também,
2 mg; cada kg de frango acrescenta 10 mg de vitamina A; restritos a um mínimo
de 11 mg dessa vitamina. Deste modo, fica:
10* X S + 2* X C ≥ 11
2) Restrição quanto ao consumo de vitamina B: fazendo de forma análoga,

a mesma análise realizada para construir a restrição com relação ao consumo de
vitamina B, pode-se construir a restrição para vitamina B. Deste modo, fica:
50* X S + 20* X C ≥ 70
3) Restrição quanto ao consumo de vitamina D: igualmente, tem-se para

essa restrição a seguinte expressão:
35* X S + 70* X C ≥ 100
4) Restrição de não negatividade: neste caso não há possibilidade de ingerir,

por exemplo, uma quantidade negativa de suco. Portanto, essa restrição fica:
XS , XC ≥ 0
92
=
Sujeito a:
10* X S + 2* X C ≥ 11
50* X S + 20* X C ≥ 70
35* X S + 70* X C ≥ 100
XS , XC ≥ 0
3.2 SOLUÇÃO GRÁFICA

Para a representação será usado o eixo das abscissas do plano (eixo X)
para representar a variável XS (a quantidade de suco), e no eixo das ordenadas
(eixo Y) para a representação da variável XC (quantidade de contrafilé). Assim,
tem-se o plano mostrado no Gráfico 1:
GRÁFICO 1 – PLANO CARTESIANO PARA SOLUÇÃO GEOMÉTRICA
FONTE: O autor
Inicialmente será representada a primeira restrição do problema usando

a equação da reta 10* X S + 2* X C ≥ 11. Os pontos abaixo dessa reta correspondem à
desigualdade ≥ da restrição do PPL. O gráfico fica definido conforme segue:
93
GRÁFICO 2 – PLANO CARTESIANO COM A PRIMEIRA RESTRIÇÃO DA SOLUÇÃO GEOMÉTRICA
1ª Restrição
FONTE: O autor
Da mesma forma deve-se fazer o mesmo com a segunda restrição do

problema, usando a equação da reta 50* X S + 20* X C ≥ 70. Os pontos abaixo
dessa reta correspondem à desigualdade ≥ da restrição do PPL. O gráfico fica
definido assim:
GRÁFICO 3 – PLANO CARTESIANO COM A PRIMEIRA E A SEGUNDA RESTRIÇÕES DA

SOLUÇÃO GEOMÉTRICA
1ª Restrição
2ª Restrição
FONTE: O autor
94
Igualmente deve-se fazer o mesmo para a terceira restrição do problema,

usando a equação da reta 35* X S + 70* X C ≥ 100. Os pontos abaixo dessa reta
correspondem à desigualdade ≥ da restrição do PPL. O gráfico fica definido da
seguinte maneira:
GRÁFICO 4 – PLANO CARTESIANO COM A PRIMEIRA, SEGUNDA E TERCEIRA RESTRIÇÕES DA

SOLUÇÃO GEOMÉTRICA
3ª Restrição
1ª Restrição
2ª Restrição
FONTE: O autor
ATENCAO
Acadêmico, lembre-se de que o PPL deve considerar todas as restrições juntas

na busca pela solução ótima (Gráfico 5).
95
GRÁFICO 5 – POSSÍVEIS SOLUÇÕES PARA O PLANO CARTESIANO GERADO
3ª Restrição
1ª Restrição
2ª Restrição
FONTE: O autor
Então, devemos graficar todas as equações de retas referentes às

desigualdades relativas às restrições, tomando o devido cuidado de destacar a
área (acima ou abaixo da reta da restrição) conforme o sinal da desigualdade (≥
ou ≤). O PPL fica graficado conforme apresentou o Gráfico 5.
3.2.1 Vetor Gradiente

Uma ferramenta importante na busca da solução ótima é o vetor gradiente
da função objetivo, que indica a direção do mínimo custo, ou seja, onde devemos
procurar o ponto do Conjunto de Soluções Compatíveis que faça com que a
função objetiva adquira seu melhor valor.
96
GRÁFICO 6 – POSSÍVEIS SOLUÇÕES PARA O PLANO CARTESIANO GERADO, COM VETOR Z
3ª Restrição
Vetor - Z 1ª Restrição
2ª Restrição
FONTE: O autor
Pode-se observar como usar o vetor gradiente para encontrar a solução

ótima Cmin usando, para isso, nada mais do que um simples esquadro (aquele
usado na escola). Basta colocar um dos lados retos do esquadro em cima do vetor
gradiente e deslizá-lo no sentido do vetor, desde a origem, observando as retas
perpendiculares ao vetor gradiente que são definidas pelo outro lado do esquadro
(se o problema for de minimização usa-se o sentido oposto ao gradiente). Deve-
se manter esse movimento até encontrar o último ponto da região de soluções
compatíveis que toque o esquadro. O Gráfico 7 mostra como o PPL fica graficado:
97
GRÁFICO 7 – VETOR Z COM A RETA DEFINA PELO ESQUADRO
3ª Restrição
Vetor - Z 1ª Restrição
2ª Restrição
FONTE: O autor
No exemplo apresentado, a reta definida pelo esquadro determina um

único ponto que fornece o mínimo custo para a função objetivo, que é um vértice
do polígono (conjunto) de soluções compatíveis. Esse ponto é determinado pelo
encontro (intersecção) das equações das retas das restrições 2 e 3 (Gráfico 7).
Para descobri-lo, basta calcular o sistema de equações lineares:
50* X S + 20* X C ≥ 70
35* X S + 70* X C ≥ 100
Resolvendo esse sistema de equações é possível chegar à solução XS = 1,03

e XC = 0,93. Portanto, o custo mínimo para a dieta será:
=
Cmin 2*1, 03 + 4*0,93
=
Cmin = 5, 78
98
A IMPORTÂNCIA DA PESQUISA OPERACIONAL NA TOMADA DE

DECISÃO
Romantiéser Lopes
A Pesquisa Operacional é uma subárea da Engenharia de Produção

com característica multidisciplinar aplicada para a resolução de problemas,
otimização de sistemas e apoio à tomada de decisão, para tanto, utiliza-se da
modelagem matemática e da simulação computacional. A Pesquisa Operacional,
a princípio, surgiu para solucionar problemas de fins militares, pode-se destacar
a sua utilização durante a Segunda Guerra Mundial (1939-1945), sendo aplicada
na resolução dos problemas de natureza logística, tática e estratégica.
Segundo a ABEPRO (Associação Brasileira de Engenharia de Produção),

dentro da Pesquisa Operacional encontram-se áreas de atuação, tais como:
Modelagem, Simulação e Otimização; Programação Matemática; Processos
Decisórios; Processos Estocásticos; Teoria dos Jogos; Análise de Demanda;
Inteligência Computacional. Aplica-se as ferramentas de Pesquisa Operacional
em diversos setores produtivos, como por exemplo, mineração, manufatura e
serviços. Ou seja, em uma aplicação de Pesquisa Operacional o ramo de atuação
da organização é secundário.
Segundo Marins (2011), para realizar um estudo através de Pesquisa

Operacional, necessitam-se de dados referentes à problemática e formular o
estudo através de fases:
Escolha do
Formulação Obtenção Método de Obtenção Implementação
Resultados
do Problema do Modelo Obtenção dos Dados da Solução
da Solução
Teste do Modelo
e da sua Solução
Experiência
Fonte: Marins (2011, p. 16)
99
Fase 1: Formulação do problema
Os problemas reais surgem de uma forma vaga e incerta, diante disso, o

analista de Pesquisa Operacional deve ser capaz de assimilar e sistematizar as
situações reais. Portanto, para formular corretamente um problema é necessário
que o mesmo seja bem identificado. Além disso, são necessárias algumas
informações, como por exemplo, quem toma a decisão? Qual o objetivo? Quais as
variáveis de decisão? Quais as restrições? Quais os aspectos envolvidos?
Fase 2: Construção do Modelo Matemático
O modelo matemático é a representação de uma dada realidade através de

expressões matemáticas que descrevem a essência do problema. Se existirem “n”
decisões quantificáveis, elas são representadas por “n” variáveis de decisão ou de
controle. As relações e limitações a que estão sujeitas as variáveis de decisão são
expressas por meio de equações e inequações, denominadas restrições. O intuito
pretendido é formulado em uma função, colocada em termos das variáveis de
decisão, denominada função objetivo.
Fase 3: Obtenção da Solução
Após construir o modelo, o passo seguinte é a obtenção da solução. Há

vários modelos matemáticos utilizados em Pesquisa Operacional, ligado às várias
áreas que formam a Pesquisa Operacional, pode-se destacar a Programação
Linear, a Programação em Redes, a Teoria dos Grafos e a Teoria das Tilas.
Para resolver esses métodos matemáticos é comum o uso de softwares, essas
ferramentas computacionais viabilizam a resolução de problemas complexos.
Entre os softwares, destacam-se o Solver do Excel (Microsoft), PROMODEL
(Belge) e o ARENA (Paragon).
Fase 4: Teste do Modelo e da Solução Obtida
Dada a complexidade dos problemas, a dificuldade de comunicação e

compreensão de todos os aspectos é possível que a equipe de analista obtenha,
ou interprete de forma errônea alguns fatos, o que pode acarretar uma distorção
na elaboração do modelo. Diante disso, é necessário um teste do modelo. A fase
de teste pode indicar deficiências exigindo correções do modelo, seja através do
refinamento de algum aspecto, pela consideração de algum aspecto omitido ou
possíveis simplificações do modelo.
Fase 5: Implementação
A última fase de uma aplicação em Pesquisa Operacional é implementar

a solução final, uma vez aprovada por quem decide. Diante dessa fase crítica, é
importante a participação da equipe que trabalhou no modelo de forma a garantir
a correta implementação. A participação da equipe na fase de implementação é
importante devido a uma intervenção técnica em uma situação de falha. Como
100
é utilizado o computador para alcançar os resultados, todos os relatórios devem

ser documentados, organizados e detalhados para não gerar dúvidas quando de
sua utilização. Deve-se preparar a equipe que utilizará os resultados, bem antes
da fase de implementação, ou seja, é necessária uma participação mais efetiva da
equipe de operação nas fases de formulação da modelagem.
Conforme a SOBRAPO (Sociedade Brasileira de Pesquisa Operacional), o

uso eficiente de técnicas de modelagem matemática e operações computacionais
auxilia o tomador de decisão na análise dos diversos pontos de uma problemática,
possibilitando uma decisão correta e a composição de um sistema mais produtivo.
Consoante a isso, a Pesquisa Operacional demanda uma equipe multidisciplinar
e uma estreita participação entre os tomadores de decisão, analistas e todos os
envolvidos na ação de gestão.
Ao analisar a utilização de Pesquisa Operacional nos mais variados setores

da economia, percebemos que para realizar uma aplicação necessita-se de uma
interação entre as áreas de administração, engenharia, ciência da computação e
matemática. Neste caso, os Engenheiros de Produção são profissionais aptos a
encabeçar uma aplicação dessa natureza, devido à grade curricular da Engenharia
de Produção e as habilidades e competências desenvolvidas ao longo do curso.
FONTE: <https://eproducao.eng.br/a-importancia-da-pesquisa-operacional-na-tomada-de-decisao/>.
Acesso em: 22 ago. 2018.
101
RESUMO DO TÓPICO 2
• A solução ótima de um problema de programação linear de duas variáveis

pode ser encontrada por meio do gráfico das restrições nos planos X e Y, com
a ajuda do vetor gradiente.
• Para definir a região das soluções compatíveis como a intersecção das regiões
limitadas pelas restrições, basta traçar um plano cartesiano com as equações
de cada restrição.
• A partir da direção do vetor gradiente e com a ajuda de um esquadro é possível

encontrar a solução ótima, isto é, o último ponto de contato do esquadro na
região de soluções compatíveis.
102
AUTOATIVIDADE
Questão única – Imagine que os custos de uma fábrica de computadores

possam ser representados pela função Z = 2 x + 3 y, sendo que esta função está
sujeita às restrições:
x+y≥5
5 x + y ≥ 10
x≤8
x≥0ey≥0
A partir do contexto apresentado, desenvolva as seguintes questões:
a) Desenhar as retas das restrições no plano cartesiano.

b) Desenhar o vetor gradiente da função objetivo no plano cartesiano.
103
104
UNIDADE 2
TÓPICO 3
ANÁLISE DE REDES
1 INTRODUÇÃO
A teoria dos grafos surgiu a partir do problema das sete pontes de
Koningsberga. Na Alemanha, na cidade de Koningsberga, um rio passava pela
cidade e a dividia em quatro partes, conforme mostra a ilustração a seguir:
FIGURA 7 – ILUSTRAÇÃO DA CIDADE DE KONINGSBERGA, VISÃO CENTRAL
FONTE: <https://bit.ly/3egjxta>. Acesso em: 10 out. 2018.
Para interligar essas partes havia sete pontes. Como problema, foi sugerido
o seguinte questionamento:
“...é possível (passando só uma vez por cada ponte) fazer um caminho
que passe por todas elas?”
Como resposta a esse questionamento tem-se a impossibilidade de traçar

um caminho que passe só uma vez por cada ponte e ao final tenha atravessado
105
todas elas. No entanto, se o número de pontes for, digamos, seis, existe a

possibilidade de realizar tal caminho, conforme podemos ver a seguir:
FIGURA 8 – CAMINHO EULERIANO
FONTE: <http://2.bp.blogspot.com/_jAaBK9ArWds/THMKPhROOMI/AAAAAAAAI3s/XqC-BP-lxc8/
s1600/01.jpg>. Acesso em: 10 out. 2018.
NOTA
O caminho ilustrado na Figura 8 é conhecido hoje como Caminho Euleriano,

sendo considerado como problema inicial da teoria dos grafos.
2 DEFINIÇÕES SOBRE A TEORIA DOS GRAFOS

Um grafo pode ser definido com um conjunto de nós (vértices ou pontos)
ligado ou não por arcos (arestas ou ramos). Neste sentido, um grafo pode simular,
por exemplo, as ruas que conectam várias cidades numa determinada região.
A Figura 9 apresenta um exemplo em que se pode considerar os nós como

sendo as cidades e os arcos (segmentos de retas do exemplo) como sendo as ruas
que ligam as cidades.
106
TÓPICO 3 | ANÁLISE DE REDES
FIGURA 9 – GRAFO COM CINCO NÓS
FONTE: O autor
A Figura 9 apresenta um grafo com cinco nós, isto é, A, B, C, D e E os

arcos, AB, AD, AC, AE, BD, DC e CE.
Um grafo é dito direto quando o fluxo ao longo de um arco pode ser feito
apenas em um sentido. Por exemplo, se o arco AB for uma rua de sentido único
com origem em A e término no vértice B, tem-se um grafo direto. Entretanto, se
o mesmo arco representar uma rua de mão dupla (dois sentidos), também pode-
se ter um arco BA com origem em B e término em A, e nesse caso, o grafo não é
direto, pois há um arco com duplo sentido.
O conceito de grafo necessita da definição de caminho, isto é, um caminho

é um conjunto de arcos que conectam dois nós através de nós intermediários. Um
exemplo de caminho, segundo o exemplo, é ABDC, que conecta os nós A e C,
passando por B e por D (Figura 10).
FIGURA 10 – EXEMPLO DE CAMINHO NUMA REDE DE NÓS E ARCOS
FONTE: O autor
107
Um grafo conectado é aquele que sempre apresenta, pelo menos, um arco

ligando qualquer par de nós do grafo. No exemplo apresentado na Figura 10
existe um grafo conectado, ou seja, não há nós isolados (como se uma cidade não
pudesse ser alcançada por uma rua).
Outra definição importante para a teoria dos grafos está relacionada com
o “laço”. Um laço é um caminho que conecta um nó a ele mesmo. Por exemplo, o
caminho ABDA é um laço, como mostra a figura a seguir:
FIGURA 11 – EXEMPLO DE LAÇO NUMA REDE DE NÓS E ARCOS
FONTE: O autor
Por fim, uma árvore é um grafo sem laços. Uma árvore tem n arcos e n+1
nós (Figura 12):
FIGURA 12 – EXEMPLO DE ÁRVORE NUMA REDE DE NÓS E ARCOS
FONTE: Adaptado de Lunardelli e Probst (2009)
108
2.1 PROBLEMA DO CAIXEIRO VIAJANTE (PCV)

Um dos problemas mais famosos da teoria dos grafos é o problema do
caixeiro viajante (PCV), entretanto, sua origem ainda é desconhecida no meio
acadêmico (APPLEGATE et al.,2006). Atualmente esse problema não é denominado
desta forma, sendo tratado somente como um problema de transporte, contudo, o
princípio continua o mesmo, ou seja, um vendedor (caixeiro viajante) deve visitar
seus clientes em cidades distintas, sem visitar duas vezes a mesma cidade e sem
deixar de visitar nenhum cliente. Deve-se também considerar que esse vendedor
precisa fazer todas as visitas no menor percurso possível, assim ganha tempo e
reduz o cansaço com as viagens.
Para ilustrar a aplicação dos conceitos relacionados com o PCV, será

apresentado um grafo com quatro nós e seis arcos, sendo que os nós representam
as cidades que o vendedor precisa visitar e os arcos representam os caminhos que
ele poderá realizar para chegar às cidades. O mapa que está representado pelo
grafo é mostrado na Figura 13, junto às distâncias entre as cidades.
FIGURA 13 – EXEMPLO DO PCV PARA UM GRAFO COM QUATRO NÓS
FONTE: O autor
Para facilitar o entendimento com relação a todos os possíveis caminhos

que o vendedor poderá escolher, o mapa do grafo apresentado na Figura 13 pode
ser representado pelo diagrama de árvore apresentado na Figura 12, facilitando a
análise do problema. O exemplo apresentado deve considerar o menor caminho
que o vendedor deve percorrer a partir de A sem considerar seu retorno à cidade
origem.
Neste sentido, cada caminho pode ser considerado, ou seja, tem-se a

possibilidade de seis caminhos, que são: ABCD, ABDC, ACBD, ACDB, ADBC e
ADCB. Se for calculada a distância para todos os caminhos, têm-se:
ABCD = 45 km + 42 km + 36 km = 123 km
ABDC = 45 km + 29 km + 36 km = 110 km
109
ACBD = 38 km + 42 km + 29 km = 109 km
ACDB = 38 km + 36 km + 29 km = 103 km
ADBC = 31 km + 29 km + 42 km = 102 km
ADCB = 31 km + 36 km + 42 km = 109 km
A partir dos cálculos realizados é possível identificar que o vendedor deve

optar pelo caminho ADBC, que apresenta o menor percurso (102 km), passando
por todas as cidades.
Apesar das possibilidades de aplicação dos conceitos para o PCV

segundo a análise de grafos, sua aplicação prática fica restrita à quantidade
de possibilidades, isto é, caminhos possíveis para poucos nós. Por exemplo, se
este mesmo problema tivesse 20 cidades, que é uma quantidade aparentemente
normal para um vendedor, a quantidade de possíveis caminhos seria de
“60.000.000.000.000.000”, ou seja, até um supercomputador levaria anos para
encontrar o melhor caminho a ser percorrido.
Uma forma de contornar a complexidade para o problema do caixeiro

viajante é utilizando a técnica do vizinho mais próximo. Para isso, seleciona-
se de forma arbitrária uma cidade inicial, verifica-se qual a distância entre as
cidades que ainda falta visitar, e escolhe-se a que estiver mais perto. Chegando
lá, repete-se o procedimento, excluindo as cidades já visitadas até que não sobre
mais nenhuma.
No exemplo do vendedor, pode-se verificar que, se ele partir da cidade “A”,

a próxima cidade a ser visitada deve ser “D”, por estar mais perto (Figura 14):
FIGURA 14 – EXEMPLO DO PCV PARA UM GRAFO COM QUATRO NÓS (ARCO AD)
FONTE: O autor
Da cidade D ele deve ir até B, pois entre B e C, B está mais próxima (Figura 15).
110
FIGURA 15 – EXEMPLO DO PCV PARA UM GRAFO COM QUATRO NÓS (ARCO DB).
FONTE: O autor
Estando em “B”, o vendedor deve ir para a cidade “C” (Figura 16).
FIGURA 16 – EXEMPLO DO PCV PARA UM GRAFO COM QUATRO NÓS (ARCO BC)
FONTE: O autor
Portanto, tem-se o caminho ADBC, que é o mesmo caminho calculado

anteriormente como sendo o melhor caminho (Figura 17).
111
FIGURA 17 – EXEMPLO DO PCV PARA UM GRAFO COM QUATRO NÓS (CAMINHO ADBC)
FONTE: O autor
Outra maneira é reduzir a complexidade do problema e trabalhar com

sublocalidades ou regiões, por exemplo. Deste modo, o vendedor pode decompor
seu mapa de clientes por regiões e avaliar essas regiões como cidades.
Outra forma seria a combinação das duas técnicas, dividindo as regiões

e calculando dentro de cada região as cidades mais próximas. Terminando de
visitar uma região, ele procura a região mais próxima e recomeça o trabalho.
112
MÉTODO DO CAMINHO CRÍTICO (CPM/PERT)
O Método do Caminho Crítico (em inglês: Critical Path Method, CPM)

surgiu, inicialmente, para gerenciar projetos mais extensos e complexos, como a
fabricação de produtos que necessitam de grande infraestrutura e geralmente são
construídos no sistema de layout fixo (navios e aviões, por exemplo). Porém, a
técnica é uma metodologia muito versátil, que pode tranquilamente ser utilizada
para gerenciar qualquer tipo de projeto e até mesmo linhas de produção.
O método é utilizado em conjunto com o diagrama de redes PERT (do

inglês: Program Evaluation and Review Technique), organizando em conjunto as
tarefas e etapas do projeto para visualizar melhor as atividades e encontrar o
tempo total de duração do projeto ou atividade.
Com o CPM PERT é possível determinar melhor quanto tempo um projeto

levará para ser finalizado e compreender melhor quais atividades precisam ser
feitas, bem como em que ordem elas terão de ser executadas. O método também
auxilia a direcionar melhor os recursos que serão utilizados.
COMO FUNCIONA?
O método procura representar a execução do projeto de forma gráfica,

utilizando o diagrama de redes para mostrar a ligação e dependência das tarefas.
Para fazer isso, a metodologia utiliza os seguintes símbolos:
SETAS
As setas representam as tarefas que precisam ser executadas durante o

projeto. Geralmente são nomeadas por letras. Ainda nas setas, é preciso colocar o
tempo que as tarefas levarão para serem executadas. No exemplo abaixo, a tarefa
A levará 5 dias para ser executada.
SETAS PONTILHADAS (ATIVIDADE IMAGINÁRIA OU FANTASMA)
As setas pontilhadas são utilizadas para indicar o que o método chama

da atividade imaginária ou fantasma. Essa atividade na verdade não existe, não
está presente no projeto, porém marca um ajuste de programação, mostrando
que determinadas atividades têm dependência de outras atividades. Explicarei
melhor isso mais à frente, quando mostrar um exemplo.
113
CÍRCULOS
São chamados de “nós” e simbolizam a transição entre as tarefas, ou seja,

o término de uma atividade e o início de outra. Aos círculos se ligam às setas,
sejam as normais ou as pontilhadas, podem ser o ponto de partida da seta ou o
destino a que ela indica. Os nós são enumerados para facilitar a identificação dos
momentos do projeto.
1
O QUE É CAMINHO CRÍTICO?
No CPM, caminho é a ordem em que as tarefas são feitas, indicando uma

sequência a ser seguida. Caminho Crítico é, então, a sequência que leva mais
tempo para ser finalizada, indicando o tempo máximo que um projeto levará.
Vejamos um exemplo de diagrama de projeto preenchido.
2
D
B 4
3
A F
0 3 1 4 6 5
C
3 E
2
3
O gráfico representa um projeto com 6 tarefas a serem executadas (A, B,

C, D, E e F) e deve ser interpretado da esquerda para a direita. Dessa forma,
percebemos que a atividade A é a inicial, e as atividades B e C são as próximas a
serem executadas. Do mesmo modo, para que as atividades B e C sejam realizadas,
primeiramente é necessário realizar a atividade A.
Neste exemplo, tem-se 2 caminhos para chegar à conclusão do projeto:
O 1º seria executando as atividades A, B, D e F. Somando os tempos que

cada tarefa leva para ser feita, teríamos um caminho com 16 dias de duração.
114
2
D
B 4
3
A F
0 3 1 4 6 5
C
3 E
2
3
O 2º seria executando as atividades A, C, E e F. Somando os tempos que

cada tarefa leva para ser feita, teríamos um caminho com 14 dias de duração.
2
D
B 4
3
A F
0 3 1 4 6 5
C
3 E
2
3
Nesse caso, o Caminho Crítico para a execução do projeto seria ABDF,

pois é o que leva mais termo para ser finalizado. Nessa metodologia, o Caminho
Crítico é utilizado para estimar a duração do projeto, sendo o Tempo do Caminho
Crítico igual ao tempo de execução do projeto. No nosso exemplo, o tempo
estimado para o término do projeto é, então, de 16 dias.
ATIVIDADE IMAGINÁRIA
A partir da alteração do exemplo anterior, analisar o novo diagrama para

tentar encontrar o Caminho Crítico.
2
D
B 4
3
A F
0 3 1 4 6 5
C
3 E
2
3
115
Agora, imaginemos que, para executar a tarefa E, nós precisamos que

a tarefa B e a tarefa C estejam finalizadas. Nesse caso utilizamos uma seta
pontilhada para identificar a dependência entre as tarefas. A seta pontilhada não
é uma tarefa do projeto, somente indica que para que a tarefa E seja executada,
precisamos que a B e a C sejam concluídas.
Sem a atividade imaginária (seta pontilhada), a tarefa E só precisaria da

finalização da tarefa C para começar. Dessa forma, devido as atividades B e C
terem tempos diferentes (3 dias para a tarefa B; e 2 dias para a C), a tarefa E não
pode começar imediatamente após o término da C, pois precisaria esperar 1 dia
para que a atividade B fique pronta.
FOLGAS DE ATIVIDADES
As folgas são o tempo ocioso entre as atividades que estão fora do

caminho crítico. Pegando como exemplo o diagrama do tópico anterior, vimos
que por causa da dependência entre as atividades, após o término da atividade C,
é preciso esperar 1 dia para que a atividade B fique pronta e, só então, realizar a
atividade E. Esse tempo de 1 dia “ocioso” entre as tarefas é uma folga no projeto.
É interessante calcular as folgas, pois elas indicam a prioridade e

importância das atividades. Por exemplo, caso a atividade B atrase 1 dia, ainda
sim o projeto estará no prazo, pois ela tinha uma folga de 1 dia para a execução da
tarefa E. Isso não ocorre com a tarefa C, caso ela atrase, vai atrasar todo o projeto,
pois não há folga na sua execução.
PORQUE USAR O MÉTODO DO CAMINHO CRÍTICO
Essa técnica auxilia muito no planejamento de projetos mais extensos,

que dependem de prazos muito específicos e não podem sofrer atrasos. Ela
também ajuda a compreender melhor em quais atividades ou tarefas é preciso
dar mais foco, e isso reduz significativamente a chance de um projeto, processo
ou produção parar.
Fazendo uma analogia com a produção de bens, com Método do Caminho

Crítico você encontra os gargalos do seu projeto, podendo focar seus esforços
para mantê-los em dia sem esquecer de outros pontos do projeto.
FONTE: <http://www.blogdaqualidade.com.br/metodo-do-caminho-critico/>. Acesso em: 27 ago.

2018.
116
RESUMO DO TÓPICO 3
• A definição de grafo, nó e arco, e a representação de alguns tipos de problemas,

como o caixeiro viajante, são desenvolvidos a partir da teoria dos grafos.
• Alguns métodos de busca da solução ótima são possíveis a partir da utilização

dos conceitos de redes ou grafos.
• É possível utilizar métodos alternativos para obter uma solução ótima

aproximada, como a técnica do vizinho mais próximo.
• A partir das definições básicas sobre o PERT/COM é possível definir o caminho

crítico para um encadeamento de eventos.
117
AUTOATIVIDADE
1 Para um problema de caixeiro viajante são dadas no quadro a seguir as

distâncias, em km, entre quatro localidades. Qual a solução ótima para esse
problema? Assinale a resposta CORRETA:
QUADRO 2 – DISTÂNCIAS, EM KM, ENTRE QUATRO LOCALIDADES
A B C D
A – 8 9 7
B 8 – 10 11
C 9 10 – 14
D 7 11 14 –
FONTE: O autor
a) ( ) O caminho DABC apresenta a menor distância, que é de 25 km.

b) ( ) O caminho ABCD apresenta a menor distância, que é de 32 km.
c) ( ) O caminho DABC apresenta a menor distância, que é de 21 km.
d) ( ) O caminho CBAD apresenta a menor distância, que é de 21 km.
2 A metodologia de caminho crítico surgiu durante o planejamento e controle

da construção de uma indústria química, devido aos seus insumos onerosos e
ao trabalho insalubre. Considere a situação prática em que um pedreiro está
reformando a cozinha de uma residência. Para este serviço, ele organizou
um planejamento das tarefas que precisa realizar: pintar as paredes, trocar o
forro e colocar novo piso cerâmico no chão, após remover o piso antigo. As
durações e as dependências entre as atividades são dadas no quadro a seguir:
QUADRO 3 – DURAÇÕES E DEPENDÊNCIAS ENTRE AS ATIVIDADES
Atividade Duração (em

Atividade Descrição
Antecedente dias)
A Remoção do piso antigo – 3
B Troca do forro – 5
C Colocação do piso novo A 4
D Pintura das paredes B, C 5
FONTE: O autor
De acordo com essa situação, responda às questões:
a) Represente as atividades dadas numa rede de atividades, obedecendo às

dependências entre elas.
b) Determine o caminho crítico do projeto.
118
UNIDADE 3
SIMULAÇÃO
• entender os princípios da simulação, apresentando técnicas, tipos e aplica-

ções da simulação e as fases de desenvolvimento de um Projeto de Simu-
lação;
• distinguir o que é Simulação Orientada a Eventos Discretos e sua lingua-

gem, bem como estudar exemplos práticos relativos a este assunto;
• compreender as bases da Simulação Orientada à Atividade e também a

Simulação Orientada a Processos e suas principais vantagens e desvanta-
gens;
• compreender as diferenças e possibilidades de aplicação dos principais

simuladores empregados na Engenharia Industrial.
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No decorrer da unidade você en-
contrará autoatividades com o objetivo de reforçar o conteúdo apresentado.
TÓPICO 1 – SIMULAÇÃO NA PESQUISA OPERACIONAL
TÓPICO 2 – TIPOS DE SIMULAÇÃO
TÓPICO 3 – SOFTWARES DE SIMULAÇÃO
119
120
UNIDADE 3
TÓPICO 1
SIMULAÇÃO NA PESQUISA
OPERACIONAL
1 INTRODUÇÃO
Neste tópico serão abordadas as características fundamentais da simulação,
o processo de aplicação da simulação, bem como os tipos de simulação.
Ao longo deste tópico, também será discutido sobre as diversas áreas do

conhecimento que são passíveis da utilização da simulação, como o processo de
melhoria do sistema como pesquisas aplicadas em universidades e centros de
inovação; modelagem nas áreas de Matemática, Física, Química; aplicação nas
áreas de Engenharia, como produção, elétrica, mecânica, química, civil, logística,
transporte, dentre outras.
Por fim, discutiremos acerca das principais etapas do processo de

simulação, além disso, serão apresentadas, de forma sucinta, as principais
vantagens e desvantagens da simulação na pesquisa operacional.
2 SIMULAÇÃO
A simulação pode ser compreendida como um processo por meio do
qual é possível prognosticar por softwares computacionais, por exemplo,
determinados eventos que se deseja analisar. Com isso, se reduz a probabilidade
de incorrer em erros, principalmente em relação ao consumo de recursos
financeiros para aquisição de um bem (máquina, equipamento, instalações)
para a aplicação em um projeto, que poderá não ser finalizado em virtude dos
resultados apresentados. Basta que, por exemplo, um engenheiro examine
com antecedência o processo a ser implementado, modelando o problema no
computador, de forma a constituir cenários a partir dos quais possibilite prever
determinados eventos oriundos do projeto.
Para Santos (1999), a simulação é a “representação”, durante um intervalo

definido de tempo, do funcionamento de um sistema ou processo real. Ela abrange
a formação de um histórico simulado do sistema e, a partir desse histórico, existe
a inferência de como o sistema real poderá se comportar. O comportamento do
sistema é estudado pela construção de um modelo matemático de simulação, que
geralmente assume a forma de um conjunto de estimas pertinentes à operação do
sistema. As considerações são representadas por meio de relações matemáticas,
lógicas e simbólicas entre as variáveis ou objetos de interesse do sistema.
121
UNIDADE 3 | SIMULAÇÃO
O processo de simulação pode ser considerado, também, uma das

ferramentas fundamentais para a Pesquisa Operacional, sendo amplamente
empregada na área da Engenharia, já que esta área envolve um vasto conjunto
de aplicações de projetos que são estudados em detalhes antes de serem
implementados.
Segundo Hillier (2006), a simulação tem sido há muito tempo um

importante instrumento para projetistas. O autor também explica que a simulação
de voo de um avião, em um túnel de vento, é uma prática comum quando se
projeta um avião novo. De acordo com a teoria, as regras da física podem ser
empregadas para se obter as mesmas informações sobre como o desempenho
da aeronave altera à medida que forem alterados os parâmetros de projeto, via
simulação.
Outra possibilidade, segundo o mesmo autor, seria construir aeronaves

reais com projetos alternativos e testá-las em voos reais para recomendar o
projeto final mais adequado, entretanto, essa prática seria muito cara (além
de não ser segura) (HILLIER, 2006). Consequentemente, após a realização de
algumas análises teóricas preliminares para desenvolver um pré-projeto, a
simulação de voo, em um túnel de vento, é um processo essencial para conhecer
projetos específicos. Essa simulação equipara-se a transcrever o desempenho de
um avião de verdade, em um ambiente controlado, de modo a estimar qual será
o real desempenho. Depois de um projeto detalhado ter sido desenvolvido com
o auxílio da simulação, um protótipo em tamanho real pode ser construído e
testado em um voo real para ajustar o projeto final.
Portanto, o processo de simulação é essencialmente uma forma de se testar

modelos previamente definidos a partir do escopo do projeto. O sistema a ser
testado deve considerar um conjunto de restrições e características que se deseja
modelar. Para isso, essas considerações podem ser expressas para o computador
na forma de representações matemáticas, lógicas e simbólicas.
2.1 VANTANGENS E DESVANTAGENS DO PROCESSO DE

SIMULAÇÃO
A simulação é uma ferramenta fundamental da pesquisa operacional
que pode ser empregada nas mais diversas áreas. Sem a simulação, a indústria
automobilística ou aeronáutica atual não seria imaginável.
Associar a simulação a uma ferramenta possibilita realizar a reflexão

sobre a sua aplicação, isto é, da mesma forma que um alicate, que é muito bom
para segurar e apertar pequenos parafusos, apesar de possível é muito ruim
para pregar um prego na parede. Portanto, é imprescindível o uso da ferramenta
correta (ou mais adequada) para a finalidade certa e da forma certa. Assim, a
simulação apresenta suas vantagens e suas desvantagens.
122
TÓPICO 1 | SIMULAÇÃO NA PESQUISA OPERACIONAL
Uma das vantagens da simulação é possibilitar a obtenção de resultados

para uma ação sem que esta seja concretizada na realidade. Outra vantagem da
simulação é o fato de considerar a essência do problema e mostrar sua estrutura
detalhada, provendo, assim, as relações causa-efeito contidas no sistema
(HILLIER, 2006).
Se o usuário for capaz de construir um modelo matemático que seja, ao

mesmo tempo, uma estrutura aceitável do problema e acessível para solução,
esse modelo poderá ser considerado superior em relação à simulação. Entretanto,
diversos problemas são muito complexos para permitir o uso de modelos
matemáticos eficientes. Logo, a simulação normalmente é a única abordagem
prática para problemas complexos.
A simulação possibilita verificar ainda a economia de recursos, seja de

recursos materiais como matéria-prima, máquinas, seja de recursos humanos,
seja de recursos naturais e energéticos nos projetos. Sob a ótica da gestão, tem-se
a possibilidade de verificar a economia de recursos financeiros, fundamental para
qualquer organização. Outro recurso economizado que provém diretamente do
uso da simulação é o tempo. Geralmente, chegar primeiro com uma solução ao
mercado não significa apenas uma vantagem competitiva, mas a sobrevivência
da empresa.
Solucionar problemas complexos, em um intervalo do tempo que seria

necessário para resolvê-lo de forma convencional, permite realizar experimentos
virtuais, identificar variáveis relevantes para o desempenho do processo ou
sistema, conceber cenários e testar hipóteses, tudo isso auxiliando na tomada de
decisões em todos os níveis de uma organização. Em contrapartida, todos esses
ganhos são intimamente dependentes dos dados que são utilizados na simulação
e, principalmente, do modelo do sistema empregado. Se os dados usados na
simulação não forem consistentes com a realidade, o resultado também não será.
Além disso, se o modelo não representar de forma adequada a realidade, mesmo
que os dados de entrada sejam consistentes, os resultados não serão adequados
em relação à representação da realidade simulada.
Um modelo adequado é aquele mais barato que resolve seu problema

(PAVANELLO, 2002). Neste sentido, entende-se por mais barato aquele
modelo que necessita menos recursos. Por isso, deve-se dedicar à modelagem
proporcionalmente ao resultado que se deseja alcançar. Quanto mais elaborado
o modelo, mais fielmente ele representará a realidade e melhores serão os
resultados, contudo, maior conhecimento do sistema é exigido, do mesmo modo,
como pessoas com conhecimentos mais peculiares.
Outra desvantagem do processo de simulação é o tempo despendido

para realização da simulação, em alguns casos, após formular um modelo de
simulação detalhado é necessário um tempo considerável para construir e refinar
os programas de computador necessários para realizar a simulação (HILLIER,
2006). O autor cita que, além da programação, ainda sejam necessários vários
123
processamentos longos para se obter dados de qualidade sobre o sistema ou

processo simulado. Por fim, todos esses dados (que somente fornecem estimativas
sobre o desempenho de um processo ou sistema) precisam ser analisados com
atenção antes de se chegar à conclusão.
Todo esse processo geralmente necessita de muito tempo e esforço.

Consequentemente, a simulação não deveria ser empregada quando existe um
procedimento menos dispendioso capaz de fornecer as mesmas ou, até mesmo,
melhores informações (HILLIER, 2006).
Via de regra, a simulação é empregada quando o sistema envolvido for

muito complexo para ser analisado de maneira satisfatória pelos tipos de modelos
matemáticos, por exemplo, os modelos de filas (HILLIER, 2006).
3 A MODELAGEM MATEMÁTICA NA SIMULAÇÃO

A construção e a elaboração de modelos matemáticos são as principais
etapas antes da simulação de um problema de Pesquisa Operacional. Um projeto
de modelagem matemática necessita de um processo estruturado que permita
desenvolver um modelo adequado com os objetivos que se pretende atingir.
Nesse caso é necessário seguir algumas etapas, que são apresentadas a seguir,
entretanto é importante salientar que dependendo do tipo de projeto de PO, as
etapas podem modificar de acordo com os objetivos traçados:
FIGURA 1 – ETAPAS DA MODELAGEM MATEMÁTICA
Definição do
Problema
Elaboração do
Modelo
Solução do Validação do
Modelo Modelo
Implantação da
Solução
Avaliação Final
FONTE: Adaptado de Andrade (2011)
124
É importante destacar que o papel do engenheiro é muito importante em

todas essas etapas do processo de modelagem apresentadas, tanto na definição
do problema, que pode ser o levantamento de pontos de melhora dentro de
uma indústria, empresa ou processo, como a elaboração do modelo estipulando
quais são as alternativas que podem solucionar o problema; até a implantação e
validação final do modelo.
Na sequência são detalhadas as etapas do processo de modelagem:
a) Definição do problema
Nesta etapa define-se o problema a ser analisado e os objetivos que se

espera atingir. A definição de cenários e alternativas para a construção do modelo
matemático é essencial, pois isso permitirá realizar as análises futuras sobre
ajustamento dos resultados com os objetivos definidos.
b) Elaboração do modelo
O processo de modelagem é determinante em um projeto de simulação.

Nesse sentido, a definição de restrições do sistema estudado também é um
ponto-chave no processo de modelagem. Geralmente, para a construção dos
modelos matemáticos são empregados conceitos e teorias que embasam o
problema em estudo, como por exemplo, programação linear, teoria das filas,
grafos, dentre outros.
c) Solução do modelo
Frequentemente, para se obter a solução de um modelo de pesquisa

operacional, calcula-se a solução ótima para o problema considerado. Nessa
etapa, depois de definir o melhor algoritmo para solucionar o problema, cabe ao
usuário, que está coordenando o projeto, analisar e decidir sobre os resultados
apresentados pelo modelo.
d) Validação do modelo
Na etapa de validação do modelo, verifica-se a adequabilidade do modelo

em representar a realidade e se os resultados fornecidos fazem sentido. Se os
resultados gerados na etapa de validação não são aceitáveis, é preciso realizar
ajustes no modelo para que este esteja apropriado e forneça resultados mais
condizentes com a realidade que se busca representar.
e) Implantação da solução
Depois do modelo validado e os resultados preliminares serem

satisfatórios, sucede a fase de implantação da solução, em que será necessária a
realização de atividades para que o projeto seja finalizado.
125
f) Avaliação final
A avaliação final deve ser realizada com base no conhecimento sobre o

modelo e sobre a realidade do processo, geralmente é efetuada pela equipe que
participou de todo o processo de modelagem junto ao usuário. Caso os resultados
apresentados após a implantação da solução não estejam de acordo, uma das
tarefas da equipe é a de analisar se os dados podem realmente representar o
projeto final, caso contrário, ajustes devem ser realizados a partir da adequação
do modelo matemático inicial.
Uma das finalidades da modelagem matemática e, por conseguinte, da

simulação é a otimização, por meio da qual podemos modelar um problema e
obter um resultado máximo para um determinado parâmetro, como maximização
da margem de contribuição ou mesmo a minimização de custos de processos
(ANDRADE, 2011).
Deste modo, por meio da otimização é exequível modelar um problema e

realizar a simulação para obter a solução de um problema específico. A restrição
da utilização da otimização em simulação é o fato de que ela apenas obtém um
resultado, que é o resultado ótimo. Para se realizar a modelagem de um problema
de otimização, alguns softwares são utilizados, como o LINDO, LINGO, GAMS
ou o próprio EXCEL.
A modelagem matemática na pesquisa operacional pode ser classificada

segundo duas abordagens: a abordagem tradicional e a atual. Nos próximos
subitens será possível compreender melhor cada abordagem e suas principais
diferenças.
3.1 ABORDAGEM TRADICIONAL

No começo, quando os primeiros estudos relacionados à Pesquisa
Operacional começaram a ser realizados, os métodos empregados eram
satisfatórios para a solução da maioria dos problemas para os quais o emprego
da modelagem matemática era indicado, principalmente pelo fato de envolver,
em geral, apenas entendidos no assunto. Entretanto, logo que a sua aplicação
foi expandida para diversas áreas do conhecimento, muitos usuários sentiam
certo receio de sua adoção, mesmo que ainda fosse aplicada. Esse fato
estava relacionado à complexidade apresentada pela pesquisa operacional,
principalmente por demandar um conhecimento mais aprofundado em
modelagem matemática e simulação.
Na abordagem tradicional, os principais objetivos a serem alcançados com

a modelagem matemática eram essencialmente alcançar um ponto ótimo de uma
solução, como a maximização do lucro ou a minimização de custos, conforme
podemos verificar a representação a seguir:
126
FIGURA 2 – REPRESENTAÇÃO GRÁFICA DA MAXIMIZAÇÃO E MINIMIZAÇÃO DOS LUCROS
Assim, esta visão continuou por muito tempo, até que surgiram
novas possibilidades dentro da pesquisa operacional. A partir dessa nova
visão, procedeu a abordagem atual da pesquisa operacional, isto é, a forma
como esta área da matemática vem sendo empregada, tanto nas pesquisas
em universidades, centros de pesquisa, bem como nas diversas áreas do
conhecimento e meio industrial.
3.2 ABORDAGEM ATUAL

Segundo Andrade (2011), nos dias atuais tem-se o desenvolvimento de
projetos e modelos matemáticos para problemas de pesquisa operacional dentro
dos princípios da chamada abordagem atual, que busca ajudar o tomador
de decisão (usuário) a verificar cenários diferentes e alternativos aos que ele
geralmente considera.
O rigor matemático nessa abordagem é considerado, porém é mais

acessível ao usuário, permitindo que este tenha uma visão sistêmica do processo
que deseja estudar ou otimizar. Na figura que segue pode-se verificar um esquema
de como a abordagem atual funciona:
127
FIGURA 3 – ABORDAGEM ATUAL DA MODELAGEM MATEMÁTICA NA PESQUISA OPERACIONAL
Identificação do Informações do Modelagem e

Problema Problema Solução
Problema
está correto? Informações
Importantes? Resultado Ótimo
Novas
percepções
Usuário Aceitar ou
(Gestor) Recusar Solução
Experiência e Intuição
Na abordagem atual, o elemento usuário é fundamental no processo de

modelagem e simulação, sendo ele o agente decisor sobre o desenvolvimento e
implantação do projeto de pesquisa operacional.
4 ETAPAS DA SIMULAÇÃO
A simulação na pesquisa operacional demanda inicialmente um
conhecimento prévio sobre alguns métodos que, dependendo do tipo de
simulação, necessitam clareza por parte do usuário e responsável pela modelagem
logo no começo do processo.
Geralmente o processo de simulação pode ser realizado de duas formas:

analítica ou em ambiente virtual:
1) no caso da simulação analítica, o objetivo principal é a análise de sistemas

complexos, enquanto que;
2) na simulação em ambientes virtuais, a simulação é realizada de forma a
reproduzir a realidade, por exemplo, em jogos.
O fator temporal na simulação analítica deve ser considerado de forma

com que passe o mais rápido possível, pois esse estudo é mais custoso que da
simulação em ambientes virtuais, em que o tempo pode considerar as condições
normais do evento simulado.
128
Segundo Taveira (1997), além do tempo é necessário conhecer os

principais elementos utilizados para se construir um modelo de simulação, que
são: componente(s), recurso(s), característica(s) e fila.
1) Componentes: representam uma pessoa ou objeto que se move ao longo do

sistema, mudando o estado deste. Por exemplo, podem ser pessoas em um
banco e peças em uma linha de montagem.
2) Recursos: são compreendidos como restrições para o fluxo dos componentes
na simulação. Os componentes precisam fazer uso dos recursos para se
movimentarem pelo modelo. As máquinas numa empresa são exemplos de
recursos.
3) Características: são dispostas individualmente a cada componente e
representam as qualidades (atributos) que aquele componente deve possuir
ao longo da simulação. Para o caso de uma peça mecânica, suas características
são o seu diâmetro, material, perfil etc.
4) Fila: é um evento pelo qual um componente percorre quando precisa de um
recurso. Caso existam outros componentes sendo servidos pelo recurso, este
fica em uma fila de espera.
Na figura a seguir são apresentadas as etapas do processo de simulação.

Apesar deste esquema ser muito similar ao apresentado na construção do
modelo matemático, se faz necessário para um entendimento sobre como a
simulação ocorre.
129
FIGURA 4 – ETAPAS PARA O PROCESSO DE SIMULAÇÃO
Definição do
Problema
Definição do(s)
Objetivo(s)
Desenvolvimento
Coleta de dados
do Modelo
Codificação
Verificação
Validação
Simulação
Construção do
Relatório
FONTE: Adaptado de Taveira (1997)
Com base nessa prévia apresentação sobre o processo de simulação, na

sequência serão descritos os detalhes de cada etapa e suas inter-relações:
a) Definição do problema
Inicialmente deve-se estabelecer, de forma clara e objetiva, qual é o

problema que será simulado, a fim de que se institua, desde o início, qual vai ser
o objeto de estudo. À medida que o processo vai sendo desenhado, informações
adicionais podem ser adicionadas e discutidas com a finalidade de que o problema
represente ao máximo o ambiente que se deseja simular.
130
b) Definição dos objetivos
Nesta etapa, se deve constituir os objetivos primários e secundários

da simulação e fazer seu planejamento. Os objetivos primários devem conter
os objetivos básicos e principais da simulação que se pretende modelar e
implementar. Os objetivos secundários devem exprimir, de forma sucinta, os
detalhes dos objetivos primários, tornando mais claro o problema a ser resolvido.
A definição do planejamento, que também deve ser realizada nesta etapa,

deve envolver os prazos e a quantidade de recursos envolvidos em cada parte do
projeto. Dessa forma, o planejamento ajuda a evitar atrasos no processo. Além
disso, no planejamento é realizado o levantamento dos custos necessários para o
desenvolvimento da simulação e todo o projeto.
Nessa etapa também se deve confirmar que a simulação, para o caso a

ser estudado, é a melhor forma para a abordagem do problema, já que podem
existir outras alternativas mais adequadas e menos custosas que alcancem o(s)
mesmo(s) objetivo(s).
c) Desenvolvimento do modelo
O processo de modelagem é uma etapa fundamental para o sucesso da

simulação. O modelo deve ser simples o suficiente para que o problema não fique
extremamente complexo e difícil de ser compreendido, e também deve conter os
requisitos básicos para que ele expresse o máximo possível do problema real a
ser analisado.
A modelagem deve acompanhar a ordem de definição do problema com

um modelo simples e ir acrescentando os atributos específicos aos poucos até
chegar a um modelo adequado e condizente com a realidade a ser simulada.
Outro fator a ser considerado é o pacote computacional para a simulação, deve-
se verificar se o software “atende” às necessidades da modelagem.
d) Coleta de dados
A coleta de dados pode ser realizada em paralelo com o desenvolvimento

do modelo. O tipo de dado a ser utilizado vai depender do modelo desenvolvido,
sendo que os dados podem ser fictícios (hipotéticos) ou baseados em dados
coletados de um banco de dados ou do próprio sistema a ser simulado.
e) Codificação
A codificação nada mais é que a transposição do diagrama do modelo para

a linguagem computacional, isto é, realizar a modelagem matemática (constituído
de funções e fórmulas) para o computador. Para isso, o analista deve escolher a
linguagem de programação mais adequada para o projeto, como o VISUAL
BASIC®, C®, JAVA®, PASCAL®, dentre outros, ou um pacote computacional que
já possua a programação necessária, como o MATLAB, ARENA, EXCEL® etc.
131
f) Verificação
Essa etapa também pode ser chamada de “teste de programação”, sendo

que é preciso verificar se existe algum erro de programação e, principalmente, se
o que no início se modelou está traduzido de forma adequada para o computador
em linguagem computacional.
g) Validação
O processo de validação é uma etapa similar à verificação, entretanto, a

validação busca verificar se o que foi programado corresponde ao sistema real a
ser analisado em termos de resultado da simulação. Caso exista uma diferença
muito grande entre os parâmetros gerados, deve-se analisar quais pontos estão
divergentes e, se for o caso, realizar correções na programação. Se no final dessa
etapa os valores da simulação estiverem adequados com a realidade do sistema
real, pode-se seguir para a próxima etapa do processo de simulação.
h) Simulação
Nesta etapa é realizada a experimentação onde acontecem as replicações

do modelo construído segundo os cenários desenhados na etapa de definição
do problema e dos objetivos iniciais do processo. A análise dos dados deve ser
realizada de forma cautelosa e os resultados devem ser interpretados de forma
apropriada, a fim de não gerar distorções de interpretação e tomadas de decisão
incertas. Caso os valores finais não forem aceitáveis, deve-se executar novas
simulações ou até mesmo rever o modelo construído.
i) Construção do relatório
Na construção do relatório, que é a última etapa do processo de simulação,

os resultados precisam ser documentados de forma clara e objetiva, permitindo,
assim, que o usuário consiga, a partir dos resultados gerados na simulação, tomar
decisões adequadas em relação ao problema estudado.
NOTA
Essas etapas do projeto de pesquisa operacional se assemelham, em certos

pontos, com as etapas de um projeto de simulação, pois a simulação é uma das ferramentas
da Pesquisa Operacional.
132
5 ÁREAS DE APLICAÇÃO DA SIMULAÇÃO

O processo de simulação computacional possui ampla aplicação, sendo
uma das principais ferramentas da pesquisa operacional, principalmente nos
sistemas industriais nas áreas de serviço. Algumas áreas onde pode ser utilizada
a simulação são: 1) projeto e operações de sistemas organizados por filas; 2) gestão
de sistemas de estoque; 3) análise de riscos financeiros; 4) logística de distribuição;
5) gestão de projetos; dentre outras.
O processo de simulação é muito empregado na criação de ambientes

virtuais e também na avaliação do desempenho de sistemas. Na figura a seguir
é apresentado um esquema que representa dois tipos de simulações. Uma é a
“simulação em ambientes virtuais” e a outra é a “simulação analítica”:
FIGURA 5 – ESQUEMA DOS TIPOS DE SIMULAÇÃO
Ambientes Virtuais Simulações Analíticas
Decisões humanas fazem Decisões humanas não

parte do processo fazem parte do processo
Simulações
Jogos Simulação
militares
Aumenta o grau de abstração e velocidade
Aumenta o grau de realismo e custo

FONTE: Adaptado de Teixeira (2013)
No caso das simulações realizadas em ambientes virtuais existem,

por exemplo, as simulações militares e de jogos que são controladas pelas
decisões humanas. No ambiente virtual existe baixo grau de abstração e alto
grau de realismo.
Já nas simulações analíticas, as decisões humanas não fazem parte do

processo, ficando a cargo do algoritmo desenvolvido no pacote computacional
escolhido fazer as simulações que muitas vezes representam algumas
decisões humanas. Pelo fato de que nas simulações analíticas não existe a
interferência humana nas decisões, seu custo é mais baixo do que a simulação
133
em ambientes virtuais, porém seu grau de abstração é maior devido ao baixo

grau de interferência humana.
5.1 SIMULAÇÃO DE PROJETO E OPERAÇÕES DE SISTEMAS

ORGANIZADOS POR FILA
Segundo Hillier (2006), é comum as pessoas esperarem filas para comprar
o ingresso para uma sessão de cinema, fazer um depósito bancário, pagar as
compras em um supermercado, remeter um pacote no correio, comprar um
sanduíche em uma lanchonete, ou para brincar em um parque de diversões.
Diante disso, acabam se acostumando a um volume considerável de espera, mas,
ainda assim, em alguns momentos se irritam se tiverem que aguardar por um
longo período em uma fila.
Desse modo, estima-se que as pessoas gastam muito tempo esperando e

aguardando em filas, sendo que este poderia ser usado de uma forma muito mais
produtiva (HILLIER, 2006). Um sistema em que existem muitas filas demonstra
ineficiência do processo e que alguma coisa está errada e pode ser melhorada
(HILLIER, 2006).
Uma forma de realizar melhorias nos processos que envolvem filas é por
meio de uma teoria que leva este nome, ou seja, a Teoria das Filas, que por meio
de funções matemáticas e algoritmos representa a maioria das características das
filas existentes no nosso dia a dia (HILLIER, 2006).
Essa teoria permite ao gestor ou pesquisador realizar simulações de forma

a obter, em uma determinada situação estudada, um modelo otimizado das filas.
Desse modo, a simulação, aliada à teoria das filas, é uma importante ferramenta
para otimizar os sistemas. Um exemplo prático da aplicação da simulação com
a teoria das filas pode ser verificado em um fábrica de calçados, em que existem
dois componentes principais na visão da simulação: as máquinas e os produtos
finais. Se interpretarmos as máquinas como um serviço e os produtos como os
clientes, pode-se modelar esta produção como um sistema de filas (KAWANO;
KAWANO, 2014).
Essas filas são compostas por calçados e seus diferentes modelos

produzidos na fábrica. Assim, como já inicialmente comentado acerca da teoria
de filas, pode-se aplicar essas técnicas de modelagem e simulação de forma a
otimizar o sistema de manufatura dentro da fábrica. Isto é, simular as quantidades
de demanda e oferta do produto dentro das limitações e restrições na produção
– como quantidade de máquinas, quantidade de funcionários, turnos dos
funcionários etc. (KAWANO; KAWANO, 2014). A figura que segue apresenta um
esquema representando o sistema exemplificado:
134
FIGURA 6 – EXEMPLO DA APLICAÇÃO DE SIMULAÇÃO E TEORIA DAS FILAS
Produtos
Insumos
Máquina
Modelagem e Simulação da Fila
FONTE: O autor
5.2 SIMULAÇÃO NA GESTÃO DE SISTEMA DE ESTOQUE E

DISTRIBUIÇÃO DE PRODUTOS
A administração de um estoque numa organização ou, por exemplo, de
um Centro de Distribuição (CD), faz parte das atividades rotineiras de um gestor
atuante na área da Engenharia de Produção. Ter menos itens armazenados no
almoxarifado, produção ou expedição de uma organização, seja ela de pequeno,
médio ou grande porte, é um diferencial competitivo positivo em termos de
custos, lead time e qualidade do estoque.
Para isso, tanto a necessidade de produtos em um estoque (demanda)

como a quantidade de saída destes produtos (oferta) deve ser bem administrada
e de forma eficiente para que se evite excesso de produtos em um estoque e
assim gastos relacionados aos custos de armazenagem. Isso é possível por meio
da utilização de softwares de gestão de estoque que são integrados aos sistemas
de informação utilizados pelas organizações, comumente chamados de ERP
(Enterprise Resource Planning).
Esse controle pode ser modelado e simulado matematicamente em um

software computacional ou programado conforme demanda específica de cada
empresa. Atualmente, muitos pacotes computacionais são empregados pelas
organizações que utilizam sistemas ERP, sendo que estes são prontos para serem
utilizados, necessitando somente, em alguns casos, a integração do software de
gestão de estoque com o sistema ERP utilizado na organização.
A figura a seguir apresenta um esquema com os elementos básicos do

processo de gestão do sistema de estoques, utilizando a simulação:
135
FIGURA 7 – FLUXO DO PROCESSO DE GESTÃO DE ESTOQUES VIA SIMULADOR
Empresa
Sistema de Gestão Modelo de

(ERP) Simulação de
Estoque
Software de
Entrada de
Gestão de
Itens
Estoques
Saída de
Itens
Além da utilização da simulação na gestão de estoques, outra aplicação

na área da logística e distribuição de produtos é a utilização das ferramentas
da simulação para a melhoria e otimização de seus sistemas. Por exemplo, um
Centro de Distribuição (CD) precisa receber cargas de caminhões, armazená-las
por um determinado tempo e despachá-las para diversos pontos. Nesse sentido,
os tempos empregados para realizar a etapa de descarga dos produtos no Centro
de Distribuição de armazenagem e de carregamento desses para seu despacho,
bem como as rotas das localidades para a distribuição final das cargas são fatores
importantes do ponto de vista econômico do negócio. A figura a seguir ilustra
um sistema de roteirização de cargas que emprega um simulador para definir as
melhores rotas de entregas:
136
FIGURA 8 – EXEMPLO DE ROTEIRIZAÇÃO DE CARGAS VIA SIMULADOR
FONTE: Routes (2018)
NOTA
Outro exemplo de software, por meio do qual é possível realizar a simulação de

operações logísticas, conforme citado na figura anterior, é o ARENA®.
137
ESTUDO DE CASO: UTILIZAÇÃO DO ROUTEASY PARA ANÁLISE DE

OCIOSIDADE DE VEÍCULOS
RESUMO
Esse é um resumo do artigo apresentado no IV Congresso Internacional de

Logística e Operações (IFLog) sobre o ganho de produtividade na formação de
rotas comparando a roteirização realizada pelo RoutEasy e a roteirização manual
feita por uma empresa situada em Suzano-SP.
ESTUDO DE CASO EM CENTRO DE DISTRIBUIÇÃO

LOCALIZADO EM SUZANO
Foi realizado um estudo de caso em um Centro de Distribuição, localizado

em Suzano, SP, que consistiu em recriar rotas de entregas com o RoutEasy,
buscando comparar as rotas otimizadas pelo roteirizador com as rotas criadas
manualmente.
A abordagem foi desenvolvida em 4 etapas:
• Levantamento dos dados das entregas entre julho e outubro de 2016;

• Inserção de dados na plataforma RoutEasy, considerando uma frota de 10
veículos;
• Análise dos resultados obtidos e comparação com os resultados das operações
realizadas, com o objetivo de identificar ociosidade;
• Pesquisa qualitativa identificando a opinião dos colaboradores quanto às
funcionalidades e viabilidade de implantação.
Foram tabuladas as quantidades de entregas realizadas diariamente,

chegando-se a 4.599 entregas, realizadas em 76 dias trabalhados, uma vez
que não houve operação em alguns sábados e nos domingos compreendidos
no período. A relação de entregas pelos dias trabalhados resultou em uma
média de 60,51 entregas por dia. Buscando identificar eventuais sazonalidades,
as informações foram organizadas de forma separada por mês, conforme
exposto no Gráfico 01. Foi possível observar que há uma grande variação nas
quantidades de entregas de um dia para o outro, porém não foram identificadas
sazonalidades em nenhum dos meses.
138
Gráfico 01 – Análise da demanda
A simulação realizada considerou a recriação das rotas para 10 veículos,

com prestação de serviço contínuo. Portanto, selecionou-se os 10 veículos que
mais realizaram entregas no mês escolhido para o estudo, conforme detalhado
no Quadro 01.
Quadro 01 – Veículos mais utilizados no mês de estudo e que foram também utilizados na roteirização
DIAS TRA- TOTAL DE MÉDIA DE MÉDIA-
TIPO DE TOTAL DE
BALHA- ENTRE- ENTRE- PESO/DIA
VEÍCULO PESO (kg)
DOS GAS GAS/DIA (kg)
VUC1 19 140 7,37 60002 3158,00
VUC2 17 114 6,71 40623 2389,59
VUC3 12 82 6,83 30162 2513,50
VAN1 16 74 4,63 28168 1760,50
TRUCK 10 70 7,00 64677 6467,70
TOCO1 12 62 5,17 30397 2533,08
TOCO2 18 56 3,11 16764 931,33
TOCO3 6 34 5,67 17546 2924,33
VAN2 7 33 4,71 8248 1178,29
UTILITÁRIO 1 8 24 3,00 3669 458,63
Finalizando a etapa de levantamento de dados, com base nas informações

apuradas e seleção dos dez principais veículos, restou um total de 689 entregas
a serem analisadas e que tiveram como destino um total de 123 endereços
diferentes. Tais informações possibilitaram a recriação das rotas de entrega com
o uso do roteirizador, permitindo a análise do desempenho dos veículos, bem
como possíveis ociosidades e oportunidades para redução da frota utilizada.
Para possibilitar a recriação das rotas, os dados referentes às entregas foram
transportados para a planilha padrão do RoutEasy, conforme Figura 01.
139
Figura 01 – Planilha padrão para upload de dados no roteirizador
Para as especificações dos veículos, foram lançados os dados de acordo

com as características de cada equipamento e negociações de diárias estabelecidas,
resultando no resumo demonstrado no Quadro 02.
Quadro 02 – Parametrização das restrições de operação
TIPO DE CAPACIDADE EM CIRCULAÇÃO NO CENTRO

DIÁRIA
VEÍCULO PESO (kg) EXPANDIDO DE SP
UTILITÁRIO 220,00 620 Permitida
VAN 250,00 1500 Permitida
VUC 380,00 3500 Permitida
TOCO 520,00 6000 Proibida
TRUCK 590,00 12000 Proibida
As restrições de operação foram configuradas de acordo com o modelo

de operação da empresa: o tempo máximo de viagem foi adotado considerando
uma jornada de trabalho diária de oito horas e tempo médio de deslocamento de
ida e volta em torno de uma hora cada, considerando uma hora para almoço. A
ocupação mínima e o tempo médio de atendimento foram estipulados de acordo
com as peculiaridades da empresa. A adoção da velocidade média de 30 km/h
levou em consideração o estudo de Zandonade e Moretti (2012).
140
• Jornada de trabalho: Das 07h00 às 18h00;

• Ocupação mínima: 60%;
• Tempo de atendimento no cliente: 20 minutos;
• Velocidade média: 30 km/h.
RESULTADOS OBTIDOS
Foram compilados os dados das operações realizadas no mês de outubro a

fim de possibilitar a comparação com os novos dados obtidos com as simulações.
Ao realizar uma análise inicial, constataram-se diferenças nas quantidades totais
de entregas diárias entre o realizado e o simulado, por conta de muitas entregas
no interior do Estado, que não haviam sido roteirizadas. Por conta das restrições
inseridas referentes ao tempo máximo de viagem e ocupação mínima, o sistema
excluiu aquele evento que implicasse na extrapolação do horário limite de operação
e, da mesma forma, não criava uma rota para o evento excluído devido à restrição
de capacidade mínima. Com isso, foram criadas rotas de entregas para o interior do
estado com parâmetros mais flexíveis, adotando-se a velocidade média de 80 km/h,
aproveitamento o mínimo de 40% e jornada diária de 12 horas. Desta forma foi
possível contemplar 100% da amostragem, chegando-se a um resultado favorável,
confirmando a existência de ociosidade e possibilidade de otimização da frota.
Quadro 03 – Resultados obtidos

DADOS REAIS DADOS DA
RESULTADOS
OUTUBRO/2016 SIMULAÇÃO
DEMANDA DO VEÍCULOS VEÍCULOS REDUÇÃO DE REDUÇÃO
DATA DIÁRIA DIÁRIA
DIA (ENTREGAS) UTILIZADOS UTILIZADOS VEÍCULOS DE DIÁRIAS
03/10/2016 21 4 R$ 1.530,00 2 R$ 760,00 50,00% 50,33%
04/10/2016 42 8 R$ 3.110,00 5 R$ 1.960,00 37,50% 36,98%
05/10/2016 42 7 R$ 2.890,00 7 R$ 2.430,00 0,00% 15,92%
06/10/2016 43 6 R$ 2.640,00 5 R$ 2.160,00 16,67% 18,18%
07/10/2016 34 8 R$ 3.240,00 5 R$ 2.250,00 37,50% 30,56%
10/10/2016 36 6 R$ 2.430,00 7 R$ 2.110,00 -16,67% 13,17%
11/10/2016 52 10 R$ 4.010,00 7 R$ 2.860,00 30,00% 28,68%
13/10/2016 32 7 R$ 2.650,00 4 R$ 1.370,00 42,86% 48,30%
14/10/2016 33 5 R$ 2.260,00 3 R$ 1.280,00 40,00% 43,36%
17/10/2016 24 5 R$ 2.180,00 4 R$ 1.500,00 20,00% 31,19%
18/10/2016 40 7 R$ 3.020,00 6 R$ 2.210,00 14,29% 26,82%
19/10/2016 31 6 R$ 2.640,00 4 R$ 1.440,00 33,33% 45,45%
20/10/2016 30 7 R$ 2.380,00 3 R$ 1.280,00 57,14% 46,22%
21/10/2016 28 5 R$ 1.980,00 3 R$ 1.420,00 40,00% 28,28%
24/10/2016 10 2 R$ 1.040,00 3 R$ 720,00 -50,00% 30,77%
25/10/2016 30 6 R$ 2.270,00 5 R$ 1.620,00 16,67% 28,63%
26/10/2016 47 7 R$ 2.680,00 5 R$ 2.090,00 28,57% 22,01%
27/10/2016 47 7 R$ 2.650,00 5 R$ 1.750,00 28,57% 33,96%
28/10/2016 43 8 R$ 3.110,00 6 R$ 2.080,00 25,00% 33,12%
29/10/2016 18 3 R$ 1.140,00 2 R$ 900,00 33,33% 21,05%
31/10/2016 6 1 R$ 520,00 1 R$ 250,00 0,00% 51,92%
Total Geral 689 125 R$ 50.370,00 92 R$ 34.440,00 26,40% 31,63%
141
As melhorias obtidas com o RoutEasy foram:
• Redução de 31,63% nos valores de diárias;

• Redução da quantidade total de veículos contratados no mês: 26,4%, passando
de 125 para 92;
• Utilização de veículos com melhor aproveitamento e menores diárias (dias 10
e 24);
• Ganhos significativos em eficiência e qualidade nas rotas de entrega.
FONTE: GOMES, A. N. et al. Utilização de software de roteirização para análise de ociosidade

de veículos: estudo de caso em centro de distribuição localizado em Suzano. IV Congresso
de Logística e Operações do IFSP – Suzano, 2018. Disponível em: <http://blog.routeasy.com.br/
roteirizacao/artigo-utilizacao-routeasy-para-analise-de-ociosidade-de-veiculos/>. Acesso em: 27
nov. 2018.
142
RESUMO DO TÓPICO 1
• A simulação é uma das principais ferramentas da pesquisa operacional e por

meio dela podemos resolver uma série de problemas rotineiros no dia a dia da
indústria.
• A simulação pode ser aplicada em muitas áreas do conhecimento, basta que o

programador e a equipe de analistas adaptem seus conhecimentos nas diversas
situações para a resolução dos problemas.
• É importante termos o conhecimento das principais fases de desenvolvimento

de um projeto de simulação, bem como as vantagens e desvantagens da
simulação.
143
AUTOATIVIDADE
1 A simulação pode ser definida como um método que reproduz o trabalho

de um sistema real e proporciona a construção de ambientes em que, através
destes, é possível direcionar o processo durante a tomada de decisão, anteceder
pesquisas e avaliações de sistemas e proporcionar soluções para a melhoria da
performance. Para que este processo aconteça é necessário desenvolver um
modelo que represente matematicamente as situações operacionais do sistema
e as ligações entre seus componentes. A respeito das principais propriedades
dos sistemas e seus modelos de simulação, classifique V para as sentenças
verdadeiras e F para as falsas:
a) ( ) Compreende a reprodução de uma narrativa artificial do sistema e a

partir dela a conclusão de como o sistema real funcionaria.
b) ( ) Representa uma das principais metodologias da pesquisa operacional
e também uma das mais empregadas, principalmente na área da
Engenharia.
c) ( ) Compreende a utilização de dados históricos, relacionados a tempos
de ciclo, para garantir a simulação do processo futuro.
d) ( ) As observações podem ser compreendidas na etapa de planejamento
para o computador no formato de símbolos matemáticos, lógicos e
simbólicos.
2 A concepção da modelagem propõe e simula o evento que acontece no

mundo real, instituindo o relacionamento das variáveis com os objetivos ou
o resultado final. Com relação ao tipo de modelo representado e a situação
física, conforme podemos observar na figura, analise as informações e as
sentenças a seguir:
FONTE: O autor
144
I - A figura representa um algoritmo de comandos. A função matemática
representa as variáveis de saída deste algoritmo.
II - A figura representa um modelo matemático. A função matemática
representa a variação de temperatura pela espessura de parede de um
forno industrial.
III - A figura representa um modelo esquemático. A função matemática
representa uma média de dados tabelados para simulação.
IV - A figura representa um modelo físico. Representa uma independência
entre as variáveis de entrada e saída com a função matemática.
a) ( ) Somente a sentença I está correta.

c) ( ) Somente a sentença II está correta.
d) ( ) As sentenças II e IV estão corretas.
145
146
UNIDADE 3
TÓPICO 2
TIPOS DE SIMULAÇÃO
1 INTRODUÇÃO
A simulação dentro da pesquisa operacional pode ser separada em dois
tipos principais, a simulação discreta e a simulação contínua. A simulação discreta
compreende a maioria das aplicações e utilizações pelos gestores e engenheiros,
já que ela pode ser realizada por meios computacionais de uma forma mais
simples. Por outro lado, a simulação contínua compreende, na maioria das vezes,
eventos mais complexos, e da mesma forma sua reprodução é muito difícil de
ser realizada. Desse modo, geralmente o que se procura quando é indispensável
a utilização da simulação contínua é a abordagem do problema pela simulação
discreta e fazer com que esta se aproxime o máximo possível de um problema
de simulação contínua, para, finalmente, se conseguir um resultado com menos
esforço computacional e tempo empregado.
A figura a seguir apresenta em termos gráficos as diferenças entre os dois

tipos de simulação, a discreta e a contínua:
FIGURA 9 – DIFERENÇAS ENTRE SIMULAÇÃO DISCRETA E CONTÍNUA
SIMULAÇÃO SIMULAÇÃO
CONTÍNUA DISCRETA
Região da Ocorrência
dos eventos
Eventos
(X1, X2... Xn)
Tempo é Tempo NÃO
importante é importante
RESULTADO RESULTADO
FINAL FINAL
A partir da Figura 9 é possível observar que cada tipo de simulação

apresentará um resultado final diferente, pois cada simulação possui restrições
de utilização e aplicação específicas, como por exemplo, a importância do tempo,
que é relevante para as simulações contínuas, enquanto que a discreta não
apresenta relevância.
147
2 SIMULAÇÃO DISCRETA
Nessa simulação se consideram apenas os eventos que acontecem em um
determinado sistema, não considerando importante o tempo transcorrido, isto é, o
tempo entre um evento e outro não é considerado, ainda que seja de conhecimento
na simulação. Um exemplo prático é a simulação de sistemas de filas, sendo
caracterizado por uma população de elementos que desejam um serviço pela
natureza das chegadas dos elementos para execução dos serviços, pela natureza
dos serviços a serem realizados, pela capacidade do sistema e pela disciplina de
fila. A figura a seguir apresenta um exemplo de sistema discreto de filas:
FIGURA 10 – SISTEMA DISCRETO DE FILAS
FONTE: Adaptado de Miyagi (2006)
Nesse sistema considera-se que a população é infinita, isto é, se um elemento

desta população for para a fila de espera do serviço, não existe alteração na taxa
de chegada de outros elementos que estejam precisando deste serviço (MIYAGI,
2006). A chegada dos clientes para os serviços acontece de uma forma individual e
aleatória por meio de uma fila de espera, de onde serão atendidos pelo servidor. O
tempo de serviço é determinado de acordo com uma distribuição de probabilidades
que é assumida como constante. A capacidade do sistema é considerada infinita (o
sistema inclui o atendente que está no servidor mais aqueles que estão esperando
na fila, ou seja, os clientes). Os clientes são atendidos pelo atendente na ordem
de chegada (num procedimento denominado FIFO (First In, First Out), também
conhecido como PEPS – Primeiro que Entra, Primeiro que Sai).
O exemplo de sistemas de filas se apresenta com fila única (Figura 10),

neste caso, segundo Hillier (2006), existem somente dois eventos que podem afetar
o estado do sistema: a entrada de um cliente no sistema (evento de chegada) e a
finalização de um serviço sobre um cliente (evento de saída).
O evento chegada ocorre quando um cliente entra no sistema. A figura a

seguir apresenta um esquema que corresponde ao fluxo do evento de chegada
no sistema de fila, nesse caso, o cliente pode encontrar o atendente ocupado ou
disponível, portanto, ou o cliente é atendido pelo atendente ou aguarda na fila para
ser atendido:
148
TÓPICO 2 | TIPOS DE SIMULAÇÃO
FIGURA 11 – FLUXO DO EVENTO DE CHEGADA NO SISTEMA DE FILA
Se o atendente está disponível e a fila vazia, o cliente que chega é

prontamente atendido pelo atendente. Para esse evento é desconsiderada a
situação em que o atendente está disponível e a fila com cliente.
Após completar um atendimento, o atendente pode ficar disponível ou

permanecer ocupado com o próximo cliente. Se a fila não estiver vazia, outro
cliente entrará no atendimento ocupando o atendente. Se a fila estiver vazia, o
atendente ficará disponível depois que o serviço for realizado por completo. Na
sequência, a figura apresenta um esquema que mostra o fluxo do evento de saída
do sistema de fila:
FIGURA 12 – FLUXO DO EVENTO DE SAÍDA NO SISTEMA DE FILA
149
E
IMPORTANT
Alguns exemplos práticos de aplicação de simulações de sistemas de filas podem

ser estudados na Unidade 1 – Seção 4.
Além dos sistemas de filas na simulação discreta, outro exemplo é a

simulação de sistemas de estoque. Nesse sentido, o comportamento dos dados
de simulação de um sistema de estoque, relativamente simples, é ilustrado da
seguinte maneira:
FIGURA 13 – VARIAÇÃO DO NÍVEL DE ITENS DE UM SISTEMA DE ESTOQUE
Esse sistema de estoque tem uma revisão periódica da quantidade de itens

no estoque a cada intervalo de tempo = N. Se nessa revisão o nível em estoque é
inferior a M, uma ordem de reposição de Q partes é efetivada para que o nível
retorne ao valor M.
Além disso, o tempo total do processo, isto é, o intervalo de tempo entre

a emissão da ordem de reposição e a reposição efetiva das partes é considerada
zero. De modo geral, como a demanda não é conhecida, as quantidades dos itens
nas ordens de reposição são probabilísticas.
Para a Figura 13, a demanda é considerada como sendo uniforme dentro

de cada período indicado. Entretanto, geralmente as demandas não são constantes
e têm flutuações ao longo do tempo. Uma possibilidade é considerar que toda a
demanda ocorre no início de cada ciclo. Outra possibilidade mais realística é que
o lead time não é zero, ou seja, é um valor associado a uma variação probabilística.
150
Outra situação importante na administração do sistema de estoque é

quando a quantidade de itens chega a zero, assim, para evitar problemas e por
segurança, em geral considera-se uma quantidade de estoque de reserva ou de
segurança.
Uma forma de realizar a simulação de sistemas de estoque é pela aplicação

da Técnica de Monte Carlo. Um exemplo de variação de estoque também é
apresentado na Unidade 1 deste livro de estudos, na Seção 4.1.
E
IMPORTANT
As Cadeias de Markov, cujos assuntos são abordados neste livro de estudos, são
outros exemplos em que se pode aplicar a simulação de eventos discretos.
2.1 COMPONENTES DA SIMULAÇÃO DE EVENTOS

DISCRETOS
Para a simulação de eventos discretos, conforme Kawano e Kawano (2014),
é necessário considerar os vários componentes contidos nas etapas deste tipo de
simulação, que são: o calendário de eventos; o relógio de simulação; as variáveis
de estado do sistema; as rotinas para o tratamento dos eventos; as rotinas de
entrada de dados; a geração de relatórios, e o gerenciamento de memória.
1) O calendário de eventos: também é chamado por alguns autores de

escalonador de eventos. Trata-se de uma lista de eventos futuros que fazem parte
do sistema de simulação, sendo que cada evento “E” possui o seu tempo “T” exato
para ser simulado no modelo (KAWANO; KAWANO, 2014). Ainda, segundo
esses autores, o conjunto desses eventos forma o grupo de eventos controláveis e
não controláveis. A figura a seguir apresenta um esquema de eventos ordenados
e organizados, simulando uma máquina de uma fábrica:
FIGURA 14 – ESQUEMA DE EVENTOS PARA UMA MÁQUINA EM UMA FÁBRICA
151
No Estado “0” determina-se, por exemplo, que a máquina se encontra

desocupada, no Estado “1” ela está operando e no Estado “2” encontra-se quebrada.
Já no evento “C” ela inicia a operação da máquina, o evento “A” representa o fim
da operação dela, o evento “B” denota que a máquina está quebrada e o evento
“D” quando ela está consertada.
2) Relógio de simulação: tem como objetivo computar o tempo da

simulação, é uma variável que vai corresponder ao tempo de simulação do
problema analisado, por exemplo. O relógio de simulação é uma unidade de
tempo definida pelo programador.
3) Variáveis de estado do sistema: retratam todos os fatores que podem ser

acrescentados em um problema de simulação, por exemplo, o tempo transcorrido
para que um evento aconteça e o número de rotinas a ser considerado no sistema
analisado.
4) Rotinas para o tratamento dos eventos: todo evento está associado

com uma rotina específica que vai processar e tratar as informações do sistema e
definir o processo de ordenação dos eventos para que eles aconteçam conforme
programado pelo analista.
5) Rotinas de entrada de dados: no início de um processo de simulação

existe uma rotina que vai organizar a entrada dos dados para que eles possam ser
transformados no sistema simulado. Desse modo, para cada simulação devem
existir as rotinas que darão o “start” para implantação dos dados.
6) Geração de relatórios: depois das simulações e de todas as rotinas terem

sido aplicadas ao modelo é necessário gerar um relatório com todos os resultados.
Essa etapa é importante para facilitar as análises e tomadas de decisão. Quando
as simulações são realizadas em softwares computacionais, geralmente a geração
do relatório com todos os resultados é fornecida no final da simulação, sendo que
em alguns casos é possível configurar a estrutura desse relatório.
7) Gerenciamento de memória: deve ser executado pelo programa no

final da simulação, para recolher os restos de arquivos “lixos” contidos no sistema
e que não serão mais utilizados nas próximas simulações.
2.2 SIMULAÇÃO ORIENTADA POR EVENTO

A simulação orientada por evento foi muito utilizada nos primeiros anos
da simulação por eventos discretos e sua origem se deu a partir do trabalho de
Markowitz (1963). Os modelos baseados em eventos ou atividades, geralmente
combinam alguns pequenos eventos em uma única rotina, isto é, elementos de
execução e verificação de atividades (B e C) podem ser combinados em uma única
rotina de eventos.
152
Essa forma de simulação é empregada a problemas pequenos e simples.

A partir dos anos 1980, a simulação por eventos/atividades perdeu força, sendo
paulatinamente substituída pela abordagem por três fases (ABC) e por processos,
que são mais simples e eficientes para problemas complexos (princípio da
parcimônia) (ALMEIDA, 2018). Estes podem lidar de forma modular com
mudanças de estados e facilitam a alteração ou customização do modelo, o que
não ocorre na abordagem por eventos (PIDD, 2004).
Segundo Kawano e Kawano (2014), a simulação orientada por atividade é

a menor fração de eventos em um determinado tempo. Desse modo, a realização
da simulação de várias atividades constitui a simulação orientada a processos.
A figura a seguir apresenta um esquema de um sistema de filas em que

entre os eventos que esquematizam um projeto de simulação existem as atividades
para serem realizadas e o conjunto delas forma um processo. Na simulação de
um sistema existem muitos eventos que podem ser modelados e analisados.
Assim, durante uma simulação, o computador pode processar várias atividades
se comparado aos processos do sistema em um tempo do relógio de simulação.
FIGURA 15 – ESQUEMA DO SISTEMA DE FILA COM PROCESSO E ATIVIDADE
FONTE: O autor
Um aprimoramento da simulação orientada para atividades é a simulação

de eventos discretos por três fases (ABC). Essa técnica é comumente empregada
por pacotes comerciais de simulação e caracterizada por empregar de forma
eficiente os recursos computacionais.
Nesta abordagem, a primeira fase (A) consiste em realizar a verificação

do tempo buscando a próxima atividade agendada para prosseguir para a fase
cronológica. De tal modo, criando a lista de eventos-imediatos. A segunda fase
(B) constitui a realização de todos os eventos que ocorrem integralmente naquele
153
momento. A fase (C) consiste em executar todos os eventos que ocorrem de forma
condicional (ALMEIDA, 2018).
Segundo Kawano e Kawano (2014), a simulação orientada por atividade

ou evento apresenta algumas vantagens, como:
a) Menor complexidade no processo de modelagem, devido ao fato de cada

atividade ser menos complexa, em termos de processamento, que a simulação
de processos inteiros.
b) Permite que outros analistas compreendam melhor o que o programador que
modelou o sistema quis fazer em cada etapa do programa.
c) Maior facilidade de manutenção do sistema estabelecido inicialmente.
2.3 SIMULAÇÃO ORIENTADA POR PROCESSO

A abordagem por processo é uma das mais empregadas no mundo
atualmente. Para modelar um sistema, usando abordagens baseadas em eventos
ou atividades, o analista considera o processo de cada classe de entidade e os
divide em partes fundamentais, seja em eventos independentes ou por conexões
entre atividades (ALMEIDA, 2018).
A simulação orientada por processo analisa todo o processo, ou sequência

de eventos, em que um cliente precisa percorrer, por exemplo. Assim, cada classe
de entidade possui seu próprio processo. Nesse tipo de simulação, o modelo é
formado por um conjunto de processos. Existe pelo menos um processo para cada
classe de entidade na simulação. Durante a simulação, entidades são criadas como
membros destas classes. Elas interagem no processo até serem interrompidas
por meio de atrasos incondicionais (previamente determinados) ou condicionais
(aguarda uma condição para continuar) (PIDD, 2004).
Podemos realizar uma simulação de vários processos paralelamente e

verificar a interação entre eles, contudo, o ponto negativo desse tipo de simulação é
que o processo de sincronismo entre todos os processos que podem ser simulados
ao mesmo tempo pode não ocorrer da forma esperada. Isso é devido ao fato de
esta simulação ser de alta complexidade e da necessidade de se simular vários
processos ao mesmo tempo. Portanto, muitas vezes os gestores e modeladores de
projetos preferem executar a simulação de cada processo separadamente e depois
analisar os resultados à parte.
E
IMPORTANT
O termo “entidade” na simulação orientada a processos se refere a um objeto de

interesse no sistema analisado (Cliente, Atendente etc.).
154
RESUMO DO TÓPICO 2
• Existem dois tipos básicos de simulação, sendo a simulação de eventos

discretos e a simulação contínua.
• A simulação de eventos é composta pelo calendário de eventos, relógio de

simulação, variáveis de estado do sistema, rotinas para tratamento de eventos,
rotinas de entrada de dados, geração de relatórios e gerenciamento de memória.
• As principais etapas do desenvolvimento do programa de simulação podem ser

feitas inicialmente por meio de um exemplo mais simples. Com o andamento
do projeto se pode acrescentar mais detalhes ao programa.
• A simulação orientada a atividades é composta por uma série de eventos que

obedece a um calendário de eventos predeterminado no modelo programado
pelo modelador do sistema estudado.
• A simulação orientada a processo é um conjunto dos eventos que constitui as

atividades e é muito mais complexo que a simulação de atividades.
155
AUTOATIVIDADE
1 No processo de elaboração de um projeto de simulação é importante conhecer

os termos, os elementos e as ferramentas aplicáveis a cada caso. A simulação pode
ser realizada em ambiente virtual ou de forma analítica. A primeira é aplicável
em jogos, enquanto a analítica envolve a análise de sistemas complexos. Sobre
a descrição dos principais elementos utilizados na construção de um modelo de
simulação, associe os itens, utilizando o código a seguir:
I- Entidades
II- Recursos
III- Atributos
IV- Fila
( ) São as características que as entidades devem apresentar no processo de

simulação.
( ) Consiste na restrição ou força motriz para a movimentação das entidades.
( ) Consiste em um elemento em que a entidade passa para adquirir recursos.
( ) Representa pessoas ou objetos que estão relacionados ao contexto do
projeto de simulação.
a) ( ) III – II – IV – I.
b) ( ) II – IV – I – III.
c) ( ) I – III – II – IV.
d) ( ) IV – I – III – II.
2 A simulação é uma ferramenta que pode ser muito útil quando aplicada
na solução de problemas. No entanto, é importante salientar que nem todos
os problemas podem ser resolvidos por meio dela, ou apresentam outra
forma prática de serem solucionados, sem a aplicação da simulação. Deve-se
ter em mente que a solução mais rápida geralmente é obtida utilizando as
ferramentas adequadas, e embora possamos chegar ao mesmo resultado final,
o tempo e os recursos precisam ser aplicados de forma coerente. Com relação
às vantagens e desvantagens da simulação, classifique V para as sentenças
( ) A principal vantagem da simulação é a possibilidade de modelar uma

situação que já ocorre na prática, permitindo avaliar como essa situação
seria influenciada pelos fatores externos à essência do problema.
( ) A simulação, em função de representar um maior custo nas etapas
de elaboração, geralmente não resulta em economia de tempo no
cronograma global do projeto. A principal justificativa são os ganhos em
pequena escala.
156
( ) A economia de tempo propiciada pela simulação diz respeito ao tempo
ganho com testes de implantação, determinando com antecedência
problemas relacionados ao projeto. Isso torna o projeto mais competitivo.
( ) O melhor modelo de simulação é sempre aquele que propicia um menor
consumo de tempo na etapa de implantação. Para tanto, um grande
tempo gasto na elaboração do projeto de simulação não representa um
entrave para o processo global.
a) ( ) F – F – V – F.
b) ( ) V – V – F – F.
c) ( ) F – F – V – V.
d) ( ) V – V – V – F.
157
158
UNIDADE 3
TÓPICO 3
SOFTWARES DE SIMULAÇÃO
1 INTRODUÇÃO
É notório que o uso gradativo da simulação como instrumento de
modelagem e análise de problemas proporcionou uma extensa e gradual
disponibilidade de programas de simulação, seja para fins comerciais ou de livre
compartilhamento.
Com relação aos programas comerciais, que na maioria das vezes

necessitam de investimentos para obtenção de licenças para uso, principalmente
nos meios corporativos, a escolha correta é um dos principais elementos do êxito
de um projeto de simulação. Nesse sentido, a escolha deve ser realizada com
base em critérios objetivos, levando em consideração tanto as características dos
produtos como também as aplicações que se deseja realizar.
Em virtude dessa situação de escolha ser considerada complexa, julga-

se que a informação é um ponto-chave. Portanto, deve-se buscar informações
básicas sobre cada tipo de programa ou linguagem de informação que permita
realizar o projeto de simulação de forma adequada.
O presente tópico tem como principal objetivo fornecer informações

básicas sobre estes programas (softwares) e os principais tipos de linguagem de
programação que podem ser empregados nos projetos de simulação, além disso,
busca contribuir para um processo de aquisição de informações mais eficiente.
O tópico será estruturado em dois itens principais: linguagens de

programação, em que serão discutidos os principais tipos de linguagens que podem
ser empregados para a realização de simulações, principalmente para eventos
discretos; e softwares específicos de simulação, isto é, pacotes computacionais
que permitem realizar simulações de acordo com as necessidades dos usuários.
2 LINGUAGEM DE PROGRAMAÇÃO PARA SIMULAÇÃO

As linguagens de simulação e os pacotes de simulação são instrumentos
muito úteis para a simulação de sistemas discretos. Alguns pacotes também
incluem recursos para modelar sistemas de variáveis contínuas ou com um mix
de variáveis contínuas e discretas (MIYAGI, 2006).
As linguagens de simulação em computador promovem o desenvolvimento

e a realização de simulações para sistemas complexos do mundo real. Para isso,
existem as linguagens de programação de uso universal, tais como: 1) FORTRAN;
2) Pascal; 3) C; 4) SMPL; dentre outras, que permitem que o programador tenha
159
mais liberdade para modelar o sistema de forma muito específica. Porém, para
isso, o programador deve ter conhecimento da linguagem a ser utilizada e criar
um ambiente virtual de modo que facilite pontos como manipulação dos dados
e geração de relatórios, por exemplo (KAWANO; KAWANO, 2014). Esses tipos
de linguagem de programação também são conhecidos como linguagem de
programação convencional.
O FORTRAN é uma linguagem de alto nível e considerada a linguagem

básica que possibilitou o surgimento dos demais tipos de linguagens. Este foi
desenvolvida entre 1954 e 1958 por John Backus e colaboradores (ANDREOLI;
CARVALHO, 2001). Essa linguagem de programação possibilita uma tradução
quase direta de fórmulas por meio de uma simbologia de variáveis e operadores
algébricos, assim, por excelência, é uma linguagem voltada aos problemas
que possam ser formulados matematicamente, em particular, nos campos da
física, da engenharia, da estatística e da própria matemática (ANDREOLI;
CARVALHO, 2001).
Apesar do FORTRAN admitir a elaboração de códigos sofisticados para a

solução de problemas de alta complexidade, o amplo sucesso do FORTRAN nos
meios acadêmicos e científicos se deve ao uso de uma terminologia simples (em
inglês) – OPEN, READ, STOP etc. – relacionada à codificação de cima para baixo
(top-down approach), linha por linha, aproximando-se do procedimento manual
para a resolução desses problemas. Deste modo, a ideia é apresentar de maneira
simples o problema a ser resolvido.
Na figura a seguir é apresentado um exemplo simples de programação no

FORTRAN, nesse caso, imagine que o problema é fazer a soma de três valores. O
primeiro passo é, então, tentar descrever as etapas a serem seguidas para obter
essa soma, que seriam: ler os valores, somar os valores, imprimir seu resultado e
finalizar. Esses passos são descritos na linguagem FORTRAN:
FIGURA 16 – PROGRAMAÇÃO EM LINGUAGEM FORTRAN
FONTE: Adaptado de Andreoli e Carvalho (2001)
Como se pode notar, uma estrutura básica que inclui o comando program (dá
um nome ao programa), declaração de variáveis, cálculo, e os comandos stop e end
são colocados em sequência para a elaboração de um programa em FORTRAN.
Ademais, observa-se que alguns critérios de formatação são empregados

para editar o programa, que pode ser editado em qualquer editor de texto como
nedit, textedit, dentre outros.
160
TÓPICO 3 | SOFTWARES DE SIMULAÇÃO
Uma importante extensão funcional para simulação de eventos é a

SMPL®. Ela é uma extensão da linguagem de Programação C, sendo que não
é necessário que o programador aprenda uma nova linguagem, já que essa
extensão possui de modo implícito as características da simulação orientada a
eventos (KAWANO; KAWANO, 2014).
Conforme Kawano e Kawano (2014), na tese de doutorado de Ulson (1999),

denominada Simulação distribuída em plataformas de portabilidade: viabilidade de uso
e comportamento do protocolo CMB, é desenvolvido um programa de simulação
em SMPL que compreende uma rotina de iniciação, uma rotina de controle e
algumas rotinas de evento. A rotina de controle escolhe o número do próximo
evento a acontecer e transfere-o para a rotina de evento correspondente que,
geralmente, ordena um ou mais eventos e então volta à rotina de controle, por fim
são executadas as operações para a coleta de informações estatísticas. A seguir é
apresentado um exemplo de estrutura de programação SMPL:
FIGURA 17 – ESTRUTURA DE PROGRAMAÇÃO EM SMPL
FONTE: Adaptado de Ulson (1999)
A linguagem de programação SMPL possui alguns tipos de “primitivas”,

como chamamos, que são comandos específicos que auxiliam o programador a
desenvolver o sistema a ser modelado e simulado (KAWANO; KAWANO, 2014).
As principais primitivas da linguagem SMPL são: smapl; facility; request;

release; schedule, e cause. Algumas são utilizadas na Figura 17.
161
1) smpl: é o comando para dar início aos outros comandos seguintes. Por meio
dele é possível atribuir os valores iniciais aos eventos a serem modelados.
2) facility: essa primitiva permite utilizar os comandos que descrevem cada
recurso a ser utilizado na programação, sendo que os recursos podem ser
utilizados para início e encerramento de um evento em um determinado tempo.
Cada recurso também possui certo número de servidores e uma fila de acesso.
3) request: por meio dessa primitiva é possível realizar a requisição de
atendimento por um servidor que esteja disponível. Caso nenhum deles esteja
livre para atender à requisição, é enviada automaticamente uma resposta de que
o servidor está “ocupado”.
4) release: essa primitiva permite liberar um servidor caso haja uma fila de eventos
a serem processados na simulação.
5) schedule: este termo em português significa “agenda” e assim podemos ter
uma ideia do que isso significa. Trata-se de uma primitiva que “agenda” todas as
solicitações dos eventos e as organiza em uma ordem cronológica de acordo com
a sequência de pedidos realizados.
6) cause: essa primitiva retira a solicitação de um evento que se encontra no início
da lista de solicitações de eventos e adianta o tempo da simulação.
Outra forma de realizar o desenvolvimento e execução de um projeto de

simulação é por meio da utilização de linguagens de pacotes computacionais ou
também denominadas de linguagens específicas de simulação, como: 1) GPSS; 2)
SIMAN V; 3) SIMSCRIPT II.5; 4) SLAM II etc. e pacotes de simulação orientada a
objetos como MODSIM III, SMPL e similares.
O GPSS é uma linguagem de programação para o fim específico de

simulação e com alto grau de estruturação e orientada para transações (um caso
especial de orientação a processos). Foi projetada para facilitar a simulação de
sistemas de filas (MIYAGI, 2006).
Com relação ao SIMAN V, SINSCRIPT II.5 e SLAM II são pacotes de

linguagem e simulação de alto nível, que têm composições especificamente
desenvolvidas para simplificar a construção de modelos. Essas linguagens
resultam da escolha da abordagem (por interação de processos, agendamento de
eventos etc.) para a modelagem de um sistema (MIYAGI, 2006). Elas apresentam
praticamente todos os recursos e facilidades do GPSS, além da capacidade de
executar a simulação contínua (sistemas com variação contínua do estado das
variáveis).
O MODSIM III é um descendente da linguagem que uma empresa

desenvolveu para o exército americano. Sua construção gramatical é herdada do
Modula-2 e Ada, do mesmo modo como os conceitos de simulação provêm do
SIMSCRIPT e Simula. Além disso, características de orientação a objetos foram
derivadas do Smaltalk (MIYAGI, 2006). A linguagem MODSIM III pode ser
considerada uma construção híbrida e otimizada de vários tipos de pacotes e
linguagens computacionais.
162
3 SOFTWARES EMPREGADOS NA SIMULAÇÃO

A simulação de sistemas pode abranger vários níveis de complexidade,
diante disso, softwares específicos têm sido desenvolvidos para atender a
diferentes projetos de simulação.
Para Kawano e Kawano (2014), quando se utiliza um pacote computacional

já pronto, na maioria das vezes ele é desenvolvido para uma determinada aplicação
ou área. Dessa maneira, têm-se programas específicos para simular processos
logísticos como o ARENA® ou MATLAB® para simulação de experimentos,
como comportamento de filas em um processo produtivo na área de Engenharia
de Produção.
Além do Arena e o Matlab, outros programas computacionais empregados

em simulação são: ProModel®; AutoMod®; SIMFACTORING II.5®; Taylor II;
Witness; Scilab; Excel; Lindo/Lingo, entre outros. Para facilitar a organização e
programação do modelo, algumas rotinas e biblioteca de algoritmos vêm prontas
de forma a serem inseridas na linguagem convencional, estas são chamadas
de extensões funcionais. Conforme Kawano e Kawano (2014), uma importante
extensão funcional para simulação de eventos é a própria linguagem SMPL®.
3.1 PROMODEL
O software ProModel é um programa de simulação avançada para
eventos discretos que ajuda na tomada de decisões de forma rápida. Este
programa é utilizado para planejar, projetar e melhorar novos ou atuais processos
de manufatura, logística, serviços e outros sistemas estratégicos, táticos ou
operacionais.
O ProModel permite ao usuário reproduzir a complexidade de processos

reais, incorporando a variabilidade e interdependências, permitindo realizar
importantes análises e mudanças, deste modo, pode otimizar sistemas e melhorar
indicadores.
No ProModel, um modelo é desenvolvido definindo-se um caminho

ou rota para uma entidade (item) ou várias entidades (itens como peças, partes
etc.), as capacidades de cada um dos pontos (estações) ao longo de uma rota
destas entidades, os recursos envolvidos, tais como os operadores, o sistema
de movimentação das entidades, o agendamento das chegadas de entidades e
a especificação dos parâmetros de simulação. Esse pacote permite ao usuário a
inclusão de sub-rotinas em “C” ou “Pascal”.
Algumas aplicações práticas do ProModel na indústria são nas rotinas de:
163
• Teste de validação dos investimentos.

• Balanceamento de linhas de produção.
• Projeto de células de manufatura e layout produtivo.
• Implantação de conceitos da Manufatura Enxuta.
• Apoio à implantação de projetos 6 Sigma.
• Apoio ao Planejamento, Programação e Controle da Produção (PPCP).
• Movimentação e armazenagem de materiais.
Já as aplicações do ProModel nos processos logísticos estão relacionadas

com:
• Movimentação e estocagem de matérias-primas e produtos acabados.

• Projeto, dimensionamento e otimização de Centros de Distribuição.
• Planejamento e roteamento de modais de transportes.
• Distribuição e Supply Chain.
• Localização e área de atuação dos sites.
• Ferramenta de Planejamento e Programação.
• Otimização dos KPIs.
3.2 AUTOMOD
O software AutoMod concilia as características de uma linguagem de
simulação para fins gerais e um simulador de sistemas específico. Apresenta
recursos de programação comuns contendo a especificação de processos e
procedimentos, recursos, filas e variáveis. Processos são definidos em termos de
fluxo de entidades (itens), conexões de entrada e saída para estações dos sistemas
e lógica do processo. Recursos são definidos em termos de suas capacidades,
tempo de processamento, tempo entre falhas e tempo para reparo. Entidades
(itens) são definidas por sua forma e tamanho, atributos, taxas de geração e
prioridades (MIYAGI, 2006).
O simulador é direcionado para análise de sistemas de movimentação

de materiais em que se pode definir elementos como esteiras, veículos
transportadores, pontes rolantes etc. O simulador AutoMod é uma ferramenta
gráfica que possibilita construir modelos mais realistas por meio de uma simulação
3D de operações de fabricação e distribuição em qualquer ângulo. Além disso,
permite simular sistemas grandes e complexos de manufatura e automação, em
funcionamento ou em fase de planejamento.
O software possibilita a identificação de gargalos e antecipa problemas

em ambientes de manufatura ou identifica os já existentes. Do mesmo modo,
possibilita a construção de projetos de simulação precisos e detalhados que podem
ser executados em velocidades aceleradas, permitindo a análise e a otimização
do desempenho de sistemas e verifica se estes sistemas funcionarão como o
planejado. A figura a seguir apresenta uma ilustração de simulação desenvolvida
no AutoMod:
164
FIGURA 18 – SIMULAÇÃO NO SOFTWARE AUTOMOD
FONTE: AutoMod (2018, s.p.)
A vantagem de usar AutoMod são os detalhes que os usuários podem

incorporar em seus modelos para uma reprodução realística e com precisão. Além
disso, segundo AutoMod (2018), este simulador apresenta algumas características
gerais:
• realidade virtual de animação gráfica 3D;

• modelos de manuseamento de materiais;
• estatísticas detalhadas e otimização;
• modelagem interativa.
Com relação aos benefícios apresentados pelo programa AutoMod (2018),

pode-se verificar que:
• reduz o tempo de projeto e desenvolvimento;

• reduz o risco de gargalos de operação;
• possibilita a construção de modelos de sistemas simples ou complexos;
• fornece alto grau de precisão de modelagem;
• aumenta a confiança na concepção do processo;
• reduz o risco de erros em projeto caros;
• suporta análise de investimento de bens de capital;
• aumenta a produtividade do trabalhador.
3.3 SIMFACTORY II.5

O programa SIMFACTORY II.5 é um simulador de sistemas
desenvolvido em SIMSCRIPT II.5 e MODSIM III para profissionais que não
possuem muita experiência nas técnicas de análise de sistemas. Um modelo
é construído em etapas: definindo primeiramente o layout (arranjo físico
do sistema), que consiste em estações de processamento, buffers, áreas de
recepção de partes e caminhos dos transportadores, definição do produto
(partes, itens etc.), recursos e, finalmente, as interrupções (MIYAGI, 2006). Por
exemplo, para o desenvolvimento do layout deve-se colocar as estações de
165
processamento, buffers (filas), áreas de recebimento e caminhos de transporte.

Ele é criado selecionando e posicionando ícones que representam esses
componentes (CACI, 1990). À medida que cada ícone é posicionado, os dados
que descrevem suas características (nome, capacidade, tempo de configuração
etc.) são inseridos.
Naturalmente, os recursos de edição como copiar, mover ou excluir

ícones estão disponíveis para fazer alterações em seguida. Depois que os ícones
são posicionados e descritos, os caminhos de transporte que conectam um ícone
ao próximo são desenhados. A figura a seguir mostra um layout de uma linha de
manufatura simples:
FIGURA 19 – EXEMPLO DE LAYOUT DESENVOLVIDO NO SIMFACTORY II.5
FONTE: <https://www.researchgate.net/profile/Jose_Manuel_Pastor_Garcia/
publication/266473571/figure/fig5/AS:295623665438724@1447493582317/SIMFACTORY-
Interface.png>. Acesso em: 27 nov. 2018.
As representações gráficas da fábrica pelo SIMFACTORY, com as práticas

de modelagem de som, fazem da SIMFACTORY uma ferramenta de simulação
ideal para o desenvolvimento rápido de modelos. Ele deve ser seriamente
considerado por qualquer um que tenha pouco tempo, mas que exija um modelo
para sua análise ou apresentação (CACI, 1990).
3.4 TAYLOR II (FLEXSIM)

Taylor II é um pacote para a simulação de sistemas discretos de eventos.
Em geral, pode-se simular todos os tipos de sistemas nos quais entidades discretas
devem ser processadas, transportadas e armazenadas (sistemas de filas). O
software Taylor é um produto holandês, desenvolvido pela F & H Simulations B.
V. desde 1986.
166
O programa já foi instalado em mais de 2000 empresas e instituições de

ensino. Em meados de 1996, o software, que atualmente foi denominado de Taylor
II para Windows, recebeu uma nova estrutura completa e integrada de todas as
funções necessárias para um estudo de simulação. Existe uma plataforma para
simulação de modelagem, animação, análise e apresentação. Como principais
características, esse simulador apresenta entidades relacionadas entre si:
elementos, tarefas, rotas e produtos, em que, para cada elemento, uma ou mais
operações podem ser executadas. Além disso, as três operações básicas são: 1)
processamento; 2) transporte, e 3) armazenamento.
O programa Taylor II apresenta como principais vantagens os seguintes

pontos:
• não se limita a indústrias específicas;

• oferece um simulador para importar o processo de roteamento e descrições de
arquivos externos;
• é totalmente orientado para eventos, isso significa que o tempo entre dois
eventos (o início e o fim de uma operação) não precisa de tempo de CPU;
• possibilita realizar análises para redução de custos industriais.
Como desvantagens, este programa pode apresentar:
• custos de treinamento;
• custos de aquisição do simulador.
O programa Taylor II pode ler em conjunto de dados e analisá-los. Dois

parâmetros importantes são o valor médio e desvio padrão, além disso, outro
ponto importante é a própria distribuição estatística apresentada pelo programa.
Construído em rotina, faz automaticamente uma sugestão de distribuição para o
conjunto de dados e mostra essa distribuição de acordo com o tipo, contínua ou
discretamente na tela.
Atualmente a empresa tornou-se o INCONTROL Simulation Solutions e

o Taylor II foi renomeado para Enterprise Dynamics. Neste momento, a F & H
Simulations, agora chamada Flexsim Software Products, tornou-se independente
e desenvolveu um novo software de simulação chamado Flexsim.
3.5 WITNESS
O software Witness fornece uma tecnologia atualizada para a simulação
de processos logísticos e de fabricação. Este software é considerado um dos mais
avançados programas dinâmicos de simulação de processos, e sua eficácia é
garantida por centenas de empresas multinacionais e nacionais de prestígio.
É um poderoso simulador que permite modelar o ambiente de trabalho,

simulando as sugestões de diferentes decisões e alcançando qualquer processo,
por mais complexo que seja. É uma ferramenta fundamentalmente simples que
inclui vários recursos, como:
167
• estrutura hierárquica e modular;

Como •resultado, reduziu-se
facilidade emimplementação
de uso com 1/3 (aproximadamente 4.000
padrão no tambores) o fluxo de carretas
Windows;
• extremamente
para carregamento interativo;
nas unidades semicontínuas (próximo às unidades produtivas), através de
• poderoso conjunto de opções de controle e lógica;
• elementos
uma operação para produção
de transferência dosdiscreta, indústriasmais
cinco produtos de processo, BPR, para
demandados, comércio
a área de
eletrônico, call centers, saúde, finanças e governo;
carregamento contínuo,
• entradas além da
extenuantes inserçãoestatísticos;
e relatórios de duas novas balanças rodoviárias na área de
• visualizadores
carregamento gráficos
semi-contínuo e a de qualidade;
construção de um novo armazém. Todas essas alternativas
• grandes links para bancos de dados (ORACLE, SQL Server, Access etc.), links
foram simuladas no entrada
diretos de ambientee WITNESS
saída para eplanilhas,
tiveram aformatos
sua eficácia
XML,comprovada em relação à
relatórios HTML,
links dando
situação atual, para aplicativos BPM e CAD,
subsídios técnicos para dentre outros.
a empresa realizar o investimento.
O Witness contém elementos próprios para sistema de manufatura e é
Além orientado
de conseguir
às diminuir
máquinasconsideravelmente
(machine-oriented),o por
fluxo de caminhões
exemplo, nas áreas
as máquinas críticas da
podem
fábrica,seroutro
do tipo single, batch, production, assembly, multi-station ou multi-cycle.
fator importante foi que o número médio mensal de caminhões carregados
Transportadores podem ser cumulativos ou não cumulativos. Na figura a seguir
é apresentada
permaneceu uma
constante. A ilustração do simulador
figura 3 mostra uma dasWitness:
alternativas de modelagem e simulação
feita para as operações logísticas da Oxiteno
FIGURA 20 – MODELAGEM E SIMULAÇÃO DO FLUXO LOGÍSTICO PELO WITNESS
FONTE: Witness (2018, s.p.)

Figura 3 – WITNESS – Modelagem e simulação do fluxo logístico interno da Oxiteno
5. Infra-estrutura e capacitação
O Witness possui técnica
uma interface gráfica necessárias
que permite entender e melhorar
nossos processos. Ele é um programa para auxiliar na avaliação de alternativas,
apoiar iniciativas estratégicas importantes e melhoria contínua. Sua abordagem
A rápida evolução da tecnologia da informação dos últimos anos proporcionou o surgimento
168 o que ajudou na popularização, ainda que
de diversos softwares de simulação no mercado,
se baseia na criação de representações visuais de sistemas da vida real que, por

meio de modelos dinâmicos, consegue transformar dados simples em medidas
produtivas, ao mesmo tempo que promove o trabalho em equipe e a criatividade.
Dentre suas características, destaca-se:
• Desenho do processo do seu negócio.

• Técnicas e métodos de otimização.
• Visualização 3D.
• Análise de mineração de dados.
• Previsões, planos e agendamento.
Com relação às áreas de aplicação, os seguintes campos são identificados:
• Indústria Automotiva.
• Indústria Financeira.
• Indústria aeroespacial.
• Indústria de alimentos.
• Indústria de Petróleo e Gás.
• Indústria Eletrônica
• Indústria Farmacêutica.
3.6 ARENA
O Arena é um programa com ambiente gráfico integrado de simulação,
que engloba todos os recursos para modelagem de processos, animação, análise
estatística e de resultados. Este software foi desenvolvido pela empresa Rockwell
Automation. Atualmente está em sua versão 13.9, com uma quantidade mundial
de mais de 350.000 usuários.
O programa Arena não precisa ser programado com nenhuma linha

de código, pois todo o processo de desenvolvimento do modelo de simulação
é gráfico e visual, e de maneira integrada, entretanto existe a possibilidade de
programar com linha de código como alternativa ao modo gráfico.
Dentre as várias bibliotecas do programa encontram-se as "Blocks" e

"Elements" que atuam em conjunto. Cada bloco da biblioteca "Blocks" tem uma
função específica (criar e destruir entidades, regras de gestão, mudança de valor
de variáveis, simulação de tempo etc.) e esses blocos geralmente têm alguma
entidade ou variável associada, que são definidas pela biblioteca "Elements".
Após o término da simulação, o programa Arena envia um relatório ao usuário
com os resultados que ele deseja visualizar (ARALDI, 2018). Além disso, este
software possibilita a modelagem e simulação de diferentes processos. Ele é
muito empregado para a análise de filas, de linhas de produção e também de
processos industriais contínuos (KAWANO; KAWANO, 2014). Como qualquer
simulador, também admite prever o comportamento de um evento que não existe
no mundo real, por exemplo, se uma empresa deseja fazer alguma modificação,
169
o emprego do Arena para modelar e simular a nova situação possibilita prever

o comportamento futuro de um evento ou processo, admitindo à validação ou
mudança do projeto da empresa. A figura a seguir apresenta duas ilustrações de
simulação de uma fila de atendimento no software Arena:
FIGURA 21 – SIMULAÇÃO DE FILA DE UM PROCESSO DE ATENDIMENTO NO ARENA
FONTE: Adaptado de Araldi (2018)
Conforme a figura apresentada, por exemplo, pode-se pegar os elementos

numa fila (use "PickQueue Module") e direcioná-los ao atendimento com um
simples link (Line). É possível ainda fazer a animação dos atendentes (bonecos)
com os mais variados movimentos expressivos e realísticos. Os tempos de
atendimento (Resources) podem ser avaliados com cenários em cada simulação.
Segundo Araldi (2018), replicações e repetições do experimento também são
possíveis, se necessário, no Arena.
170
CONSTRUÇÃO E SIMULAÇÃO DE UM MODELO NO ARENA
Bruno R. Kawano
Rafael R. Kawano
RESUMO
Neste artigo será apresentado o software de simulação computacional ARENA,

muito utilizado em ambiente acadêmico de pesquisa quanto em ambientes
empresariais e de consultoria, em que se deseja simular diversas situações com
o intuito, muitas vezes, de reduzir custos. Será abordada a aplicação prática do
Arena por meio de um tutorial em que será possível acompanhar o exemplo de
simulação conforme o modelo apresentado.
MODELAGEM NO ARENA
Será tratada uma situação em que carros chegarão em postos de lavação e

formarão uma fila para serem atendidos por meio de um operador. Neste exemplo,
prevê-se que os carros estarão submetidos a uma espera entre 2 e 6 minutos para
a lavação. Após realizado este serviço, os carros são, enfim, liberados do sistema.
Além disso, será determinado, neste exemplo, que a média para atendimento
de cada carro será de 5 minutos, seguindo uma distribuição de probabilidade
exponencial, sendo que o período total da simulação será de 8 horas e a unidade
de saída dos resultados será o minuto.
Para tal, será realizado o processo de simulação em quatro etapas, que são:
i) Etapa 1 – inserir e interconectar módulos para representar o sistema; ii) Etapa 2 –
fornecer dados para o modelo; iii) Etapa 3 – executar a simulação do modelo; e iv)
Etapa 4 – obter relatório final da simulação e interpretar os resultados contidos nele.
Etapa 1 – Inserir e interconectar módulos para representar o sistema.

Nesta etapa, basta selecionar os itens “Create”, seguido do “Process” e, por fim,
“Dispose”, em sequência, pois se trata de uma simulação baseada na teoria de
filas. Após realizar essa tarefa, a tela no ARENA deverá ficar conforme Figura 1.
Figura 1 – Etapa 1 da construção do modelo
171
Etapa 2 – Fornecer dados para o modelo. Nesta etapa, deve-se inserir em

cada item os dados para a construção do modelo. Para tal, deve-se dar um duplo
clique no item “Create”, que controla o processo de chegadas, a fim de configurar
essa etapa. A Figura 2 “a” exemplifica essa etapa no Arena. Na tela representada
pela Figura 1 “a” deve-se inserir em “Name” o nome do item, que neste exemplo
será “Chegada de Carros”. No campo “Entity Type”, que significa Tipo da
Entidade, será nomeado como “Carros”. No campo “Type” será selecionado o
campo “Expression”, em seguida, no campo “Value”, será selecionado o campo
“EXPO”, que significa selecionar a distribuição exponencial e digitar entre
parênteses o valor da média 5, que representará 5 minutos. No campo “Units”,
selecionar “Minutes”, que significa que a unidade de tempo utilizada são os
minutos. Por fim, clicar em “OK”. A tela de preenchimento dos dados deverá
ficar conforme a Figura 1 “b”.
Em seguida, deve-se configurar o item “Process” e, para tal, fazer como

explicado anteriormente, dando um duplo clique sobre este item. Ao fazer isso,
aparecerá a seguinte tela representada pela Figura 3 “a”. Após realizar esta tarefa,
deve-se inserir o nome do processo no campo “Name”, que será nomeado “Posto
de Lavacao”. Deve-se colocar dessa forma mesmo, sem acento ou caracteres
especiais para não ter problemas quando for simular o processo. No campo
“Action”, deve-se substituir a função “Delay” por “Seize Delay Release”, sendo
que “Seize” significa “entidade”, ou seja, pode também ser chamado de cliente.
“Delay” significa que haverá um certo tempo de atendimento e “Release” significa
que a entidade vai liberar o recurso necessário para a realização do serviço. Deve-
se, também, dar um duplo clique em “<End of list>”, a partir do qual abrirá uma
segunda tela chamada “Resources”, que significa que neste processo de lavagem
do carro será utilizado algum recurso para tal, neste caso, um operador.
Figura 2 – Configuração do item “Create” no Arena
“a” “b”
Figura 26 “a” Figura 26 “b”

Por fim, deve-se selecionar em “Delay Type” a distribuição “Triangular”
e a unidade, representada pelo campo “Units” em “minutes”, sendo necessário
selecionar os parâmetros da distribuição triangular “Minimum” = 2, “Value (Most
Likely)” = 4, que representa o valor mais provável de tempo de atendimento, no
caso, 4 minutos e “Maximum” = 6. Assim, deve-se ter estes campos preenchidos
conforme a Figura 3 “b”. O último item a ser configurado é o “Dispose”, no qual
após efetuarmos um duplo clique sobre ele aparecerá uma tela em que devemos
inserir o nome “Saída”, sem acento, no campo “Name”, conforme a Figura 3 “c”.
172
Figura 3 – Configuração do item “Process” no Arena
“b”
“a”
“c”
Etapa 3 – Executar a simulação do modelo. Para efetuar esta etapa, deve-

se selecionar a função “Run” e em seguida a opção “Setup” para configurar a
modelagem. A Figura 4 “a” mostra onde se deve clicar para obter a tela do “Run
Setup”. Em seguida, o programa vai abrir a tela representada pela Figura 4 “b”,
em que se deve substituir algumas informações. Uma delas é na aba “Replication
Parameters”, em que se deve substituir o campo “Infinite” no tópico “Replication
Length” para oito horas, que é o tempo total da simulação, neste exemplo. Além
disso, substitui-se o campo “Base Time Units” de “Hours” para “Minutes”, a fim
de que as estatísticas no final desta simulação saiam em minutos. Estas etapas
estão representadas na Figura 4 “b”, em que se encontra a tela como ela é aberta
inicialmente e ao lado como ela deve ficar preenchida segundo a nossa configuração.
Figura 4 – Configuração do “Run Setup” no Arena
“a”
“b”
Em seguida, deve-se selecionar a aba “Project Parameters” ainda no

“Run Setup”. Nesta tela, nomeia-se o Projeto de Simulação, que aqui será Projeto
Uniasselvi, e o nome do autor do projeto. Deixar selecionado os itens “Queues”
que significa filas, “Entities” que significa entidades e “Resources” que significa
recursos, itens estes que deverão aparecer no relatório final da simulação. A
Figura 5 “a” apresenta como deve ser configurada essa etapa.
173
Figura 5 – Configuração da aba “Project Parameters”, “Reports” do “Run Setup” no Arena
“a” “b”
Após ter realizado esta etapa, deve-se selecionar a aba “Reports” e clicar
em “Prompt me”, que significa avisar sobre os resultados no relatório final. Além
disso, deve-se selecionar a opção “SIMAN Summary (.out file)”, que significa
que deseja que o resultado seja aberto em um determinado programa que pode
ser especificado mais abaixo, no campo “Display SIMAN summary report (.out
file) using:” sendo que, neste caso, seleciona-se o bloco de notas, que em inglês
é “notepad.exe”. A Figura 5 “b” apresenta a tela com as configurações citadas,
sendo uma tela apresentada assim como ela aparece inicialmente, e ao lado, a tela
configurada corretamente para a simulação que está sendo desenvolvida. Após
definir todas as configurações do modelo, clicar em “OK”. Dessa forma, todos os
parâmetros já estão configurados e o modelo está pronto para ser rodado, ou seja,
o modelo está pronto para ser simulado.
Figura 6 – Configuração final do modelo Arena e simulação
“a”
“b”
“c”
174
Assim, deve-se clicar no botão “play” presente na barra de Menu do

software logo acima da Área de Trabalho, representada pela Figura 6 “a”. Ao
clicar no botão “play” do programa, iniciará o processo de simulação, em que
o ARENA irá realizar a simulação dos tempos de espera dos carros na fila para
serem atendidos no Posto de Lavação e também apresentar dados como o tempo
de atendimento dos carros no posto, bem como outras informações relevantes que
serão mostradas no relatório da simulação. Na Figura 6 “b” pode-se verificar a tela
que o ARENA apresenta após clicar no botão “play”. Pode-se notar, também, que
após clicar no botão “play” do ARENA, os itens na área de trabalho apresentam
junto aos seus símbolos o número total de carros que chegaram no sistema para
serem atendidos, que são 90, quantos carros estão na fila, que são 2, e quantos
carros já foram atendidos e já saíram do sistema, que são 88 (Figura 6 “c”).
Etapa 4 – Obter relatório final da simulação e interpretar os resultados

contidos nele. Tem-se na Figura 7 o relatório final da simulação deste exemplo.
Pode-se verificar que, em média, um carro foi atendido em 4,176 minutos, sendo
que o tempo mínimo de atendimento simulado no sistema foi de 2,3162 minutos
e o máximo foi de 5,7843 minutos.
Figura 7 – Relatório final da simulação no Arena
FONTE: KAWANO, B. R.; KAWANO, R. R. Pesquisa operacional: simulação. Indaial: Uniasselvi, 2014.
175
RESUMO DO TÓPICO 3
• Existem linguagens específicas e gerais quando lidamos com a simulação

orientada a eventos discretos.
• A linguagem SMPL é uma das mais utilizadas na simulação de eventos discretos,

sendo considerada uma importante extensão funcional para simuladores.
• Existem diversas linguagens de programação, dentre elas: Pascal®, C®, C++®,

Fortran®. Além disso, você conheceu também alguns softwares de simulação
como Matlab®, Arena e suas diversas aplicações.
• O software Excel também é uma importante ferramenta que podemos utilizar

no auxílio de cálculos para simulação em pesquisa operacional.
176
AUTOATIVIDADE
1 A simulação pode ser definida como um método que reproduz o trabalho

de um sistema real, proporciona a construção de ambiente, em que através
destes é possível direcionar o processo durante a tomada de decisão, anteceder
pesquisas e avaliações de sistemas e proporcionar soluções para a melhoria da
performance. Para que esse processo aconteça é necessário desenvolver um
modelo que represente matematicamente as situações operacionais do sistema
e as ligações entre seus componentes. A respeito das principais propriedades
dos sistemas e seus modelos de simulação, classifique V para as sentenças
( ) Compreende a reprodução de uma narrativa artificial do sistema e, a

partir desta narrativa artificial, a conclusão de como o sistema real
funcionaria.
( ) Representa uma das principais metodologias da pesquisa operacional
e também uma das mais empregadas, principalmente na área da
Engenharia.
( ) Compreende a utilização de dados históricos, relacionados a tempos de
ciclo, para garantir a simulação do processo futuro.
( ) As observações podem ser compreendidas na etapa de planejamento para
o computador no formato de símbolos matemáticos, lógicas e simbólicas.
a) ( ) F – V – F – V.
b) ( ) V – V – F – V.
c) ( ) F – F – V – F.
d) ( ) V – F – F – V.
2 Em experimentos de simulação orientados a eventos, que são fundamentados

na existência de filas, existem os eventos chamados "entrada de clientes" e
"saída de clientes". As simulações de eventos discretos são compostas por
vários elementos, dentre os quais podemos destacar calendário de eventos,
que delimitam um valor de tempo para cada evento que será simulado (o que
inclui eventos controláveis e não controláveis). Com relação aos componentes
da simulação de eventos discretos, analise as sentenças a seguir:
I - Por "variáveis de estado do sistema" entende-se todos os fatores que

podem ser aplicados em uma simulação, como o tempo para a ocorrência
de um evento.
II - As "rotinas de entrada de dados" representam a parte central do processo
de simulação, em que o tempo Tm é uma fração ao tempo global Tg.
III - Em um processo de simulação, a geração de relatórios está vinculada
a cada etapa da simulação, não sendo gerada no final do processo de
simulação, mas durante o processo.
177
IV - O "gerenciamento de memória" é uma etapa importante do processo de
simulação e consiste na eliminação dos dados já arquivados em relatório
físico.
a) ( ) Somente a sentença I está correta.

c) ( ) Somente a sentença III está correta.
d) ( ) As sentenças II e IV estão corretas.
178
REFERÊNCIAS
ALMEIDA, J. F. F. Simulação por eventos discretos. Apostila do curso de Enge-
nharia de Produção. 2018. Disponível em: <http://joaoflavio.com.br/cursos/po/
simulacao>. Acesso em: 19 out. 2018.
ANDRADE, E. L. de. Introdução à pesquisa operacional: métodos e modelos

para análise de decisões. 5. ed. Rio de Janeiro: LTC, 2011.
______. Introdução à pesquisa operacional: métodos e modelos para análise de

decisões. 3. ed. Rio de Janeiro: LTC, 2008.
ANDREOLI, R. V.; CARVALHO, J. C. Apostila de FORTRAN. INPE, dezembro, 2001.
APPLEGATE, D. L. et al. The travelling salesman problem: a computational

Study. Princeton: Princeton University Press, 2006.
ARALDI, A. A. R. Ensino de simulação de sistemas. Disciplina de Simulação

com Arena. 2018. Disponível em: <http://www.ensinoeinformacao.com/simulao-
-com-arena>. Acesso em: 26 out. 2018.
AUTOMOD. Simulação de sistemas no AutoMod. 2018. Disponível em: <http://

www.software.com.br/p/automod?gclid=Cj0KCQjw08XeBRC0ARIsAP_gaQC
vbabN97yrO1QshUc6EZ4eNSXKMbNhrAi4PJPKZWD6TWq41yVklkaAkJnE-
ALw_wc #product-description>. Acesso em: 25 out. 2018.
BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatística para cursos de enge-

nharia e informática. São Paulo: Atlas, 2004.
BORTOLOTTI, S. L. V. et al. Estudo de custos para uma microempresa de guar-

danapos de papel utilizando cadeias absorventes de Markov. Revista GEPROS,
n. 4, p. 89-102, 2007.
BRANCO, R. M.; COELHO, A. S. Cadeias absorventes de Markov no processo

produtivo de filé congelado de pescada. Revista Synergismus scyentifica, v. 1,
p. 646-657, 2006.
BRONSON, R. Pesquisa operacional. São Paulo: McGraw-Hill do Brasil, 1985.
CACI. SIMFACTORY 11.5 User's Manual, La Jolla, CA: CACI Products Com-
pany, 1990.
CARVALHO, J. M. S. Programação Linear: Algoritmos simplex primal, dual,

transporte e afetação. Lisboa: Vida Económica Editorial, 2014.
179
DUDEWICZ, E. J.; KARIAN, Z. A. Modern Design and Analysis of Discrete-Event
Computer Simulations. IEEE Computer Society Prees, Washington, 1985.
EISELT, H. A.; SANDBLOM, C. L. Linear programming and its applications.

Springer Science & Business Media, 2007.
GOMES, A. N. et al. Utilização de software de roteirização para análise de

ociosidade de veículos: estudo de caso em centro de distribuição localizado em
Suzano. IV Congresso de Logística e Operações do IFSP – Suzano, 2018. Dispo-
nível em: <http://blog.routeasy.com.br/roteirizacao/artigo-utilizacao-routeasy-
-para-analise-de-ociosidade-de-veiculos/>. Acesso em: 27 nov. 2018.
HILLIER, F. S. Introdução à pesquisa operacional. Porto Alegre: Bookman, 2006.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. 9. ed.

São Paulo: McGraw-Hill, 2013.
______. Introdução à pesquisa operacional. 8. ed. São Paulo: McGraw-Hill, 2006.
HOYOS, A. Processos estocásticos e previsão. In: SIMPÓSIO NACIONAL DE

PROBABILIDADE E ESTATÍSTICA, 4, 1980, Rio de Janeiro. Anais… [Rio de
Janeiro]: [s.n.], 1980.
KAWANO, B. R.; KAWANO, R. R. Pesquisa operacional: simulação. Indaial:

Uniasselvi, 2014.
L’ECUYER, P. Random Numbers, Int. Encyc. Social and Behavioral Sciences, p.

1-9, 4 jun. 2001.
LISBOA, E. F. A. Pesquisa operacional. 2009. Disponível em: <www.ericolisboa.

eng.br>. Acesso em: 25 set. 2018.
LOESCH, C.; HEIN, N. Pesquisa operacional: fundamentos e modelos. Blume-

nau: Editora da FURB, 1999.
LUNARDELLI, P. A.; PROBST, R. W. Caderno de Estudos: Pesquisa Operacional.

Centro Universitário Leonardo da Vinci – Indaial: Grupo UNIASSELVI, 2009.
LUSTOSA, P. R. B.; PONTE, V. M. R.; DOMINAS, W. R. Simulação. In: COR-

RAR, L. J.; THEÓPHILO, C. R. (Orgs.). Pesquisa Operacional para decisão em
contabilidade e administração. São Paulo: Atlas, 2004.
MACULAN FILHO, N.; PEREIRA, M. V. F. Programação linear. São Paulo:

Atlas, 1980.
MARKOWITZ, H. M. SIMSCRIPT: A Simulation Programming Language.

Technical report, Rand Corporation, 1963.
180
MILNITZ, D.; LUNA, M. M. M.; COELHO, A. S. Cálculo e análise da capacida-
de produtiva utilizando o processo de Markov: estudo de caso de uma empresa
têxtil. Exacta – EP, São Paulo, v. 14, n. 1, p. 127-137, 2016.
MIYAGI, P. E. Introdução à Simulação Discreta. Apostila de aula. Escola Poli-

técnica da Universidade de São Paulo. Departamento de Engenharia Mecatrôni-
ca e de Sistemas Mecânicos. São Paulo-SP, 2006.
MORAES, F. V.; SILVA, G. F.; REZENDE, T. A. Introdução à teoria das filas:

notas de aula.Universidade Federal do Mato Grosso do Sul, 2011.
PAULA, R. R. de. Método de Monte Carlo e Aplicações. Monografia. Instituto

de Ciências Exatas. Volta Redonda-RJ, 2014.
PAVANELLO, R. Notas de aula: Disciplina Estática. Faculdade de Engenharia

Mecânica da Universidade Estadual de Campinas – Unicamp, 2002.
PEREIRA, R. A. A. Elementos de Programação Linear: condições de otimalidade

e lema de farkas. Dissertação de Mestrado do Instituto de Matemática, Estatís-
tica e Computação Científica da Universidade Estadual de Campinas - UNI-
CAMP. Campinas, 2010.
PIDD, M. Computer Simulation in Management Science. John Wiley & Sons,

Inc., 5. ed, 2004.
PINTO, A. S. Aplicação da Teoria de Filas na Análise da Capacidade Operacio-

nal de um Sistema - Estudo Caso BCA Porto Novo. Licenciatura em Contabili-
dade e Administração. In: Administração e Controle Financeiro. Instituto Supe-
rior de Ciências Econômicas e Empresariais. Mindelo, 2011.
ROCHA, V. H. Teoria dos Grafos. 2016. Disponível em: <https://pt.slideshare.net/

victorhazin/teoria-dos-grafos-histria-e-conceitos-iniciais>. Acesso em: 25 set. 2018.
ROUTES. Simulador de rotas. 2018. Disponível em: <http://www.climberbd.

com.br/img/rotas.jpg>. Acesso em: 10 out. 2018.
SANTOS, M. P. Introdução à simulação discreta. Universidade Estadual do Rio

de Janeiro (UERJ), 1999.
SARAIVA JÚNIOR, A. F. et al. Simulação de Monte Carlo aplicada à análise

econômica de pedido. Produção, v. 21, n. 1, p. 149-164, jan./mar. 2011.
SHAMBLIN, J. E.; STEVENS JR., G. T. Pesquisa operacional – uma abordagem

básica. São Paulo: Atlas, 1979.
STAUDT, F. H.; COELHO, A. S.; GONÇALVES, M. Determinação da capacidade

real necessária de um processo produtivo utilizando cadeia de Markov. Revista
Produção, v. 21, n. 4, p. 634-644, 2011.
181
TAVEIRA, R. A. A simulação na produção. Apostila. 1997. Disponível em:
<http://www.eps.ufsc.br/disserta97/taveira/cap3.htm>. Acesso em: 11 set. 2018.
TEIXEIRA, M. M. Notas de aula: simulação. Departamento de Informática da

Universidade Federal do Maranhão. 2013. Disponível em:<http://www.deinf.
ufma.br/~mario/>. Acesso em: 11 set. 2018.
ULSON, R. S. Simulação distribuída em plataformas de portabilidade: viabili-

dade de uso e comportamento do protocolo CMB. Tese de Doutorado, Instituto
de Física de São Carlos – USP. São Carlos, 1999.
VIEIRA, C. E. C.; RIBEIRO, C. C.; SOUZA, R. C. Geradores de números aleató-

rios. São Paulo: PUC, 2004.
WAGNER, H. M. Pesquisa operacional. 2. ed. Rio de Janeiro: Prentice-Hall, 1986.
WITNEES. Modelagem e simulação do fluxo logístico. 2018. Disponível

em: <https://www.google.com.br/search?q=simulador+witness&rlz=1C1G-
GRV_pt-BRBR752BR752&source=lnms&tbm=isch&sa=X&ved=0ahUKEwi-
gw5CZiqTeAhWCIJAKHfZGAK8Q_AUIESgE&biw=1440&bih=709#imgrc=QX-
55JEfLCZ53DM>. Acesso em: 26 out. 2018.
182

Livro

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Livro

Enviado por

Direitos autorais:

Formatos disponíveis

Modelagem e Simulação

Revisão, Diagramação e Produção:

Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

182 p.; il.

1.Engenharia de materiais. – Brasil. 2.Simulação de Processos. –

Na Unidade 1 são apresentados os principais modelos e técnicas

Na Unidade 2 são apresentados os principais métodos relacionados

Na Unidade 3 são apresentados os conceitos básicos sobre simulação.

Prof. Diego Milnitz

Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é

Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente,

Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de

Olá acadêmico! Para melhorar a qualidade dos

TÓPICO 1 - TEORIA DAS FILAS......................................................................................................3

TÓPICO 2 - MÉTODO DE MONTE CARLO...................................................................................19

TÓPICO 3 - CADEIAS DE MARKOV...............................................................................................41

UNIDADE 2 - MODELOS E MÉTODOS NUMÉRICOS PARA A OTIMIZAÇÃO

TÓPICO 1 - PROGRAMAÇÃO LINEAR..........................................................................................63

TÓPICO 2 - PROGRAMAÇÃO LINEAR GEOMÉTRICA............................................................87

TÓPICO 3 - ANÁLISE DE REDES.....................................................................................................105

TÓPICO 1 - SIMULAÇÃO NA PESQUISA OPERACIONAL......................................................121

TÓPICO 2 - TIPOS DE SIMULAÇÃO...............................................................................................147

TÓPICO 3 - SOFTWARES DE SIMULAÇÃO..................................................................................159

• compreender o estudo da Teoria das Filas e conhecer as aplicações desta

• identificar os principais modelos baseados em Teoria das Filas, que são

• entender que o Método de Monte Carlo é uma poderosa ferramenta de

• perceber que os geradores de números aleatórios são importantes ferramen-

• entender que as Cadeias de Markov são uma derivação específica do “Pro-

TÓPICO 1 – TEORIA DAS FILAS

TÓPICO 2 – MÉTODO DE MONTE CARLO

TÓPICO 3 – CADEIAS DE MARKOV

TEORIA DAS FILAS

De maneira geral, a formação de filas parece inevitável e comum para

Segundo Hillier e Lieberman (2013), Agner Kendall Erlang é considerado

Para Hillier e Lieberman (2013), o tempo que as pessoas de uma determinada

2 TERMOS E CONCEITOS SOBRE FILA

O tamanho da população está relacionado com a quantidade de usuários,

Para Hillier e Lieberman (2013), se a população de clientes a ser atendida

O processo de chegada indica qual é o padrão de chegada dos clientes no

outro lado, quando o processo de chegadas de clientes à fila não respeita um

O comportamento estatístico dos clientes, para terem acesso ao sistema

λ = Taxa média de chegadas de clientes na fila

Além da taxa média de chegadas de clientes na fila, outro fator importante

O processo de atendimento, também chamado de modelo de serviço,

μ = Taxa média de atendimentos por unidade de tempo

Igualmente como acontece no processo de chegada, o atendimento pode

A quantidade de atendentes nada mais é do que o número de servidores

A organização da fila é o resultado do modo como o processo de atendimento

Existe também a organização de fila, que é muito empregada em centros

Também existem tipos de organização de fila por prioridades. Os casos

Outra forma de organização da fila a partir da prioridade é quando o

f) Tamanho Médio da Fila

O tamanho médio da fila é a quantidade média de clientes em uma fila

g) Tamanho Máximo da Fila

Geralmente o tamanho máximo de uma fila funciona como limitador do

em um dia determinado, gerando grandes filas formadas por motoristas que

h) Tempo Médio de Espera na Fila

O tempo médio de espera na fila depende inicialmente do tipo de

3 MODELAGEM DAS FILAS

FIGURA 1 – ESTRUTURA ELEMENTAR PARA MODELAGEM DE FILAS

FONTE: Adaptado de Hillier e Lieberman (2013)

Veremos mais adiante, neste tópico, as derivações desta estrutura básica de

O comportamento do sistema de filas ocorre conforme apresentado na