Capítulo 12.

Introdução à Simulação

12 INTRODUÇÃO À SIMULAÇÃO
12.1 INTRODUÇÃO

A palavra simulação, tem sua origem nos trabalhos de Von Newmann e Ulam em 1940,
quando eles associaram a expressão Análise de Monte Carlo. Actualmente a simulação de
um sistema é a operação de um modelo que o representa. O modelo permite manipulações
que seriam inviáveis no sistema real.

Os modelos de simulação procuram oferecer uma representação do mundo (problema) real

com objectivo de permitir a geração e a análise de alternativas, antes da implementação de
qualquer uma delas, dando ao executivo um grau de liberdade e flexibilidade na escolha da
acção mais conveniente.

A simulação sempre foi usada pela humanidade como forma de representar os processos
relativos aos sistemas onde as pessoas viviam por meio de esculturas, pinturas e todas as
formas de representação de ideias. Actualmente, a ciência utiliza os modelos como uma
etapa de analise e correcção através da redução e ampliação de escalas. " existem modelos
em escala reduzida como barragens, fotografias, edifícios etc.; modelos de aviões para
estudos de aerodinâmica; modelos analíticos de processos físicos ou mentais ".

Segundo Davies, R et all (1948), a simulação é usada com três objectivos fundamentais:
- Comparação: faz a comparação dos resultados obtidos na simulação através da mudança
das variáveis de decisão com os objectivos da operação do sistema real.;
- Previsão: previsão dos resultados, para determinar o nível da realização dos esforços
para alcançar a performance desejada.
- Investigação: serve como um método para investigar o desenvolvimento e
funcionamento dos sistemas para se saber se este está no sentido normal ou anormal.

Existem três tipos de simulação: estatística, contínua e discreta:

1) Simulação estatística: descreve sistemas com variáveis estocásticas e estáticas que são
usadas para estimar valores que não podem ser obtidos matematicamente. Esta
simulação também é chamada simulação Monte Carlo.

2) Simulação contínua: é usada para modelos de sistemas que operam com variáveis
contínuas ao longo do tempo em sistemas dinâmicos e as vezes em sistemas
determinísticos ou estocásticos
.
3) Simulação discreta: consiste na modelação de sistemas que podem ser representados
por uma série de eventos. A simulação neste caso, descreve estes eventos discretos,
movimentos ao longo do tempo.

12.1.1 Razões para usar simulação

Muitas razões podem ser enumeradas para justificar o uso da simulação em administração.
Entre elas podemos destacar.

Apontamentos de Investigação Operacional 262 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

a) Por ser impossível ou muito difícil observar directamente certos processos no mundo
real;
b) O sistema observado pode ser tão complexo que se torna impossível descrevê-lo em
termos de um conjunto de equações matemáticas de solução analítica viável.
c) Mesmo sendo possível desenvolver um modelo matemático do sistema em foco, a sua
solução pode ser muito trabalhosa e pouco flexível.

12.1.2 Vantagens do uso da simulação

a) A simulação permite estudar e experimentar complexas interacções internas de um dado

sistema, seja ele uma empresa ou parte da mesma;

b) A experiência adquirida em construir os modelos e realizar a simulação pode conduzir a

uma melhor compressão do sistema, com possibilidades de melhorá-lo;

c) A simulação pode servir como um primeiro teste para se delinear novas políticas e
regras de decisão para a operação de um sistema, antes de experimentar no sistema real.

12.1.3 Fases na realização de uma simulação

Usualmente um trabalho de simulação pode ser desenvolvido segundo as seguintes etapas

conforme a figura 12.1.

Formulação do problema - devem ser explicitamente definidos os objectivos da

simulação, a amplitude e a profundidade que se quer da análise e os recursos disponíveis. É
evidente que esta definição inicial do problema pode ser alterada durante a realização do
processo de simulação.

Recolha de dados - é um processo de recolha de factos e informações disponíveis que serão

processados quando houver necessidade. Os dados devem ser recolhidos observando-se os
seguintes cuidados:
• deve haver uma quantidade suficiente de dados;
• os dados devem ser qualitativamente confiáveis;
• os dados devem ser significativos para o processo de decisão.

Identificação das variáveis - como primeiro passo da modelagem, devem ser identificadas
as variáveis do problema. A escolha de um conjunto de variáveis é muito importante para a
qualidade do modelo, ou melhor é fundamental que todas as variáveis importantes sejam
incluídas no modelo de forma que os resultados do modelo sejam confiáveis.
De um modo geral identificam-se duas classes de variáveis relevantes:
a) Variáveis controláveis (endógenas) - são variáveis que representam aspectos de interesse
do sistema que foram identificados no primeiro passo, bem como as que são calculadas
dentro do modelo, para chegar à solução final.
b) Variáveis não - controláveis (exógenas) - são variáveis que representam valores
importantes determinados por influências de fora do sistema, mas que influem na tomada de
decisão.

Apontamentos de Investigação Operacional 263 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

F o r m u la c a o d o p r o b le m a

R e c o lh a d e d a d o s

I n d e n t ic a c a o d a s v a r ia v e is

F o r m u la c a o d o m o d e lo

M o d e lo R e je i t a d o
A v a li a c a o d o m o d e l o

M o d e l o a c e it e

F o r m u la c a o d o p r o g a r m a d o
c o m p u ta d o r

T e ste d o p ro g ra m a

R e a l iz a r a s i m u la c a o

Figura 12.1. Fases da realização de uma simulação

Formulação do modelo - esta é a etapa mais difícil do processo de simulação e que deve
ser realizada com mais cuidado. A dificuldade decorre do facto de que, na construção de
modelos, é exigida tanto arte quanto técnica, para que eles representem bem os sistemas,
levando em conta todas as relações importantes, tanto entre as variáveis internas, como entre
este e o meio ambiente que o cerca. Conhecidos os objectivos, os dados disponíveis e as
variáveis do processo, a construção do modelo consiste na formulação de equações que
devem representar as inter-relações do sistema e no estabelecimento de limites de variação
dos resultados e valores.

Avaliação do modelo - uma vez construído o modelo é necessário saber se ele atende aos
objectivos da simulação, representando correctamente o sistema em estudo. Os testes com o
modelo devem abranger também os dados, de forma a verificar sua consistência.

Formulação do programa de computador - como pudeste ver, as fases da realização de

uma simulação foram apresentadas por um fluxograma que é uma forma de representação
dos algoritmos.

Apontamentos de Investigação Operacional 264 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Um algoritmo é uma descrição de forma ordenada, com clareza e rigor, das operações que
se pretendem realizar em computador para resolver um problema.
Os estudos de simulação, são de um modo geral muito complexos, e estão orientados para o
computador, até um certo ponto exigindo uma programação bem detalhada. O que requer
um certo domínio das linguagens de programação em especial das linguagens de simulação
como GPSS, SIMSCRIPT, SIMPAC e GASP.

Teste do programa - esta é a fase de ajustar o programa - modelo, geralmente com poucos
dados e manualmente ou não para verificar se os resultados obtidos do programa
correspondem aos esperados. (Se o programa pode executar com eficiência uma dezena de
dados, então provavelmente será funcional para mais dados sem defeitos significativos) a
última fase será explicada a diante.

12.2 FORMULAÇÃO E CONSTRUÇÃO DE MODELOS DE SIMULAÇÃO

Vamos analisar dois exemplos que exemplificam a técnica de modelação para a simulação.
Lembra-se desde já, que não existem regras muito rígidas na definição e construção de um
modelo de uma forma inequívoca, se não a própria lógica das variáveis do problema e todas
as operações facilitadas pelo conhecimento específico do problema focalizado.

Exemplo 12.1. Exemplo de stock numa empresa.

a) Formulação do problema

Uma empresa revendedora de pneus, trabalha com um certo tipo, cuja demanda diária é de
40 pneus em média, com distribuição dada pela tabela 12.1. O contrato do revendedor com a
fábrica garante uma entrega semanal de 240 unidades (semana de seis dias úteis). Porém o
fabricante está tendo dificuldades de transporte, o que acarreta possíveis atrasos na entrega.
A experiência tem mostrado que o atraso médio é de 2 dias, com uma distribuição de
probabilidades mostrada na tabela 12.2. O objectivo do revendedor é simular seu sistema de
stock de forma a analisar a política de recebimento, face aos problemas de transporte do
fabricante.

Tabela 12.1. Demanda diária de pneus

-----------------------------------------------------------------------------
demanda (xi) 25 30 35 40 45 50 55
probabilidade(pi) 0.05 0.10 0.20 0.30 0.20 0.10 0.05
------------------------------------------------------------------------------

Tabela 12.2. Distribuição dos atrasos de entrega

------------------------------------------------------
dias de atraso (xi) 1 2 3
probabilidade (pi) 0.30 0.40 0.30
-----------------------------------------------------
b) Recolha de dados

Apontamentos de Investigação Operacional 265 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

- Dados de demanda, indicados na tabela 12.1;

- Dados de atrasos nas entregas, indicados na tabela 12.2.
Além dos dados das tabela 12.1 e 12.2, são conhecidos também os custos relativos aos
elementos de stock
- Custos de stock
* 3 u.m. por pneu por dia, relativo aos juros sobre o capital empatado;
* 2 u.m. por pneu por dia, relativos aos custos administrativos.

- Custos de falta
* Cada pneu que deixa de ser vendido, por falta de stock, representa um prejuízo de 80 u.m.

c) Identificação das variáveis

Uma vez formulado o problema e recolhidos os dados, o próximo passo é identificar as

variáveis. Neste caso temos duas variáveis aleatórias dependentes, que determinam todo o
desempenho do sistema.
* demanda;
* prazo de emprega.

Também a quantidade de pneus que o fabricante entrega por semana é uma variável
dependente, que pode ser alterada de forma a modificar o comportamento do sistema de
stock.

As variáveis independentes do problema são

* nível inicial do stock;

* custos.

d) Formulação do modelo

Apresenta-se um fluxograma do modelo, que pode ser implementado em um computador

para análise do sistema de stock do revendedor. Com este modelo é possível analisar o stock
para diferentes distribuições da demanda, dos prazos de emprega e para quaisquer
quantidades de reposição, tomando como elemento comparativo o custo total do sistema.

Apontamentos de Investigação Operacional 266 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Condicoes iniciais
stock iniciao
calendario = 1
A

Gerar demanda

Calcular demanda do
stock

Sim
stock < 0 ? calcular custo de falta

Nao

Calcular custo de stock

Calendario = 1 Nao
semana ?

Sim

Gerar prazo de entrega

Estabelecer data de
entrega

Actualizar calendario

Imprimir Sim Calendario = prazo

relatorio da simulacao ?
Nao

Data de entrega
FIM
foi atingida ? Sim stock=stock+reposicao
Nao

Retomar o ponto A

Figura 12.2. Fluxograma do modelo de stock.

Apontamentos de Investigação Operacional 267 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Exemplo 12.2. Exemplo de uma fila numa cabina telefónica

a) Formulação do problema

Deseja-se estudar a operação de uma cabina telefónica com a finalidade de planear sua
expansão. O funcionamento do sistema é o seguinte:
O cliente chega e ocupa a cabina desocupada. Se estiver ocupada, ele deve esperar na fila,
não sendo analisada a hipótese de sua desistência. Quando alguém sair, o primeiro da fila
entra imediatamente.

Para o planeamento de expansão, os seguintes dados são importantes:

* tempo médio de espera na fila por cliente;
* tempo médio gasto no sistema por cliente;
* tempo médio de utilização da cabina ou, ao contrário, o tempo médio ocioso da cabina.

b) Dados

Através de levantamentos estatísticos realizados com uma determinada cabina, sabe-se que a
chegada dos clientes obedece à distribuição de Poisson, com média de 18 chegadas por hora.
O número médio de telefones efectuados numa cabina, por hora, é igual a 20, e cada
telefone tem a duração média de 3 minutos, sendo esta uma variável aleatória que segue a
distribuição exponencial negativa.

c) Identificação de variáveis

O problema apresenta duas variáveis aleatórias independentes, que determinam o

desempenho do sistema de fila:

* Chegada de clientes;
* duração das chamadas.

Como o desempenho do sistema é fundamentalmente dependente do tempo em que ocorre

os eventos, é muito importante trabalhar com o intervalo entre chegadas, de forma que as
chamadas possam ser ordenadas cronologicamente.

c) O modelo

O figura 12.3, apresenta o diagrama de blocos do modelo de simulação deste problema,

neste diagrama estão indicadas quase todas as relações entre as variáveis, o sistema é o meio
ambiente bem como as situações de começo de uma fila. Atenção são 4 ciclos neste sistema,
logicamente poderiam ser diminuídas ou aumentadas conforme as condições iniciais ou
exigências dos gestores da empresa utilizadora do modelo.

Apontamentos de Investigação Operacional 268 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

condicoes iniciais

Gerar intervalo entre chegadas

Retirar o primeiro da lista

Sim
O ultimo da lista ?
Fazer
Ultimo=1 Nao
Ocupada
Testar estado da cabina

Vazia Cliente entra na fila

Nao de espera
Ha fila ?
Sim B

Reduzir a fila 1 cliente

Cliente entra na cabina

Gerar duracao da chamada

Incrementar o relogio

Nao
terminou a chamada?

Nao E' tempo de Sim

chegar Esvaziar a cabina
outro cliente?

Sim Sim E' tempo de chegar

outro cliente?
Nao
Ha fila? B
Sim
Nao
Ultimo=1?
Sim
Imprimri relatorio

FIM

Figura 12.3. Modelo de simulação de uma cabina telefónica

Apontamentos de Investigação Operacional 269 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Os modelos de simulação têm como objectivo imitar o funcionamento dos sistemas reais. É
por isso que qualquer modelo antes de ser posto em funcionamento deve ser analisado
cuidadosamente por uma equipa ou por especialistas na área.

A validação de um modelo é uma das fases mais difíceis da simulação, onde o trabalho se
resume na comparação dos custos do modelo real e do simulado quer ao nível dos
construtores quer para os utilizadores.

Geralmente tem-se a certeza sobre a validade de um modelo construído quando este

funciona correctamente com os utilizadores. Devido a uma série de considerações a
validação de um modelo leva tempo e torna-se difícil.

Alguns critérios usados para a validação de um modelo

Três problemas são encontrados na validação de um modelo: adequação do modelo ao

programa de simulação "programa de computador"; o relacionamento entre as variáveis do
modelo a simular e as do modelo antigo e a compreensão do funcionamento do modelo
antigo.

1. Generalidade - se dois modelos forem desenhados, descrevendo o mesmo fenómeno, o

que tiver maior aplicabilidade ou maior amplitude é mais preferido, => o modelo de
simulação deve ser mais geral no sentido de ser adaptado a problemas semelhantes.

2. Fiabilidade - de um modo geral os programas de computador são dotados de uma

determinada precisão nos cálculos. Entretanto se este tratamento científico dos cálculos é
exagerado os resultados fogem da realidade tornado o modelo menos fiável,
= > os modelos devem apresentar um maior grau de confiabilidade.

3. Representatividade - o modelo deve ser desenhado sobre um conjunto de factos. Se

forem feitas previsões incorrectas ou se não forem tomados em conta os pontos críticos do
fenómeno em estudo, o modelo não será geral e muito menos a longo prazo cientificamente,
por não serem considerados todos os factos, => o modelo deve tomar em conta todos os
factos intervenientes no sistema directa ou indirectamente.

4. Simplicidade - um modelo de simulação para que seja compreendido deve ser simples.
Se o fenómeno a estudar é muito complexo ele poderá ser decomposto em módulos,
procedimentos ou funções mais simples de compreender, de tal modo que os utilizadores
não necessitem de muita tradução para a sua utilização.

Em qualquer um dos critérios, aspectos como: nível do alcance do problema a simular,

custos e benefícios do modelo, grau de exigência na validação, tipo de simulação, filosofia
científica e outros, são muito importantes na consideração quando se pretende verificar a
segurança do modelo.

Apontamentos de Investigação Operacional 270 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

12.3 SIMULAÇÃO MONTE CARLO

O termo simulação Monte Carlo, é retirado do nome de um famoso casino europeu onde
eram realizados jogos de sorte ou azar. Actualmente o termo, simulação Monte Carlo, é
aplicado a problemas de simulação em que é utilizado um processo aleatório para gerar
ocorrências num determinado sistema.

O método Monte Carlo, um é um processo de operar modelos estatísticos de forma a lidar

experimentalmente com variáveis descritas e por funções probabilisticas.

a) Conceito fundamental

O método Monte Carlo baseia-se num conceito estatístico muito simples, vejamos:
Seja x uma variável aleatória com as seguintes características:
• f(x) - função de distribuição de probabilidades;
• F(x) - função acumulada de probabilidades, com F(x) = f(x)dx para distribuições
contínuas é igual a função de partição das distribuições discretas.

Se definirmos uma nova variável aleatória y = f(x), esta tem uma distribuição uniforme
sobre o intervalo fechado (0,1). Assim, como a função acumulada de probabilidades
representa as características aleatórias da variável em questão, a função y = f(x) é uma
relação entre duas variáveis:
• variável x, com distribuição aleatória própria;
• variável y, com distribuição uniforme, entre 0 e 1.

b) Procedimento

O método de Monte Carlo consiste nos seguintes passos:

• Dada a função acumulada de probabilidades da variável a simular, escolhe-se um
número, gerado aleatoriamente no intervalo (0,1).
• Usando a função acumulada de probabilidades, determina-se o valor da variável x que
corresponde ao número aleatório gerado.

Exemplo 12.3. Seja a variável aleatória x dada na tabela 12.3 com função de distribuição de
probabilidades f(x) distribuída segundo a lei de Poisson, portanto uma função discreta,
(coluna 2). A coluna 3 mostra a função acumulada de probabilidades.

λx * e −λ
Então f ( x) = se λ for igual a 2, variando x de 0 até 10, recebemos os valores da
x!
função densidade e função acumulada de probabilidade, ver tabela 12.3.

Apontamentos de Investigação Operacional 271 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Tabela 12.3. valores da variável aleatória x, a densidade de probabilidade f(x) e da função

acumulada de probabilidades F(x).
________________________________________________________________
x - variável f(x)-
f(x)- função densidade F(x)-
F(x)- função acumulada
aleatória de probabilidades de probabilidades
________________________________________________________________
0 0.1353 0.1353
1 0.2707 0.4060
2 0.2707 0.6767
3 0.1804 0.8571
4 0.0902 0.9473
5 0.0361 0.9834
6 0.0120 0.9954
7 0.0034 0.9988
8 0.0009 0.9997
9 0.0002 0.9999
10 0.0001 1.0000
_____________________________________________________________

.3
funcao densidade de prob. - f(x)

.3

.2

.2

.1

.1

0.0
0 1 2 4 5 6 7 8 9 10

Variavel aleatoria - X

Figura 12.4. Função densidade de probabilidades

Apontamentos de Investigação Operacional 272 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Funcao acumulada d e probab. - F(x)

.8

0.6767 B
.6

.4
A

.2

-2 0 2 4 6 8 10 12

Variavel aleatoria - X

Figura 12.5. Função acumulada de probabilidade – F(x)

As figuras 12.4 e 12.5, mostram as duas curvas, com x distribuído segundo a lei de Poisson
com média 2 e y tem distribuição uniforme no intervalo 0 e 1. F(x) ilustra esta situação.

Para achar a probabilidade de obter um valor da variável aleatória pelo método de Monte
Carlo deve:
• sortear um número aleatório no intervalo (0,1), por exemplo 0.65 é sorteado.
• o número 0.65 na coluna 3 da tabela 12.3, pertence a probabilidade acumulada 0.6767
para a variável y e que corresponde a 2 no eixo x.

Concluindo, pode-se ver que a probabilidade de achar o valor 2 para a variável x, pelo
método de Monte Carlo é dada pelo segmento AB e é igual a 0.2707 coluna 2 da tabela 12.3.

Os modelos de simulação têm como objectivo imitar o funcionamento dos sistemas reais. É
por isso que qualquer modelo antes de ser posto em funcionamento deve ser analisado
cuidadosamente por uma equipa ou por especialistas na área.

A validação de um modelo é uma das fases mais difíceis da simulação, onde o trabalho se
resume na comparação dos custos do modelo real e do simulado quer ao nível dos
construtores quer para os utilizadores.

Apontamentos de Investigação Operacional 273 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Geralmente tem-se a certeza sobre a validade de um modelo construído quando este

funciona correctamente com os utilizadores. Devido a uma série de considerações a
validação de um modelo leva tempo e torna-se difícil.

Alguns critérios usados para a validação de um modelo

Três problemas são encontrados na validação de um modelo: adequação do modelo ao

programa de simulação "programa de computador"; o relacionamento entre as variáveis do
modelo a simular e as do modelo antigo e a compreensão do funcionamento do modelo
antigo.

1. Generalidade - se dois modelos forem desenhados, descrevendo o mesmo fenómeno, o

que tiver maior aplicabilidade ou maior amplitude é mais preferido, => o modelo de
simulação deve ser mais geral no sentido de ser adaptado a problemas semelhantes.

2. Fiabilidade - de um modo geral os programas de computador são dotados de uma

determinada precisão nos cálculos. Entretanto se este tratamento científico dos cálculos é
exagerado os resultados fogem da realidade tornado o modelo menos fiável,
= > os modelos devem apresentar um maior grau de confiabilidade.

3. Representatividade - o modelo deve ser desenhado sobre um conjunto de factos. Se

forem feitas previsões incorrectas ou se não forem tomados em conta os pontos críticos do
fenómeno em estudo, o modelo não será geral e muito menos a longo prazo cientificamente,
por não serem considerados todos os factos, => o modelo deve tomar em conta todos os
factos intervenientes no sistema directa ou indirectamente.

4. Simplicidade - um modelo de simulação para que seja compreendido deve ser simples.
Se o fenómeno a estudar é muito complexo ele poderá ser decomposto em módulos,
procedimentos ou funções mais simples de compreender, de tal modo que os utilizadores
não necessitem de muita tradução para a sua utilização.

Em qualquer um dos critérios, aspectos como: nível do alcance do problema a simular,

custos e benefícios do modelo, grau de exigência na validação, tipo de simulação, filosofia
científica e outros, são muito importantes na consideração quando se pretende verificar a
segurança do modelo.

12.4 GERAÇÃO DE NUMEROS ALEATÓRIOS

Um dos elementos necessários à aplicação do método de Monte Carlo é um gerador de

números aleatórios. Os números aleatórios são um potencial muito importante para simular
situações nas quais os processos devem ser totalmente casuais.

Um número aleatório é um número em uma sequência de números cuja probabilidade de

sua ocorrência é a mesma que a ocorrência de qualquer outro número na sequência.

Apontamentos de Investigação Operacional 274 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Os métodos manuais são muito trabalhosos e não são muito práticos, salvo para fins
ilustrativos, e mesmo assim requerem o uso de roletas, baralho de cartas, bolas em uma
urna, lançamento de uma moeda honesta ao ar, etc.

Os números aleatórios podem ser conseguidos de três formas:

• Usando rotinas ou programas já implementados em computadores digitais;
• Usando o método aritmético para calcular uma sequência de números aleatórios a partir
de uma equação recursiva;
• Uso de uma tabela de números aleatórios já produzidos.

12.4.1 Geração de números aleatórios usando um programa de computador

Para gerar um "número aleatório ", podem ser usados programas de computadores com
funções apropriados de acordo com a linguagem de programação. Por exemplo em Pascal a
função "RANDOM" é usada para gerar números pseudo - aleatórios, bastando indicar um
número como argumento da função, por exemplo:

numero := random(12);

Esta instrução faz com que a variável "numero", seja atribuída um valor entre 0 a 12
(incluindo o 0 e excluindo 12).

Nota: A função RANDOM, deve ser aplicada num programa pascal e correr num
compilador pascal, ela devolve, efectivamente, um número pseudo - aleatório gerado numa
sequência interna pelo processador. O procedimento RANDOMIZE é usado juntamente
com a função random para inicializar a sequência aleatória.

Em seguida apresenta-se um fluxograma que descreve como se pode produzir uma

sequência de n números pseudo - aleatórios usando a função random num processo
recursivo:

Apontamentos de Investigação Operacional 275 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

I n ic io

Ler N

i = 1

x = r a n d o m ( i)

escrever x

i = i + 1

N ao
i > N

S im
F im

Figura 12.6. Fluxograma para gerar números pseudo – aleatórios

Program aleatorio;
{* programa que gera uma sequência de números aleatórios *}
Var i, x, n : integer; {* declaração de variáveis *}
Begin {* inicio do programa *}
write('Introduz o numero n = ');
readln(n);
for i:= 1 to n do {* ciclo for *}
Begin
randomize; {* inicialização da sequência*}
x:= random(i); {* função geradora *}
write(x); {* escreve o numero aleatório*}
write(' ; '); {* separador dos números *}
end;
readln;
end. {* fim do programa *}

Executado o programa mostraria as seguintes sequências aleatórias:

caso 1. Introduz o número n = 34, a sequência recebida neste caso é::
0 ; 1 ; 0 ; 1 ; 2 ; 3 ; 1 ; 5 ; 0 ; 7 ; 4 ; 9 ; 4 ; 1 ; 12 ; 13 ; 4 ; 9 ; 0 ; 17 ; 15 ; 15 ; 4 ; 21 ; 17 ; 17 ;
0 ; 1 ; 5 ; 27 ; 24 ; 13 ; 15 ; 21

Apontamentos de Investigação Operacional 276 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Se repetimos um mesmo valor de n, por exemplo n = 14 podemos receber sequências

diferentes:
caso 2.1 (n = 14) => 0 ; 0 ; 1 ; 2 ; 4 ; 4 ; 0 ; 6 ; 7 ; 4 ; 3 ; 10 ; 4 ; 0
caso 2.2 (n = 14) => 0 ; 0 ; 1 ; 2 ; 2 ; 4 ; 5 ; 2 ; 4 ; 2 ; 9 ; 10 ; 7 ; 12
caso 2.3 (n = 14) => 0 ; 1 ; 1 ; 1 ; 0 ; 1 ; 6 ; 4 ; 5 ; 8 ; 1 ; 4 ; 13 ; 6

Observação:. Uma outra rotina que gera números pseudo - aleatórios é a que é dada pelo
método de congruência multiplicativas, que se baseia na função MOD. Por exemplo se
escrever:

r := 48 mod 10;

recebemos o resto da divisão inteira entre 48 e 10, isto é (40+8)/10 = 8, e 8 seria o número
gerado. Para gerar mais números bastava usar recursivamente a função, resumindo-se na
equação:

x(n+1) = k*xn MOD m

onde k, m são inteiros positivos e k < m.

12.4.2. Geração de números aleatórios pelo método aritmético

Um dos métodos aritméticos simples para geração de números pseudo - aleatórios é o

chamado método do meio do quadrado, que é aplicado numa forma também recursiva.

Procedimento
• seja a semente r(o), com k dígitos, onde k usualmente é par;
• eleva-se r(o) ao quadrado;
• toma-se os k dígitos centrais de r²(o), que formarão o r(1);
• repete-se o processo de forma que r(n) seja extraído dos k dígitos centrais de r²(n-1). Se
houver necessidade, podem-se incluir zeros à esquerda de r²(n-1) de forma que r(n)
tenha sempre k dígitos.

Exemplo 12.4. Dada a semente 1682, produzir 4 números aleatórios.

Resolução:
=> r(o) = 1682
r²(o) = 02829124 => r(1) = 8291
r²(1) = 68740681 => r(2) = 7406
r²(2) = 54848836 => r(3) = 8488
r²(3) = 72046144 => r(4) = 0461

Apontamentos de Investigação Operacional 277 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Observação.
1. Foi introduzido um 0 à esquerda para que r1 tivesse os 4 dígitos centrais.
2. A escolha do número dos dígitos centrais depende da semente.
3. A desvantagem deste método é que os números aleatórios podem formar ciclos após
pequenas sequências.

Exemplo 12.5. Dada a semente r(o) = 74, formar uma sequência de 5 números aleatórios.

Resolução
r(o) = 74, donde r²(o) = 5476
r(1) = 47, donde r²(1) = 2209
r(2) = 20, donde r²(2) = 0400
r(3) = 40, donde r²(3) = 1600
r(4) = 60, donde r²(4) = 3600
r(5) = 60, donde r²(5) = 3600

12.4.3. Uso de tabelas de números aleatórios

A simulação Monte Carlo, requer números aleatórios para obter observações aleatórias de
uma distribuição de probabilidades. Gerar uma sequência de números sempre que for
necessário seria uma actividade rotineira sem necessidade. Além disso, já está claro que os
números gerados por procedimentos computacionais não são verdadeiramente aleatórios
"são pseudo - aleatórios", e os processos manuais carecem de honestidade. Portanto uma
maneira de contornar este problema é o uso de tabelas de números aleatórios que se
encontram a disposição em várias literaturas.

Os números aleatórios que constam nas tabelas, foram gerados recorrendo-se a alguns
processos físico aleatórios e são considerados como números "verdadeiramente" aleatórios.
Para a utilização correcta da tabela, deve-se escolher um número qualquer e tomar os
seguintes da mesma coluna ou linha sem saltos ou estabelecer cada vez um critério de
escolha. A tabela 12.4, apresenta um exemplo de uma tabela de números aleatórios, de onde
extraímos 10 números entrando pela segunda linha.

Tabela 12.4. Exemplo de uma tabela de números aleatórios

__________________________________________________
1616 5704 8171 1746 5329 7346 4273 7763 6258 6059
9863 8952 7723 6108 6390 8038 4271 8570 0481 0550
0103 0935 0254 5196 9275 5829 2423 2519 8997 9129
2907 1634 4922 5296 8934 1711 0691 2438 5506 8359
7261 8054 7099 2464 1138 8365 2723 4037 8458 4853
__________________________________________________

a) o intervalo dos nossos valores é de 0 a 100; [63 ; 52 ; 23 ; 08 ; 90 ; 38 ; 71 ; 70 ; 81 ; 50]

b) o intervalo dos nossos valores é de 0 a 10; [3 ; 2 ; 3 ; 8 ; 0 ; 8 ; 1 ; 0 ; 1 ; 0]
c) intervalo dos nossos valores é de 0 a 1000
[863 ; 952 ; 723 ; 108 ; 390 ; 038 ; 271; 570 ; 481 ; 550]

Apontamentos de Investigação Operacional 278 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

12.5 SIMULAÇÃO DE VARIÁVEIS DISCRETAS

Exemplo 12.6. Uma determinada empresa produz um determinado artigo e cuja sua
demanda diária está expressa pela seguinte distribuição de probabilidades. Usando a
simulação Monte Carlo, gere um padrão de demandas num período de 10 dias.
_________________________________________________________________
demanda/dia 0 1 2 3 4 5
probabilidades 0.05 0.10 0.15 0.30 0.25 0.15
______________________________________________________

Resolução / procedimento:
a) Dada a variável aleatória x, a função densidade ou de distribuição das probabilidades
f(x), escrever a função acumulada de probabilidades F(x);
b) Escrever os intervalos associados aos números aleatórios a partir da função acumulada
de probabilidades;
c) Seleccionar na tabela, 10 números aleatórios;
d) Associar cada número aleatório aos intervalo correspondentes e ler na coluna da
demanda o valor da demanda simulada.

Tabela 12.5. Estabelecimento da função acumulada de probabilidades

____________________________________________
demanda/dia f(x) F(x) intervalos
--------------------------------------------
0 0.05 0.05 00 - 04
1 0.10 0.15 05 - 14
2 0.15 0.30 15 - 29
3 0.30 0.60 30 - 59
4 0.25 0.85 60 - 84
5 0.15 1.00 85 - 99
____________________________________________

Tabela 12.6. Valores de 10 demandas simuladas para 10 dias.

____________________________________________________________
dia no. aleatório* intervalo demanda
___________________________________________________
1 63 60 - 84 4
2 70 60 - 84 4
3 19 15 - 29 2
4 38 30 - 59 3
5 38 30 - 59 3
6 13 05 - 14 1
7 06 05 - 14 1
8 48 30 - 59 3
9 97 85 - 99 5
10 87 85 - 99 5
____________________________________________________

Apontamentos de Investigação Operacional 279 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

* Os números foram obtidos lendo na oitava coluna os dois dígitos terminais do anexo 1.

Exemplo 12.7. Usando o método de Monte Carlo, realizar 15 experimentos no modelo de

simulação de stock do exemplo 12.1.

Resolução:
* Dados: demanda; custos de stock 3 u.m. e 2 u.m.; custos de falta 80 u.m.
* variáveis: demanda; prazo de entrega; nível inicial do stock; custos

Como as variáveis aleatórias são discretas, os números aleatórios são associados por
intervalos, conforme mostram as tabelas 12.7a e 12.7b.

Tabela 12.7a Dados das demanda de pneus

_____________________________________________________________
Demanda função f(x) função F(x) intervalos
------------------------------------------------------------
25 0.05 0.05 01 - 05
30 0.10 0.15 06 - 15
35 0.20 0.35 16 - 35
40 0.30 0.65 36 - 65
45 0.20 0.85 66 - 85
50 0.10 0.95 86 - 95
55 0.05 1.00 96 - 00
_____________________________________________________________

Tabela 12.7b. Dados dos atrasos nas entregas

______________________________________________________________
Dia função f(x) função F(x) intervalos
----------------------------------------------------
1 0.30 0.30 01 - 30
2 0.40 0.70 31 - 70
3 0.30 1.00 71 - 00
____________________________________________________

Com auxílio destas tabelas, o método de Monte Carlo pode ser aplicado ao problema de
stock. Considerando o stock inicial igual a 240 pneus (início de cada semana), a tabela 12.7c
mostra a simulação dos custos de estocagem e de falta. A tabela 12.7d, mostra a simulação
das datas de entrega dos pneus encomendados.

• Foram obtidos os números aleatórios entrando na 3a coluna e lendo-se apenas os 2

dígitos terminais;
• Nível do stock final = stock inicial - demanda;
• Custo _ stocagem = 3*nivel_stock_final + 2*nivel_stock_final;
• Custo de falta = 80 * nivel_stock_final; "calculados só para stock negativo"

Apontamentos de Investigação Operacional 280 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Tabela 12.7c Simulação dos custos de estocagem e de falta

___________________________________________________________
Dia No.Alea Demanda Stinic Stfinal Cstock Cfalta
___________________________________________________________
1 71 45 240 195 975
2 23 35 195 160 800
3 54 40 160 120 600
4 22 35 120 85 425
5 99 55 85 30 150
6 37 40 30 -10 - 800
7 82 45 -10 -55 - 4400
8 49 40 240 200 1000
9 16 35 200 165 825
10 32 35 165 130 650
11 04 25 130 105 525
12 73 45 105 60 300
13 68 45 60 15 75
14 35 35 15 -20 - 1600
15 84 45 240 195 975
__________________________________________________________

A simulação para 15 dias forneceu os seguintes custos totais:

• custo de stocagem = 7.300 u.m.
• custo de falta = 6.000 u.m.

As datas de entrega real são 8 para a 1a. semana e 15 para a 2a. semana.
Foram sorteados 15 números aleatórios onde 94 correspondeu a entrega do dia 8 com um
atraso de 3 dias. Na segunda semana o 15 teve o número aleatório 50 que indica 2 dias de
atraso. Conhecendo os dias de atraso, os dias de entrega inicialmente prevista são 5 e 13
respectivamente para a 1a e 2a. semanas. (Lembre-se que uma outra geração de números
aleatórios pode fornecer outras datas).

Tabela 12.7d Simulação das datas de atrasos dos pneus

______________________________________________________
Designação semana 1 semana 2
______________________________________________________
Data inicio de entrega (8-3) = 5 13
Número aleatório 94 50
Atraso na entrega 3 2
Data real de entrega 8 15
______________________________________________________
Exemplo 12.8. Uma farmácia, pretende reformular a sua política de aquisição e
armazenamento de um certo produto. Para isso, decidiu-se simular três reposições de
stock em 10 dias com uma quantidade de 45 unidades em cada reposição do produto. As
demandas requisitadas pelos clientes até então seguem uma distribuição discreta
conforme a tabela.

Apontamentos de Investigação Operacional 281 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

--------------------------------------------------------
Demanda /dia 14 15 16 17 18
probabilidades 0.11 0.14 0.26 0.29 0.20
--------------------------------------------------------
a) Apresente as colunas correspondentes a função acumulada das probabilidades e dos
intervalos associados aos números aleatórios.
b) b) Se, St(inicial) = 40 unidades, C(armaz) = $15 /unidade; C(falta)=$30 /unidade;
C(ordena/)=$35 /cada reposição; usando o método de Monte Carlo, simule a
sequência do stock inicial em cada dia, demanda diária e stock final.
c) Calcule os custos do stock e de falta que a farmácia terá no fim dos 10 dias.

Use ao números aleatórios:(extraídos do Porkess, R(1988)- Dictionary of Statistics)

94608 32846 70367 67301 40214 29759 69648 50313 78324 23784
94362 49185 79920 09405 94355 41538 51273 11021 92544 84319

Resolução
Os números aleatórios serão extraídos começando pela posição 29 e a tabela 7.8 reporta
como foram respondidas as alíneas anteriores.
Tabela 12.8a. Preparação da simulação

Demanda f(x) F(x) Intervalos

14 0.11 0.11 00 - 10
15 0.14 0.25 11 - 24
16 0.26 0.51 25 - 50
17 0.29 0.80 51 - 79
18 0.20 0.20 80 - 99

Tabela 12.8b. Processo da simulação das necessidades da farmácia e os seus custos

i Noaleat. D St(ini) St(final) C(arm) C(ordem) C(falta)

1 29 16 40 24 360 - -
2 75 17 24 07 105 - -
3 96 18 07 -11 - - 330
4 96 18 45 27 405 35 -
5 48 16 27 11 165 - -
6 50 16 11 -5 - - 75
7 31 16 45 29 435 35 -
8 37 16 29 13 195 - -
9 83 18 13 -5 - - 75
10 24 15 45 30 450 35 -

soma - - - - 2115 105 480

C(stock) = C(arm)+C(ordem) 2115+105 = 2220 u.m. e C(falta) = 480 u.m.

Apontamentos de Investigação Operacional 282 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

12. 6 SIMULAÇÃO DE VARIÁVEIS CONTÍNUAS

Regra: Dada uma sequência de números aleatórios ri, os valores xi resultados da simulação
de uma variável aleatória contínua X se obtém tomando o supremo das soluções da equação
F(x) = ri onde F(x) é a função de distribuição de X.

Os valores de xi para uma função concreta são obtidos resolvendo a equação: xi = f(ri).

Exemplo 12.9. Estabelecer a formula que permite simular uma variável uniforme
distribuída no intervalo (a ; b).

Resolução
x−a
F ( x) =
b−a
x -a
Fazendo F ( x ) = ri entao = ri a forma explicita sera xi = (b − a) * ri + a
b−a

Exemplo 12.10. Gerar 9 valores mediante a simulação de uma variável uniformemente

distribuída no intervalo (4; 14).

Resolução
Como a função de probabilidade F(x) está definida no intervalo 0 a 1, então vamos escolher
números aleatórios neste intervalo, com a = 4; b = 14 então (b - a ) = 10
____________________________________________________
var-x n.a = ri 10*ri xi
____________________________________________
1 0.66 6.6 10.6
2 0.06 0.6 4.6
3 0.57 5.7 9.7
4 0.47 4.7 8.7
5 0.17 1.7 5.7
6 0.31 3.1 8.1
7 0.06 0.6 4.6
8 0.01 0.1 4.1
9 0.08 0.8 4.8
_____________________________________________

Exemplo 12.11. Resolver pelo método de Monte Carlo o exemplo 12.2 (relativo a cabina
telefónica) para 15 clientes.
Resolução.
Para que a solução do problema seja fácil, vamos usar intervalos entre chegadas e duração
dos telefonemas, em vez dos ritmos médios. Dividindo o problema em quatro etapas:

Etapa 1. Vamos calcular as funções acumuladas de probabilidades exponenciais negativas

para μ = 18 chegadas e μ = 20 telefonemas por hora. Se dividirmos para 60 min
correspondentes a uma hora temos μ = 0.3 chegadas e μ = 0.33 telefonemas por minuto.

Apontamentos de Investigação Operacional 283 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

A função densidade de probabilidades da distribuição exponencial negativa é:

 µ * e − µx para x > 0
f ( x) = 
 0 caso contrario

A função acumulada de probabilidades é dada por:

Y = F ( x) = 1 − e − µx

Tabela 12.9a Apresenta os valores calculados para μ = 0.3 chegadas por minuto e μ = 0.33
telefonemas por minuto, para a duração média de telefone igual a 3.
_______________________________________________________________
intervalo função acumulada função acumulada
em min para μ = 0.3 para μ = 0.33
_____________________________________________________
1 0.259 0.283
3 0.593 0.632
5 0.777 0.811
7 0.878 0.903
9 0.933 0.950
11 0.963 0.975
13 0.979 0.987
15 0.988 0.993
17 0.993 0.996
____________________________________________________

1.2 1.2
Funcao acumulada para 0.33 telef/min
funcao acumulada para 0.30 chedasa/min

1.0 1.0

.8 .8

.6 .6

.4 .4

.2 .2
1 3 5 7 9 11 13 15 17 1 3 5 7 9 11 13 15 17

Tempo em minutos Tempo em minutos

Figura 12.8. Funções acumuladas de probabilidades para 0.30 chegadas por minuto e
0.33 telefonemas por minuto.

Etapa 2. Usando o método Monte Carlo, vamos simular os intervalos entre as chegadas e as
durações dos telefonemas para 15 clientes.
Sejam as designações:

Apontamentos de Investigação Operacional 284 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

nc - número de cliente
x1, x2 - número aleatório relativo a chegadas e aos telefonemas
Ic - intervalo de chegada relativo ao cliente anterior
MR - marcação do relógio em min.
ti - duração do telefonema.

Para realizar a simulação basta usar a relação: F(x) = ri em seguida pode-se obter a equação:
ln(1 − ri )
xi = −
µ
0nde ri é o número aleatório, Xi pode assumir Ic ou ti.
ln(1 − 0.94) ln(1 − 0.02) ln(1 − 0.43)
Ic = − = 9.0 ; Ic = − + 9 = 9.1 ; t i = − = 1. 7
0.3 0.3 0.33

Tabela 12.9b. Simulação das chegadas dos clientes e das durações dos telefonemas
___________________________________________________
nc x1 Ic MR x2 ti
___________________________________________________
1 94 9.0 9.0 43 1.7
2 02 0.1 9.1 55 2.4
3 28 1.1 10.2 74 4.0
4 73 4.2 14.4 28 1.0
5 66 3.7 18.1 64 3.0
6 64 3.4 21.5 91 7.2
7 26 1.0 22.5 60 2.7
8 61 3.1 25.6 39 1.5
9 89 7.5 33.1 74 4.0
10 91 8.0 41.1 84 5.5
11 54 2.5 43.6 31 1.1
12 39 1.7 45.3 06 0.2
13 82 5.5 50.8 53 2.2
14 57 2.7 53.5 93 8.2
15 22 0.8 54.3 56 2.5
____________________________________________________

A simulação dos intervalos entre as chegadas verificou aproximadamente uma média de 15

chegadas por hora (15 chegadas em 54.3 minutos com uma duração média de cada
telefonema de 3.15 minutos = 47.2/15).

Etapa 3. Usando os dados da tabela 12.9b, vamos simular a operação da cabina.

Assim, considerando o inicio da simulação como sendo a hora 0, o relógio estará marcando
9 min quando chegar o 1o. cliente, cujo o telefonema durará 1.7 min (e sairá aos ti = 10.7
min). Antes porém, aos 9.1 min chegará o 2o. cliente que deverá esperar na fila. A simulação
continua dessa maneira, até que todos os clientes tenham sido atendidos.

Apontamentos de Investigação Operacional 285 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Tabela 12. 9c. Simulação do funcionamento do cabina.

_____________________________________________________________
MR Estado fila de t-gasto t-ocioso
cabina cc sc co clientes na fila da cabina
_____________________________________________________________
9.0 vazia 1 - 1 - - 9.0
9.1 ocupada 2 - - 2 - -
10.2 ocupada 3 - - 2 e 3 - -
10.7 ocupada - 1 2 3 1.6 -
13.1 ocupada - 2 3 - 2.9 -
14.4 ocupada 4 - - 4 - -
17.1 ocupada - 3 4 - 2.7 -
18.1 ocupada - 4 - - - -
18.1 vazia 5 - 5 - - -
21.1 ocupada - 5 - - - -
21.5 vazia 6 - 6 - - 0.4
22.5 ocupada 7 - - 7 - -
25.6 ocupada 8 - - 7 e 8 - -
28.7 ocupada - 6 7 8 6.2 -
31.4 ocupada - 7 8 - 5.8 -
32.9 ocupada - 8 - - - -
33.1 vazia 9 - 9 - - 0.2
37.1 ocupada - 9 - - - -
41.1 vazia 10 - 10 - - 4.0
43.6 ocupada 11 - - 11 - -
45.3 ocupada 12 - - 11 e 12 - -
46.6 ocupada - 10 11 12 3.0 -
47.7 ocupada - 11 12 - 2.4 -
47.9 ocupada - 12 - - - -
50.8 vazia 13 - 13 - - 2.8
53.0 ocupada - 13 - - - -
53.5 vazia 14 - 14 - - 0.5
54.3 ocupada 15 - - 15 - -
61.7 ocupada - 14 15 - 7.4 -
64.2 ocupada - 15 - - - -
_____________________________________________________________

cc - chegada de cliente; sc - saída de cliente;

co - cabina ocupada pelo cliente
Wq = Wsaida – Wchegada = 10.7 – 9.1 = 1.6

Etapa 4. A partir da simulação, vamos determinar as características operacionais da cabina.

* Tempo médio gasto na fila TF = Wq = Σti/15 = 32/15 = 2.1 min
* Tempo ocioso da cabina TO = Σti/64.2 = 16.9/64.2 = 0.26 min

Apontamentos de Investigação Operacional 286 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

12.7 EXERCÍCIOS PROPOSTOS

Exercício 12.1 A função produtividade de uma empresas é caracterizada por 3 variáveis

discretas segundo o modelo P=2x1+5x2+3x3, onde: x1 é turno de trabalho, x2 é o número
de trabalhadores e x3 é nível salarial do trabalhador.

x1 : 1 2 3 x2: 10 20 30 40 50 x3: 1 2 3
pi : 0.5 0.3 0.2 pi : 0.04 0.06 0.20 0.30 0.40 pi : 0.4 0.2 0.4

a) A partir destes dados simule os níveis de produtividade da empresa durante a primeira

semana de trabalho (5 dias úteis)
Use os números aleatórios:
1546 4893 3906 7291 1406 6940 9361 9706 7645 2948 338 7 7079
9681 7968 2949 5867 0856 2724 0125 2206 8111 5605 6353 8848
5287 7207 4631 0432 0032 8674 7855 5572 5854 7607 5373 3029

Exercício 12.2 Uma empresa com licença de produção e comercialização de cassetes de

música ligeira, vende cassetes só de música moçambicana. A procura diária deste tipo de
música é em média de 55 cassetes. A direcção de produção garante uma entrega de 230
cassetes no início de cada semana (2a feira) à secção comercial. Por problemas de
coordenação entre a direcção de produção e comercial, as cassetes chegam a ser
entregues na terça, quarta ou quinta feira da mesma semana. Os dados anteriores mostram
que os pedidos das cassetes e os atrasos nas entregas distribuem-se segundo as
probabilidades.

Demanda /dia 40 45 50 55 60 65 70
probabilidade 0.05 0.10 0.20 0.30 0.15 0.15 0.05

Atrasos Terça Quarta Quinta

probabilidade 0.35 0.40 0.25

Os custos associados a gestão do stock das cassetes são:

• Custo de aquisição = 100 u.m por cada reposição
• Custo de armazenamento do stock = 6 u.m por cassete por dia
• Custo de falta = 70% do custo de aquisição.
Para analisar a política de recebimento das cassetes, utilize o método de Monte Carlo,
simule 15 solicitações de cassetes e determine:
a) O custo médio de armazenamento do stock durante o período simulado.
b) O custo total de falta
c) Apresente uma tabela que inclua a data planificada para a entrega, dias de entrega e
os dias de atraso.
Tabela de números aleatórios:
15 45 82 28 86 58 49 63 06 85 09 91 43 85 39 34
95 63 77 26 19 95 27 31 79 13 59 53 66 39 26 65
07 99 15 82 24 23 75 50 47 54 81 79 92 68 84 50

Apontamentos de Investigação Operacional 287 Alberto Mulenga

 Capítulo 12. Introdução à Simulação

Exercício 12.3 As vendas de um comerciante numa das suas lojas seguem uma
distribuição discreta conforme mostra a tabela obtida na última semana de Junho para 5
dias úteis:

X: (sacos) 10 20 30 40 50
P(xi) : 0.10 0.15 0.25 0.30 0.20

a) Usando o método aritmético tome a semente 3415 e produza uma sequência de 15

número aleatórios.
b) Usando os números aleatórios produzidos em (a) e a lei de distribuição das vendas de
Junho, simule as vendas do comerciante na primeira semana de Julho.

Referência:
ANDRADE, EL(1998) – Introdução à Pesquisa Operacional – métodos e modelos para a Análise de decisão, 2a
edição, editora LTC, RJ, Brasil: cap7;
DAVIES, R; Robert, O’K(1948) – Simulation Modelling with Pascal - Printice Hall International, UK Lda.
SHAMBLIN, JE(1989) – Pesquisa Operacional –uma abordagem básica, Editora Atlas S.A. São Paulo, Cap7;

Apontamentos de Investigação Operacional 288 Alberto Mulenga