00

“ Utilização da simulação de Monte

Carlo na gestão de estoques

Ernane Rosa Martins

IFG

10.37885/200801053
 RESUMO

O artigo tem como objetivo resolver um problema de estoque utilizando simulação

de Monte Carlo. Após a formulação, coleta de dados e identificação das variáveis, foi
desenvolvido um modelo para análise do sistema de estoque. A partir daí, foi possível
analisar o cenário e, assim, tomar a decisão assertiva.

Palavras-chave: Modelagem; Simulação de Monte Carlo; Gestão de Estoques; Toma da

de Decisão.
INTRODUÇÃO

A simulação de Monte Carlo é um processo matemático computadorizado que possibilita levar

em conta o risco em análises quantitativas e tomadas de decisão. Esse processo é utilizado por
diversos profissionais em uma variedade enorme de campos, tais como finanças, gerenciamento
de projetos, energia, indústrias, engenharia, pesquisa e desenvolvimento, seguros, petróleo e gás,
transportes e meio ambiente.
Esta técnica fornece ao responsável pela tomada de decisão uma gama de resultados possí-
veis e as probabilidades de ocorrências desses resultados de acordo com a ação escolhida como
decisão. Ela procura mostrar as possibilidades extremas, os resultados das decisões mais ousadas,
as mais conservadoras, e todas as possíveis consequências das decisões mais moderadas.

REVISÃO DE LITERATURA

Nesta seção é apresentada a revisão bibliográfica dos principais temas abordados no trabalho:
Tomada de decisão, o processo de simulação e o método de Monte Carlo.

Tomada de decisão

Procurar o entendimento das principais características do processo e de suas dificuldades,

de modo que seja possível compreender como a Pesquisa Operacional, vista como um conjunto de
técnicas quantitativas pode auxiliar a gerência na preparação e na tomada de decisão.
Apesar da evidência de que qualquer pessoa sabe o que é uma decisão, é importante comentar
os diversos tipos possíveis, uma vez que as técnicas de preparação de decisões variam segundo a
natureza do problema e o tipo de decisão que deve ser tomada.
São várias as definições e conceitos de decisão. Uma definição que exprime bem a maneira
como a decisão será tratada aqui diz que “uma decisão é um curso de ação escolhido pela pessoa,
como o meio efetivo à sua disposição, para alcançar os objetivos pretendidos, ou seja, para resolver
o problema que o incomoda”.
Em suma, uma decisão é o resultado de um processo que se desenvolve a partir do instante em
que o problema foi detectado, o que geralmente ocorre através da percepção de sintomas. Assim, o
processo de decisão se inicia quando uma pessoa, ou um grupo de pessoas, percebe sintomas de
que alguma coisa está saindo do estado normal desejado ou planejado. A partir dessa percepção,
inicia-se a fase de identificação do problema, que é o verdadeiro começo do processo de tomada
de decisão, como é ilustrado pela figura 1.

Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo 433

 Figura 1. O início do processo de tomada de decisão

Fonte: Fonte do autor

As organizações procuram desenvolver suas equipes de modo a criar capacitação e mecanis-

mos para que esse processo transcorra com rapidez e naturalidade.
Este conceito de tomada de decisão como um processo gerencial explicita claramente a im-
portância das atividades de preparação na tomada de decisão.

O processo de simulação

A simulação de um sistema é a operação de um modelo que representa esse sistema, geral-

mente em computadores, respeitando-se todas as regras e condições reais a que o sistema está
submetido. O modelo permite manipulações que seriam inviáveis no sistema real que ele representa,
por causa do custo ou da impossibilidade de realizá-las.
A simulação sempre foi usada pela humanidade como meio de representar processos relativos
aos sistemas em que as pessoas viviam. Nesse caso, incluem-se a escultura, a pintura e todas as
formas de representação de ideias. Em ciência, a utilização de modelos é uma atividade corriqueira,
desde os modelos em escala reduzida (barragens, topografia, edificações etc.) até modelos de aviões
para estudo de aerodinâmica e modelos analíticos de processos físicos e mentais.
O uso moderno do termo “simulação”, no sentido em que é empregado em Pesquisa Opera-
cional, tem origem em um trabalho de 1940 de Von Newmann e Ulam, que associaram a expressão
“análise de Monte Carlo” a uma técnica matemática que utilizaram para resolver problemas de blin-
dagem em reatores nucleares.

Razões para o uso da simulação

Podem-se enumerar muitas razões para justificar o uso da simulação. Entre elas destacam-se:

a) Por ser impossível ou muito oneroso observar diretamente certos processos no mundo real.
Por exemplo, o estudo da sincronização de sinais de trânsito de uma certa via poderia ser
realizado de maneira experimental, ajustando-se sucessivamente os semáforos e verifican-
do-se as consequências em termos de congestionamento, acidentes etc. É evidente que esse
processo não pode ser implementado na prática e a alternativa é criar modelos das situações
reais (número e características das vias, intensidade e tipo de trânsito etc.) para testes em

434 Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo

 computadores
b) O sistema observado pode ser tão complexo que se torne impossível descrevê-lo em termos
de um conjunto de equações matemáticas de solução analítica viável. Por exemplo, a repre-
sentação global de uma grande empresa, envolvendo múltiplas atividades, como produção,
vendas, marketing, planejamento e muitos órgãos, como departamentos e divisões. Outro
exemplo são os sistemas de estoques em série e em paralelo que devem ser estudados para
que se tenha uma política de operação a custo mínimo.
c) Mesmo sendo possível desenvolver um modelo matemático do sistema em foco, a sua solu-
ção pode ser muito trabalhosa e pouco flexível. Um exemplo disso é um sistema de filas, com
múltiplos canais e com as características de atendimento e de chegadas de clientes definidas
por distribuições pouco conhecidas.

Vantagens do uso da simulação

Uma das vantagens claras na utilização da simulação é a conseguir alterar determinados pa-
râmetros do sistema e observar o resultado, servindo, ao final, como auxílio na tomada de decisão
sobre futuras alterações no sistema real.
Do ponto de vista de Law e Kelton (2000), as vantagens da simulação são as seguintes:
- Sistemas complexos que contenham elementos estocásticos que não conseguem ser trata-
dos adequadamente por técnicas analíticas podem ser, na maioria das vezes, estudados por
simulação;
- Fornece um controle melhor sobre as condições experimentais do que seria possível na
experimentação no sistema real;
Autores como Chung (2004) destacam outras vantagens na utilização do modelo por simulação:
- A experimentação pode ocorrer em um curto período de tempo, em virtude do apoio com-
putacional;
- Menor necessidade de análise, uma vez que os pacotes de softwares disponíveis no mercado
facilitam a análise dos dados;
- Facilidade da demonstração dos modelos, em virtude da alta capacidade gráfica dos pacotes
de softwares disponíveis no mercado para a simulação.

Desvantagens da simulação

Durante o processo de simulação do sistema, deve-se ter uma atenção redobrada para que
o modelo seja o mais fiel possível. Caso isso não aconteça, os resultados encontrados não serão
confiáveis. Robinson (2004) descreve outras desvantagens:
- Custo elevado, uma vez que o software tem um alto custo de aquisição;

Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo 435

 - Contratação de consultores para a construção do modelo, o custo pode ser ainda mais alto;
- Consome muito tempo e os benefícios podem não ser imediatos;
- A maioria dos modelos para simulação requer uma quantidade significativa de dados.
Além destas desvantagens, Law e Kelton (2000) descreve alguns pontos que devem ser ob-
servados, pois são considerados como armadilhas na modelagem de um sistema:
- Falha na definição de um conjunto claro de objetivos;
- Nível inapropriado de detalhes no modelo;
- Falha por falta de interação com a gerência regularmente;
- Conhecimento insuficiente de simulação e estatística por parte do analista;
- Software inapropriado;
Desta forma, é possível verificar que o desenvolvimento do modelo do sistema real é um pro-
cesso bastante meticuloso e deve ser realizado com paciência e prudência, haja vista que, qualquer
erro pode resultar em alterações significativas nos resultados da simulação.

Método de Monte Carlo

De acordo com Andrade (2004), o método de Monte Carlo é um processo de operação de

modo a lidar experimentalmente com variáveis descritas por funções probabilísticas. Por exemplo,
em um modelo de planejamento e controle de estoque, a demanda e o prazo de entrega são descri-
tos por funções de probabilidades. Como o tratamento analítico desse modelo é muito trabalhoso,
pode-se empregar o método de Monte Carlo para analisar experimentalmente os efeitos conjuntos
das variáveis aleatórias do sistema.

Características do método

Ao usar distribuições de probabilidade, as variáveis podem apresentar diferentes probabilidades

de ocorrência de diferentes resultados. As distribuições de probabilidade representam uma forma
muito mais realista de descrever incerteza em variáveis de análises de risco. As distribuições de
probabilidade mais comuns são:
a) Normal. Também referida como “curva do sino”. O usuário simplesmente define a média
aritmética ou o valor esperado e um desvio padrão para descrever a variações em relação à
média. Os valores no meio, perto da média, são os que apresentam maior probabilidade de
ocorrência. Essa distribuição é simétrica e representa muitos fenômenos naturais, como altura
de pessoas. Exemplos de variáveis representadas por distribuições normais: taxas de inflação,
preço de energia.
b) Lognormal. Nessa distribuição os valores são positivamente assimétricos ou distorcidos;
não são simétricos como na distribuição normal. Ela é usada para representar valores que não

436 Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo

 passam abaixo de zero, mas que têm um potencial positivo ilimitado. Exemplos de variáveis
representadas por distribuições lognormal: valores de imóveis, preços de ações, reservas
petrolíferas.
c) Uniforme. Nessa distribuição todos os valores têm probabilidade igual de ocorrência; o usuário
simplesmente define o mínimo e o máximo. Exemplos de variáveis que poderiam apresentam
uma distribuição uniforme: custos de fabricação, receitas de vendas futuras de um novo produto.
d) Triangular. O usuário define os valores mínio, mais provável e máximo. Os valores ao re-
dor do valor mais provável têm maior probabilidade de ocorrer. Variáveis que poderiam ser
representadas por uma distribuição triangular: histórico de vendas passadas, por unidade de
tempo, e níveis de estoque.
e) PERT. O usuário define os valores mínimos, mais prováveis e máximos, da mesma forma
que na distribuição triangular. Os valores ao redor do valor mais provável têm maior probabili-
dade de ocorrer. Contudo, os valores que se encontram entre o valor mais provável e os dois
extremos têm maior probabilidade de ocorrência do que na distribuição triangular, isto é, os
extremos não são tão enfatizados. Exemplo do uso de uma distribuição PERT: descrever a
duração de uma tarefa em um modelo de gerenciamento de projeto.
f) Discreta. O usuário define valores específicos que podem ocorrer e a probabilidade de cada
um deles. Um exemplo poderia ser os resultados de um processo judicial: 20% de chance de
decisão judicial positiva, 30% de chance de decisão judicial negativa, 40% de chance de um
acordo e 10% de chance do julgamento ser encerrado por motivo jurídico.

METODOLOGIA

De acordo com Chwif & Medina (2007), o desenvolvimento de um modelo de simulação com-
põem-se de três grandes etapas:
a) Concepção ou formulação do modelo. Nesta etapa tem-se o entendimento do sistema a
ser simulado. É necessário discussões do problema com os especialistas do setor e então
ocorre a definição do escopo. Neste momento são também coletados os dados de entrada,
certificando-se da importância que a qualidade destes tem em todo o modelo. Faz-se então
a representação do Modelo Abstrato (que está na mente do analista) utilizando técnicas ade-
quadas. Esta representação trará um Modelo Conceitual;
b) Implementação do modelo. Neste momento, através do Modelo Conceitual é desenvolvido o
Modelo Computacional utilizando um software de simulação comercial. O modelo computacional
deve então ser comparado frente ao modelo conceitual para sua avaliação, ou seja, se o mo-
delo está condizente com o sistema real. Durante este procedimento são feitas as validações
(relativo ao modelo) e as verificações (relativo ao comportamento do modelo no computador);
c) Análise dos resultados do modelo. Nesta etapa o modelo computacional está pronto para

Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo 437

 realização dos experimentos. Temos então o Modelo Experimental. A partir desse momento,
são realizadas várias “rodadas” no simulador e analisados os resultados. Caso seja necessário,
fazem-se alguns ajustes no modelo computacional e reinicia as “rodadas”. Após as análises
dos resultados, conclusões e recomendações sobre o sistema poderão ser registradas.

O problema a ser analisado: A Gestão de Estoques

a) Formulação do problema
Uma empresa revendedora de pneu trabalha com certo tipo de pneu, cuja demanda diária é
de 40 unidades, com distribuição dada pela figura 2.

Figura 2. Demanda diária de pneus

Fonte: Fonte do autor

O contrato do revendedor com o fabricante garante uma entrega semanal de 240 unidades
(semanas de 6 dias úteis). Porém, o fabricante está tendo dificuldades de transporte, o que acarreta
possíveis atrasos aleatórios na entrega. A experiência tem mostrado que o atraso médio é de dois
dias, com uma distribuição de probabilidades mostrada na figura 3.

Figura 3. Distribuição dos atrasos de entrega

Fonte: Fonte do autor

438 Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo

 O objetivo do revendedor é simular seus sistema de estoque de modo a analisar a política de
recebimento, em face dos problemas mas de transporte do fabricante.
b) Dados
Além dos dados de demanda (mostrados na figura 2) e de atrasos nas entregas (figura 3), são
conhecidos também os custos relativos aos elementos do estoque.
Custo de estocagem
R$ 3,00 por pneu por dia, relativos aos juros sobre o capital empatado;
R$ 2,00 por pneu por dia, relativos aos custos administrativos.
Custo de falta
Cada pneu que deixa de ser vendido, por falta de estoque, representa um prejuízo de R$ 80,00
diários.
c) Desenvolvimento do modelo
Uma vez formulado o problema e coletado os dados, o próximo passo é identificar as variáveis.
Neste caso, temos duas variáveis aleatórias independentes, que determinam todo o desempenho
do sistema:
Demanda;
Prazo de entrega.
A quantidade de pneus que o fabricante entrega por semana também é uma variável indepen-
dente, que pode ser alterada para modificar o comportamento do sistema de estoque.
As variáveis dependentes do nosso problema são:
Nível inicial do estoque;
Custos.

A implementação

Existem diversas formas de se implementar um modelo conceitual no mercado. A escolha foi

o Microsoft Excel 2007 por diversos motivos, sendo estes um dos principais:
- A facilidade no manuseio;
- A bibliografia base com fórmulas direcionadas para o software;
- A proposta de o artigo ser introdutória no ambiente de teoria de filas.
Modelo por Simulação
O programa MS-Excel dispõe de funções que possibilitam a resolução de problemas de simu-
lação pelo método Monte Carlo. Neste momento, será mostrado a utilização das funções através da
simulação da demanda de pneus do exercício em questão (item 3.1).
A planilha de Excel para simulação dessa demanda é construída para gerar duas informações:
a) Função cumulativa de probabilidades
No caso de distribuições teóricas conhecidas (Distr. Normal, Poisson etc.) é possível utilizar

Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo 439

 funções próprias do Excel para gerar as funções de probabilidades necessárias.
No caso de uma distribuição experimental (como no exercício em questão), podemos construir
a função cumulativa por meio do somatório dos valores.
b) Valores simulados
Para gerar os números aleatórios, vamos utilizar a função matemática ALEATÓRIO.
Para pesquisar os valores da variável na função cumulativa de probabilidades, será utilizado
a função PROCV.

Simulações

A partir do modelo conceitual, foi desenvolvido um modelo computacional. A planilha para si-
mulação da demanda pode ser construída conforme a figura 5. Observa-se que foi construída uma
função cumulativa de probabilidades que é utilizada para a simulação dos valores da demanda.

Figura 4. Planilha da simulação das demandas de 10 dias

Fonte: Fonte do autor

No exemplo, foi gerado a demanda para 10 dias. A função PROCV, que está carregada em
todas as células da coluna “Simulação da Demanda” na figura 5, toma um número aleatório e procura
localizar o valor na terceira coluna da “Matriz_tabela”.

440 Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo

 Figura 5. Fórmulas na tabela de simulação da demanda

Fonte: Fonte do autor

Resolução do exemplo pelo método de Monte Carlo

Adotando o método de Monte Carlo, serão realizados 50 experimentos no modelo de simulação
de estoque. Como as variáveis aleatórias são discretas, os números aleatórios são associados por
intervalos, como é possível observar na figura 6.

Figura 6. Características da demanda e dos atrasos.

Fonte: Fonte do autor

Com o auxílio dessas tabelas, pode-se aplicar o método de Monte Carlo ao problema de esto-
que. Vamos considerar, nesse exemplo, que o estoque inicial seja de 240 pneus. Como o fabricante
entrega a cada 6 dias, as datas finais de entrega seguem a seguinte lógica:

Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo 441

 Data Final = (6* ordem de entrega) + dias de atraso
(cálculo da data final de entrega – eq. I)

Figura 7. Data final de entrega dos pneus encomendados

Fonte: Fonte do autor

A figura 8 mostra a simulação das datas reais de entrega dos pneus encomendados, levando
em conta os atrasos aleatórios. A partir desses dados, foi feita a simulação dos custos de estocagem
e falta, como pode ser observado na figura 8.

Figura 8. Planilha para gestão dos custos de estocagem e de falta

Fonte: Fonte do autor

Como foi realizada a simulação de demanda para os 50 dias (figura 6), basta verificar o dia em
específico para buscar o valor da demanda diária (presente na planilha da figura 9).
O nível de estoque será calculado seguindo a regra:
Nível de estoque = Estoque inicial + Estoque anterior – demanda diária
(cálculo do nível de estoque – eq. II)
Os custos relativos aos elementos do estoque já foram informados no enunciado e seguem os

442 Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo

 respectivos valores citados abaixo:
Custo de estocagem
R$ 3,00 por pneu por dia, relativos aos juros sobre o capital empatado;
R$ 2,00 por pneu por dia, relativos aos custos administrativos.
Custo de falta
Cada pneu que deixa de ser vendido, por falta de estoque, representa um prejuízo de R$ 80,00
diários.
A partir da configuração destes parâmetros na planilha, foram feitas 50 replicações alterando-se
somente o estoque inicial, como pode ser observado na tabela 1.

Tabela 1. Alterando o estoque inicial

Parâmetros Novos valores

Estoque inicial 200 210 220 230 240 250 260

Atraso inicial de entrega 6 6 6 6 6 6 6

Fonte: Fonte do autor

Na figura 9, é possível observar os resultados obtidos ao alteramos o estoque inicial (tabela 1).

Figura 9. Simulação dos custos de estocagem e de falta

Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo 443

 Fonte: Fonte do autor

Neste caso, é possível observar que, à medida que alteramos o estoque inicial, o custo de
estocagem e de falta de estoque sofrem os reajustes. Portanto, existem situações onde o custo de
estocagem é maior do que o custo de falta de estoque e casos inversos. O ideal é que se encontre
um meio termo para que uma tomada de decisão seja realizada.

A decisão a ser tomada

A questão que a empresa quer decidir é a quantidade de pneus que o fabricante deve entregar
a cada 6 dias.
Na planilha da figura 9 são simuladas duas variáveis aleatórias: a demanda diária e os dias de
atraso na entrega (que determinam a data efetiva de entrega).
No caso, foram realizadas 50 simulações com o objetivo de calcular o “Custo de estoque”,
quando há estoque positivo e o “Custo de falta”, quando o estoque torna-se negativo.
As simulações possibilitam calcular os “Custos Médios Diários”, conforme é mostrado na figura 10.

Figura 10. Cálculo dos custos médios diários

Fonte: Fonte do autor

444 Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo

 Na figura acima, é possível observar o custo médio diário de estocagem é de R$ 844,00 e o
custo médio diário de falta é de R$ 240,00. A soma destes dois custos nos fornece o custo médio
total. Esta informação será a responsável pela tomada de decisão.
A figura 11 informa os valores encontrados ao realizarmos as alterações da quantidade de
pneus recebida.

Figura 11. Resultado das simulações de quantidade recebida

Fonte: Fonte do autor

Pela análise da figura 11, é possível concluir que a melhor política para a empresa é receber
250 pneus a cada 6 dias, por ser a política que resulta no custo total mínimo.

CONSIDERAÇÕES FINAIS

Este estudo demonstrou a aplicação da simulação como uma técnica que proporciona aos
seus usuários maior embasamento na tomada de decisões. Por meio da simulação é possível prever
as consequências de certas alterações nos processos e, dessa forma, analisar a viabilidade destas
sem ter de testá-las no sistema real, o que aumenta a probabilidade de se fazer a melhor escolha.

REFERÊNCIAS

ANDRADE, EDUARDO L. Introdução à Pesquisa Operacional: métodos e modelos para a análise

de decisão. 3 ed. Rio de Janeiro: LTC, 2004.

CHUNG, A. A. Modeling Handbook: A practical approach. Boca Raton: CRC Press, 2004.

CHWIF, LEONARDO; MEDINA, AFONSO. Modelagem e simulação de eventos discretos, teoria

& aplicações. Segunda edição. São Paulo, 2007.

LAW, A. M. & KELTON, W. D. Simulation modeling and analysis. 3. Ed. McGraw-Hill Higher Edu-
cation, 2000.

ROBINSON, STEWART. Simulation: the practice of model development and use. Chichester: John
Wiley & Sons, 2004.

Engenharia de Produção: Tecnologia e Inovação no Setor Produtivo 445