UNIVERSIDADE FEDERAL DE MINAS GERAIS

FACULDADE DE CIÊNCIAS ECONÔMICAS

DEPARTAMENTO DE CIÊNCIAS ADMINISTRATIVAS – CAD

Profa. Ana Lúcia Miranda Lopes, Dra. Eng.

analopes.ufmg@gmail.com

2017
1. Introdução à Pesquisa Operacional 4

Devo investir meu excedente de caixa em fundos cambiais, poupança, ações, ou outros?
Como devo balançar meu investimento para obter o maior retorno possível a um risco aceitável?

Quanto devo produzir dos produtos A, B e C para obter um lucro máximo, satisfazendo as
restrições de horas-homem, matéria prima e capacidade das máquinas?

Dada a produção de determinado produto em várias fábricas. Quanto de produto devo mandar de
cada fábrica para cada ponto de varejo de modo a minimizar meu custo de transporte?

Dada uma série de possibilidades de localização para determinada fábrica e um conjunto de

restrições, qual local devo escolher?

Se você estivesse diante de um dos problemas listados acima. Como resolveria?

Estes são problemas do dia a dia das organizações e que, muitas vezes, são resolvidos com base na
intuição e experiência de seus administradores.
Nesta disciplina veremos como a ciência denominada Pesquisa Operacional pode contribuir para
ajudar as empresas em tomadas de decisão como estas.

1.1. Surgimento da Pesquisa Operacional

A pesquisa operacional (Operations Research ou Management Science) teve seu surgimento durante
a 2a. guerra mundial. Guerras, na maior parte das vezes, traz junto consigo a necessidade de conviver-se
com toda sorte de carência de recursos. Foi por esta razão que os militares ingleses (British Air Force)
formaram o primeiro grupo para o estudo das melhores condições de aproveitamento dos recursos
disponíveis. Este grupo estudou a aplicação de métodos quantitativos com o objetivo de melhorar a
eficiência das forças de guerra da armada inglesa. Foi então denominado de grupo de Operations
Research (pesquisa operacional) e vem daí, então, o nome da ciência tão amplamente utilizada hoje em
dia. Naquele momento o grupo de PO iniciou a trabalhar em problemas relacionados ao abastecimento
das tropas, táticas de defesa e ataque aéreo e marítimo. A principal aplicação daquela época que se tem
notícia foi na área de detecção de aviões inimigos através de radar. Dizem, hoje, que esta foi a grande
arma dos britânicos que levou-os a vencer a batalha aérea na Grã-Bretanha.
Logo após a criação do grupo de PO inglês, e como não poderia deixar de ser, os americanos
formaram um grupo semelhante.
a
Depois da 2 . guerra mundial os cientistas e administradores de empresas vislumbraram a
possibilidade de aplicação das técnicas de PO utilizadas na guerra para a resolução de problemas dentro
das empresas. Modelos foram pesquisados e desenvolvidos para a resolução de problemas nas áreas de
planejamento da produção, planejamento agrícola, transporte de mercadorias, “scheduling” de refinarias
de petróleo, entre outros.

O que é Pesquisa Operacional?

A Pesquisa Operacional é uma ciência aplicada voltada para a resolução de problemas reais. Tendo
como foco a tomada de decisões, aplica conceitos e métodos de outras áreas científicas para concepção,
planejamento ou operação de sistemas para atingir seus objetivos. Através de desenvolvimentos de base
quantitativa, a Pesquisa Operacional visa também introduzir elementos de objetividade e racionalidade
nos processos de tomada de decisão sem descuidar, no entanto, dos elementos subjetivos e de
1. Introdução à Pesquisa Operacional 5

enquadramento organizacional que caracterizam os problemas.

(http://www.sobrapo.org.br).
É, portanto, uma ciência aplicada formada por um conjunto de técnicas quantitativas que tem como
objetivo a determinação da melhor maneira de aproveitamento de recursos, por vezes, escassos. É
particularmente pertinente em problemas complexos cujo alcance dos objetivos enfrentam restrições tais
como: técnicas, econômica, temporal, de mão de obra, de demanda, etc.
Aliado ao uso dos métodos quantitativos tem-se o uso de softwares eficientes para a resolução dos
problemas decisórios (LINDO, What´s Best, Solver do Excel, etc...).
Com a disseminação dos computadores observada nas últimas décadas tem-se podido trabalhar com
grandes volumes de dados sobre as atividades das empresas tornando a representação do problema
decisório cada vez mais próxima da realidade e fazendo com se observe o uso da PO em um grande
número de empresas.
Com a globalização a utilização eficiente dos recursos disponíveis é vital para as empresas. Utilizar-
se tudo o que se tem disponível, através da ciência, experiência, etc.. para a melhoria da eficiência da
empresa é de extrema relevância para a sobrevivência das mesmas em um mercado cada vez mais
competitivo e pode significar a manutenção desta no mercado ou não.
A utilização de métodos quantitativos para resolução de problemas decisórios envolve,
normalmente, muitas pessoas dentro da organização. Todos os aspectos relevantes do problema
precisam ser identificados e mapeados.
O processo da aplicação das técnicas de pesquisa operacional envolve uma seqüência de passos
que podem ser ilustrados na figura que segue:
Figura 01 – Seqüência de Desenvolvimento de um Modelo de PO

Definição do
Problema

Desenvolvimento
do Modelo
Matemático Formulação

Levantamento
dos dados
necessários

Desenvolvimento
da Solução do
Modelo
o
Solução
Testando a
solução

Análise dos Resultados e

análise de sensibilidade

Interpretação

Implementação dos
Resultados
1. Introdução à Pesquisa Operacional 6

1. 2. Aplicações da Pesquisa Operacional

As técnicas de PO são aplicadas a uma ampla variedade de problemas decisórios que vão desde a
determinação de tempo em filas de um banco até filas de aviões em aeroportos. Problemas de estoques,
planejamento da produção, mistura de componentes, formulação de ração a custo mínimo, redes de
transporte, alocação de pessoas, problemas de redes de comunicação, programação de tarefas são
também exemplos de aplicações de PO.
Organizações como: IBM, HP, Microsoft, Gessy Lever, Nestlé, etc.. são exemplos de multinacionais
que vem utilizando técnicas de PO em seus gerenciamentos.
A nível nacional tem-se informação da aplicação de técnicas de pesquisa operacional em empresas
tais como: Petrobrás, Sadia, AçoMinas, Unibanco, Bradesco, Brahma, Cosipa. Eletrobrás, entre outras.

1.1. Divisões da PO

A pesquisa operacional compreende um conjunto relativamente grande de técnicas que podem ser
utilizadas para resolução de problemas decisórios. As principais são:

Algoritmos Genéticos
Análise Muticritério de Apoio à Decisão
Cadeias de Markov
Data Envelopment Analysis
Grafos
Modelos de Estoques
Modelos de Previsão
Programação Dinâmica
Programação Linear
Programação Não-Linear
Redes Neurais
Simulação
Teoria da Decisão
Teoria das Filas
Teria dos Jogos

Na área de Negócios os casos de utilização da Pesquisa Operacional têm se concentrado nas

técnicas de programação linear e simulação. Pelo menos 70% das aplicações envolvem estas duas
áreas.
2. Introdução à Simulação 7

2. Introdução à Simulação

2.1. Introdução
Os bons Administradores estão sempre em busca de ferramentas e técnicas que possam ajudá-los
no processo complexo de tomada de decisão. Estas técnicas incluem estatística, programação linear,
análise de decisão, teoria das filas, previsão e simulação. Nesta unidade estudaremos um pouco da
simulação. Veremos que ferramenta de Pesquisa Operacional é essa, para que serve e como construir
modelos simples.

Simulação é o processo de construção de um modelo matemático ou lógico de um sistema

ou problema decisório e de experimentação deste modelo (usualmente utilizando-se um
computador) como objetivo de observar/analisar.

A simulação procura construir sistemas, modelos de uma situação real para que, baseado nos
resultados de modificações neste modelo o administrador possa tomar decisões. A simulação de
sistemas tais como um processo de produção de uma indústria têxtil, por exemplo, é bastante utilizada
para observar o impacto de mudanças desejadas pelos decisores. É também particularmente adequada
quando problemas exibem alguma incerteza a qual é geralmente difícil de lidar com modelos analíticos.
A principal vantagem da simulação é sua habilidade de modelar hipóteses sobre um problema ou
sistema, fazendo com que ela seja a ferramenta mais flexível de Pesquisa Operacional (Evans, Olson,
2002).
Nós freqüentemente vemos exemplos de simulação. Simulação é utilizada para apresentar a
previsão de tempo. Pilotos de avião e astronautas utilizam simulação para aprender a voar podendo
observar como o avião/nave poderia reagir sob determinadas condições ou ações dele mesmo (ver
Apollo 13). A simulação é ser encontrada nas grandes empresas aonde elas podem construir modelos
que imitem os processos atuais de maneira a observar o impacto de mudança nestes processos. Até
dentro de nossa casa temos programas de computador que procuram imitar cenas da vida real tais
como: SIMS, jogos de videogames, etc...

Você pode construir um modelo que simula, por exemplo:

• •O funcionamento diário de um banco ou hospital, para entender o impacto de adicionar 1 ou
mais bancários ou enfermeiras;
• •A operação de um porto ou aeroporto, para entender o fluxo de tráfico e os congestionamentos
associados;
• •O processo de produção em uma fábrica, para identificar gargalos na linha de produção;
• •O Fluxo de tráfico em uma freeway ou em um sistema de comunicação complicado, para
determinar se expansão é necessária.

Mas, onde mais a simulação pode ser utilizada?

• Sistemas de produção
• manufatura e montagem;
• movimentação de peças e matéria-prima;
• alocação de mão-de-obra;
• áreas de armazenagem;
• layout, etc.
• Sistemas de transporte e estocagem
• redes de distribuição;
• armazéns e entrepostos;
2. Introdução à Simulação 8

• frotas, etc...

• Sistemas Administrativos
• seguradoras;
• operadores de crédito;
• financeiras, etc...

Sistemas de prestação de serviços direto ao público

• hospitais
• bancos;
• restaurantes industriais e tipo fast food;
• serviços de emergência (polícia, bombeiros, socorro médico)
• serviços de assistência jurídica, etc..
• Sistemas computacionais
• redes de computadores;
• redes de comunicação;
• servidores de rede;
• arquitetura de computadores;
• sistemas operacionais;
• gerenciadores de base de dados, etc...

BREVE HISTÓRICO (Corrar & Theófilo, 2003)

“A história da simulação remonta aos jogos de guerra chineses, há 5000 anos. Os povos
prússios utilizaram esses jogos no final do século XVIII como auxílio ao treinamento militar de suas
tropas. A partir de então, as principais forças militares do mundo vêm usando jogos de guerra para testar
estratégias militares frente a cenários simulados de combate.
Durante a Segunda Guerra Mundial, o matemático húngaro-americano John Von Neumann, em
seu trabalho no Projeto Manhattan (bomba atômica), criou um novo conceito, denominado Simulação de
Monte Carlo. O trabalho consistia na simulação direta de problemas probabilísticos relacionados com a
difusão aleatória das partículas de nêutrons quando submetidas a um processo de fissão nuclear. O
nome Monte Carlo foi cunhado pelo cientista Metropolis, inspirado no interesse por pôquer de seu colega
Ulam. Baseou-se na similaridade que a simulação estatística desenvolvida por eles tinha com os jogos
de azar, simbolizados nas roletas do cassino de Monte Carlo, na capital do principado de Mônaco.
Atualmente, graças ao desenvolvimento dos recursos computacionais, esse método é usado
rotineiramente em diversas áreas, desde a simulação de fenômenos físicos complexos, como o
transporte de radiação na atmosfera terrestre, até em causas menos nobres, como na simulação do
resultado de loterias.

No Brasil empresas tais como a Belge Simulação e a Paragon realizam consultoria nesta área e
estão preparadas para trabalhar com problemas bastante complexos. A Belge, por exemplo, já construiu
modelo para a Michelin com o objetivo de buscar o melhor lay-out produtivo para a planta de
Resende/RJ. Na Petrobrás a empresa obteve um retorno de mais de US$ 1.000.000,00 através do
correto dimensionamento da frota de sondas de manutenção de poços. Na Brahma construiu um
sistema que a levou a uma economia de US$ 350.000,00 através da melhora nos procedimentos
logísticos, da reorganização dos estoques e da racionalização de empilhadeiras. Na Volksvagen de São
Bernardo do Campo/SP a BELGE trabalhou para o dimensionamento de nova linha de teste de motores,
na ampliação nas linhas de pintura e na obtenção de melhorias na logística operacional. No Banco Itaú
utilizou um simulador para o desenvolvimento de um sistema para redução de filas nas suas quase 2000
agências espalhadas pelo Brasil. A Belge utiliza o software Pro-Model, líder mundial em sistemas para
modelagem, simulação e otimização de processos, e é a representante no Brasil do mesmo.
Já a Paragon, utilizando o ARENA também realizou grandes trabalhos para a Petrobrás, CAIO,
Ford, Scania, etc..
2. Introdução à Simulação 9

Os principais softwares existentes na área de simulação são: ARENA, PROMODEL, Crystal

Ball,@Risk,DecisionPro,Xcell,SLAM, Witness,MAP/1. A planilha eletrônica Excel também contém
recursos para que simulações não muito complexas possam ser realizadas. Simulações manuais tais
como o movimento de tropas do exército que procuram simular uma batalha, operação de um simulador
de nave espacial ou jogar um jogo no computador consomem um tempo grande. As pessoas ficam
cansadas e uma ou duas simulações e estas fornecem muito pouca informação para tomada de decisão.
Entretanto, se a simulação pode ser implementada no computador , milhares de resultados da simulação
podem ser processados em segundos fornecendo uma riqueza de informações.

2.2. Tipos de Modelos de Simulação

Os principais tipos de simulação existentes são: simulação de Monte Carlo e simulação de
sistemas. A simulação de Monte Carlo é basicamente um experimento de amostragem cujo principal
propósito é estimar a distribuição de um resultado que depende de algumas variáveis probabilísticas.
Ela é um tipo de simulação que gera números aleatórios dentro de certas características e utiliza
estes valores para as variáveis incertas de um modelo. O modelo é simulado repetidas vezes, utilizando
estes números aleatórios e os resultados são anotados e classificados.

Método de Monte Carlo: tipo de simulação que utiliza distribuições de probabilidades para
determinar a ocorrência de eventos aleatórios.

A simulação de Monte Carlo é freqüentemente utilizada para avaliar o impacto esperado de

mudanças de políticas e o risco envolvido na tomada de decisão.

Risco é freqüentemente definido como a probabilidade de ocorrência de um resultado

indesejável.

A técnica de simulação de Monte Carlo compreende as seguintes etapas(Corrar, Theófilo; 2003)

• identificação das distribuições de probabilidades das variáveis aleatórias relevantes para o estudo;
• construção das distribuições de probabilidades acumuladas para cada uma das variáveis definidas no
item (a) anterior, quando cabível;
• definição dos intervalos de números randômicos(números aleatórios), para cada variável;
• geração de números aleatórios;
• simulação dos experimentos.

Simulação de Sistemas, por outro lado, modela seqüências de eventos que acontecem ao longo do
tempo como por exemplo: estoques, filas, produção.
Nesta unidade estaremos enfatizando a simulação de Monte Carlo.
2. Introdução à Simulação 10

2.2.1 Simulação de Monte Carlo

Um bom exemplo de simulação de Monte Carlo está reproduzido a seguir o qual pode ser
encontrado em (Evans, Olson, 2002).

Exemplo: DOCE SABOR é uma empresa familiar, de pequeno porte, que vende sorvetes de vários
sabores. Porém, em datas comemorativas vende também chocolate caseiro. Para o dia dos
namorados a empresa sempre adquire de seu fornecedor um chocolate especial em forma de coração
para revender. O pedido deste tipo de chocolate deve ser feito com várias semanas de antecedência.
Este produto é comprado do fornecedor por R$ 7,50 a caixa e revendido por R$ 12,00. Todas as caixas
que não são vendidas até o dia 13 de junho são oferecidas com desconto de 50% e, desta maneira,
podem ser vendidas facilmente. Historicamente a DOCE SABOR tem vendido entre 40 e 90 caixas nesta
época sem tendência de crescimento ou decréscimo das vendas. O problema do gerente da loja é o
decidir quantas caixas de chocolate comprar para o dia dos namorados pois se a demanda exceder a
quantidade comprada a empresa perde oportunidade de lucro. De outro lado, se muitas caixas são
compradas isto é, a quantidade comprada excede a quantidade demandada até o dia 13 de junho, a loja
estará perdendo dinheiro pois estará vendendo as caixas que sobrarem a um preço abaixo do seu custo
de compra. Se a demanda é conhecida pode-se computar o lucro de comprar 40, 50, 60, 70, 80 ou 90
caixas facilmente. Porém a demanda é probabilística e, para efeitos de simplificação, deve-se assumir
que a demanda será de 40, 50, 60, 70, 80 ou 90 caixas com igual probabilidade (1/6). Ajude o gerente a
decidir quantas caixas comprar. Obviamente seu objetivo é o de maximizar o lucro da empresa.

Solução: Pode-se, facilmente, desenvolver uma expressão matemática que represente o lucro (L) da
Doce Sabor. Este lucro deverá ser calculado utilizando-se a equação(1) se a demanda(D) ficar abaixo
da quantidade vendida(Q) e a equação (2) se a demanda (D) exceder a quantidade vendida(Q).

Lucro1 = 12D – 7,5Q + 6(Q-D) = 6D – 1,5Q se D<=Q (1)

Lucro2 = 12Q – 7,5Q = 4,5Q se D>Q (2)

Com base nas equações acima pode-se realizar a simulação do movimento do dia dos namorados
para auxiliar o administrador da loja a decidir quantas caixas comprar. Os dados utilizados na simulação
são os descritas abaixo:

1. quantidade do pedido, Q (variável de decisão)

2. as várias receitas e custo (constantes)
3. a demanda, D (incontrolável e probabilística)

O resultado procurado pelo modelo é o lucro líquido. Se sabemos a demanda facilmente

calculamos o lucro utilizando a equação 1 ou 2. Porém se a demanda tem uma distribuição probabilística
nós precisaremos simular esta demanda. Para facilitar vamos assumir que a demanda pode ser
40,50,60,70,80 ou 90 com igual probabilidade (1/6). Isto nos permitirá gerar amostras utilizando um
dado. Pode-se estabelecer a demanda conforme a tabela abaixo

Tabela 2.1. Simulação de Demanda da Doce Sabor

Valor no Dado Demanda
1 40
2 50
3 60
4 70
5 80
6 90
2. Introdução à Simulação 11

A tabela acima estabelece que: se rolarmos um dado e o valor alcançado é 1, então a demanda é
tida como sendo de 40 caixas e então pode-se calcular o lucro obtido.
Para realizar a simulação deste exemplo vamos estabelecer que o administrador da loja tenha
encomendado 60 caixas de chocolates especiais para o dia dos namorados. Os passos abaixo devem
ser observados para a simulação de Monte Carlo.

1. Rolar o dado;
2. Determinar a demanda D, utilizando a tabela 7.1;
3. Usando Q = 60, calcular o lucro usando as equações 1 ou 2;
4. Anotar o lucro obtido.

Por exemplo, suponha que rolamos o dado e o número obtido foi 4. Este corresponde a uma
demanda de 70 caixas de chocolates. Como, neste caso, D>Q usaremos a equação 2 para computar o
lucro obtido (simulado).

Lucro = 12*60 –7,5*60= R$ 270,00

Entretanto uma amostra não nos fornece uma boa estimativa do que poderia acontecer se o
administrador encomendasse 60 caixas. Repetindo a simulação 10 vezes, como exemplo, nós podemos
chegar aos resultados descritos na tabela abaixo:

Tabela 2.2. Simulação da Demanda e Lucro Obtido por Chocolates usando um Q = 60

Tentativa Número no Dado Demanda Lucro (R$)
1 5 80 270
2 3 60 270
3 2 50 210
4 4 70 270
5 1 40 150
6 3 60 270
7 5 80 270
8 6 90 270
9 2 50 210
10 3 60 270
Média 246

Conforme a tabela acima pode-se observar que o lucro médio obtido pela empresa com uma
quantidade de 60 caixas encomendada seria de R$ 246,00. Com base nestes dados construiu-se a
tabela abaixo que mostra a distribuição de probabilidade do lucro. Ela nos diz que, se o administrador da
Doce Sabor encomendasse 60 caixas de chocolates para o próximo dia dos namorados ele teria 70% de
probabilidade de obter um lucro de R$ 270,00, 20% de probabilidade de obter um lucro de R$ 210,00 e
somente 10% de chance de obter um lucro de R$ 150,00.

Tabela 2.3 – Distribuição de Frequência dos Lucros

Lucro(R$) Probabilidade
150 0,10
210 0,20
270 0,70

Os resultados desta simulação nos mostram que a Doce Sabor tem 30% de chance de obter um
lucro menor ou igual a R$ 210,00. Se a loja tem despesas fixas maiores do que este valor talvez fosse
melhor seu administrador escolher uma outra quantidade de encomenda (Q) na tentativa de obter um
lucro maior. Faça o teste!
2. Introdução à Simulação 12

Deve-se salientar que o acima exposto foi somente um exemplo de aplicação da simulação de
Monte Carlo. Para que a simulação forneça bons resultados ela deve ser realizada muitas vezes. Para
que se possa realizar uma simulação de 100 tentativas, por exemplo, uma planilha eletrônica será de
grande valia. Uma simulação com 10 tentativas apenas nos produz resultados muito limitados.
Abaixo apresentamos os procedimentos para que você possa realizar uma simulação simples,
como este exemplo, na planilha eletrônica Excel.
Para que possamos utilizar os recursos da planilha na simulação de Monte Carlo primeiro temos
que entender o conceito de números aleatórios ou randômicos.
A simulação de Monte Carlo trabalha basicamente com número aleatório ou randômico que é
assim definido:

“Número aleatório ou randômico é aquele número que é uniformemente distribuído entre

0 ou 1.”

O que queremos dizer com uniformemente distribuído para um número aleatório? Quer dizer que
todos os valores situados entre 0 e 1 tem a mesma probabilidade de ocorrerem.
Para que possamos utilizar os número aleatórios na simulação de Monte Carlo precisamos
primeiro construir as distribuições de freqüência relativa e acumulada do problema que estamos
analisando.
Voltando ao exemplo anterior temos que as demandas de 40,50,60,70,80,90 caixas de chocolate
tem a mesma probabilidade de ocorrerem, isto é, cada uma tem uma probabilidade de 1/6 de ocorrerem.
Com base neste dado pode-se construir a tabela abaixo.

Tabela 2.4 – Distribuição de Freqüência da Demanda da Doce Sabor

Demanda Freqüência Relativa Freqüência Relativa
Acumulada
40 1/6 = 0,16667 1/6
50 1/6 = 0,16667 2/6 = 0,3333
60 1/6 = 0,16667 3/6 = 0,5
70 1/6 = 0,16667 4/6 = 0,6667
80 1/6 = 0,16667 5/6 = 0,8333
90 1/6 = 0,16667 6/6 = 1

Com base nos dados acima podemos associar a cada intervalo de números aleatórios uma demanda de
acordo com a tabela que segue.

Tabela 2.5 – Distribuição dos Números Aleatórios

Intervalo de Números aleatórios Demanda
0 – 0,16667 40
0,16667 – 0,3333 50
0,3333 – 0,5 60
0,5 – 0,6667 70
0,6667 – 0,8333 80
0,8333 - 1 90

Esta tabela quer nos dizer que, se tirarmos um número e este for menor do que 0,16667 a
demanda pode ser considerada como sendo de 40 caixas e o lucro obtido com esta venda pode ser
quantificado, ou seja, R$ 150,00. Se tirarmos o número, 0,56, por exemplo, a demanda pode ser
considerada como sendo de 70 caixas e o lucro também pode ser quantificado (R$ 270,00).
A tabela abaixo mostra uma simulação de 40 dias de vendas dos chocolates especiais da Doce
Sabor. A coluna “número aleatório” pode ser obtida através de uma tabela de números aleatórios
(anexa) ou pela função ALEATÓRIO() da planilha eletrônica Excel.
Na planilha Excel o Lucro deve ser calculado com a utilização da função lógica SE cuja sintaxe é
SE(teste lógico, valor se verdadeiro, valor se falso).
2. Introdução à Simulação 13

Tabela 2.6 – Resultado da Simulação realizada no Excel para 40 dias de movimento da Doce Sabor
Ano Num. Aleatório Demanda Lucro
1 0.265766054 50 $ 210.00
2 0.299740128 50 $ 210.00
3 0.959122224 90 $ 270.00
4 0.750689367 80 $ 270.00
5 0.731597169 80 $ 270.00
6 0.227120877 50 $ 210.00
7 0.765464782 80 $ 270.00
8 0.840947373 90 $ 270.00
9 0.155478323 40 $ 150.00
10 0.163939046 40 $ 150.00
11 0.256701226 50 $ 210.00
12 0.274070886 50 $ 210.00
13 0.861498712 90 $ 270.00
14 0.990175569 90 $ 270.00
15 0.725588409 80 $ 270.00
16 0.215092732 50 $ 210.00
17 0.637052748 70 $ 270.00
18 0.706366986 80 $ 270.00
19 0.441491862 60 $ 270.00
20 0.102906764 40 $ 150.00
21 0.85865927 90 $ 270.00
22 0.104021967 40 $ 150.00
23 0.811065908 80 $ 270.00
24 0.689610733 80 $ 270.00
25 0.878335345 90 $ 270.00
26 0.342746561 60 $ 270.00
27 0.325306986 50 $ 210.00
28 0.051241036 40 $ 150.00
29 0.449538542 60 $ 270.00
30 0.129350226 40 $ 150.00
31 0.559899787 70 $ 270.00
32 0.987136724 90 $ 270.00
33 0.881095873 90 $ 270.00
34 0.453896303 60 $ 270.00
35 0.926920437 90 $ 270.00
36 0.496942436 60 $ 270.00
37 0.682993379 80 $ 270.00
38 0.889304094 90 $ 270.00
39 0.066837308 40 $ 150.00
40 0.620526176 70 $ 270.00
Lucro Médio $ 238.50
2. Introdução à Simulação 14

Para o exemplo acima os resultados de várias simulações utilizando-se diferentes quantidades

encomendadas realizadas com o Excel estão descritos na tabela abaixo.

Tabela 2.7. Resumo dos resultados simulação para 100 dias e diferentes quantidades encomendadas.
Quantidade 40 50 60 70 80 90
Encomendada
Lucro Médio R$ 180,00 R$ 215,40 R$ 234,00 R$ 264,00 R$ 251,40 R$ 258,60

Pode-se observar que para o gerente da Doce Sabor obter o melhor lucro possível ele deveria
realizar uma encomenda de 70 caixas de chocolate.

2.3. Fases da Simulação

Para que um modelo de simulação seja construído é importante que as fases descritas pela figura
que segue sejam seguidas.
Inicia-se um modelo através da correta identificação do problema que se precisa resolver.
Estabelecem-se os objetivos e inicia-se a fase de coleta e preparação dos dados. Nesta fase de coleta
muitos dados estatísticos devem ser buscados para que os mesmos possam ser utilizados pelo modelo.
O modelo é formulado e posteriormente validado através da observação do seu comportamento com
Identificação do Problema

Estabelecimento dos Objetivos

Coleta/Preparação dos Dados

Formulação do Modelo

Verificação/Validação
do Modelo
Modificação e/ou
Redefinição do Modelo

Experimentação e
Interpretação dos Resultados

Conclusão e Implementação

dados reais. Se o modelo não está adequado segue-se uma fase de modificação do modelo. Se o
mesmo é considerado adequado, isto é, ele reflete perfeitamente a situação real que se pretende
analisar, realiza-se as análises, experimentação e interpretação dos resultados para posterior
interpretação e implementação.
2. Introdução à Simulação 15

Atividade de Fixação
Simulação

1. DOCE SABOR é uma empresa familiar, de pequeno porte, que vende sorvetes de vários sabores.
Porém, em datas comemorativas vende também chocolate caseiro. Para o dia dos namorados a
empresa sempre adquire de seu fornecedor um chocolate especial em forma de coração para
revender. O pedido deste tipo de chocolate deve ser feito com várias semanas de antecedência. Este
produto é comprado do fornecedor por R$ 7,50 a caixa e revendido por R$ 12,00. Todas as caixas
que não são vendidas até o dia 13 de junho são oferecidas com desconto de 50% e, desta maneira,
podem ser vendidas facilmente. Historicamente a DOCE SABOR tem vendido entre 40 e 90 caixas
nesta época sem tendência de crescimento ou decréscimo das vendas. O problema do gerente da loja
é o decidir quantas caixas de chocolate comprar para o dia dos namorados pois se a demanda
exceder a quantidade comprada a empresa perde oportunidade de lucro. De outro lado, se muitas
caixas são compradas isto é, a quantidade comprada excede a quantidade demandada até o dia 13
de junho, a loja estará perdendo dinheiro pois estará vendendo as caixas que sobrarem a um preço
abaixo do seu custo de compra. Se a demanda é conhecida pode-se computar o lucro de comprar 40,
50, 60, 70, 80 ou 90 caixas facilmente. Porém a demanda é probabilística e, para efeitos de
simplificação, deve-se assumir que a demanda será de 40, 50, 60, 70, 80 ou 90 caixas com igual
probabilidade (1/6). Ajude o gerente a decidir quantas caixas comprar. Obviamente seu objetivo é o de
maximizar o lucro da empresa.

2. (Simulação de Sistemas) JERDAW é uma empresa que produz, no modelo just-in-time, vários
componentes utilizados na fabricação de automóveis. Esta empresa acaba de assinar um novo
contrato de fornecimento de bombas d´água para automóveis. A capacidade de produção planejada
para a fabricação de bombas d´água é de 100 bombas por turno. Por causa da flutuação das
operações de seus clientes a demanda por este produto flutua e tem sido, historicamente, entre 80 e
130 unidades por dia. Para manter estoque suficiente para atender os pedidos na forma just-in-time, a
administração da JERDAW está considerando uma política de contratar um segundo turno sempre
que o nível de estoque atingir 50 unidades ou menos. Para a elaboração do orçamento anual da
empresa os Diretores da JERDAW necessitam saber quantos turnos adicionais serão necessários.
Faça uma simulação de 20 dias e responda à empresa. Suponha que exista um estoque inicial de 100
unidades e que a demanda varia em intervalos fixos de 10 unidades (80,90,100,110,120,130) com
igual probabilidade (1/6).
Para realizar a simulação você pode seguir os passos abaixo:
1) Inicialize o estoque no início da simulação. Inicie um novo dia de simulação;
2) Fixe o estoque inicial igual ao estoque final do dia anterior;
3) Determine a demanda utilizando o dado;
4) Se o estoque inicial é de 50 unidades ou menos, então a produção do dia será de 200 unidades;
se for maior que 50 unidades, a produção será de 100 unidades;
5) Utilize a equação que você encontrou para calcular o estoque final;
6) Pare quando um número de dias suficiente tiver sido simulado; se não retorne ao passo 1.
2. Introdução à Simulação 16

Simulação Estoque Inicial Número Demanda Produção Estoque Final

aleatório
1 100
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

3. Um feirante faz compras de ovos uma vez por semana num entreposto atacadista. Os ovos não
vendidos dentro de uma semana se estragam e são descartados, acarretando um prejuízo de R$1,00
por dúzia. Por outro lado, a falta de produto para venda também acarreta perda, estimada em R$15
por dúzia demandada e não vendida. O feirante anotou a demanda das últimas 40 semanas e
chegou à seguinte distribuição de probabilidades.

Média de Vendas Freqüência

(dúzias)
205 2
215 5
225 9
235 10
245 7
255 4
265 3

Utilize a tabela abaixo para simular 10 semanas de modo a testar as hipóteses a e b abaixo. O
objetivo é encontrar quanto comprar semanalmente para obter o custo total mais baixo. O estoque
inicial do feirante é de 235 dúzias de ovos.
a) Comprar cada semana a demanda efetiva da semana anterior;
b) Comprar semanalmente uma quantidade igual à média histórica do período de 40 semanas
(média histórica = 235 dúzias).
2. Introdução à Simulação 17

Tabela para a hipótese (a)

Simulação Estoqu No. Demanda Venda Estoque Custo da Custo Custo
e Aleatório Final falta das total
Inicial sobras
1 235
2
3
4
5
6
7
8
9
10

Tabela para a hipótese (b)

Simulação Estoque No. Demanda Venda Estoque Custo da Custo das Custo
Inicial Aleatório Final falta sobras total
1 235
2
3
4
5
6
7
8
9
10

4. A demanda quinzenal por iogurte em uma padaria obedece a seguinte distribuição de probabilidade.
Dem.Quinzenal Probabilidade
(Kg)
100 0.20
120 0.30
140 0.40
160 0.10
O abastecimento é feito no início de cada quinzena. Cada kg vendido dá um lucro de R$ 1,00; cada
kg que sobrar em estoque no final da quinzena representa um prejuízo de R$ 0,50 e cada kg que for
procurado e não encontrar estoque para venda representa um prejuízo estimado de R$ 0,30. Faça
uma simulação dos lucros de vinte quinzenas sob a regra de adquirir 130 kg de iogurte no início de
cada quinzena (para venda na quinzena), com o seguinte detalhe: se houver falta de produto em uma
quinzena o pedido da quinzena seguinte é aumentado em 10 kg; se houver sobra de produto o
pedido da quinzena seguinte é reduzido em 10 kg.
2. Introdução à Simulação 18

Simulação Pedido Número Demanda Lucro de Perdas por Perdas por Lucro da
(Kg) Aleatório (Kg) Vendas excesso de falta de quinzena
(R$) estoque estoque (R$)
(R$) (R$)
1 130
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

5. A Caixa Econômica Federal quer lançar um novo tipo de loteria instantânea. Cada cartão de loteria
contém 3 linhas. Em cada linha existem 3 caixas que podem ter valores escondidos de R$ 1,00 e R$
5,00. O jogador deve raspar 1 caixa em cada linha. Se, ao raspar, encontrar 3 valores iguais de R$
ganha R$ 1,00; se ao raspar encontra três valores iguais de R$ 5,00, ganha R$ 5,00; do contrário
não ganha nada. Antes que o estado comprometa-se com este jogo e imprima um número elevado
de cartões você, diretor da comissão de loterias, quer avaliar a viabilidade econômica deste jogo.
Entre as questões envolvidas você deve responder: qual é o valor mais baixo que o estado pode
cobrar por cada cartão e ainda esperar ter lucro? Utilize a tabela abaixo para construir a simulação.
2. Introdução à Simulação 19

Valor
Linha 1 Linha 2 Linha 3 Pago($)
Experimento N.Random Valor($) N.Random Valor($) N.Random Valor($)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Total Pago

6. A Caixa Econômica Federal está considerando uma modificação no cartão do exercício anterior. De
acordo com esta modificação cada linha conterá seis caixas, ao invés de três. Cada linha conterá 1
caixa com a figura de um abacaxi, três caixas com figuras de morangos e duas caixas com figuras
de limão. O jogador raspa uma caixa em cada linha, mas somente até que uma das seguintes
condições ocorram: (a) um limão aparece (o jogador perde); ou (b) dois morangos aparecem (o
jogador ganha R$ 1,00), ou (c) dois abacaxis aparecem (o jogador ganha R$ 5,00. Aplique a
simulação de Monte Carlo para computar o valor esperado da loteria. Faça 20 simulações usando
números randômicos começando na linha 3 e coluna 1 da tabela anexa.
a
7. A 1 . Linha Vídeos é uma loja que compra fitas de vídeo novas por R$ 25,00, aluga-as por R$ 3,00 a
cópia e, após 1 mês, vende-as para outra loja por R$ 5,00 a cópia. Baseada em dados históricos, a
loja tem estimado as probabilidades de demanda diária para cada fita descritas na tabela abaixo.
Como administrador da loja você deve decidir quantas cópias de cada novo filme comprar: 0,1,2,3
ou 4 de maneira a maximizar o lucro da loja. Utilize a tabela abaixo para construir a simulação e
computar os lucros.

Número de cópias Probabilidade

0 0,15
1 0,25
2 0,45
3 0,10
4 0,05
2. Introdução à Simulação 20

Simulação N.Random Demanda Receita-1ft* Receita-2ft Receita-3ft Receita-4ft

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Receita
Mensal ($) - 0 0 0 0

No. de Custo da Receita Receita Lucro

Cópias Compra ($/mês) Revenda($)
0 0 0 0 0
1 25 0 5
2 50 0 10
3 75 0 15
4 100 0 20
2. Introdução à Simulação 21

8. Uma banca de revistas encomenda uma determinada quantidade do jornal Folha de São Paulo por
dia. A demanda pelo jornal varia cada dia mas o gerente da banca tem observado esta demanda e
construiu a seguinte tabela:
Número de Exemplares Probabilidade
Vendidos da Folha de
São Paulo por dia
20 1/30
23 4/30
26 13/30
29 10/30
32 2/30
Cada jornal custa à banca R$ 1,50 e é vendido a R$ 2,50. Os jornais que sobram em um dia são
doados a um asilo de idosos. Desenvolva um modelo de simulação para determinar a quantidade que
o gerente da banca deve encomendar por dia para obter o melhor lucro possível. Utilizando a tabela
abaixo simule 15 dias de movimento da banca para obter esta resposta.

Simulação 1 (Q=20)
Simulação No. aleatório Demanda Lucro/Custo (R$)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Simulação 2 (Q=23)
Simulação No. aleatório Demanda Lucro/Custo (R$)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2. Introdução à Simulação 22

Simulação 3 (Q=26)
Simulação No. aleatório Demanda Lucro/Custo (R$)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Simulação 4 (Q=29)
Simulação No. aleatório Demanda Lucro/Custo (R$)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Simulação 5 (Q=32)
Simulação No. aleatório Demanda Lucro/Custo (R$)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
2. Introdução à Simulação 23

15

9. Deseja-se prever o número de dias em que ocorrerão precipitações pluviométricas no mês de

setembro em um certo lugar. Com base na distribuição de freqüência dada pela tabela abaixo estime
o número de dias de chuva do próximo mês de setembro. (Utilize a tabela anexa para efetuar 20
simulações)
Número de Ocorrências de Dias de Chuva nos Meses de Setembro dos Últimos 50 anos
Simulação Número de ocorrências Freqüência relativa (%) Freqüência
acumulada(%)
1 1
2 4
3 8
4 12
5 13
6 5
7 4
8 2
9 1
Total 50

Simulação Número aleatório No. De dias de chuva

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Média
2. Introdução à Simulação 24

10. A performance recente de uma ação recém lançada no mercado após uma oferta pública tem suas
variações de preço mostradas na tabela abaixo. Simule a performance desta ação nos próximos 20
dias, assumindo um valor inicial de R$ 100 por ação.

Mudança no Probabilidades
Preço(%)
-1,5% 9/36
Não se altera 10/36
+1,5% 7/36
+2,5% 7/36
+5% 2/36
+10 1/36

Simulação No. aleatório Mudança no preço

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

11. (Otoni, Almeida; UFSC) Um investidor, Sr. R.D. Bônus, quer avaliar uma estratégia em particular para
comprar e vender ações comuns. Para manter a exposição simples, suponha que toda a sua
transação seja feita com ações de uma única empresa. No momento, ele possui 100 ações da
empresa que, correntemente tem o preço de R$ 10 por ação. Novamente, a fim de simplicidade,
suponha que o preço da ação possa variar cada dia de somente R$ 1,00, de modo que alguns dos
preços possíveis das ações são R$ 8, R$9, R$10, R$11, R$12, ... O investidor faz, no máximo, 1
transação por dia e paga uma comissão de 2% do valor da transação sempre que comprar ou vender;
naturalmente, ele não precisa fazer uma transação todos os dias. O Sr. Bônus quer testar a
lucratividade da seguinte regra para comprar e vender que foi sugerida pelo seu corretor Sr. Cifras:
a. Se você possuir as ações, então venda-as sempre que o preço cair.
b. Se você não possui as ações, então compre-as sempre que o preço subir.
De acordo com esta regra, se o Sr. Bônus possuir ações ele as conservará enquanto o preço
permanecer o mesmo ou subir; se ele não possuir ações, ele abster-se-á de compra-las enquanto o
preço permanecer o mesmo ou cair.
A fim de avaliar esta estratégia, o Sr. Bônus deve também postular como ele acredita que o preço das
ações flutue de dia para dia. Depois de analisar dados históricos, ele formula o modelo de alteração
de preços mostrado na tabela que segue. Com base nas regras acima, nas informações da tabela
abaixo e sabendo que o preço de R$ 10,00/ação referente à data de hoje não sofreu alteração do dia
anterior, monte a simulação de 20 dias de operação e responda: dadas as suposições do modelo, a
regra de decisão proposta pelo corretor da bolsa de valores é lucrativa?
2. Introdução à Simulação 25

Preço de ontem da Preço de hoje da ação

ação Aumenta Permanece o mesmo Diminui
Aumentou 50% 25% 25%
Não alterou 25% 50% 25%
Diminuiu 25% 25% 50%

Tabela de geração de eventos

Preço de ontem da Preço de hoje da ação

ação Aumenta Permanece o mesmo Diminui
Aumentou
Não alterou
Diminuiu

Simulação
Dia (i) Alteração no. Situação PAi Decisão NAi VAi CAi
do preço aleatório hoje R$
de ontem
1 - - - 10
2 mesmo
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Onde: PAi = preço da ação no dia i; NAi= número de ações disponíveis no final do período i; VAi = valor
das ações disponíveis no final do período i; CAi = quantia disponível no caixa no final do período i
(i=1,...20).
2. Introdução à Simulação 26

12. (Corrar; Theófilo, 2003) Uma empresa de varejo, do ramo farmacêutico, deseja simular sua demanda
diária de determinado item do estoque: vitamina C. Para isto procedeu ao levantamento de dados
históricos sobre esta demanda. O relatório de vendas dos últimos 100 dias apontou o seguinte
comportamento para a demanda diária de frascos de vitamina C.

Distribuição de Freqüência da demanda diária de frascos de vitamina C

Demanda Freqüência Freqüência Freqüência
Diária (no. de dias) Relativa Relativa
(número de Acumulada
frascos)
10 30
15 30
20 40
Total 100

Com base nestes dados efetue a simulação da demanda por frascos de vitamina C.

Simulação Número aleatório Demanda

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Média

13. (Corrar; Theófilo, 2003) A indústria de confecções VP quer determinar qual o lucro provável para o
próximo ano de seu principal produto. O produto é calça jeans. Após pesquisas de mercado e análises
financeiras preliminares foram estabelecidos o preço de venda, os custos e as despesas fixas. Os
valores são os seguintes:
Preço de venda = R$ 25 por unidade
Custos e despesas fixas = R$ 100.000,00

O custo da matéria-prima, o custo da mão de obra e a demanda não são conhecidos com certeza. As
melhores estimativas que a empresa tem desses valores são: R$ 10,00 por unidade para o custo da
matéria-prima, que pode variar de R$ 8,00 a R$ 12,00 (em variações inteiras e todos tem a mesma
2. Introdução à Simulação 27

probabilidade de ocorrer); R$ 5,00 por unidade para o custo de mão-de-obra, podendo variar de R$
3,00 a R$ 7,00 dependendo do fornecedor (ver tabela abaixo); e 13000 unidades para a demanda,
podendo variar de 10000 a 25000 unidades (média de 13000 unidades e desvio padrão de 3800
unidades).
Freqüências Relativas do Custo da Mão de Obra
Fornecedor Custo(R$) Freqüência
Relativa
A 3 0,10
B 4 0,20
C 5 0,40
D 6 0,20
E 7 0,10
Total - 1,00

Monte uma simulação usando o EXCEL do caso da indústria VP. Realize 200 simulações e encontre o
lucro médio que esta empresa deve alcançar. (Dica: para a demanda utilize a função INV.NORM)

OBS.: LUCRO=[(PV-CMP-CMO)*DEMANDA]-CDF , onde PV = preço de venda; CMP=custo da

matéria prima; CMO=custo da mão-de-obra; CDF=custos e despesas fixas.

14. Dada a equação de lucro abaixo:

Lucro = (preço unitário – custo unitário)*quantidade vendida – custos fixos

Suponha que o preço unitário de um determinado produto é de R$ 100,00 e que as outras variáveis
tem as distribuições da tabela que segue. Desenvolva um modelo que avalia o lucro obtido pela
empresa. Identifique o lucro médio, o número de vezes em que ocorreu prejuízo, e o prejuízo máximo.

Custo Probabilidade Quantidade Probabilidade Custos Fixos Probabilidade

Unitário(R$) Vendida (R$)
45 0,15 100 0,20 5000 0,30
55 0,45 200 0,60 6500 0,50
65 0,25 300 0,20 8000 0,20
75 0,15

15. O administrador de uma Central de Distribuição (CD) tem, atualmente, um caminhão para entregas
locais e está considerando a compra de um caminhão adicional para entregas de grandes volumes.
Atualmente ele aluga caminhões adicionais, quando necessário, por $300 por dia. O caminhão que a
companhia possui custa para a empresa $ 200 por dia sendo utilizado ou não. Um caminhão novo
traria um custo para a empresa de $250 por dia. Historicamente os registros mostram que o número
de caminhões necessários por dia tem a seguinte distribuição:

Número de Probabilidade
caminhões
necessários
0 0,20
1 0,30
2 0,40
3 0,10
Desenvolva um modelo para avaliar a alternativa de alugar ou não caminhões, quando necessário, e
compare com os custos de comprar um caminhão novo e alugar um terceiro, quando houver
necessidade.
2. Introdução à Simulação 28

16. Um empresa produz rádios para o mercado interno. A função de lucro é:

Lucro = (preço unitário – custo unitário)*(quantidade vendida) – custos fixos
Suponha que o preço unitário do rádio seja de $200 por radio, e que as outras variáveis tem as
seguintes distribuições de probabilidade:

Custo Unitário Probabilidade Quantidade Probabilidade Custos Fixos Probabilidade

Vendida
$80 0,20 1000 0,10 $50000 0,40
$90 0,40 2000 0,60 $65000 0,30
$100 0,30 3000 0,30 $80000 0,30
$110 0,10

Desenvolva um modelo para avaliar a lucratividade esperada. Identifique o lucro médio, o número de
vezes que houve prejuízo e o prejuízo máximo. Desenvolva 100 simulações.

17. Uma empresa produz suco concentrado de goiaba em garrafas de 2 litros. A função de lucro é:
Lucro = ($10 – custo variável)* número de garrafas vendidas – custos fixos
A atual capacidade da fábrica é de 5 milhões de garrafas por ano. A empresa pode expandir a
capacidade da planta atual por um adicional de 1 milhão de garrafas ou 2 milhões de garrafas por
ano com os seguinte impactos nos custos.

Capacidade da planta Custos Fixos Custos Variáveis

(garrafas por ano)
Atual 5 milhões $5 milhões $5/garrafa
Adicional de 1 milhão 6 milhões $6 milhões $4,90/garrafa
Adicional de 2 milhões 7 milhões $7 milhões $4,80/garrafa

A demanda anual é probabilística, com a seguinte distribuição:

Demanda Probabilidade
3 milhões 0,1
4 milhões 0,2
5 milhões 0,3
6 milhões 0,3
7 milhões 0,1

Desenvolva um modelo para cada uma das opções de capacidade usando o mesmo conjunto de
números randômicos para gerar os resultados. Simule 100 eventos e identifique o lucro médio para
cada alternativa.

18. Desenvolva um modelo para 3 anos de análise financeira do lucro total baseado nas seguintes
informações. O volume de vendas no primeiro ano é estimado em 100.000 unidades e está
projetado um crescimento de 7% ao ano. O preço de venda do produto é de $10 e crescerá em
$0,50 por ano. Os custos variáveis são $3 por unidade e os custos fixos anuais são de $200.000. É
esperado um crescimento dos custos unitários de 5% ao ano enquanto que um crescimento de 10%
ao ano está projetado para os custos fixos. Quais componentes do seu modelo seriam esperados
ser incertos? Desenvolva um modelo e discuta como a simulação pode ser aplicada.
2. Introdução à Simulação 29

19. O número de lâmpadas halógenas vendidas por semana em uma loja de materiais elétricos tem a
seguinte distribuição de probabilidade:

Número de lâmpadas Probabilidade

0 0,15
1 0,20
2 0,35
3 0,15
4 0,10
5 0,05

Mostre como usar números aleatórios para simular resultados para esta distribuição.

20. Uma banda de rock está planejando um concerto. Os ingressos para o show serão vendidos por
$10. Os custos de equipamentos e aluguel de espaço estão orçados em $50.000 mais 10% da
receita dos ingressos e gastos individuais. As distribuições de probabilidade da demanda e gastos
individuais são os mostrados nas tabelas abaixo. Desenvolva um modelo que simule o lucro do show
(realize 100 simulações).

Demanda Probabilidade
(no. de pessoas)
10.000 0,10
15.000 0,30
20.000 0,30
25.000 0,20
30.000 0,10

Gastos Individuais Probabilidade

$0 0,20
$5 0,30
$10 0,30
$15 0,20

21. Um hotel quer analisar sua estrutura de preços. Atualmente os preços e o número médio de quartos
alugados são os seguintes:

Tipo de quarto Preço Número de quartos

ocupados/dia
Padrão $ 85 250
Ouro $ 98 100
Platina $ 139 50

Cada segmento de mercado tem sua própria elasticidade de demanda com relação ao preço. Os
valores das elasticidades são: padrão, -1,5; ouro, -2; platina, -1. Isto significa, por exemplo, que se o
preço de um quarto do tipo padrão é reduzido em 1%, o número de quartos alugados cada dia é
esperado aumentar em 1,5%. O número projetado de quartos alugados pode ser determinado
usando e seguinte fórmula:

Número de quartos alugados (projeção) = elasticidade * (mudança no preço em $) * (número médio

de quartos alugados/preço)

Aonde o número médio de quartos alugados e o preço são aqueles mostrados na tabela.
Desenvolva um modelo para computar a receita projetada para cada segmento de mercado e a
receita total projetada para qualquer conjunto de mudança de preços. Aplique seu modelo para os
2. Introdução à Simulação 30

preços de $78, $90 e $145 para os quartos do tipo padrão, ouro e platina, respectivamente. Quais
aspectos do seu problema poderiam ser incertos? Como a simulação poderia auxiliar na análise?

22. Jucélio, um estudante de graduação em Administração, tem tido problemas para prever sua renda
mensal bem como a quantia que sobrará a cada mês. Jucélio recebe um salário fixo advindo de uma
bolsa de pesquisa mais algum dinheiro extra que ele ganha lecionando aulas particulares de pesquisa
operacional. Suas chances de várias níveis de renda são mostradas na tabela abaixo:

Renda Mensal Probabilidade

(R$)
350 0,40
400 0,20
450 0,30
500 0,10

Seus gastos mensais também variam mês a mês e ele estima que seguem a distribuição da tabela
abaixo:

Gastos Mensais Probabilidade

(R$)
300 0,10
400 0,45
500 0,30
600 0,15

Jucélio iniciou este ano com R$ 600 de saldo em sua conta. Simule um ano inteiro (12 meses) e diga:
a) quanto sobrou para Jucélio no final do ano;
b) quantas vezes ele ficou com saldo negativo no mês.

Tabela para a simulação:

Mês No. aleatório Renda Gastos Saldo na conta
(R$)
0 - - - 600,00
1
2
3
4
5
6
7
8
9
10
11
12
2. Introdução à Simulação 31

23. (Mathur e Sollow, 1995 - adaptado) Suponha que sua empresa irá comprar um novo equipamento no
valor de R$ 50.000,00 para sua linha de produção para o qual irá tomar um financiamento junto ao
BNDES. Existem atualmente duas linhas de financiamento no BNDES para este tipo de empréstimo.
Sua empresa tem, então, duas opções de pagamento a escolher:
a) Pagar o total da dívida após 15 anos corrigido anualmente por uma taxa fixa de juros de 8% ao
ano;
b) Pagar o total da dívida após 15 anos corrigido anualmente por uma taxa variável de juros, cujo
valor inicial é de 7% e cujo máximo deve ser de 10%. Esta taxa pode ir aumentando ou
diminuindo de acordo com a distribuição de probabilidades informada na tabela abaixo.
a
Faça a simulação da 2 . opção de financiamento e calcule a taxa média de juros a ser paga. Indique
qual a melhor opção de financiamento.

Mudança(%) Probabilidade
+2,0% 0,05
+1,5% 0,05
+1,0% 0,15
+0,5% 0,15
+0,0% 0,20
-0,5% 0,15
-1,0% 0,15
-1,5% 0,05
-2,0% 0,05

Ano No. aleatório Taxa Inicial Variação (%) Taxa Final (%) Valor pago
(R$)
1 7%
2
3
4
5
6
7
8
9
10
11
12
13
14
15

24. (Olson, D.L.; Evans, J., 2002) Um jovem empreendedor de empresa do tipo ponto.com quer predizer o
valor da sua empresa após 5 anos (preço da ação * no. de ações emitidas), quando ele planeja se
aposentar. Ele está lançando seu site o qual ele acredita que será um sucesso. Seu assessor de
investimentos informou ao empreendedor que o valor da ação de empresas deste tipo tem uma
distribuição conforme a tabela que segue. O empreendedor tem 100.000 ações, das quais seu
assessor pretende comprar 20.000. Ele irá vender 40.000 ações, com as quais ele injetará recursos
na sua empresa, e manterá as demais 40.000 como um investimento de longo prazo (5 anos).
Construa uma simulação que faça uma previsão do preço da ação daqui a 5 anos. Com base na
distribuição de probabilidade dos preços da ação obtidos através da simulação estime o valor que o
empreendedor terá para se aposentar.
2. Introdução à Simulação 32

Distribuição de Probabilidade do Preço da Ação da Empresa Ponto. Com daqui a 5 anos

Preço Probabilidade
(cotação da
ação)
0 0,3
$1 0,25
$2 0,15
$3 0,1
$4 0,1
$5 0,1

25. (Andrade, E.L., 2004) O lançamento de um produto novo no mercado está condicionado a uma série
de eventos. A firma pode lançar um modelo Luxo ou um modelo Popular. O lançamento do modelo
Popular dará à firma lucros que se distribuem segundo a Tabela 1. Por outro lado, no lançamento do
modelo Luxo, duas alternativas podem ocorrer: alta demanda ou baixa demanda pelo produto, com
probabilidade de 70% e 30%, respectivamente. Caso corra alta demanda, os lucros da firma se
distribuirão conforme os dados da tabela 2. De modo análogo, caso ocorra baixa demanda, os lucros
serão da tabela 3.
Pede-se:
a) Qual o lucro a firma deve esperar?
b) Qual o risco de cada alternativa (desvio-padrão)?
c) Qual produto a firma deve lançar no mercado?

Tabela 1 – Distribuição de Probabilidade do Lucro do Modelo Popular

Lucro ($) Probabilidade (%)
1.000 32
1.200 28
1.400 24
1.600 16

Tabela 2 – Distribuição de Probabilidade do Lucro do Modelo Luxo (demanda alta)

Lucro ($) Probabilidade (%)
2.500 18
2.700 22
2.900 30
3.100 22
3.300 8

Tabela 3 – Distribuição de Probabilidade do Lucro do Modelo Luxo (demanda baixa)

Lucro ($) Probabilidade (%)
-1.000 10
-500 20
0 50
500 15
1.000 5

26. (traduzido e adaptado de Taylor, B., 2004) O gerente da Computer World, uma loja que vende
notebooks e equipamentos relacionados, está tentando determinar quantos computadores a loja deveria
solicitar cada semana. Uma primeira consideração nesta decisão é o número médio de notebooks que a
loja venderá por semana e a receita média gerada pela venda dos mesmos. Cada notebook é vendido
por R$ 4.300,00 O (Preço de Venda: Pv ) número de notebooks vendidos por semana é uma variável
randômica (aleatória) que varia de 0 a 4 unidades. Com base nos arquivos da empresa, o gerente pôde
2. Introdução à Simulação 33

determinar a frequência da demanda por notebooks das últimas 100 semanas descrita na tabela abaixo.
Com base nestes dados monte uma simulação de 10 semanas e responda ao gerente:
a) o número médio de computadores vendidos por
semana;
b) a receita média obtida por semana.
Tabela 1 – Demanda Observada
Demanda de Frequência
Notebooks
por semana
0 20
1 40
2 20
3 10
4 10
Total 100

Tabela 2 – Simulação (observação: inicie na 7a linha da tabela de números aleatórios)

Semana No. Aleatório Demanda (q) Receita = Pv*q

1
2
3
4
5
6
7
8
9
10

27. Da simulação anterior o gerente da loja adquiriu informação útil sobre a demanda semanal e sua
receita média esperada. Porém, os resultados ainda não o auxiliam a tomar a decisão sobre quantos
computadores comprar semanalmente. Conduza duas novas simulações. Na primeira calcule o lucro
ª
médio da empresa com base em uma compra de 1 computador por semana. Na 2 simulação calcule
este lucro com base na compra de 2 computadores por semana. Compare os resultados e responda
ao gerente qual é a melhor solução. Para o cálculo do lucro médio semanal leve em consideração
que uma demanda superior à quantidade estocada (o gerente deixa de vender por falta de
computadores em estoque) conduz à um custo de R$500 por unidade. Entretanto, cada computador
ainda em estoque no final da semana ocasiona à loja um custo de estoque de R$ 50. Sabe-se ainda
que cada computador é comprado para revenda por R$2800,00 (Custo do computador: CC).
2. Introdução à Simulação 34

ª ª
Tabela 3 – 1 Simulação: comprar semanalmente 1 computador (obs.:inicie a simulação na 5 linha da
tabela de números aleatórios)
Semana No. Estoque Demanda Estoque Receita Custo da Custo de Lucro =
aleatório Inicial (q) Final pela Falta Estoque RT-CF-
venda (CF) (CE) CE- CC
(RT)
1 1
2
3
4
5
6
7
8
9
10
Total

ª ª
Tabela 4 – 2 Simulação: comprar semanalmente 2 computadores (obs.:inicie a simulação na 10 linha
da tabela de números aleatórios)
Semana No. Estoque Demanda Estoque Receita Custo da Custo de Lucro =
aleatório Inicial (q) Final pela Falta Estoque RT-CF-
venda (CF) (CE) CE- CC
(RT)
1 2
2
3
4
5
6
7
8
9
10
Total
2. Introdução à Simulação 35

ANEXO 1: Tabela de Números Aleatórios

1 2 3 4 5 6 7 8 9 10
1 0,796616 0,09071 0,0866 0,3795 0,5467 0,5771 0,4673 0,9292 0,7404 0,5539
2 0,210096 0,56622 0,0711 0,5213 0,9204 0,6073 0,3871 0,5316 0,6437 0,1376
3 0,860438 0,57595 0,5743 0,8976 0,581 0,6202 0,6819 0,3114 0,0143 0,1064
4 0,620942 0,47836 0,1793 0,2349 0,0441 0,2918 0,5552 0,4174 0,4314 0,9456
5 0,889193 0,97623 0,7441 0,6789 0,166 0,0345 0,0066 0,5449 0,085 0,6382
6 0,633823 0,98545 0,284 0,9382 0,7199 0,3808 0,0439 0,4093 0,2048 0,1385
7 0,831563 0,99475 0,6982 0,0287 0,3462 0,7649 0,9844 0,1964 0,2811 0,3724
8 0,946132 0,17451 0,1003 0,5033 0,7422 0,2454 0,0746 0,5752 0,8522 0,7538
9 0,339908 0,44785 0,5463 0,2696 0,1088 0,6333 0,414 0,6526 0,3057 0,5227
10 0,736661 0,95819 0,5568 0,1205 0,6973 0,3881 0,2172 0,0316 0,8494 0,8428
11 0,567891 0,46648 0,5487 0,8976 0,4637 0,1761 0,6178 0,769 0,4673 0,7072
12 0,541017 0,53469 0,383 0,5969 0,3706 0,9677 0,901 0,3517 0,3705 0,925
13 0,210732 0,81331 0,766 0,8489 0,1153 0,3877 0,3024 0,0739 0,1889 0,2922
14 0,795429 0,1228 0,2229 0,4468 0,3055 0,8294 0,3787 0,7943 0,865 0,9314
15 0,965871 0,02761 0,3473 0,7582 0,0483 0,4641 0,7929 0,3263 0,5549 0,4273
16 0,675253 0,8697 0,5801 0,6115 0,2637 0,8242 0,9141 0,5492 0,8811 0,2412
17 0,46076 0,33455 0,8411 0,4419 0,0884 0,9831 0,8827 0,7881 0,8188 0,2485
18 0,825295 0,4362 0,1207 0,2411 0,9469 0,1573 0,3666 0,1643 0,4109 0,4261
19 0,588643 0,27789 0,3889 0,9579 0,6038 0,4279 0,3648 0,9236 0,5856 0,9967
20 0,054579 0,23188 0,4643 0,8212 0,6492 0,0698 0,6094 0,0679 0,6953 0,273
21 0,425046 0,58716 0,6889 0,0072 0,4111 0,5488 0,3362 0,6026 0,5088 0,4416
22 0,534387 0,42944 0,744 0,7304 0,0299 0,9332 0,7613 0,7567 0,1265 0,2431
23 0,089115 0,40728 0,1543 0,144 0,5777 0,6533 0,887 0,1419 0,5545 0,9193
24 0,218284 0,97775 0,726 0,406 0,2539 0,4918 0,4158 0,3694 0,8952 0,3295
25 0,8773 0,17311 0,3637 0,4515 0,3551 0,4655 0,3522 0,0614 0,7512 0,7835
26 0,453585 0,86941 0,644 0,7445 0,4057 0,0185 0,9662 0,7171 0,7929 0,2389
27 0,981961 0,04948 0,1578 0,3764 0,0472 0,4307 0,7189 0,1544 0,8164 0,7406
28 0,893144 0,78246 0,7318 0,7959 0,1386 0,9505 0,1036 0,5494 0,2598 0,7408
29 0,072608 0,29879 0,6073 0,6624 0,6333 0,9052 0,5897 0,9787 0,0267 0,9088
30 0,997908 0,66189 0,6409 0,2742 0,1714 0,8889 0,2082 0,762 0,449 0,0736
31 0,441741 0,54971 0,8827 0,102 0,1 0,0851 0,4076 0,4107 0,2692 0,6643
32 0,916656 0,68571 0,5591 0,4047 0,7313 0,1629 0,6509 0,3326 0,6339 0,0749
33 0,782098 0,19475 0,8955 0,4423 0,6784 0,409 0,5473 0,0377 0,9308 0,6985
34 0,514714 0,21744 0,6671 0,7729 0,7872 0,1576 0,8857 0,4038 0,3948 0,1844
35 0,99709 0,62824 0,1814 0,6058 0,9007 0,8442 0,1425 0,4326 0,1143 0,0464
36 0,61225 0,12292 0,3619 0,2296 0,8102 0,8552 0,1617 0,6173 0,6084 0,4967
37 0,561609 0,7754 0,4493 0,9933 0,4847 0,7405 0,4819 0,1315 0,8397 0,1506
38 0,434193 0,42439 0,1679 0,1996 0,1036 0,0746 0,2037 0,6307 0,0435 0,0911
39 0,878908 0,96521 0,5433 0,5763 0,7149 0,4713 0,5724 0,7679 0,3273 0,5207
40 0,878034 0,38429 0,3559 0,6013 0,5395 0,1129 0,7702 0,1565 0,5627 0,3976
2. Introdução à Simulação 36

ANEXO 2: Funções Importantes para a Simulação em Excel

FUNÇÃO SE

Uma função bastante utilizada em simulação é a função SE.

= SE(condição, valor se verdadeiro, valor se falso)

Esta função nos permite escolher um dos dois valores para entrar na célula. Se a condição é verdade, o
“valor se verdadeiro” informado será escrito na célula. Se a condição é falsa o “valor se falso” informado é
que será entrado na célula. Por exemplo:

= SE(A8=2,6,12)

a função acima declara que se o valor contido na célula A8 é igual a 2 então o número 6 será designado
para a célula C2 (célula em que a função foi escrita). Do contrário, se o valor da célula A8 não é 2 o
número 12 será designado para a célula C2.

As condições podem incluir:

= igual a
> maior que
< menor que
>= maior ou igual que
<= menor ou igual que
<> diferente

Você pode “aninhar” funções se necessário (função dentro de uma função). Você pode substituir o “valor
se verdadeiro” ou “valor se falso” por uma função SE. Exemplo:

=SE(A8=2, SE(B3=5, “SIM”, “ “), 15)

Esta função diz que: se o valor contido na célula A8 for igual a 2 então outra função SE será acionada, do
contrário escreva 15 na célula C2. Se a função SE for acionada e o valor na célula B3 for igual a 5 então
escreva SIM, caso contrário não escreva nada.

Você também pode utilizar as funções E ou OU como uma condição da função SE. Por exemplo:

SE(E(B1=3,C1=5),12,22)

Aqui se o conteúdo da célula B3 for igual a 3 e o conteúdo da célula C1 for igual a 5 escreva o número
12, caso contrário escreva o número 22.

FUNÇÃO PROCV

Outra função importante para o nosso estudo de simulação é a função PROCV. Esta função poderá
substituir a função SE. Seus argumentos são:

= PROCV(valor_procurado, matriz tabela,num_índice_coluna)

Para a simulação o valor procurado será o endereço da coluna que contém o número aleatório gerado
pela função ALEATORIO().
A matriz tabela será o endereço da matriz que contém os limites inferior, limites superior e valor a ser
atribuído à variável, cada um em uma coluna. Por exemplo:
2. Introdução à Simulação 37

Tabela 1
Distribuição dos Números Aleatórios
Limite Inferior Limite Superior Demanda
0 0.17 40
0.17 0.33 50
0.33 0.5 60
0.5 0.37 70
0.67 0.83 80
0.83 1 90

A função PROCV é a que retornará a demanda probabilística dada na tabela 2 abaixo. A geração desta
demanda dar-se-á com a seguinte função.

=PROCV(B$10, A$3:C$8,3)

Tabela 2
Ano Num. Aleatório Demanda
1 0.301882822 50
2 0.771451551 80
3 0.637005319 70
4 0.240564486 50
5 0.795141967 80
6 0.300583492 50
7 0.241803045 50
8 0.959031752 90
9 0.862160938 90
10 0.493898386 60

Esta função compara o valor aleatório gerado com os valores constantes nas duas primeiras colunas da
tabela 1 até que ela encontra o valor mais próximo do número aleatório. Então ela retorna o valor dado
a
na 3 . coluna desta matriz, que para nosso exemplo, é a demanda.
 38

Bibliografia

Bronson, R. Pesquisa Operacional. Ed. McGraw Hill, 1988.

Corrar, L.J.; Theófilo, C.R. Pesquisa Operacional para Decisão em Contabilidade e Administração. Ed.
Atlas, 2004.

Evans, J.R.; Olson, D.L. Simulation and Risk Analysis, 2a. Ed. Prentice Hall, 2002.

Goldbarg, M.C.; Luna, H.P. Otimização Combinatória e Programação Linear. Modelos e Algoritmos.
Ed. Campus, 2000.

Harrer, C.R.; Mott, J.R.A.; Bateman, R.E.; Bowden, R.G.; Gogg, T.J. Simulação: otimizando os sistemas.
Belge, 2002.

Lachtermacher, G. Pesquisa Operacional na Tomada de Decisões. Ed. Campus, 2002.

a
Lanzer, Edgar A . Programação Linear: Conceitos e Aplicações. Ed. IPEA, 2 . ed., 1988.

Mathur, K.; Solow, D. Management Science. The Art of Decision Making. Prentice Hall, 1994.

Olson, D.L.; Evans, J.R. Introduction to Simulation and Risk Analysis. Ed. Prentice Hall, 2002.

Prado, D. Programação Linear. Editora DG, 1998.

Prado, D. Teoria das Filas e Simulação. Ed. DG, 1999.

Ramalhete, M.; Guerreiro, J. Magalhães, A . Programação Linear. Vol I. Ed. McGrawHill, 1984.

Render, B.; Stair JR, R.M.; Balakrishmann, N. Managerial Decision Modeling with Spreadsheets.
Prentice Hall, 2003.

Winston, W.L.; Albright, S.C. Management Science. Spreadsheet Modeling and Applications.
Thomson Publishing, 1997.