Logo Passei Direto
Buscar
Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

MODELAGEM, 
ANÁLISE E 
SIMULAÇÃO 
DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA
Prof. Jean Turet
MODELAGEM, 
ANÁLISE E 
SIMULAÇÃO DE 
SISTEMAS
Marília/SP
2022
“A Faculdade Católica Paulista tem por missão exercer uma 
ação integrada de suas atividades educacionais, visando à 
geração, sistematização e disseminação do conhecimento, 
para formar profissionais empreendedores que promovam 
a transformação e o desenvolvimento social, econômico e 
cultural da comunidade em que está inserida.
Missão da Faculdade Católica Paulista
 Av. Cristo Rei, 305 - Banzato, CEP 17515-200 Marília - São Paulo.
 www.uca.edu.br
Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio ou forma 
sem autorização. Todos os gráficos, tabelas e elementos são creditados à autoria, 
salvo quando indicada a referência, sendo de inteira responsabilidade da autoria a 
emissão de conceitos.
Diretor Geral | Valdir Carrenho Junior
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 5
SUMÁRIO
CAPÍTULO 01
CAPÍTULO 02
CAPÍTULO 03
CAPÍTULO 04
CAPÍTULO 05
CAPÍTULO 06
CAPÍTULO 07
CAPÍTULO 08
CAPÍTULO 09
CAPÍTULO 10
CAPÍTULO 11
CAPÍTULO 12
CAPÍTULO 13
CAPÍTULO 14
CAPÍTULO 15
07
14
22
36
44
51
58
64
70
77
84
90
97
105
113
INTRODUÇÃO À MODELAGEM DE SISTEMAS
INTRODUÇÃO À SIMULAÇÃO DE SISTEMAS
TECNOLOGIA DA INFORMAÇÃO E SISTEMAS 
DE INFORMAÇÃO
SIMULAÇÃO SOFTWARE ARENA
PROGRAMAÇÃO LINEAR
APLICAÇÕES DE PROGRAMAÇÃO LINEAR
PHP SIMPLEX
PROCESSOS ESTOCÁTISCOS – CADEIAS DE 
MARKOV
TEORIA DAS FILAS
PROBLEMA DE TRANSPORTE
VALIDAÇÃO DE MODELOS
SISTEMA PRODUTIVO
DADOS, INFORMAÇÃO E CONHECIMENTO
PROCESSO DECISÓRIO ORGANIZACIONAL
CIÊNCIAS DE DADOS
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 6
INTRODUÇÃO
Caro(a) aluno(a), seja bem-vindo(a) ao nosso livro sobre Modelagem, Análise e 
Simulação de Sistemas. Durante a leitura deste livro vamos aprender sobre conceitos 
básicos e iniciais de modelagem e simulação de sistemas que contribuem para o 
entendimento a modelagem é importante em diversos cenários. Estes conhecimentos 
básicos serão de grande importância para as demais partes que serão estudadas.
Veremos um breve histórico do processo de modelagem e simulação, as 
características que norteiam estes, bem como a estrutura básica e etapas de construção 
de um modelo. Conheceremos fatores básicos de representatividade de dados e como 
estes dados estão interligados ao processo de concepção de um modelo.
Será apresentado ciências de dados que contribuem para aplicação de análise 
de dados em diferentes situações e cenários. Também serão ilustrados a análise de 
grandes volumes de dados e algoritmos de aprendizagem de máquina que fazem 
parte do rol empresarial de concepção de modelos
Nos aprofundaremos em o que há mais de novo processos decisórios organizacionais 
e tecnologias de simulações, considerando seu contexto em empresas e inteligência 
de negócios. Serão mostrados exemplos e conceitos aprofundados de metodologia e 
técnicas que norteiam esse contexto, como é o caso do software arena, bem como de 
métodos de pesquisa operacional, entre eles, teoria das filas e método monte carlo. 
Por fim vamos estudar a análise, interpretação e estruturação de modelos e seus 
resultados, elicitando técnicas e meios que contribuem para a administração da 
informação. 
Desejo a você, caro(a) aluno(a), uma excelente leitura.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 7
CAPÍTULO 1
INTRODUÇÃO À 
MODELAGEM DE SISTEMAS
Fonte: https://pixabay.com/pt/photos/marca-marcador-m%c3%a3o-escrever-516278/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso primeiro capítulo onde introduziremos 
importantes aspectos relacionados ao processo de modelagem e simulação. Aqui 
vamos entender e compreender como estes tópicos estão relacionados com a pesquisa 
operacional e, consequentemente, com a engenharia de produção.
1.1 Introdução à pesquisa operacional
Em qualquer área da vida, existem decisões difíceis. Quando tomamos essa decisão, 
muitas vezes gostamos de pensar lógica e racionalmente sobre nossas opções e qual 
https://pixabay.com/pt/photos/marca-marcador-m%c3%a3o-escrever-516278/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 8
delas pode ser a melhor em relação aos nossos objetivos. Nossas opções podem 
ser limitadas, mas sempre podemos pensar cuidadosamente sobre elas e o que elas 
trazem para a mesa para decidir o que é melhor para nós.
A Pesquisa Operacional (PO) é a aplicação de ideias semelhantes a decisões maiores 
e mais complexas que dizem respeito às operações de sistemas, como negócios e 
redes de máquinas. Tomar essas decisões usando PO envolve o emprego de métodos 
matemáticos para resolver uma versão numérica do problema em questão. O objetivo 
ou meta é a primeira coisa que precisa ser entendida em PO, pois descreve o que 
queremos de uma solução e nos permite comparar diferentes. O objetivo é normalmente 
quantificável, como lucro ou custo. Em problemas de natureza complexa, ajuda a 
encontrar formas de representar numericamente outras partes do sistema. A Pesquisa 
Operacional envolve fazer exatamente isso, analisando a estrutura e os componentes do 
sistema para extrair o máximo de informações numéricas possível. Muitas propriedades 
de um sistema podem ser quantificadas, como os recursos disponíveis para ele, sua 
eficiência energética, o tamanho de sua força de trabalho e assim por diante. Ao fazer 
isso, essas propriedades se tornam facilmente comparáveis e podemos ter uma ideia 
de como elas afetam nosso objetivo (HILLIER, 2012).
A Pesquisa Operacional também envolve obter uma forte compreensão do sistema, 
como ele funciona e quais relacionamentos existem entre seus componentes. Isso 
é essencial para ver como as restrições em uma parte podem criar restrições em 
outras e podem reduzir o número de opções que temos que considerar: restringir o 
problema. Por exemplo, contratar mais funcionários de negócios aumenta o custo e 
usar máquinas mais potentes no sistema reduzirá a eficiência energética. Obter uma 
compreensão profunda do sistema nos permite descobrir onde estão suas restrições 
e quais componentes valorizamos mais.
Ao reunir representações numéricas e estudar a dinâmica do sistema, os profissionais 
de PO pretendem ser capazes de representar o problema com a maior precisão possível 
usando matemática: criando um modelo. O objetivo é criar um problema matemático 
que reflita de perto a natureza do problema real. Problemas matemáticos podem 
ser muito mais fáceis de resolver, porque os números não são subjetivos e podem 
(quase sempre) ser otimizados. Existem muitos métodos que foram desenvolvidos 
ao longo dos anos para ajudar a fazer isso, todos bem compreendidos e válidos. Às 
vezes, no entanto, para problemas extremamente complexos, esses métodos nem 
sempre encontram a melhor escolha. Por isso, a PO também envolve a utilização de 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 9
outros métodos projetados para chegar o mais próximo possível da melhor escolha: 
heurísticas (HILLIER, 2012).
Uma grande parte da PO vem após o estágio de resolução de problemas. Uma 
vez que o praticante terá resolvido um problema matemático, ele terá uma resposta 
matemática. Uma parte fundamental da PO é, portanto, transformar essa resposta 
em uma solução em termos do problema original do mundo real. Tendo obtido uma 
compreensão tão boa do sistema por meio dos estágios de modelagem, as pessoas 
que trabalham na sala de cirurgia geralmente estão envolvidas na implementação da 
decisão que sugeriram. Eles podem então aconselhar com base se funciona ou não 
como eles esperavam. Em resumo, a PO é a prática de converter um problema real 
e operacional em um problema matemático, resolvê-loEmbora não possamos generalizar um 
grande número de variáveis usando uma abordagem gráfica, os conceitos básicos 
da Programação Linear em um contexto de duas variáveis podem ser facilmente 
demonstrados. Sempre podemos recorrer a problemas de duas variáveis se os 
problemas parecerem complicados e nos encontrarmos em um conjunto de perguntas. 
E sempre podemos procurar respostas em um caso de duas variáveis usando gráficos, 
ou seja, resolvendo problemas de Programação Linear graficamente. A abordagem 
gráfica envolve-se com outra vantagem que é a sua natureza visual. Ele nos fornece 
uma imagem para nos darmos bem com a álgebra da Programação Linear. Essa 
imagem pode saciar nossa sede de entender as definições e possibilidades básicas. 
Essas razões são a prova de que a abordagem gráfica funciona sem problemas com 
os conceitos de Programação Linear. Agora, para resolver problemas de Programação 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 49
Linear graficamente, devemos duas coisas: Restrições de desigualdade e a função 
objetivo. conjunto de passos lógicos. Com a ajuda destes passos, podemos dominar 
a solução gráfica de problemas de Programação Linear. Na figura abaixo temos um 
exemplo do método gráfico:
Figura 2: Exemplo do método gráfico
Fonte: O autor, 2022
O segundo método é chamado de SIMPLEX. O método simplex foi desenvolvido 
durante a Segunda Guerra Mundial pelo Dr. George Dantzig. Seus modelos de 
programação linear ajudaram as forças aliadas com problemas de transporte e 
programação. 
O método simplex usa uma abordagem que é muito eficiente. Ele não calcula o 
valor da função objetivo em todos os pontos; em vez disso, começa com um ponto de 
canto da região de viabilidade onde todas as variáveis principais são zero e então se 
move sistematicamente de ponto de canto para ponto de canto, melhorando o valor 
da função objetivo em cada estágio. O processo continua até que a solução ótima 
seja encontrada. Vejamos agora as etapas de um SIMPLEX:
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 50
Fonte: https://otimizacao.js.org/
Configurar o problema. Ou seja, escrever a função objetivo e as restrições de 
desigualdade.
Converter as desigualdades em equações. Isso é feito adicionando uma variável 
de folga para cada desigualdade.
Construir a tabela inicial do simplex. Escreva a função objetivo como a linha inferior. 
A entrada mais negativa na linha inferior identifica a coluna pivô.
Calcular os quocientes. O menor quociente identifica uma linha. O elemento na 
interseção da coluna identificada na etapa 4 e a linha identificada nesta etapa é 
identificada como o elemento pivô. Os quocientes são calculados dividindo a coluna 
da extrema direita pela coluna identificada na etapa 4. Um quociente que seja zero, 
ou um número negativo, ou que tenha um zero no denominador, é ignorado.
Executar o pivotamento para zerar todas as outras entradas nesta coluna. Isso é 
feito da mesma forma que fizemos com o método de Gauss-Jordan.
Quando não houver mais entradas negativas na linha inferior, terminamos; caso 
contrário, começamos novamente a partir do passo 4.
Ler as respostas. Obtenha as variáveis usando as colunas com 1 e 0s. Todas as 
outras variáveis são zero. O valor máximo que você está procurando aparece no canto 
inferior direito.
No próximo capítulo vamos nos aprofundar em softwares que buscam resolver 
problemas de programação linear a partir destes dois métodos.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 51
CAPÍTULO 6
APLICAÇÕES DE 
PROGRAMAÇÃO LINEAR
Fonte: https://pixabay.com/pt/photos/computador-computador-port%c3%a1til-2982270/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 6 onde vamos utilizar o construir, 
juntos, um problema de programação linear. Vamos lá?
6.1 Construção do modelo
O primeiro passo para a construção de um modelo é a identificação do problema 
que estamos enfrentando. Esse é o papel do analista.
Então vamos imaginar que nosso cenário está associado a uma indústria de jeans. 
O dono deseja saber quanto deve produzir de calça e shorts para que ele possa ter 
https://pixabay.com/pt/photos/computador-computador-port%c3%a1til-2982270/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 52
o lucro máximo. Neste caso, já temos um problema em curso e percebe-se que este 
problema tem a característica de um problema linear. 
Que tal relembrarmos alguns pontos da aula passada?
Todo problema de programação linear detém de componentes que permitem a sua 
formulação. Vamos compreender cada um destes:
Variáveis de Decisão: As variáveis de decisão são as variáveis que decidirão minha 
saída. Eles representam minha solução final. Para resolver qualquer problema, primeiro 
precisamos identificar as variáveis de decisão. Para o exemplo acima, o número total 
de unidades para A e B denotadas por X e Y respectivamente são minhas variáveis 
de decisão.
Função Objetivo: É definida como o objetivo de tomar decisões. Um exemplo seria 
a empresa que deseja aumentar o lucro total representado por Z. Então, o lucro é 
minha função objetivo.
Restrições: As restrições são as restrições ou limitações das variáveis de decisão. 
Eles geralmente limitam o valor das variáveis de decisão. 
Restrição de não negatividade: Para todos os programas lineares, as variáveis de 
decisão devem sempre assumir valores não negativos. Isso significa que os valores 
das variáveis de decisão devem ser maiores ou iguais a 0.
Percebe-se que neste cenário que estamos trabalhando já temos algumas 
informações, como a identificação de dois produtos, que vamos chamar de x1 e x2, 
bem como do objetivo, que é a maximização do lucro. Com isso, podemos identificar 
os valores unitários de cada produto, bem como as restrições associadas ao processo 
produtivo.
Conversando com o dono, identificou-se que o produto x1 é vendido por 12 reais 
e o produto x2 é vendido por 25 reais. E o mesmo tem duas restrições. Ele tem no 
máximo 10 quilos de tecido e somente 4 máquinas para realizar os serviços. Para 
montar esse problema vamos utilizar o solver do excel. O produto x1 utiliza 0,5 quilos 
de jeans e 2 máquinas. O produto x2 utiliza 1 kg de jeans e 1 máquina.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 53
1 – No excel, primeiramente, precisamos ativar o SOLVER, como mostra a figura 
abaixo. O solver é um suplemento externo do excel, bastando seguir esse caminho 
arquivos/opções/suplementos:
Fonte: O Autor, 2022.
Após ativar o solver, o mesmo se encontrará na guia dados do excel:
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 54
 Após a configuração inicial, precisamos colocar nosso problema em formato 
matemático no Excel. Vamos montar uma tabela que inclui a função objetivo, as 
variáveis de decisão e nossas restrições, como ilustra a figura abaixo:
Fonte: O Autor, 2022.
Primeiramente, identificamos nossa função objetivo, que MAX Z = 12x1 + 25x2. 
Perceba que a mesma foi declarada no início. 
Após a definição inicial da função objetivo, podemos identificar nossas variáveis. 
Percebe-se que dos lados das variáveis há dois espaços em branco. Isto acontece pois 
o SOLVER irá identificar a quantidade de cada produto para atingir o lucro máximo. O 
valor de Z no momento é 0, uma vez que o problema ainda não foi resolvido. Após a 
resolução, este valor será alterado automaticamente. Com isso podemos selecionar 
o SOLVER, que agora se encontra na parte de dados da nossa barra de tarefas. 
Quanto às nossas restrições, primeiramente declaramos a restrição de tecido e 
depois declaramos a restrição de máquinas. A quantidade máxima de cada restrição 
é estabelecida em RHS. Já em LHS há o valor de 0 e com uma fórmula específica. 
Estes valores serão alteradosuma vez que representam a quantidade de recursos 
utilizados por cada produto. Logo, a fórmula a ser incorporada é: (quantidade de recursos 
utilizados de x1* quantidade produzida de x1) + (quantidade de recursos utilizados por 
x2 + quantidade produzida de x2). Com isso podemos seguir com o SOLVER.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 55
Fonte: O Autor, 2022.
Assim, precisamos passar nossos parâmetros no SOLVER. O primeiro é a definição 
do objetivo, ou seja, o valor que será alterado com o resultado final (aquele valor que 
no momento se encontra 0). Depois identificar as celular das variáveis que serão 
alteradas (acima do valor 0). Essa opção tem como finalidade identificar quanto de 
cada produto será produzido para atingir o lucro máximo. E por fim tem-se as restrições 
do problema. Optamos pelo método LP Simplex para a resolução.
Quando rodamos o modelo (clicando em resolver), aparece a seguinte mensagem 
informando que houve uma solução:
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 56
Fonte: O Autor, 2022.
E como resultado, temos:
Fonte: O Autor, 2022.
Vamos entender cada parte do resultado. Percebe-se que nossas variáveis receberam 
os valores de 0 e de 4.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 57
Fonte: O Autor, 2022.
Isto indica que a loja não deve produzir nenhum produto x1 (calça) e 4 peças de 
x2 (shorts) para que ela atinja o lucro máximo de 100 reais.
Por outro lado, verificando nossas restrições, verifica-se que só houve o consumo 
de 4 quilos de jeans e as 4 máquinas foram utilizadas, como ilustra a figura: 
Fonte: O Autor, 2022.
Então é isso caro(a) aluno(a), nesta aula vimos a implementação de um problema 
de programação linear na prática. Até a próxima.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 58
CAPÍTULO 7
PHP SIMPLEX
Fonte: https://pixabay.com/pt/photos/empreendedor-id%c3%a9ia-compet%c3%aancia-1340649/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 7 onde vamos utilizar o construir, 
juntos, um problema de programação linear a partir do PHP SIMPLEX. Vamos utilizar 
o mesmo problema do capítulo anterior. No primeiro momento vamos relembrar o 
capítulo anterior e em seguida utilizar o PHP SIMPLEX. Vamos lá?
6.1 Construção do modelo
O primeiro passo para a construção de um modelo é a identificação do problema 
que estamos enfrentando. Esse é o papel do analista.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 59
Então vamos imaginar que nosso cenário está associado a uma indústria de jeans. 
O dono deseja saber quanto deve produzir de calça e shorts para que ele possa ter 
o lucro máximo. Neste caso, já temos um problema em curso e percebe-se que este 
problema tem a característica de um problema linear. 
Que tal relembrarmos alguns pontos da aula passada?
Todo problema de programação linear detém de componentes que permitem a sua 
formulação. Vamos compreender cada um destes:
Variáveis de Decisão: As variáveis de decisão são as variáveis que decidirão minha 
saída. Eles representam minha solução final. Para resolver qualquer problema, primeiro 
precisamos identificar as variáveis de decisão. Para o exemplo acima, o número total 
de unidades para A e B denotadas por X e Y respectivamente são minhas variáveis 
de decisão.
Função Objetivo: É definida como o objetivo de tomar decisões. No exemplo acima, 
a empresa deseja aumentar o lucro total representado por Z. Então, o lucro é minha 
função objetivo.
Restrições: As restrições são as restrições ou limitações das variáveis de decisão. 
Eles geralmente limitam o valor das variáveis de decisão. 
Restrição de não negatividade: Para todos os programas lineares, as variáveis de 
decisão devem sempre assumir valores não negativos. Isso significa que os valores 
das variáveis de decisão devem ser maiores ou iguais a 0.
Percebe-se que neste cenário que estamos trabalhando já temos algumas informações, 
como a identificação de dois produtos, que vamos chamar de x1 e x2, bem como 
do objetivo, que é a maximização do lucro. Com isso, podemos identificar os valores 
unitários de cada produto, bem como as restrições associadas ao processo produtivo.
Conversando com o dono, identificou-se que o produto x1 é vendido por 12 reais 
e o produto x2 é vendido por 25 reais. E o mesmo tem duas restrições. Ele tem no 
máximo 10 quilos de tecido e somente 4 máquinas para realizar os serviços. Para 
montar esse problema vamos utilizar PHP SIMPLEX. O produto x1 utiliza 0,5 quilos 
de jeans e 2 máquinas. O produto x2 utiliza 1 kg de jeans e 1 máquina.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 60
Primeiro vamos entrar no site PHP SIMPLEX (phpsimplex.com). A seguinte tela irá 
surgir:
Fonte: O Autor, 2022.
O sistema pede para escolhermos qual método utilizar (vamos utilizar o método 
gráfico), a quantidade de variáveis (no nosso caso 2) e quantas restrições (também 
temos 2 restrições), logo: 
Fonte: O Autor, 2022.
Primeiramente, identificamos nossa função objetivo, que MAX Z = 12x1 + 25x2. 
Perceba que a mesma foi declarada no início. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 61
Após a definição inicial da função objetivo, podemos identificar nossas variáveis. 
Percebe-se que dos lados das variáveis há dois espaços em branco. Devemos inserir 
o valor das nossas variáveis. Após devemos inserir nossas restrições e identificar o 
tipo de restrição que nós temos, que nesse caso é do tipoem saúde, linguística, música, mídia, teoria 
das cores, botânica, manufatura e geomorfologia, todos afetados por movimentos 
aparentemente aleatórios nos mercados financeiros. Na ciência social, a modelagem 
estocástica é utilizada.
Fonte: https://pixabay.com/pt/photos/jogos-felicidade-cassino-839033/
Embora a definição de um processo estocástico varie, ele é tipicamente caracterizado 
como uma coleção de variáveis aleatórias indexadas por algum conjunto. Sem que o 
conjunto de índices seja claramente descrito, as frases processo aleatório e processo 
estocástico são consideradas sinônimos e são usadas de forma intercambiável. As 
frases “coleção” e “família” são usadas de forma intercambiável, enquanto “conjunto 
de parâmetros” ou “espaço de parâmetros” são usados ocasionalmente em vez de 
“conjunto de índices”.
Alguns processos estocásticos teoricamente definidos incluem passeios aleatórios, 
martingales, processos de Markov, processos de Lévy, processos gaussianos, campos 
aleatórios, processos de renovação e processos de ramificação. Probabilidade, cálculo, 
álgebra linear, teoria dos conjuntos e topologia, bem como análise real, teoria da medida, 
análise de Fourier e análise funcional, são todos usados no estudo de processos 
estocásticos.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 66
Exemplo de processo estocástico
Processo de Poissons
O processo de Poisson é um processo estocástico com diversas definições e 
aplicações. É um processo de contagem, que é um processo estocástico no qual um 
número aleatório de pontos ou ocorrências são exibidos ao longo do tempo. Uma 
variável aleatória Poisson dependente do tempo é definida como o número de pontos em 
um processo que cai entre zero e um determinado tempo. Os números não negativos 
compõem o conjunto de índices desse processo, mas os números naturais compõem 
o espaço de estados. Porque pode ser concebido como uma operação de contagem, 
este procedimento é muitas vezes referido como o processo de contagem de Poisson.
Processo Bernoulli
Um dos processos estocásticos mais básicos é o processo de Bernoulli. É um 
conjunto de variáveis aleatórias independentes e identicamente distribuídas (iid), cada 
uma com probabilidade um ou zero, por exemplo, uma com probabilidade p e zero 
com probabilidade 1-p. Este método é semelhante ao lançamento de uma moeda 
repetidamente, com a chance de obter uma cara sendo p e o valor sendo um, e a 
probabilidade de receber uma coroa sendo zero. Um processo de Bernoulli, em outras 
palavras, é um conjunto de variáveis aleatórias iid Bernoulli, com cada lançamento de 
moeda representando uma tentativa de Bernoulli.
Caminhada aleatória
O passeio aleatório simples é um exemplo típico de passeio aleatório. É um processo 
estocástico em tempo discreto com inteiros como espaço de estados e é baseado em 
um processo de Bernoulli, com cada variável de Bernoulli assumindo um valor positivo 
ou negativo. Em outras palavras, o passeio aleatório simples ocorre em números inteiros, 
e seu valor cresce em um com probabilidade p ou diminui em um com probabilidade 
1-p, portanto, o conjunto de índices desse passeio aleatório é de números naturais, 
mas seu espaço de estados é inteiro. Se p = 0,5, esse passeio aleatório é chamado 
de passeio aleatório simétrico.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 67
Fonte: https://pixabay.com/pt/photos/dados-cubo-jogar-probabilidade-5471051/
Vejamos algumas diferenças importantes:
Estocástico vs probabilístico
Os termos estocástico e probabilístico são freqüentemente trocados. Probabilístico 
é provavelmente o termo mais amplo. O estocástico depende de uma ocorrência 
anterior, como flutuações no preço das ações com base no preço do dia anterior, mas 
o probabilístico é independente de outras observações, como números vencedores 
da loteria, que deveriam ser independentes uns dos outros.
Estocástico vs Não Determinístico
Determinístico refere-se a uma variável ou processo que pode prever o resultado 
de uma ocorrência com base na situação atual. Em termos simples, podemos afirmar 
que nada em um modelo determinístico é aleatório. Não determinístico, por outro lado, 
é uma variável ou processo no qual a mesma entrada pode resultar em resultados 
diferentes.
Como o resultado é imprevisível, a estocasticidade é frequentemente usada de 
forma intercambiável com métodos não determinísticos. Da maneira como podemos 
realizar análises usando ferramentas de probabilidade, como resultado antecipado 
e variância, a estocasticidade é ligeiramente diferente da não determinística. Como 
resultado, definir uma variável como estocástica em vez de não determinística é uma 
afirmação mais forte.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 68
Estocástico vs Aleatório
Na maioria dos casos, estocástico é usado de forma intercambiável com aleatório. 
Aleatório refere-se à imprevisibilidade e, no cenário ideal, todos os resultados são 
igualmente prováveis, o que implica que não há confiança na outra observação, como 
jogar uma moeda honesta, enquanto estocástico se refere à natureza probabilística 
da variável escolhida aleatoriamente.
Já as cadeias de Markov, são sistemas matemáticos que saltam de um “estado” 
(uma situação ou conjunto de valores) para outro. Por exemplo, se você fez um modelo 
de cadeia de Markov do comportamento de um clima, você pode incluir “sol”, “neve”, 
“chuva” e “nublado” como estados, que junto com outros comportamentos podem 
formar um ‘espaço de estado’: uma lista de todos os estados possíveis. Além disso, no 
topo do espaço de estados, uma cadeia de Markov informa a probabilidade de pular, 
ou “transição”, de um estado para outro - por exemplo, a chance de um bebê que está 
brincando adormecer no próximo. cinco minutos sem chorar primeiro (HILLIER, 2012).
Com dois estados (A e B) em nosso espaço de estados, existem 4 transições 
possíveis (não 2, porque um estado pode fazer a transição de volta para si mesmo). Se 
estivermos em ‘A’, podemos fazer a transição para ‘B’ ou ficar em ‘A’. Se estivermos em 
‘B’, podemos fazer a transição para ‘A’ ou ficar em ‘B’. Neste diagrama de dois estados, 
a probabilidade de transição de qualquer estado para qualquer outro estado é 0,5.
Figura 1 – Cadeias de Markov
Fonte: https://www.quora.com/How-does-a-Markov-chain-work
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 69
Claro, modeladores reais nem sempre desenham diagramas de cadeia de Markov. 
Em vez disso, eles usam uma “matriz de transição” para calcular as probabilidades 
de transição. Cada estado no espaço de estados é incluído uma vez como uma linha 
e novamente como uma coluna, e cada célula na matriz informa a probabilidade de 
transição do estado de sua linha para o estado de sua coluna. Assim, na matriz, as 
células fazem o mesmo trabalho que as setas fazem no diagrama.
Então é isso caro(a) aluno(a), aqui compreendemos as cadeias de Markov e o 
processo estocástico. Até a próxima.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 70
CAPÍTULO 9
TEORIA DAS FILAS
Fonte: https://pixabay.com/pt/vectors/modelo-modelo-estoc%C3%A1stico-vms-
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 9 onde vamos compreender 
o que seria teoria das filas. Vamos, lá?
9.1 Teoria das filas
Especificamente quanto à teoria das filas, não basta falar apenas sobre o comprimento 
da fila. O processo de enfileiramento pode ser dividido em quatro componentes 
igualmente vitais:
• Chegada, que se refere à chegada dos clientes que são os primeiros da fila.
• Capacidade, que se refere ao limite do sistema em relação ao número de clientes 
na fila.
• Serviço, que se refere aos pontos de serviço onde o serviço ocorre.
• Partida ou saída, que se refere a clientes que saem do sistema após receberem 
o serviço.
MODELAGEM,ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 71
Por sua vez, todos esses aspectos do enfileiramento podem ser divididos em 
segmentos menores, ou seja, taxas de chegada e partida, tempos médios de conclusão 
do serviço, disciplina de filas, número de servidores, etc.
O sistema possui um ou mais servidores que gerenciam os clientes desde a chegada 
até a saída. O exemplo clássico de tal projeto é um caixa em um supermercado.
John Little elaborou uma lei que descreve a relação entre a taxa de distribuição dos 
clientes e o tempo gasto por eles no sistema. O teorema de Little pode ser resumido 
nesta pequena equação (HILLIER, 2012):
L = λW
O número médio de clientes (L) é calculado a partir da taxa média de chegada de 
clientes (λ) multiplicada pelo tempo médio de atendimento de um cliente (W). Para 
entender essa dinâmica, considere seu restaurante típico:
Se a taxa de chegada dobrar, mas o tempo de atendimento permanecer constante, 
o número de clientes aumentará duas vezes. Pela mesma lógica, caso o tempo médio 
de atendimento dobre sem que a taxa de chegada mude, o número de clientes também 
dobrará.
Se os clientes chegarem à taxa de 10 por hora e permanecerem no restaurante por 
uma hora (1), o número médio de clientes a qualquer momento será 10.
L = 10*1 = 10
Com isso tem-se as principais fórmulas de teoria das filas:
Figura 1: Fórmulas de Teoria das Filas
Fonte: https://www.nucleodoconhecimento.com.br/engenharia-de-producao/teoria-de-filas
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 72
A teoria das filas estuda o comportamento de filas simples, também chamadas de 
nós de filas. David George Kendall propôs um sistema para classificar esses nós de 
filas – a chamada notação de Kendall (HILLIER, 2012).
De acordo com a notação de Kendall, os nós de fila são descritos como A/S/c/K/N/D:
• A para o processo de chegada.
• S para a distribuição matemática do tempo de serviço.
• c para o número de servidores.
• K para a capacidade da fila (se não for ilimitada).
• N para o número de clientes possíveis (se não infinito).
• D para a disciplina de filas (primeiro a entrar, primeiro a sair por padrão).
Dependendo do modelo teórico utilizado, os três últimos nós podem ser omitidos 
da equação, tornando-a um A/S/c mais gerenciável.
Com base em como cada um dos parâmetros é especificado, obtemos diferentes 
modelos de filas. Alguns dos modelos mais conhecidos são M/M/1, M/M/c (também 
chamado de modelo Erlang-C), M/G/1, M/D/1 e mais. Esses modelos tratam da teoria 
matemática da probabilidade e são usados para descrever modelos de distribuição 
em computação e logística.
Por outro lado, a teoria das filas tem como base as distribuições de probabilidades, 
em especial a POISSON. Vamos compreender o que são distribuições de probabilidade 
e suas classificações. 
Todas as distribuições de probabilidade podem ser classificadas como distribuições de 
probabilidade discretas ou como distribuições de probabilidade contínuas, dependendo 
de definirem probabilidades associadas a variáveis discretas ou variáveis contínuas.
Suponha que o corpo de bombeiros exija que todos os bombeiros devam pesar 
entre 50 e 100 quilos. O peso de um bombeiro seria um exemplo de variável contínua; 
já que o peso de um bombeiro pode assumir qualquer valor entre 50 e 100 quilos.
Suponha que joguemos uma moeda e contemos o número de caras. O número de 
caras pode ser qualquer valor inteiro entre 0 e mais infinito. No entanto, não poderia 
ser qualquer número entre 0 e mais infinito. Não conseguimos, por exemplo, obter 2,5 
caras. Portanto, o número de caras deve ser uma variável discreta.
Quando falamos de um sistema de filas, estamos falando de um evento discreto 
que necessita de uma distribuição discreta. Essa distribuição é chamada de POISSON 
(DOANE, 2015).
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 73
A distribuição de Poisson é uma função de probabilidade discreta que significa 
que a variável só pode assumir valores específicos em uma determinada lista de 
números, provavelmente infinita. Uma distribuição de Poisson mede quantas vezes um 
evento provavelmente ocorrerá dentro de um período de tempo “x”. Em outras palavras, 
podemos defini-la como a distribuição de probabilidade que resulta do experimento 
de Poisson. Um experimento de Poisson é um experimento estatístico que classifica 
o experimento em duas categorias, como sucesso ou fracasso. A distribuição de 
Poisson é um processo limitante da distribuição binomial (DOANE, 2012).
Uma variável aleatória de Poisson “x” define o número de sucessos no experimento. 
Essa distribuição ocorre quando há eventos que não ocorrem como resultados de 
um número definido de resultados. A distribuição de Poisson é usada sob certas 
condições. Eles são:
• O número de tentativas “n” tende a infinito
• Probabilidade de sucesso “p” tende a zero
• np = 1 é finito
Por outro lado, as variáveis aleatórias contínuas, ao contrário das variáveis aleatórias 
discretas, podem assumir qualquer valor em um intervalo real. Assim, o intervalo 
de variáveis aleatórias contínuas é infinito e incontável. Tal densidade de valores 
impossibilita o cálculo da probabilidade para cada um deles e, portanto, não é possível 
definir um modelo probabilístico através de uma função de probabilidade como com 
variáveis aleatórias discretas (DOANE, 2015).
Além disso, geralmente a medição da variável aleatória contínua é limitada pela 
precisão do instrumento de medição. Por exemplo, quando alguém diz que tem 1,68 
metros de altura, sua altura verdadeira não é exatamente 1,68 metros, porque a precisão 
do instrumento de medição é de apenas cm (duas casas decimais). Isso significa que 
a altura real dessa pessoa está entre 1,675 e 1,685 metros. Portanto, para variáveis 
contínuas, não faz sentido calcular a probabilidade de um valor isolado, e calcularemos 
probabilidades para intervalos (DOANE, 2015).
Já uma distribuição probabilística continua descreve as probabilidades dos valores 
possíveis de uma variável aleatória contínua. Como uma variável aleatória contínua 
tem um conjunto infinito e incontável de valores possíveis (conhecido como intervalo), 
o mapeamento do tempo pode ser considerado como um exemplo da distribuição 
de probabilidade contínua. Pode ser de 1 segundo a 1 bilhão de segundos, e assim 
por diante.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 74
A área sob a curva de uma variável aleatória contínua é usada para calcular 
sua probabilidade. Como resultado, apenas intervalos de valores podem ter uma 
probabilidade diferente de zero. A probabilidade de uma variável aleatória contínua 
de igualar algum valor é sempre zero.
Agora, observe algumas variedades da distribuição de probabilidade contínua 
(DOANE, 2015):
Distribuição normal
A Distribuição Normal é um dos tipos de distribuição contínua mais básicos. A 
distribuição gaussiana é outro nome para isso. Em torno de seu valor médio, essa 
distribuição de probabilidade é simétrica. Também demonstra que dados próximos à 
média ocorrem com mais frequência do que dados distantes dela. Aqui, a média é 0 
e a variância é um valor finito (Figura 1).
Figura 1: Distribuição normal
Fonte: Autoria Própria, 2022
Distribuição uniforme contínua
Na distribuição uniforme contínua, todos os resultados são igualmente prováveis. 
Cada variável tem a mesma chance de ser atingida como resultado. As variáveis 
aleatórias são espaçadas uniformemente nesta distribuição probabilística simétrica, 
com probabilidade 1/ ( )b a− (Figura 2).
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 75
Figura 2: Distribuição uniforme continua 
Fonte: Autoria Própria, 2022
Distribuição Log-Normal
As variáveis aleatórias cujos valores logarítmicos seguem uma distribuição normal 
utilizam essa distribuição. A variávelrepresentada nesta distribuição é ln( )Y x= , onde 
ln denota o logaritmo natural dos valores de X.
Distribuição Exponencial
Em uma distribuição exponencial é uma distribuição de probabilidade contínua que 
descreve o tempo entre eventos (sucesso, falha, chegada, etc.) (Figura 3).
Figura 3: Distribuição exponencial
Fonte: Autoria Própria, 2022
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 76
Desta forma você compreendeu nesta parte características que estão associadas 
a eventos contínuos. O entendimento sobre as variáveis contínuas, bem como a 
distribuição probabilística continua, permite direcionar a construção de modelos e 
simulação de sistemas contínuos.
Legal, né? Então é isso, caro(a) aluno(a). Aqui entendemos Teoria das Filas. Até a 
próxima.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 77
CAPÍTULO 10
PROBLEMA DE TRANSPORTE
Fonte: https://pixabay.com/pt/photos/ferrovia-abandonado-estrada-de-ferro-2049394/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 10 onde vamos compreender 
o que seria um problema de transporte. Vamos, lá?
8.1 Problema de transporte
A Pesquisa Operacional (PO) é uma abordagem de última geração usada para 
resolução de problemas e tomada de decisões. PO ajuda qualquer organização a 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 78
alcançar seu melhor desempenho sob determinadas restrições ou circunstâncias. As 
técnicas OR proeminentes são,
• Programação linear
• Programação de metas
• Programação inteira
• Programação dinâmica
• Programação de rede
Um dos problemas que as organizações enfrentam é o problema do transporte. 
Originalmente significa o problema de transportar/expedir as commodities da indústria 
para os destinos com o menor custo possível, satisfazendo os limites de oferta e 
demanda. É uma classe especial de técnica de programação linear que foi projetada 
para modelos com funções lineares de objetivo e restrição. Sua aplicação pode ser 
estendida a outras áreas de atuação, incluindo
• Agendamento e gerenciamento de tempo
• Otimização de rede
• Gestão de inventário
• Planejamento de Recursos Empresariais
• Planejamento do processo
• Otimização de roteamento
O problema de transporte é um tipo especial de problema de programação linear 
onde o objetivo consiste em minimizar o custo de transporte de uma determinada 
mercadoria de várias fontes ou origens (por exemplo, fábrica, instalação de fabricação) 
para vários destinos (por exemplo, armazém, loja). Cada origem tem uma oferta limitada 
(ou seja, número máximo de produtos que podem ser enviados a partir dela), enquanto 
cada destino tem uma demanda a ser satisfeita (ou seja, número mínimo de produtos 
que precisam ser enviados para ele). O custo de envio de uma origem para um destino 
é diretamente proporcional ao número de unidades enviadas.
O problema de transporte funciona de forma a minimizar a função custo. Aqui, 
a função de custo é a quantidade de dinheiro gasto para o provedor de logística 
para transportar as mercadorias do local de produção ou fornecedor para o local de 
demanda. Muitos fatores decidem o custo do transporte. Inclui a distância entre os 
dois locais, o caminho percorrido, o modo de transporte, o número de unidades que 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 79
são transportadas, a velocidade do transporte, etc. Então, o foco aqui é transportar 
as mercadorias com custo mínimo de transporte sem comprometer oferta e procura. 
O problema de transporte é uma extensão da técnica de programação linear porque 
os custos de transporte são formulados como uma função linear da capacidade de 
oferta e demanda. Confira o curso sobre análise de transporte.
Notação:
m = número de fontes (i = 1 … m)
n = número de destinos (j = 1 … n)
c i,j = custo unitário de envio da origem i ao destino j
x i,j = quantidade enviada da origem i ao destino j
a i = fornecimento na fonte i
b j = demanda no destino j
Fonte: https://otimizacao.js.org/transporte_about.html
Tipos de problemas de transporte
Existem dois tipos diferentes de problemas de transporte com base nas informações 
iniciais fornecidas:
Problemas de Transporte Equilibrado: casos em que a oferta total é igual à demanda 
total.
Problemas de Transporte Desequilibrado: casos em que a oferta total não é igual à 
demanda total. Quando a oferta é maior que a demanda, um destino fictício é introduzido 
na equação para torná-lo igual à oferta (com custos de envio de $ 0); supõe-se que o 
excesso de oferta vá para o estoque. Por outro lado, quando a demanda é superior à 
https://otimizacao.js.org/transporte_about.html
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 80
oferta, uma fonte é introduzida na equação para torná-la igual à demanda (nestes casos 
geralmente há um custo de penalidade associado ao não atendimento da demanda).
Para prosseguir com a solução de um determinado problema de transporte, o 
primeiro passo consiste em verificar se o mesmo está balanceado. Se não for, deve 
ser equilibrado de acordo.
Fonte: https://pixabay.com/pt/photos/equil%c3%adbrio-saldo-barra-sapato-p%c3%a9s-6157258/
O problema de transporte existe em duas formas.
Equilibrado
É o caso em que a oferta total é igual à demanda total.
Desequilibrado
É o caso em que a demanda é maior que a oferta ou vice-versa.
Na maioria dos casos, os problemas assumem uma forma equilibrada. É porque 
normalmente as unidades de produção trabalham, levando em consideração o estoque 
e a demanda. A superprodução aumenta o custo do estoque, enquanto a subprodução 
é desafiada pela demanda. Portanto, o trade-off deve ser cuidadosamente examinado. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 81
Considerando que, a forma desequilibrada existe em uma situação em que há um 
aumento ou diminuição sem precedentes na demanda.
Há várias formas de resolver um problema de transporte. Entre estas tem o método 
de Vogel. O método de aproximação de Vogel (método de penalidade de custo unitário) 
é um procedimento iterativo para calcular uma solução básica de um problema de 
transporte. Este método é interessante porque a solução básica viável inicial obtida 
por este método é ótima ou muito próxima da solução ótima (Figura 1).
Figura 1: Método de Vogel
Fonte: https://pt.economy-pedia.com/11034850-vogel-method
Há, também, o método do canto noroeste. A Regra do Canto Noroeste é um método 
adotado para calcular a solução viável inicial do problema de transporte. O nome de 
canto noroeste é dado a este método porque as variáveis básicas são selecionadas 
do canto esquerdo extremo (Figura 2).
https://pt.economy-pedia.com/11034850-vogel-method
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 82
Figura 2: Canto Noroeste
Fonte: https://tbn2net.com/help/DDM/steppingstone.html
Lembrando que o problema de transporte é um problema de programação linear, logo 
vale a pena relembrar como acontece a construção de um modelo de programação 
linear. 
Fonte: https://pixabay.com/pt/photos/telefone-tecnologia-m%c3%b3vel-internet-869669/
O primeiro passo para a construção de um modelo é a identificação do problema 
que estamos enfrentando. Esse é o papel do analista.
Todo problema de programação linear detém de componentes que permitem a sua 
formulação. Vamos compreender cada um destes:
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 83
Variáveis de Decisão: As variáveis de decisão são as variáveis que decidirão minha 
saída. Eles representam minha solução final. Para resolver qualquer problema, primeiro 
precisamos identificar as variáveis de decisão. Para o exemplo acima, o número total 
de unidades para A e B denotadas por X e Y respectivamente são minhas variáveisde decisão.
Função Objetivo: É definida como o objetivo de tomar decisões. No exemplo acima, 
a empresa deseja aumentar o lucro total representado por Z. Então, o lucro é minha 
função objetivo.
Restrições: As restrições são as restrições ou limitações das variáveis de decisão. 
Eles geralmente limitam o valor das variáveis de decisão. 
Restrição de não negatividade: Para todos os programas lineares, as variáveis de 
decisão devem sempre assumir valores não negativos. Isso significa que os valores 
das variáveis de decisão devem ser maiores ou iguais a 0.
Então é isso caro(a) aluno(a), aqui compreendemos o problema de transporte. Até 
a próxima.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 84
CAPÍTULO 11
VALIDAÇÃO DE MODELOS
Fonte: https://pixabay.com/pt/illustrations/geometria-matem%c3%a1tica-volume-1044090/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 11 onde trataremos sobre 
validação de modelos. Durante nossa aula vamos compreender como acontece o 
processo de validação de modelos. Entenderemos os principais pontos envolvidos, 
bem como verificaremos quais são as etapas fundamentais deste processo.
11.1 Validação de modelos de aprendizado de máquina
Quando se trata de construir um modelo de aprendizado de máquina, todo o 
entusiasmo e energia são canalizados para coletar os dados e treinar o modelo. O 
que costuma ficar menos tempo no centro das atenções é testar o modelo e validar 
os resultados. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 85
As técnicas de validação corretas ajudam a estimar o desempenho do modelo 
generalizado imparcial e fornecem uma melhor compreensão de como o modelo foi 
treinado. Você deseja garantir que seu modelo de machine learning ou qualquer outro 
modelo seja treinado com precisão e que produza os dados corretos e que a previsão 
do seu modelo seja precisa quando implantada em cenários do mundo real. 
Os modelos devidamente validados são robustos o suficiente para se adaptarem 
a novos cenários do mundo real. Infelizmente, não existe uma técnica de validação 
que funcione para todos os modelos de aprendizado de máquina. Escolher o método 
de validação correto requer uma compreensão do grupo e dos dados indexados no 
tempo. Neste post, abordaremos os principais métodos de validação e mostraremos 
por que é importante testar e validar os resultados do seu modelo de aprendizado 
de máquina.
Validar os resultados do seu modelo de aprendizado de máquina é garantir que 
você esteja obtendo os dados corretos e que os dados sejam precisos. A validação 
detecta problemas antes que eles se tornem grandes problemas e é uma etapa crítica 
na implementação de qualquer modelo de aprendizado de máquina.
Segurança
Um dos aspectos mais críticos da validação do modelo é procurar vulnerabilidades 
de segurança. Os dados de treinamento e os dados do modelo de aprendizado de 
máquina são valiosos, especialmente se esses dados forem privados ou confidenciais. 
É possível que os modelos de aprendizado de máquina vazem acidentalmente seus 
dados, o que significa que suas técnicas de validação devem verificar a vulnerabilidade 
de vazamento de dados. Também é importante tomar medidas sérias de segurança 
antes de inserir seus dados de treinamento no modelo de aprendizado de máquina. 
Confiabilidade
Validar seu modelo de aprendizado de máquina também é importante para verificar 
a confiabilidade do seu modelo. Você quer entender seu modelo e conhecer seus 
pontos fortes e fracos. Conhecer bem seu modelo ajudará você a interpretar e procurar 
erros em sua saída posteriormente. Saber como seu modelo se comporta também o 
ajudará a tomar nota de qualquer desvio ou viés que possa ocorrer.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 86
Fonte: https://pixabay.com/pt/illustrations/avalia%c3%a7%c3%a3o-avaliar-investiga%c3%a7%c3%a3o-6867891/
Evitar viés
Embora a tecnologia de aprendizado de máquina tenha revolucionado o espaço da 
computação, ela é tão boa quanto seus criadores. Isso significa que muitos modelos de 
aprendizado de máquina vêm com viés integrado. Seu algoritmo pode ser tendencioso 
e/ou seus dados de treinamento também podem ser tendenciosos. Saber como procurar 
viés e como corrigir o viés em seu modelo de aprendizado de máquina é um aspecto 
importante da validação do modelo e tornar o mundo do aprendizado de máquina um 
lugar melhor e mais justo.
Prevenir a deriva do conceito
A deriva de conceito é a situação em que um modelo de aprendizado de máquina 
pode se degradar e o que ele prevê varia do que se pretende prever. A deriva de 
conceito acontece, mas a forma como o modelo deriva é imprevisível. O desvio é 
prejudicial ao modelo de aprendizado de máquina, pois os dados de saída se tornam 
menos úteis. Embora a validação inicial do modelo de aprendizado de máquina não 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 87
detecte desvios de conceito, a manutenção adequada e os testes regulares sim. A 
deriva de conceito acontece ao longo do tempo, mas é completamente evitável com 
manutenção de rotina.
Existem várias técnicas de validação de modelo diferentes, a escolha certa dependerá 
de seus dados e do que você está tentando alcançar com seu modelo de aprendizado 
de máquina. Estas são as técnicas de validação de modelo mais comuns.
Treinar e Testar Split ou Holdout
O tipo mais básico de técnica de validação é uma divisão de treinamento e teste. O 
objetivo de uma técnica de validação é ver como seu modelo de aprendizado de máquina 
reage a dados nunca vistos antes. Todos os métodos de validação são baseados na 
divisão de trem e teste, mas terão pequenas variações. Com esse método básico de 
validação, você divide seus dados em dois grupos: dados de treinamento e dados de 
teste. Você retém seus dados de teste e não expõe seu modelo de aprendizado de 
máquina a eles, até que seja hora de testar o modelo. A maioria das pessoas usa uma 
divisão de 70/30 para seus dados, com 70% dos dados usados para treinar o modelo.
Resubstituição
O método de validação de resubstituição é onde você usa todos os seus dados como 
dados de treinamento. Em seguida, você compara a taxa de erro da saída do modelo 
de aprendizado de máquina com o valor real do conjunto de dados de treinamento. 
Este é um método fácil de fazer e pode ajudá-lo a encontrar rapidamente as lacunas 
em seus dados.
Validação cruzada K-Fold
Uma validação cruzada k-fold é semelhante à validação de divisão de teste, exceto 
que você dividirá seus dados em mais de dois grupos. Nesse método de validação, “K” 
é usado como um espaço reservado para o número de grupos em que você dividirá 
seus dados. Por exemplo, você pode dividir seus dados em 10 grupos. Um grupo 
é deixado de fora dos dados de treinamento. Em seguida, você valida seu modelo 
de aprendizado de máquina usando o grupo que foi deixado de fora dos dados de 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 88
treinamento. Então, você faz a validação cruzada. Cada um dos 9 grupos usados 
como dados de treinamento também é usado para testar o modelo de aprendizado 
de máquina. Cada teste e pontuação pode fornecer novas informações sobre o que 
está funcionando e o que não está em seu modelo de aprendizado de máquina.
Subamostragem aleatória
A subamostragem aleatória funciona da mesma maneira para validar seu modelo, 
assim como o modelo de validação de treinamento e teste. A principal diferença é que 
você pegará uma subamostra aleatória de seus dados, que formarão seu conjunto de 
teste. Todos os outros dados que não foram selecionados nessa subamostra aleatória 
são os dados de treinamento.
Inicialização (Bootstrapping)
Bootstrapping é uma forma de técnica de validação de modelo de aprendizado 
de máquina que usa amostragem com substituição. Este tipo devalidação é mais 
útil para estimar a quantidade de uma população. Ao usar o método de validação de 
bootstrapping, você obterá uma pequena amostra de todo o seu conjunto de dados. A 
partir dessa pequena amostra, você encontrará a média ou outra estatística significativa. 
Você substituirá os dados e incluirá a nova estatística que calculou e, em seguida, 
executará seu modelo novamente.
Validação cruzada aninhada
A maioria dos tipos de técnicas de validação procura avaliar a estimativa de erro. 
A técnica de validação cruzada aninhada é usada para avaliar os hiperparâmetros do 
seu modelo de aprendizado de máquina.
E qual processo de validação devemos seguir? Devemos entender nossa base de 
dados e nosso modelo. Logo, se atentar a algumas características:
• Que tipo de dimensões do modelo validar?
• Erro de viés: os dados são úteis?
• Erro de variância: o modelo é robusto?
• Model Fit: O modelo está prevendo bem com novos dados?
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 89
• Dimensões do Modelo: O novo modelo é melhor do que as alternativas mais 
simples?
• Viés: O viés do modelo é para determinada variável?
Uma das técnicas de validação de modelo conhecidas é a validação cruzada. Essa 
técnica consiste em um modelo de treinamento e validação em um conjunto de dados 
aleatório várias vezes. Cada repetição é chamada de dobra. Uma validação cruzada de 
5 vezes significa que você treinará e validará seu modelo 5 vezes. Uma opção muito 
boa quando você tem conjuntos de dados menores, considerando várias dobras, cobrirá 
pontos de dados maiores. Um modelo robusto e estável terá desempenho semelhante 
em todas as dobras. Viés ao usar dados de treinamento e validação A avaliação do 
modelo no conjunto de dados de treinamento geraria uma pontuação tendenciosa. 
Portanto, o modelo é avaliado na amostra retida para fornecer uma estimativa 
imparcial da habilidade do modelo. O viés subestima ou superestima sistematicamente 
o desempenho dos modelos. O treinamento de um modelo pode ser dividido em 
duas etapas: treinamento de baixo nível e otimização de hiperparâmetros. Ambos 
podem fazer com que o modelo se adapte perfeitamente ao conjunto de treinamento 
disponível. Quando os conjuntos de amostras são menores, não podemos decidir quão 
representativo é o modelo e também quão bem o modelo pode se proteger contra 
overfitting. Ajustamos o modelo usando diferentes conjuntos de hiperparâmetros e 
selecionando o melhor modelo. O melhor modelo é identificado pelo seu erro de teste 
no teste de validação. Mas essa figura de mérito (erro de teste) está sujeita a viés e 
variância. Se o conjunto de validação for independente dos dados de treinamento, o 
viés será zero, mas isso não aborda a questão da incerteza de variância.
Então é isso, caro(a) aluno(a), aqui compreendemos como acontece o processo de 
validação de um modelo. Até a próxima.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 90
CAPÍTULO 11
SISTEMA PRODUTIVO
Fonte: https://pixabay.com/pt/photos/f%c3%a1brica-ind%c3%bastria-abandonado-1639990/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 11 onde vamos compreender 
o que é um sistema produtivo. Vamos, lá?
A produção é um daqueles termos genéricos onipresentes que muitas vezes parecem 
se infiltrar em conversas sobre negócios e economia como uma maneira mais formal 
de dizer “fazer coisas”. No entanto, como qualquer pessoa com experiência em uma 
ou mais indústrias de manufatura pode atestar, a produção é fortemente diferenciada: 
por indústria, por empresa, por fábrica e até por linha de produto. Gerenciar esses 
processos de fabricação, desde as matérias-primas até o produto acabado, é, portanto, 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 91
uma tarefa incrivelmente complexa, demorada e mais do que frustrante, assim como 
em um experimento para criar resultados previsíveis em um sistema complexo.
Os fabricantes modernos têm a sorte de viver na era da transformação digital, 
onde as opções de ferramentas do Sistema de Produção estão se multiplicando a 
uma taxa impressionante. Essas soluções, oferecem um meio de modelar e gerenciar 
o processo de fabricação de ponta a ponta em uma única plataforma por meio da 
interconectividade com outras ferramentas de gerenciamento de negócios e feeds de 
dados ao vivo do chão de fábrica. Com um caso de negócios tão evidente, o maior 
desafio que os fabricantes enfrentam é decidir qual sistema de execução de fabricação 
melhor se adapta à sua produção.
O que significa Sistema de Produção? Um sistema é um arranjo lógico de componentes 
projetados para atingir objetivos específicos de acordo com um plano. Um sistema pode 
ter muitos componentes e a variação em um componente provavelmente afetará os 
outros componentes do sistema, por exemplo. mudança na taxa de produção afetará 
o estoque, horas extras, etc. Um sistema de produção é um programa de computador 
normalmente usado para fornecer alguma forma de inteligência artificial. Que consiste 
principalmente em um conjunto de regras sobre o comportamento, mas também inclui 
o mecanismo necessário para seguir essas regras à medida que o sistema responde 
aos estados do mundo.
Fonte: https://pixabay.com/pt/photos/engrenagens-m%c3%a1quina-maquinaria-1236578/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 92
O sistema de produção é a estrutura dentro da qual as atividades de produção de 
uma organização estão sendo realizadas. Em uma extremidade do sistema estão as 
entradas e na outra a saída. A entrada e a saída estão ligadas por certos processos ou 
operações ou atividades que conferem valor às entradas. Esses processos, operações 
ou atividades podem ser chamados de sistemas de produção. Além disso, a natureza 
do sistema de produção pode diferir de empresa para empresa ou de fábrica para 
fábrica na mesma empresa.
Para isso existem vários elementos que compõem um sistema produtivo, como 
por exemplo:
• Insumos: Insumos são os recursos físicos e humanos utilizados no processo 
produtivo. Além disso, eles consistem em matérias-primas, peças, equipamentos 
de capital, esforços humanos, etc.
• Processo de conversão: Refere-se a uma série de operações que estão sendo 
executadas em materiais e peças. As operações podem ser manuais, mecânicas 
ou químicas. Além disso, as Operações convertem entradas em saídas. O processo 
de conversão também inclui atividades de apoio, que auxiliam o processo de 
conversão. As atividades de apoio incluem; planejamento e controle da produção, 
compra de matérias-primas, recebimento, armazenamento e emissão de materiais, 
inspeção de peças e trabalhos em andamento, testes de produtos, controle de 
qualidade, armazenagem de produtos acabados, etc.
• Saídas: As saídas são os produtos ou peças concluídas resultantes do processo 
de conversão. A saída gera receita.
• Armazenamento: O armazenamento ocorre após o recebimento das entradas, 
entre uma operação e outra, e após a saída.
• Transporte: Os insumos são transportados de uma operação para outra no 
processo de produção.
• Informação: Fornece controle do sistema por meio de medição, comparação, 
feedback e ação corretiva.
Embora os Sistemas de Produção sejam frequentemente considerados do ponto 
de vista das entradas e saídas físicas, cada um é composto por dois fluxos: materiais 
e informações.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 93
Fluxo de Materiais
O fluxo de materiais é o ato físico de converter componentes brutos em produtos 
intermediários, ou trabalho em processo, e depois em produtos acabados. A capacidade 
do sistema de atender à demanda é governada por sua capacidade, ou taxa na qual 
as entradas são transformadas em saídas, bem como sua qualidade, que é quão bem 
e com que frequência as saídas atendem aos padrões objetivospara propriedades 
específicas.
Fluxo de informações
O fluxo do processo de informação engloba os aspectos “invisíveis” do Sistema de 
Produção: a captura, transmissão e alavancagem de dados para planejar e gerenciar 
o processamento de materiais. Embora historicamente o fluxo de informações possa 
ter sido mais tátil e interativo por meio do uso de formulários em papel, a aplicação 
acelerada de sistemas digitais, como L2L, permitiu aumentos drásticos tanto na 
acessibilidade de dados quanto na captura de informações (Figura 1).
Figura 1: Exemplo de um sistema produtivo
Fonte:https://www.researchgate.net/publication/264121606_GESTAO_DE_ESTOQUES_NO_PROCESSO_DE_FABRICACAO_SIMULACAO_DE_UM_PROCESSO_
PRODUTIVO_DE_CARRIOLAS/figures?lo=1
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 94
Além de dividir os sistemas de produção em elementos de fluxo, esses métodos 
de fabricação também podem ser classificados com base na abordagem adotada 
para converter recursos em produtos e serviços acabados. Existem normalmente três 
tipos de sistemas citados, divididos ao longo de eixos perpendiculares de variedade 
de produtos (eixo x) e volume de produção (eixo y):
• Produção contínua
• Job-shop ou produção de projeto
• Produção em lotes
Produção Contínua
Os ambientes de produção contínua são projetados para refletir a sequência de 
operações necessárias para converter matérias-primas em produtos acabados. Os 
fluxos de produtos através dessas operações são como peças únicas, trabalhadas 
em um sistema de linha de montagem: em um determinado momento, apenas uma 
unidade por estação está agregando valor a ela. Este sistema de produção é utilizado 
em condições de fabricação de baixa variação de produto e alto volume de demanda de 
produto. No chão de fábrica, a produção contínua emprega equipamentos especializados 
e métodos de fabricação direcionados aos detalhes exatos do produto necessários para 
alavancar economias de escala. As tarefas executadas pelos trabalhadores geralmente 
são divididas em pequenos segmentos que são facilmente dominados.
Produção de Job Shop
A produção job shop ocorre nas condições inversas da produção contínua: a 
diferenciação do produto é extrema e o volume é mínimo. Essas condições são mais 
frequentemente atendidas no caso de produção customizada, onde as operações 
e departamentos particulares por onde cada um deve passar são distintos das 
características precisas exigidas daquela unidade de produto. Os departamentos 
são compostos por equipamentos genéricos que podem ser modificados para cada 
trabalho e utilizados por trabalhadores altamente treinados e qualificados para criar 
as qualidades exatas exigidas em cada unidade.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 95
Produção em lotes
A produção em lote é a terceira classe do Sistema de Produção. Ao contrário 
dos outros sistemas, a produção em lote é aplicada a situações em que a variação 
do produto e o volume do produto são aproximadamente equilibrados. Lotes, ou 
grupos de unidades de produtos do mesmo tipo agrupados como um único roteiro, 
percorrem as várias funções ou etapas do processo de modo que o volume total seja 
produzido simultaneamente no final da produção. Esta abordagem de fabricação utiliza 
equipamentos e processos genéricos que são adaptados ou aplicados em cada fase 
de produção para produzir as características específicas desejadas em cada lote. 
Com base na diversidade do produto, o treinamento para o pessoal da linha de frente 
pode ser dividido tanto por célula de trabalho quanto por diferentes características 
que podem ser aplicadas ao produto dentro da célula.
Produção em massa ou fluxo
Fonte: https://pixabay.com/pt/photos/carro-autom%c3%b3vel-vag%c3%a3o-carros-troca-718781/
Ocasionalmente pode ser definido um quarto tipo de Sistema de Produção, 
denominado produção em massa ou em fluxo. Das definições acima, a produção 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 96
em fluxo se enquadra no tipo de Sistema de Produção contínuo; no entanto, os dois 
podem ser chamados distintamente para segregar sistemas com um grau adicional 
de especificidade. Quando usada, a produção em massa tradicionalmente se refere a 
uma situação de linha de montagem na qual máquinas e mão de obra são aplicadas 
em conjunto para criar um produto. A produção contínua, alternadamente, depende 
principalmente de recursos de máquinas com recursos humanos mínimos, e a produção 
ocorre todas as horas de todos os dias do ano. Um exemplo dessa definição purificada 
de produção contínua é a fermentação.
Então é isso caro(a) aluno(a), aqui aprendemos sobre sistemas produtivos. Até a 
próxima.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 97
CAPÍTULO 13
DADOS, INFORMAÇÃO 
E CONHECIMENTO
Fonte: https://pixabay.com/pt/photos/marca-marcador-m%c3%a3o-escrever-516278/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capitulo 13 onde introduziremos 
importantes aspectos relacionados a dados, informação e conhecimento. Aqui vamos 
entender e compreender como estes tópicos estão relacionados com administração 
e, consequentemente, com administração de sistemas de informação.
13.1 Dados
Dados se tornou uma palavra tão comum que muitos de nós provavelmente nunca 
pensamos em sua definição exata. O que primeiro surge em nossa mente sobre dados 
https://pixabay.com/pt/photos/marca-marcador-m%c3%a3o-escrever-516278/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 98
é provavelmente uma planilha, uma tabela ou um gráfico, que inclui números e rótulos. 
Quando todos falam sobre big data, torna-se ainda mais abstrato como um enorme 
número de bytes flutuando pelos dispositivos e servidores e requer programas para 
decifrá-los. Embora os dados possam ser entendidos por máquinas, eles perderam a 
maior parte de seu significado para humanos quando armazenados em um arquivo 
ou tabela. Contamos com outras pessoas, documentações, arquitetura de dados e 
fluxos de dados para restaurar o sentido completo de um dado relacionado ao mundo 
real. Frequentemente comparamos dados com petróleo ou terra, que espera que as 
pessoas descubram e percebam seus valores. No entanto, à medida que os dados 
são coletados e processados, as informações de contexto mais úteis geralmente 
são perdidas, dificultando a descoberta e o aproveitamento. Este livro discutirá esse 
problema e porque precisamos de gerenciamento de dados, alfabetização de dados 
e análise de dados para resolvê-lo para todas as organizações.
Fonte: https://pixabay.com/pt/vectors/estat%c3%adstica-pesquisa-1606951/
Os dados já existiam antes dos computadores. Quando observaram o mundo, por 
exemplo, os cientistas primeiro coletaram os dados com abordagens ponderadas e 
depois concluíram a partir deles após uma análise completa dos dados. Desde o início, os 
dados eram fundamentais para os cientistas fazerem observações objetivas, e o objetivo 
da coleta de dados era tirar informações imparciais, portanto, conclusões. Enquanto 
https://pixabay.com/pt/vectors/estat%c3%adstica-pesquisa-1606951/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 99
isso, os detalhes sobre como os dados foram coletados, analisados, amostrados 
e calculados foram apresentados no artigo final de pesquisa publicado. Em outras 
palavras, o próprio trabalho de pesquisa explicou detalhadamente os dados, o que é 
significativo e compreensível para quem lê o artigo. Aqui, os dados sobre dados são 
o que chamamos de metadados hoje, e a capacidade dos cientistas de ler, entender, 
criar e comunicar sobre os dados é alfabetização de dados.
Por definição, os dados em si devem refletir um fato ou um grupo de fatos do mundo 
real, que é sua característica mais importante. Os dados podem ser coletados de 
diferentesmaneiras e armazenados em vários formatos, e a maneira ideal depende da 
utilidade e eficiência. Pode haver muitos atributos de um fato. São necessários muito 
mais recursos e tempo para coletar todos os detalhes, enquanto um subconjunto pode 
não ser suficiente no final. A eficiência também depende do formato e estrutura dos 
dados. Colocar os dados em uma forma numérica de maneira quantitativa consome 
a menor quantidade de armazenamento e permite o processamento rápido de dados.
Por outro lado, a informação é sobre o que pode ser derivado e aproveitado dos 
dados. É mais abstrato e requer design e programação cuidadosos para recuperar 
o que é necessário para as partes interessadas dos dados. Imagine que os dados 
fluam através de um pipeline de fábrica. Os dados transformados e curados no final 
tornam-se as informações para perceber o valor dos dados, enquanto os dados brutos 
inicialmente não. Quando os dados são transformados em informação, seu valor 
esperado é realizado. Para buscar mais valor nos dados, precisamos voltar à fonte de 
dados. No entanto, o pipeline de dados, geralmente por meio de vários sistemas, tende 
a afastar os dados de seu início e obscurecer os detalhes iniciais da coleta de dados. 
Portanto, torna os dados mais difíceis de serem compreendidos pela comunidade 
empresarial e cria uma barreira para que os dados sejam aproveitados de forma 
rápida e eficiente.
Com a complexidade da tecnologia atual, nenhuma pessoa pode fazer todos os 
aspectos dos dados, incluindo coleta, análise, criação, conclusão e comunicação. A TI 
se torna a produtora de informações, concentrando-se no processamento e na curadoria 
de dados, enquanto confia no negócio para fornecer os requisitos. Em contraste, as 
empresas muitas vezes não têm toda a documentação e metadados para entender 
os dados em primeiro lugar. Além disso, quando uma parte dos dados curados é 
entregue, a visualização de dados já pode estar em silos e seu valor potencial pode 
ter sido ocultado de novas descobertas.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 100
ANOTE ISSO
Você sabia que uma das áreas mais promissoras associadas a administração de 
sistemas de informação está envolvida com ciências de dados? A ciências de dados 
tem como finalidade permitir, a partir de técnicas e ferramentas, que os dados 
sejam utilizados da melhor forma possível para contribuir para a resolução de 
problemas e processos decisórios. Legal, né?
13.2 Informação
Podemos compreender a Informação como um fato, pensamento ou dados 
transmitidos ou descritos através de vários meios, como comunicações escritas, orais, 
visuais e de áudio. É conhecimento compartilhado ou obtido por meio de estudo, 
instrução, investigação ou notícias e você o compartilha através do ato de se comunicar, 
seja verbalmente, não verbalmente, visualmente ou por meio da palavra escrita. A 
informação tem nomes diferentes, incluindo inteligência, mensagem, dados, sinal ou 
fato. Saber que tipo de informação você precisa ou como compartilhá-la pode ajudá-lo 
a economizar tempo, manter-se organizado e estabelecer as melhores práticas para 
divulgar informações.
Fonte: https://pixabay.com/pt/illustrations/problema-solu%c3%a7%c3%a3o-ajuda-suporte-3303396/
Existem seis variedades diferentes de informações. Aqui nós inspecionamos cada 
um em profundidade para ajudá-lo a entender melhor todos eles:
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 101
Informações conceituais
A informação conceitual vem de ideias, teorias, conceitos, hipóteses e muito mais. 
Com informações conceituais, uma ideia abstrata nem sempre está enraizada em 
fundamento científico e sim é a criação fundamental de crenças, pensamentos, filosofias 
e preferências. Você pode formar ou compartilhar informações conceituais por meio de 
comparação e reflexão, criando filosofias que não podem ser comprovadas ou vistas.
Aqui estão alguns exemplos de informações conceituais:
• A teoria da evolução de Charles Darwin
• Conceito copernicano de astronomia
• Arte conceitual, onde o método de produção é mais importante que o produto 
acabado.
Informações procedimentais
A informação procedimental, ou conhecimento imperativo, é o método de como 
alguém sabe fazer algo e usado na execução de uma tarefa. Você pode se referir a isso 
como memória muscular, pois é um conhecimento difícil de explicar e armazenado 
profundamente em sua mente.
Aqui estão dois exemplos de informações processuais:
• Andar de bicicleta: Andar de bicicleta requer prática física para compreender, 
independentemente da quantidade ou tipo de instruções dadas.
• Dirigindo um carro: Você pode passar no teste escrito de direção ou obter 
uma pontuação perfeita, embora tenha pouco conhecimento das informações 
processuais necessárias para operar e dirigir um veículo.
• Amarrando um cadarço: Como o conceito é difícil de explicar, pode levar várias 
tentativas para a criança aprender primeiro como amarrar um cadarço, mesmo 
com exemplos visuais e palavras descritivas.
Informações da política
As informações sobre políticas concentram-se na tomada de decisões e no desenho, 
formação e seleção de políticas. Compreende leis, diretrizes, regulamentos, regras 
e supervisão para uma organização, grupo de pessoas ou local. Você pode obter 
informações sobre políticas por meio de imagens, diagramas, descrições e outras 
mensagens visuais, de áudio ou escritas.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 102
Aqui estão alguns exemplos de informações de política:
• Diagrama de pirâmide alimentar
• Tabela Periódica dos Elementos
• Organogramas
• Manuais do funcionário
• A Constituição dos Estados Unidos
• Políticas governamentais restritivas, regulatórias ou facilitadoras
Informações estimulantes
A informação estimuladora é a informação que cria uma resposta ou estimulação entre 
uma pessoa ou grupo de pessoas. A estimulação estimula a causa da atividade e você 
pode obter informações estimulantes de várias maneiras, como pessoalmente por meio 
de observação, comunicação boca a boca ou por meio de veículos como as notícias.
Um exemplo pode ser uma pessoa observando a linguagem corporal e a comunicação 
não verbal de alguém caminhando nas proximidades. Se a estimulação for positiva, eles 
podem dizer olá e talvez iniciar uma conversa ou, se a estimulação não for positiva, eles 
podem responder andando para o outro lado, fugindo ou criando mais distância entre eles.
Aqui estão outros exemplos de informações estimulatórias:
• Celebrações do dia da vitória depois que uma equipe esportiva ganha um 
campeonato
• A resposta fisiológica de reação de luta ou fuga ao dano percebido.
Informações empíricas
Informação empírica significa informação obtida através dos sentidos humanos, 
observação, experimentação e teste de uma hipótese através do estabelecimento de 
documentação de padrões ou comportamento. Quase sempre tem embasamento 
científico e verifica a veracidade ou falsidade de uma afirmação por meio de fatores 
qualitativos e quantitativos.
Aqui estão vários exemplos de informações empíricas, enraizadas na ciência:
• Eletricidade
• Teoria atômica
• Teoria da gravidade
• Teoria cinética da matéria
• Genética e DNA
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 103
Informações e evidências empíricas são o oposto de informações e evidências 
anedóticas, que são uma conclusão baseada em métodos informais de coleta, na 
maioria das vezes uma experiência e testemunho pessoal.
Informações da diretiva
Informações diretivas e descritivas tratam de fornecer instruções a uma pessoa ou 
grupo de pessoas para alcançar um resultado e um resultado específico. Você pode 
usar informações diretivas com ou sem ditar os meios para alcançar o resultado 
desejado. As informações diretivas geralmente vêm em forma verbal ou escrita e 
podem ser aplicadas àliderança no trabalho, nas forças armadas ou no governo e 
com experiências cotidianas, como questões legais, de vida e segurança.
Aqui estão alguns exemplos de informações diretivas e descritivas:
• Ordens médicas de não ressuscitação (DNR)
• Documentação para doação de órgãos
• Testamento vital
• Treinamento
• Modo de operação em qualquer organização
• Avaliações de desempenho de emprego
• Comandos militares
• Liderança diretiva
Outras classificações de informações
Outra forma de classificar as informações é através destes quatro atributos:
• Informações factuais: Informações factuais lidam apenas com conceitos 
verdadeiros e comprovados, como o fato científico de que o ponto de congelamento 
da água é de 32 graus Fahrenheit.
• Informação analítica: A informação analítica é a interpretação da informação 
factual, determinando o que está implícito ou inferido, como você pode fazer 
cubos de gelo armazenando-os em freezers com temperaturas abaixo de 32 
graus.
• Informação subjetiva: A informação subjetiva é aquela de um ponto de vista, 
como opiniões.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 104
• Informação objetiva: A informação objetiva é aquela de vários pontos de vista 
que oferecem todos os lados de um argumento, como artigos e publicações de 
revistas científicas ou médicas.
Com tudo isso podemos entender que a informação gera o processo de conhecimento, 
onde qualquer indivíduo pode absorver essas informações e utilizá-la em diversas 
circunstâncias, permitindo, assim, a resolução de problemas.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 105
CAPÍTULO 14
PROCESSO DECISÓRIO 
ORGANIZACIONAL
Fonte: https://pixabay.com/pt/photos/portas-escolhas-escolher-decis%c3%a3o-1767562/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 14 onde trataremos sobre 
o processo decisório organizacional e sistemas de informação. Durante nossa aula 
o que é o processo decisório e como este impacta no funcionamento de sistemas 
de informação em uma dada organização. A tomada de decisão é uma das tarefas 
essenciais da gestão. A tomada de decisão eficaz é a tomada de decisão informada. 
Os gerentes são informados por meio de sistemas de informação, comunicação oral 
e possivelmente de outras maneiras. Este capítulo explora a tomada de decisão da 
perspectiva de um modelo racional padrão. Vamos lá?
https://pixabay.com/pt/photos/portas-escolhas-escolher-decis%c3%a3o-1767562/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 106
13.1. Processo decisório organizacional
Uma grande parte da gestão é a tomada de decisões. Está envolvido em quase tudo 
que os gerentes fazem. Uma lista clássica de tarefas gerenciais inclui planejamento, 
organização, pessoal, delegação ou direção, coordenação ou controle, relatórios e 
orçamento. Algumas dessas tarefas são uma aplicação direta da tomada de decisão, 
como planejar e delegar ou dirigir. Outras tarefas geralmente resultam em decisões. 
Assim, por exemplo, organizar o trabalho em departamentos e escritórios organizacionais 
requer a análise de uma situação de trabalho atual e o próximo passo pode ser decidir 
sobre mudanças. Da mesma forma, a contratação de novos funcionários e a atribuição 
de funcionários a cargos (tarefas de pessoal) também acabam com uma decisão 
gerencial.
Uma decisão é sobre fazer escolhas. Um tomador de decisão precisa ter duas 
ou mais escolhas (opções) disponíveis e então escolher (selecionar) uma daquelas 
que toma a decisão. Lembre-se que nos diagramas de processo uma decisão é 
representada com uma pergunta inserida em forma de losango, seguida de etapas 
de saída opcionais resultantes de possíveis respostas (escolhas). Em diagramas mais 
detalhados, o diamante de decisão pode ser dividido em um processo inteiro.
As escolhas podem ser cuidadosamente avaliadas para se chegar ao melhor. Este 
é o caso da tomada de decisão ideal e racional. No entanto, quando os tomadores de 
decisão trabalham sob alguma pressão, eles podem precisar se contentar com uma 
escolha que seja boa o suficiente, em vez de perfeita. Ainda mais desvio da tomada 
de decisão racional acontece quando a tomada de decisão é realizada por períodos 
prolongados sem fornecer uma decisão clara.
Qualquer decisão é tomada com um propósito. Quando um gerente enfrenta algum 
problema, ele se concentra nele para encontrar uma solução. Como há um ponto inicial 
(um problema) e um ponto final (uma decisão), deve haver algumas atividades entre 
eles. Ao todo, eles fazem um processo.
Uma vez que uma decisão é tomada, um tomador de decisão precisa garantir que 
ela realmente resolverá o problema para o qual foi tomada. Isso inclui etapas adicionais 
de monitoramento dos efeitos da decisão e de ajuste da decisão se os efeitos não 
forem os esperados. Somente quando uma decisão realmente resolve o problema, o 
processo de solução do problema termina.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 107
13.2. Sistemas de apoio a decisão
O DSS é implantado quando decisões importantes sobre o futuro de uma organização 
precisam ser tomadas. Se o produtor de alimentos no exemplo discutido não interromper 
a queda nas vendas de certos produtos, as receitas da empresa podem sofrer a longo 
prazo. O DSS atende a níveis de gerenciamento mais altos. No caso do produtor de 
alimentos, o problema foi inicialmente abordado por um gerente de nível médio, mas 
depois foi escalado na hierarquia. A equipe de tomadores de decisão, então, usou um 
DSS financeiro para avaliar soluções opcionais para o problema da venda a menos 
de produtos.
Problemas para resolver com um SAD são menos estruturados, ou seja, menos 
possíveis de entender e analisar do que aqueles empurrados para MIS e TPS. Essa falta 
de estrutura se deve à visualização de uma imagem maior de uma empresa. Além disso, 
um novo segmento do ambiente organizacional é adicionado. Portanto, as fontes de 
dados DSS estão dentro de uma empresa e fora dela. Quanto às fontes organizacionais, 
um SAD fornece indicadores-chave de desempenho. Exemplos são o estado do fluxo 
de caixa em toda a empresa, resumos acumulados no ano, detalhamentos acumulados 
de ganhos, despesas, horário comercial, compras e vendas e números agregados 
semelhantes.
Qualquer DSS também tem um recurso de pesquisa que permite investigar o que 
está por trás dos números agregados. O usuário só precisa clicar em um determinado 
número ou botão na tela para obter dados mais específicos.
O conteúdo dos dados ambientais varia com o domínio DSS. Exemplos são os números 
da concorrência, regulamentações governamentais, tendências de desenvolvimento 
de produtos, tendências tecnológicas e análises de mercado. Os dados ambientais 
também podem ser exibidos por meio de painéis.
Existem dois tipos principais de DSS: o DSS orientado a modelo e o DSS orientado 
a dados. Um DSS orientado a modelo é um sistema que possui um módulo especial 
para analisar dados quantitativos para obter respostas a perguntas específicas. Este 
módulo pode realizar análises hipotéticas, testes estatísticos, simulação de processos 
e alguns outros tipos de análise.
Um DSS orientado a modelo para análise hipotética pode modificar ou criar dados 
de entrada para chegar a um resultado desejado de cálculos que o usuário programa 
no sistema. Por exemplo, um usuário deseja otimizar os retornos de um investimento 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 108
de acordo com determinados parâmetros de entrada (custo, taxa de juros, período 
de retorno). O sistema pode calcular um dos parâmetros de entrada (como no Gaol-
Seek do Excel) ou vários (como no Solver que executa várias equações estruturais). 
A análise também pode se mover na direção oposta, onde o resultado alvo continua 
mudando com as mudanças nos parâmetros de entrada (no Excel,e comunicar e implementar 
sua solução.
O nome pesquisa operacional evoluiu no ano de 1940. Durante a Segunda Guerra 
Mundial, uma equipe de cientistas (Blackett’s Circus) no Reino Unido aplicou técnicas 
científicas para pesquisar operações militares para vencer a guerra e as técnicas 
assim desenvolvidas foram denominadas como pesquisa operacional (HILLIER, 2012).
Como disciplina formal, a pesquisa operacional originou-se dos esforços de 
assessores do exército na época da Segunda Guerra Mundial. Nos anos que se 
seguiram à guerra, os métodos começaram a ser amplamente empregados em 
problemas nos negócios, na indústria e na sociedade. Desde então, OR se tornou um 
assunto frequentemente empregado em indústrias, incluindo petroquímica, logística, 
companhias aéreas, finanças, governo, etc.
Assim, a Pesquisa Operacional começou durante a Segunda Guerra Mundial na Grã-
Bretanha com o estabelecimento de grupos de cientistas para analisar os problemas 
estratégicos e táticos associados às operações militares. O objetivo era descobrir o uso 
mais eficiente de recursos militares limitados pela aplicação de técnicas quantitativas 
(HILLIER, 2012).
No final da guerra, coisas diferentes aconteceram com a PO, na Grã-Bretanha e nos 
Estados Unidos. No Reino Unido, as despesas com pesquisa de defesa foram reduzidas; 
isso resultou na demissão de vários trabalhadores de Pesquisa Operacional das forças 
armadas em um momento em que os gerentes de negócios enfrentavam a necessidade 
de restaurar grande parte das instalações de produção da Grã-Bretanha que haviam 
sido arruinadas na guerra. Os profissionais das indústrias de base nacionalizadas, 
especificamente, precisavam da ajuda dos homens de PO que deixavam a organização 
militar (HILLIER, 2012).
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 10
Pelo contrário, a pesquisa de defesa nos EUA foi aumentada e a Pesquisa Operacional 
foi ampliado no final da guerra. A maioria dos trabalhadores experientes permaneceu 
a serviço do exército. O envolvimento final da ciência nos problemas industriais do 
tipo executivo nos EUA é resultado do advento da Segunda Revolução Industrial.
A Segunda Guerra Mundial desencadeou avanços científicos no estudo da 
comunicação, computação e controle, que produziram as bases tecnológicas para a 
automação. No início da década de 1950, a indústria começou a receber alguns dos 
trabalhadores da Pesquisa Operacional que deixaram o exército. Assim a PO começou 
a se espalhar e expandir nos Estados Unidos.
A Índia estava entre as poucas nações que começaram a utilizar a pesquisa 
operacional. Em 1949, a primeira unidade de Pesquisa Operacional foi estabelecida 
em Hyderabad, que foi denominada Laboratório de Pesquisa Regional localizado. Ao 
mesmo tempo, uma unidade adicional foi lançada no Laboratório de Ciências da Defesa 
para corrigir os Problemas de Lojas, Compras e Planejamento.
Em 1953 em Calcutá, uma unidade de Pesquisa Operacional foi estabelecida no Indian 
Statistical Institute. O objetivo era usar PO, técnicas de Planeamento e Levantamento 
Nacional. Em 1955, foi criada a Sociedade de Pesquisa Operacional da Índia, que está 
entre os primeiros membros das sociedades da Federação Internacional de Pesquisa 
Operacional. Hoje, a utilização de PO se espalhou do exército para uma ampla gama 
de departamentos em todos os níveis.
1.2 Definindo modelagem de sistemas
Fonte: https://www.lucidchart.com/pages/pt/o-que-e-uml
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 11
O processo de modelagem de sistemas está relacionado com o desenvolvimento 
de modelos que representem uma determinada realidade. Um modelo pode ser 
compreendido como uma representação formal da realidade, onde são incluídas 
variáveis e restrições. Cada modelo passa a representar uma perspectiva diferente 
de uma dada realidade e de um sistema.
Logo, um modelo é uma abstração de uma representação idealizada de um problema 
da vida real. A modelagem é uma situação da vida real que nos ajuda a estudar os 
diferentes comportamentos do problema. Ele ignora detalhes irrelevantes e representa 
apenas os detalhes relevantes. A pesquisa operacional requer o uso de modelos, que 
são representações matemáticas dos sistemas atuais. 
A construção de um modelo se baseia em sete fases principais (Figura 1):
Figura 1: Etapas na construção de um modelo de Pesquisa Operacional
Fonte: Autoria própria, 2022
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 12
Onde, de acordo com (HILLIER, 2012): 
Orientação
Nesta fase, o ponto de foco é a orientação do problema. O objetivo principal desta 
etapa é abordar o problema e garantir que todos os membros da equipe tenham uma 
visão clara das questões relevantes. Normalmente, a equipe se reúne várias vezes 
para discutir todas as questões envolvidas e chegar a um foco nas questões críticas. 
Definição de problema
Esta fase refina ainda mais os procedimentos desde a fase de orientação até o ponto 
em que há uma definição clara do problema em termos de seu escopo e resultados. 
Não deve ser confundida com a fase de orientação. A fase anterior é muito orientada 
a objetivos, e esta fase trata do desenvolvimento de uma declaração bem definida 
do problema.
Coleção de dados
Com o crescimento explosivo do big data nos últimos dois anos. As equipes de 
pesquisa operacional agora frequentemente descobrem que seu maior problema de 
dados não é a falta de disponibilidade, mas a existência de muitos dados. Nesse 
ambiente, localizar os dados particularmente relevantes e identificar os padrões 
interessantes nesses dados pode se tornar uma tarefa árdua.
Modelo matemático
Após a definição do problema e a coleta dos dados, a próxima fase é reformular 
esse problema de uma forma que seja conveniente para análise. Essa fase merece 
muita atenção, pois a modelagem é uma característica definidora de todos os projetos 
de pesquisa operacional.
Solução Modelo
A próxima fase da pesquisa operacional é desenvolver um procedimento baseado 
em computador para derivar soluções para o problema a partir desse modelo. Você 
pode pensar que esta deve ser a maior parte do estudo, mas, na verdade, é um passo 
relativamente simples. Na maioria dos casos, os algoritmos padrão de pesquisa 
operacional são aplicados. para encontrar uma solução ótima para um modelo 
adequado do problema seria grande.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 13
Validação do modelo
Esse processo de testar e melhorar um modelo para aumentar sua validade é 
comumente chamado de validação de modelo. Nesta fase, pode ser descoberto um 
erro típico que foi ignorado na formulação do modelo. O resultado é uma solução 
simplesmente impraticável, e o modelo precisa ser ajustado antes de resolvê-lo. Este 
processo é repetido até que os resultados sejam quase certos de serem lógicos e 
virem de uma representação válida do sistema.
Implementação e modelagem
Após o desenvolvimento de um sistema para aplicação do modelo. A última fase de 
um estudo de pesquisa operacional é implementar esse sistema conforme prescrito pela 
administração. Esta fase é crítica porque é aqui, e somente aqui, que os benefícios do 
estudo são colhidos. A equipe de pesquisa operacional fornece à gerência operacional 
uma explicação cuidadosa do novo sistema a ser adotado e como ele se relaciona 
com as realidades operacionais.
Com isso finalizamos o capítulo sobre modelagem de sistemas. Compreendemos as 
etapas envolvidas nesse processo, bem como entendemos a área que esta relacionada a 
esse processo: a pesquisa operacional. Com isso estamos aptos a entender o processo 
de simulação em sistemas que será retratado no capítulo 2.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 14
CAPÍTULO 2
INTRODUÇÃO À 
SIMULAÇÃO DE SISTEMAS
Fonte: https://pixabay.com/pt/photos/metaverso-vr-realidade-virtual-7247267/isso é chamado 
de análise de cenário).
Fonte: https://pixabay.com/pt/vectors/homem-de-negocios-confuso-6138818/
Outro tipo de núcleo de modelagem do DSS realiza testes estatísticos. Normalmente, 
uma hipótese sobre uma relação causal é testada para sua aceitação ou rejeição. Um 
executivo pode querer ver se o aumento de produtividade é devido à satisfação no 
trabalho ou investimentos em novos SI, ou talvez ambos os fatores combinados. Um 
DSS que apoie a análise de regressão estatística pode sugerir uma resposta.
Em contraste com os módulos DSS acima que trabalham com dados estáticos, um 
tipo especial de núcleo de modelagem DSS pode executar simulações. Um exemplo é 
simular operações complexas de fabricação no espaço global, onde os suprimentos vêm 
de lugares distantes, podendo ocorrer imprevistos, como paralisação de equipamentos, 
interrupções nas operações e flutuações nos pedidos. Outro exemplo é a simulação de 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 109
processos de negócios para testar seus diferentes designs e efeitos no desempenho 
do processo. 
Já o DSS orientado a dados implanta grandes repositórios de dados organizacionais 
e ambientais para descobrir novos relacionamentos e padrões. Um repositório de dados 
amplamente utilizado é chamado de data warehouse. Pense em um armazém de 
produtos materiais, que pode armazenar vários tipos de coisas em grandes quantidades. 
A mesma ideia se aplica a um data warehouse. Seus dados vêm de várias fontes, 
incluindo bancos de dados relacionais usados em TPS e MIS. No entanto, a estrutura 
da tabela geralmente deve ser abandonada para integrar os dados dos bancos de 
dados relacionais com outros dados.
Uma vez que um data warehouse é criado, o software para mineração de dados é 
aplicado nele (veja a Figura 4). Como se o solo fosse extraído de metais preciosos, 
diferentes softwares de mineração de dados podem detectar coisas diferentes. Colocada 
na perspectiva da tomada de decisão, a mineração de dados define o problema da 
tomada de decisão na forma de três perguntas:
(a) Quais eventos fluem em sequência?
(b) Quais eventos coincidem?
(c) Quais entidades andam juntas?
Como exemplo da pergunta A, o problema específico a ser resolvido é: os clientes 
compram uma nova TV e um DVD player sequencialmente dentro de um período de 
tempo previsível? Uma resposta “sim” pode encurtar imensamente o processo de 
tomada de decisão. Leva diretamente à ação gerencial de promoção dos produtos 
cujas compras estão relacionadas no tempo.
Um exemplo da pergunta B é o seguinte problema: O que os clientes compram juntos? 
Por exemplo, descobriu-se através da mineração de dados de vendas de uma cadeia de 
supermercados americana que cerveja e fraldas para bebês foram compradas juntas 
por um determinado perfil de cliente (um homem da idade normal de paternidade) 
sempre em um determinado dia e horário. Esse tipo de descoberta pode novamente 
levar a uma ação imediata de gerenciamento. Nesse caso, os produtos identificados 
podem ser exibidos juntos para aumentar as vendas.
Um exemplo da questão C refere-se à identificação de grupos de clientes com 
base no nível de renda, idade, local de residência, período de compra etc. Em outras 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 110
palavras, o DSS orientado a dados é usado para segmentação de mercado, conforme 
mencionado acima.
Observe que o SAD orientado a dados modifica o modelo racional clássico de tomada 
de decisão: se as questões acima podem ser tomadas como definição do problema, 
as etapas subsequentes no modelo são executadas pelo sistema de maneira direta, 
sem opções caracterizando o modelo racional. Os esforços atuais no DSS orientado 
a dados estão focados no uso de Big Data além das fontes tradicionais. Big Data vem 
em formas que são mais variadas do que os dados alfanuméricos que se encaixam 
em bancos de dados relacionais.
13.3. Tomada de decisão satisfatória
Tentando tomar decisões da maneira racional discutida no início do capítulo, os 
tomadores de decisão investigam cuidadosamente os problemas para chegar à 
melhor definição, trabalham arduamente na criação de soluções opcionais e as pesam 
cuidadosamente. No entanto, existem vários tipos de limitações nas organizações que 
podem inviabilizar esse processo. Os gerentes muitas vezes não têm tempo e recursos 
para chegar à melhor decisão possível. Outras limitações envolvem visões opostas e 
reações desfavoráveis das pessoas envolvidas. Talvez ainda mais perturbador para 
um tomador de decisão racional seja o fato de que nem sempre tudo é claro na vida 
organizacional. Mesmo a primeira etapa do processo de identificação do problema 
pode apresentar um obstáculo difícil de contornar. Os tomadores de decisão geralmente 
precisam de algum tempo para “digerir” e investigar um reconhecimento inicial de um 
problema.
Para entender esse modelo, imagine que você deseja comprar um mouse para 
o seu PC. Você tem apenas cinco minutos para concluir a compra em uma loja de 
eletrônicos desconhecida. A loja é grande e não há vendedor à vista. Você corre ao 
redor enquanto o relógio está correndo. Finalmente, você encontra uma prateleira 
com mouses de computador e navega por ela. Mas você não pode ver seu produto 
favorito. Você muda de ideia: em vez de procurar o mouse perfeito, você optará por 
um que faça o trabalho no momento. No mínimo, o mouse deve ficar bem na sua 
mão e ser mais barato. Você encontra um mouse mais barato e tenta. Ele se sente 
bem em sua mão. Aqui está outro. Um pouco menos confortável, mas o preço é justo. 
Não há tempo para mais pesquisas. Você decide optar pelo preço mais baixo, já que 
não usará esse mouse para sempre, de qualquer maneira.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 111
Fonte: https://pixabay.com/pt/vectors/tabuleiro-de-xadrez-xadrez-5770040/
O que você fez neste exemplo está em conformidade com a tomada de decisão 
satisfatória. Você comprou um mouse sob forte pressão de tempo, em um ambiente 
desconhecido e sem ajuda. Percebendo as restrições, você simplificou a definição do 
problema (“compre um mouse acessível que caiba na sua mão”). Então você encontrou 
dois candidatos e encerrou a busca. Supondo que você está comprando uma coisa 
descartável, você empilhou sua decisão final no preço e escolheu o produto adequado.
Na maioria das vezes, as organizações precisam tomar decisões sob restrições 
semelhantes e ainda piores. Existem limitações de tempo, recursos organizacionais, 
conflitos entre facções com interesses diferentes, bem como nas capacidades 
cognitivas dos tomadores de decisão. Portanto, soluções rápidas e imperfeitas são 
um verdadeiro resgate nessas circunstâncias. Eles podem fazer uma parte importante 
de um trabalho de maneira aceitável. Por exemplo, em vez de executar um elaborado 
processo de decisão racional ao comprar um PC, o problema pode ser definido para que 
se busque um “PC bom o suficiente”. Ele deve ter uma grande RAM e uma velocidade 
intermediária de CPU e estar em uma categoria de preço intermediária. Uma pesquisa 
online de produtos para PC pode fornecer telas de produtos correspondentes. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 112
ANOTE ISSO
Na tomada de decisão rápida, você pode olhar para a primeira ou duas telas 
e escolher o primeiro PC que corresponda aos seus critérios. O problema com 
as decisões “suficientemente boas” é quando as soluções temporárias que 
elas oferecem se tornam permanentes e quando os tomadores de decisão se 
acostumam a tomar a maioria das decisões dessa maneira.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 113
CAPÍTULO 15
CIÊNCIAS DE DADOS 
Fonte: https://pixabay.com/pt/illustrations/plano-de-fundo-resumo-linha-2462434/
Olá, caro(a) aluno(a), bem-vindo(a)ao nosso capítulo onde trataremos sobre 
a importância de ciências de dados em organizações. Durante nossa aula vamos 
compreender o que é ciências de dados e como este interfere no cotidiano administrativo 
de sistemas de informação. Entenderemos os principais pontos envolvidos, bem como 
verificaremos as tecnologias envolvidos neste cenário. Vamos lá?
15.1 O que é ciências de dados?
A ciência de dados permite que as empresas processem grandes quantidades 
de big data estruturado e não estruturado para detectar padrões. Isso, por sua vez, 
permite que as empresas aumentem a eficiência, gerenciem custos, identifiquem novas 
oportunidades de mercado e aumentem sua vantagem de mercado.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 114
Pedir uma recomendação a um assistente pessoal como Alexa ou Siri exige ciência 
de dados. O mesmo acontece com a operação de um carro autônomo, usando um 
mecanismo de pesquisa que fornece resultados úteis ou conversando com um chatbot 
para atendimento ao cliente. Esses são todos aplicativos da vida real para ciência de 
dados.
Fig 1. Ciclo de vida de ciências de dados
Fonte: https://medium.com/techbloghotmart/afinal-como-se-desenvolve-um-projeto-de-data-science-233472996c34
A ciência de dados é a prática de mineração de grandes conjuntos de dados 
brutos, estruturados e não estruturados, para identificar padrões e extrair deles 
insights acionáveis. Este é um campo interdisciplinar, e os fundamentos da ciência 
de dados incluem estatísticas, inferência, ciência da computação, análise preditiva, 
desenvolvimento de algoritmos de aprendizado de máquina e novas tecnologias para 
obter insights de big data.
https://medium.com/techbloghotmart/afinal-como-se-desenvolve-um-projeto-de-data-science-233472996c34
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 115
Para definir a ciência de dados e melhorar o gerenciamento de projetos de ciência 
de dados, comece com seu ciclo de vida. O primeiro estágio no fluxo de trabalho do 
pipeline de ciência de dados envolve a captura: adquirir dados, às vezes extraí-los e 
inseri-los no sistema. O próximo estágio é a manutenção, que inclui armazenamento de 
dados, limpeza de dados, processamento de dados, preparação de dados e arquitetura 
de dados.
O processamento de dados segue e constitui um dos fundamentos da ciência de 
dados. É durante a exploração e processamento de dados que os cientistas de dados 
se diferenciam dos engenheiros de dados. Esse estágio envolve mineração de dados, 
classificação e agrupamento de dados, modelagem de dados e resumo de insights 
obtidos dos dados – os processos que criam dados eficazes.
Em seguida vem a análise de dados, uma etapa igualmente crítica. Aqui, os cientistas 
de dados realizam trabalhos exploratório e confirmatório, regressão, análise preditiva, 
análise qualitativa e mineração de texto. Este estágio é o motivo pelo qual não existe 
ciência de dados de cortador de biscoitos – quando é feito corretamente.
Durante o estágio final, o cientista de dados comunica insights. Isso envolve 
visualização de dados, relatórios de dados, uso de várias ferramentas de inteligência 
de negócios e assistência a empresas, formuladores de políticas e outros na tomada 
de decisões mais inteligentes.
15.2 Preparação e Exploração da Ciência de Dados
A preparação e a análise de dados são as habilidades de ciência de dados mais 
importantes, mas a preparação de dados sozinha normalmente consome de 60 
a 70% do tempo de um cientista de dados. Raramente os dados são gerados de 
forma corrigida, estruturada e sem ruído. Nesta etapa, os dados são transformados 
e preparados para uso posterior.
Esta parte do processo envolve transformação e amostragem de dados, verificando 
tanto as características quanto as observações e usando técnicas estatísticas para 
remover o ruído. Esta etapa também esclarece se os vários recursos no conjunto de 
dados são independentes uns dos outros e se pode haver valores ausentes nos dados.
Essa etapa de exploração também é a principal diferença entre ciência de dados 
e análise de dados. A ciência de dados adota uma visão macro, com o objetivo de 
formular melhores perguntas sobre dados para extrair mais insights e conhecimento 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 116
deles. A análise de dados já tem as perguntas e tem uma visão mais restrita para 
encontrar respostas específicas, não explorar.
15.3 Modelagem em Ciências de Dados
Na etapa de modelagem, os cientistas de dados ajustam os dados ao modelo 
usando algoritmos de aprendizado de máquina. A seleção do modelo depende do tipo 
de dados e do requisito de negócios.
Fig. 2. Modelagem em Ciências de dados
Fonte: https://pixabay.com/pt/vectors/informa%c3%a7%c3%a3o-infogr%c3%a1fico-projeto-908889/
Em seguida, o modelo é testado para verificar sua precisão e outras características. 
Isso permite que o cientista de dados ajuste o modelo para alcançar o resultado 
desejado. Se o modelo não for adequado para os requisitos, a equipe poderá selecionar 
qualquer um dos vários modelos de ciência de dados.
Uma vez que o teste adequado com bons dados produza os resultados desejados 
para o requisito de inteligência de negócios, o modelo pode ser finalizado e 
implantado.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 117
15.4 Ciências de dados x Análise de Dados
Embora o trabalho de cientistas de dados e analistas de dados às vezes seja 
confundido, esses campos não são os mesmos. O termo analista de ciência de dados 
realmente significa apenas um ou outro.
Um cientista de dados chega mais cedo do que um analista de dados, explorando 
um enorme conjunto de dados, investigando seu potencial, identificando tendências 
e insights e visualizando-os para outras pessoas. Um analista de dados vê os dados 
em um estágio posterior. Eles relatam o que isso lhes diz, fazem prescrições para um 
melhor desempenho com base em suas análises e otimizam quaisquer ferramentas 
relacionadas a dados.
É provável que o analista de dados esteja analisando um conjunto de dados 
específico de dados estruturados ou numéricos usando uma determinada pergunta 
ou perguntas. É mais provável que um cientista de dados lide com grandes massas de 
dados estruturados e não estruturados. Eles também formularão, testarão e avaliarão 
o desempenho das questões de dados no contexto de uma estratégia geral.
A análise de dados tem mais a ver com colocar dados históricos em contexto e 
menos com modelagem preditiva e aprendizado de máquina. A análise de dados não 
é uma busca de mente aberta pela pergunta certa; depende de ter as perguntas certas 
desde o início. Além disso, diferentemente dos cientistas de dados, os analistas de 
dados normalmente não criam modelos estatísticos nem treinam ferramentas de 
aprendizado de máquina.
Em vez disso, os analistas de dados se concentram na estratégia de negócios, 
comparando ativos de dados com várias hipóteses ou planos organizacionais. Os 
analistas de dados também são mais propensos a trabalhar com dados localizados 
que já foram processados. Em contraste, as habilidades técnicas e não técnicas de 
ciência de dados são essenciais para processar dados brutos e analisá-los. É claro 
que ambos os papéis exigem habilidades matemáticas, analíticas e estatísticas.
Os analistas de dados têm menos necessidade de uma abordagem mais ampla da 
cultura de negócios em seu trabalho diário. Em vez disso, eles tendem a adotar um 
foco mais medido e definido à medida que analisam dados. Seu escopo e propósito 
quase certamente serão mais limitados do que os de um cientista de dados.
Em resumo, é mais provável que um cientista de dados olhe para o futuro, prevendo 
ou prevendo à medida que analisa os dados. A relação entre o analista de dados e os 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADECATÓLICA PAULISTA | 118
dados é retrospectiva. É mais provável que um analista de dados se concentre em 
perguntas específicas para responder à investigação de conjuntos de dados existentes 
que já foram processados para obter insights.
ANOTE ISSO
Vocês sabiam que ciências de dados podem ser empregadas em diversos 
contextos? Uma das áreas que a mesma pode ser empregada está relacionada 
a segurança pública. Polícia tem usado da ciência de dados para realizar análises 
de predição e classificação da criminalidade de forma automática. Com isso, 
torna-se possível estabelecer uma sequência de ações que visem trazer melhorias 
na segurança e, consequentemente, permitir maior aderência da população no 
combate a criminalidade. Legal, né?
15.5 Grande volume de dados (Big Data) x Ciências de Dados
Os dados vêm de várias fontes, como compras online, formulários multimídia, 
instrumentos, logs financeiros, sensores, arquivos de texto e outros. Os dados podem 
ser não estruturados, semiestruturados ou estruturados.
Dados não estruturados incluem dados de blogs, feeds de áudio/vídeo digital, imagens 
digitais, e-mails, dispositivos móveis, sensores, redes sociais e tweets, páginas da web 
e fontes online. Dados semiestruturados incluem dados de arquivos de log do sistema, 
arquivos XML e arquivos de texto. Dados estruturados que já foram processados 
de alguma forma incluem OLTP, RDBMS (bancos de dados), dados de ‘transações e 
outros formatos.
Tudo isso é “big data” e colocá-lo em bom uso é um trabalho urgente do século 
21. Simplesmente não é possível processar enormes quantidades de dados de fontes 
diferentes com ferramentas simples de inteligência de negócios ou até mesmo 
ferramentas de análise de dados. Em vez disso, a ciência de dados apresenta às 
empresas algoritmos avançados e complexos e outras ferramentas para analisar, 
limpar, processar e extrair insights significativos dos dados.
A ciência de dados não é uma ferramenta, habilidade ou método. Em vez disso, é uma 
abordagem científica que usa teoria estatística e matemática aplicada e ferramentas 
de computador para processar big data.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 119
Os fundamentos da ciência de dados combinam os pontos fortes interdisciplinares da 
limpeza de dados, técnicas inteligentes de captura de dados e mineração e programação 
de dados. O resultado é a capacidade do cientista de dados de capturar, manter e 
preparar big data para análise inteligente.
Esse é um ponto que diferencia o trabalho do cientista de dados do engenheiro de 
dados, embora às vezes os dois papéis sejam confundidos. O engenheiro de dados 
prepara conjuntos de dados para o cientista de dados trabalhar e extrair insights, mas 
o trabalho de análise inteligente cabe aos cientistas de dados, não aos “engenheiros 
de ciência de dados”.
Big data é a matéria-prima utilizada no campo da ciência de dados. Caracterizado 
por sua velocidade, variedade e volume (os 3Vs), o big data é a matéria-prima da 
ciência de dados, que fornece as técnicas de análise dos dados.
15.6 Ciências de dados e organizações
A ciência de dados e a análise se unem quando a ciência de dados é aplicada em 
um ambiente de negócios. A ciência de dados ajuda as empresas a entender melhor 
as necessidades específicas dos clientes com base nos dados existentes. Por exemplo, 
com idade do cliente, histórico de compras, histórico de navegação anterior, renda e 
outros dados demográficos, um cientista de dados pode treinar modelos de forma 
mais eficaz para pesquisa e recomendação de produtos.
Por exemplo, a ciência de dados é uma ferramenta poderosa para detecção e 
prevenção de fraudes, aprimorando a capacidade das instituições financeiras de 
reconhecer padrões problemáticos em dados mais rapidamente. A ciência de dados 
também pode ajudar a reduzir ativos inadimplentes, revelando tendências de queda 
mais cedo.
As instituições que concedem empréstimos ou outro dinheiro a crédito precisam 
limitar a probabilidade de clientes inadimplentes nos pagamentos. Para fazer isso, 
eles podem usar a ciência de dados para criar um modelo que possa realizar 
análises preditivas nos dados do histórico de pagamentos do cliente. Isso permitiria 
à instituição prever se os pagamentos futuros ocorrerão em tempo hábil – ou se 
ocorrerão.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 120
15.7 Ciências de dados e a ética
Como em qualquer disciplina científica, sempre existe a possibilidade de mau 
comportamento e abuso na ciência de dados. Esta é a razão pela qual a ética da 
ciência de dados é tão importante. Existem várias diretrizes éticas básicas que a 
ciência de dados deve ter em mente.
Para proteger os usuários e o público em geral, as empresas devem buscar coletar 
os dados de que precisam, mas não mais. Devem proteger os dados relevantes com as 
melhores tecnologias disponíveis. Além disso, as empresas também devem promover 
a transparência e proteger a privacidade, mantendo os dados agregados. Em outras 
palavras, as tendências gerais de comportamento devem ser suficientes para responder 
a perguntas de negócios e proteger a privacidade. Saiba mais sobre análise do setor 
público.
As melhores práticas éticas para o campo da ciência de dados também incluem 
a identificação e a limpeza de dados confidenciais. Isso não é apenas para proteger 
os usuários; ele protege as empresas, que podem sofrer sérios danos à reputação e 
perda de clientes quando não protegem dados confidenciais.
A capacidade de identificar todos os dados confidenciais e protegê-los também 
demonstra duas vantagens importantes da ciência de dados – propostas de valor que 
o campo oferece. Primeiro, a empresa tem a capacidade de fazer uso inteligente de 
big data. Em segundo lugar, tem a vontade e a capacidade de proteger a segurança 
do usuário, apesar dos desafios contínuos de um cenário de segurança dinâmico.
Isso, por sua vez, sinaliza a capacidade de uma empresa de reagir rápida e 
profissionalmente a violações de dados – e o potencial existente da ciência de dados 
para sempre. Dessa forma, as melhores práticas éticas mostram a ciência de dados 
como um serviço.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 121
CONCLUSÃO
Caro(a) aluno(a). Aqui finalizamos nosso livro. Durante os capítulos identificamos 
diversos pontos importantes envolvidos em modelagem e simulação, bem como 
identificamos vários exemplos que edificam e contribuem para o aumento do 
conhecimento.
Vamos relembrar o que estudamos durante nosso material, identificando os principais 
pontos.
Inicialmente abordamos conceitos fundamentais sobre modelagem e simulação, onde 
pudemos compreender a diferença de cada um e como estes impactam diretamente na 
construção e elaboração de um de soluções em engenharia de produção. Entendemos 
o que são dados, retratando, assim, a importância de administrá-los.
Por outro lado, conhecemos assuntos mais específicos, como software arenas 
e ambientes computacionais de modelagem, permitindo ampliar nossa visão sobre 
diversos pontos, como a necessidade da utilização de tecnologia da informação para 
a implementação de modelos, bem como a necessidade de TI para o desenvolvimento 
administrativo de qualquer natureza.
Ainda trabalhamos com métodos de pesquisa operacional, como foi o caso de teoria 
das filas e método de monte carlo. Conteúdos de grande relevância e que precisa ser 
levado em consideração para a elaboração eficiente de modelos que evidenciem a 
realidade vivenciada por qualquer organização
Por fim, verificamos como ciências de dados são tendencias e estão associados 
ao contexto administrativos de dados. 
Esperamos, assim, que você tenha compreendido a importância de administração 
de sistemas de informação mais diversas vertentes. Bons estudos a todos.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADECATÓLICA PAULISTA | 122
REFERÊNCIAS
HILLIER, F.S; LIEBERMAN, G. J. Introdução a pesquisa operacional. 9 ed. . McGraw 
Hill, 2013.
TAHA, H. A. Pesquisa operacional. 8. ed. Prentice Hall, 2008.
WINSTON, W. L. Operations research, 4th. ed, 2004.
 
	_3dy6vkm
	_3dy6vkm
	_1t3h5sf
	_heading=h.gjdgxs
	_3dy6vkm
	_3dy6vkm
	_heading=h.gjdgxs
	_3dy6vkm
	_heading=h.gjdgxs
	_3dy6vkm
	_1t3h5sf
	_gjdgxs
	INTRODUÇÃO À MODELAGEM DE SISTEMAS
	INTRODUÇÃO À SIMULAÇÃO DE SISTEMAS
	TECNOLOGIA DA INFORMAÇÃO E SISTEMAS DE INFORMAÇÃO
	SIMULAÇÃO SOFTWARE ARENA
	PROGRAMAÇÃO LINEAR
	APLICAÇÕES DE PROGRAMAÇÃO LINEAR
	PHP SIMPLEX
	PROCESSOS ESTOCÁTISCOS – CADEIAS DE MARKOV
	TEORIA DAS FILAS
	PROBLEMA DE TRANSPORTE
	VALIDAÇÃO DE MODELOS
	SISTEMA PRODUTIVO
	DADOS, INFORMAÇÃO E CONHECIMENTO
	PROCESSO DECISÓRIO ORGANIZACIONAL
	CIÊNCIAS DE DADOSOlá, caro(a) aluno(a), bem-vindo(a) ao nosso segundo capítulo onde introduziremos 
importantes aspectos relacionados ao processo de simulação de sistemas. Aqui vamos 
entender e compreender como estes tópicos estão relacionados com a pesquisa 
operacional e, consequentemente, com a engenharia de produção.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 15
2.1 Introdução à Sistemas
Um sistema é uma coleção organizada de partes (ou subsistemas) que são altamente 
integradas a realizar um objetivo geral. O sistema possui diversas entradas, que passam 
por determinados processos para que produzem certas saídas que, juntas, atingem 
o objetivo geral desejado para o sistema.
Portanto, um sistema geralmente é composto de muitos sistemas menores, 
ou subsistemas. Por exemplo, uma organização é composta de muitas funções 
administrativas e gerenciais, produtos, serviços, grupos e indivíduos. Se uma parte 
do sistema é alterada, a natureza do sistema global é mudada, também.
Os sistemas variam de simples a complexos. Existem vários tipos de sistemas. 
Por exemplo, há sistemas biológicos (por exemplo, o coração), sistemas mecânicos 
(por exemplo, um termostato), sistemas humanos/mecânicos (por exemplo, andar de 
bicicleta), sistemas ecológicos (por exemplo, predador/presa) e sistemas sociais (por 
exemplo, grupos, oferta e demanda e também amizade).
Sistemas complexos, como sistemas sociais, também são compostos de vários 
subsistemas. Esses subsistemas são organizados em hierarquias e integrados para 
atingir o objetivo geral do sistema. Cada subsistema tem seus próprios limites de 
tipos e inclui várias entradas, processos, saídas e resultados orientados para atingir 
um objetivo geral para o subsistema. Sistemas complexos geralmente interagem com 
seus ambientes e são, portanto, sistemas abertos.
Um sistema de alto funcionamento troca continuamente feedback entre suas várias 
partes para garantir que eles permanecem estreitamente alinhados e focados em 
atingir a meta do sistema. Se alguma das partes ou atividades do sistema parecem 
enfraquecidas ou desalinhadas, o sistema faz os ajustes necessários para atingir 
seus objetivos com mais eficácia. Consequentemente, um sistema é sistemático. Um 
monte de areia não é um sistema. Se você remover uma partícula de areia, ainda terá 
um monte de areia. No entanto, um carro em funcionamento é um sistema. Remova 
o carburador e você não terá mais um carro funcionando.
Um ponto importante me sistemas são as entradas. Estas são itens que são usados 
pelos vários processos no sistema para atingir o objetivo geral do sistema. Os tipos 
gerais de insumos incluem, por exemplo, pessoas, dinheiro, equipamentos, instalações, 
suprimentos, as ideias das pessoas e o tempo das pessoas. Por exemplo, entradas 
para um serviço que fornece treinamento para clientes podem incluir professores 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 16
treinados, alunos, materiais de treinamento, salas de aula, financiamento e papel e lápis. 
As entradas também podem ser as principais forças que influenciam a organização 
e seus produtos e serviços.
Fonte: https://pixabay.com/pt/illustrations/monitor-bin%c3%a1rio-sistema-bin%c3%a1rio-1307227/
Por exemplo, várias leis e regulamentos influenciam a forma como o produto ou 
serviço é fornecido. Entradas são frequentemente identificados com o custo para obtê-
los e usá-los. Simplificando, um orçamento é uma lista dos insumos do sistema e os 
custos (despesas) para obter e usar os insumos, juntamente com qualquer dinheiro 
espera-se que seja ganho ou aumentado (receitas) das saídas do sistema.
2.2 Introdução à simulação
A simulação é o processo de usar software e hardware de computador moderno 
para analisar o resultado potencial de uma determinada situação, com base em 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 17
fatores conhecidos e na introdução de uma ou mais variáveis que têm a capacidade 
de influenciar o resultado de qualquer situação. Esse tipo de modelagem computacional 
é útil em muitas situações diferentes, desde a criação de planos de marketing, o 
lançamento de esquemas de relações públicas e até mesmo a colocação de um novo 
ponto de venda. A ideia por trás da criação da simulação é minimizar a possibilidade 
de um resultado indesejável surgir, ao mesmo tempo em que descobre fatores que 
provavelmente aumentarão as chances de sucesso.
Figura 1: Etapas do processo de simulação
Fonte: Autoria própria, 2022
Ao empregar a tecnologia de simulação para criar um modelo de simulação, o 
processo geralmente é dividido em três fases ou etapas distintas. A primeira etapa do 
processo é geralmente chamada de fase de projeto. Aqui, a situação básica é criada, 
fornecendo efetivamente um ponto de partida para a avaliação. Por exemplo, se a ideia 
é determinar que tipo de resultados provavelmente ocorrerão com uma campanha de 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 18
marketing, o design ou modelo será o plano de marketing real, completo com suas 
disposições para o uso de diferentes mídias na publicidade, a natureza dos produtos 
para anunciar, e até mesmo a embalagem dos produtos que serão comercializados.
A segunda fase da tecnologia de simulação é conhecida como execução. Durante 
esta fase, o modelo criado durante a fase de projeto é colocado em ação. Ao longo do 
caminho, vários tipos de cenários incidentais são integrados à ação, com o objetivo de 
determinar como o design responde a esses diferentes fatores e o que acontece como 
resultado. Essa fase pode ajudar a identificar o que provavelmente acontecerá se o 
uso da mídia impressa na campanha de marketing não atingir o mercado consumidor 
certo, enquanto os anúncios de televisão ou rádio não apenas atingem o mercado-alvo, 
mas também abrem um nicho de mercado inesperado. Nesse ponto do processo de 
tecnologia de simulação, o foco está no que pode acontecer e não necessariamente 
no motivo pelo qual vários fatores afetam o resultado.
Uma fase final da tecnologia de simulação se concentra na análise do resultado 
da fase de execução. É neste ponto que se busca respostas sobre porque a parte de 
mídia impressa da campanha falhou e porque a parte de mídia eletrônica superou as 
expectativas (por exemplo). Uma vez identificadas as respostas, é possível retornar 
à primeira etapa, ajustar a estrutura do modelo na fase de projeto e executar uma 
segunda simulação. Não é incomum que uma empresa execute essas simulações 
de computador repetidamente como parte do processo de refinar uma campanha ou 
outra ação importante antes de realmente escolher o curso de ação final. Embora as 
simulações possam ser caras, tanto em termos de tempo quanto de dinheiro, elas 
geralmente se pagam ajudando as empresas a evitar erros que podem ser caros.
Com relação as saídas, entende-se que estas são os resultados tangíveis produzidos 
pela organização, produto ou serviço. As saídas são frequentemente descritas usando 
números, por exemplo, o número de alunos que terminaram um determinado programa.
As saídas são muitas vezes confundidas para indicar o sucesso de uma organização 
ou um de seus produtos ou serviços. Por exemplo, os líderes podem erroneamente 
supor que, porque um programa atendeu a um grande número de clientes, o programa 
deve ter tido bastante sucesso. Essa não é uma suposição válida. O sucesso de um 
programa ou serviços é determinado, não pela variedade e número de clientes treinados 
(ou seja, não pelas saídas), mas pela forma como os clientes se beneficiaram desse 
treinamento (isto é, dos resultados de sua participação).
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 19
2.3 Softwares de simulação
Fonte: https://pixabay.com/pt/photos/desenvolvedor-de-software-6521720/
No passado, o software de simulação erausado quase exclusivamente nas áreas 
de engenharia industrial e estatística. Na década de 1960, realizar simulações em 
grandes computadores mainframe era uma tarefa difícil. No entanto, no início dos 
anos 2000, profissionais de negócios em diversos setores estavam usando software 
de simulação para modelar diferentes cenários de negócios e resolver problemas. Para 
as empresas mais bem-sucedidas, essa forma de software tornou-se uma ferramenta 
necessária para fazer negócios porque o clima global de negócios era complicado e 
incerto. Uma série de fatores – incluindo a pressão dos investidores, as demandas 
dos clientes, o impacto das novas tecnologias, regulamentações governamentais 
nacionais e internacionais, questões legais, meio ambiente e até mesmo o custo de 
envio de produtos – tornaram difícil para os executivos corporativos tomar decisões 
importantes. decisões e posicionar suas empresas para o sucesso.
Muitas empresas realizam simulações ou criam modelos usando programas de 
planilhas como o Microsoft Excel. Quando VisiCalc, o primeiro programa de planilhas 
para computadores desktop, foi lançado em 1979, mudou o mundo financeiro. Bancos 
https://pixabay.com/pt/photos/desenvolvedor-de-software-6521720/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 20
e outras empresas conseguiram economizar horas de trabalho automatizando certas 
tarefas financeiras, e tornou-se possível conduzir um número virtualmente ilimitado 
de cenários “e se” simplesmente conectando diferentes conjuntos de números. Essa 
abordagem foi especialmente valiosa para investidores, legítimos ou não.
As simulações criadas por planilhas geralmente são um componente do processo 
geral de tomada de decisão. Por exemplo, na empresa petrolífera Royal Dutch/Shell, 
eles se tornaram uma parte importante de uma abordagem chamada planejamento 
de cenários. O propósito do planejamento de cenários é identificar várias histórias 
diferentes ou visões de como as forças de grande escala terão impacto ao longo 
do tempo. Peter Schwartz, um dos pioneiros do planejamento de cenários, utilizou 
planilhas para complementar quantitativos os cenários estreitos que seu departamento 
criou na Royal Dutch/Shell, tornando-os mais atraentes e convincentes para a gestão 
da empresa.
Além de usar apenas planilhas, as empresas também contam com outros tipos 
de programas de software que se concentram especificamente na simulação. Muitos 
desses aplicativos funcionam com programas de planilhas. No início dos anos 2000, 
as principais empresas usavam produtos de software que as ajudavam a analisar as 
decisões. Trabalhando em conjunto com aplicativos de planilhas como o Microsoft 
Excel, esses programas criaram diagramas, árvores de decisão e outras representações 
gráficas de dados da planilha. Estes podem incluir sequências de escolhas e eventos 
possíveis em ordem cronológica. Produtos de software como esses também foram 
capazes de ajudar os usuários a avaliar os riscos potenciais envolvidos em uma 
decisão e ver quais variáveis eram as mais importantes ou influentes. Além da análise 
da árvore de decisão, essas aplicações contavam com outras técnicas para fornecer 
simulações. Entre eles estavam vários métodos de previsão, incluindo uma técnica 
matemática conhecida como programação linear, que envolve a alocação otimizada 
de recursos para atingir os objetivos; e simulação de Monte Carlo, que é útil para 
modelar eventos aleatórios.
Embora o software de simulação possa ser aplicado a muitas situações diferentes 
de, entre elas, comércio eletrônico, uma aplicação particularmente importante envolve 
o gerenciamento das cadeias de suprimentos da empresa. As cadeias de suprimentos 
podem incluir todas as diferentes partes ou entidades envolvidas (incluindo fornecedores, 
distribuidores e instalações de produção) no processo de pegar peças ou matérias-
primas e transformá-las em produtos acabados. O software de simulação pode ser 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 21
usado para emular mudanças ou flutuações em qualquer número de variáveis (como 
oferta e demanda) para que as empresas possam ver como as mudanças em algumas 
variáveis afetam as condições de outras. Isso permite que eles se preparem melhor, 
aumentem a eficiência da cadeia de suprimentos e encontrem o equilíbrio ideal entre 
a satisfação do cliente e a economia de custos.
Outra aplicação crítica do software de simulação é no armazém de uma empresa. 
Muitas empresas que alcançaram sucesso no mundo do comércio físico descobriram 
rapidamente que aquele e-commerce era um jogo diferente. Em vez de enviar um número 
relativamente pequeno de pedidos grandes para redes de varejo ou distribuidores, 
grandes volumes de pedidos menores para consumidores individuais devem ser 
processados. Isso apresenta um novo conjunto de requisitos para os varejistas, como 
fornecer aos clientes informações em tempo real sobre os produtos disponíveis no 
estoque. Isso também muda a maneira como os produtos são movidos nos bastidores 
no armazém de uma empresa.
No início dos anos 2000, as empresas contavam com um conjunto complexo de 
software de gerenciamento de armazém (WMS), scanners aéreos, sistemas de esteiras 
transportadoras, redes de computadores sem fio, computadores portáteis, leitores 
de código de barras portáteis e impressoras portáteis para agilizar as operações e 
automatizar o movimento de mercadorias através de seus armazéns, muitos dos 
quais se tornaram operações muito sofisticadas. Alguns e-tailers usaram software 
de simulação para gerar modelos ou simulações de seus armazéns existentes, com 
base nas diferentes variáveis de condições. Por exemplo, o software pode ser usado 
para emular o que aconteceria se um varejista eletrônico se deparasse com um influxo 
repentino de pedidos, uma falta de funcionários do armazém ou ambos. O software 
também pode ser usado para descobrir maneiras ideais de configurar o layout físico 
de um armazém, com base em como as mercadorias e as pessoas se movem por ele.
À medida que os computadores continuam desempenhando papéis centrais nos 
processos de negócios diários e o mundo dos negócios se torna mais complexo, o 
software de simulação provavelmente continuará sendo uma ferramenta essencial 
para empresas de sucesso. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 22
CAPÍTULO 3
TECNOLOGIA DA INFORMAÇÃO 
E SISTEMAS DE INFORMAÇÃO
Fonte: https://pixabay.com/pt/illustrations/rede-dom%c3%adnio-servi%c3%a7o-3967926/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 3 onde trataremos sobre 
sistemas de informações. Durante nossa aula vamos compreender o que é um sistema 
de informação e como este está associado ao nosso cotidiano. Entenderemos os 
principais pontos envolvidos, bem como verificaremos quais são as etapas fundamentais 
de funcionamento de um sistema como esse. Vamos lá?
3.1. O que é um sistema de informação?
Para compreendermos o que é um sistema de informação, primeiramente 
precisamos compreender o que é um sistema. Os sistemas são objeto de projetos 
particulares e, de um modo geral, os sistemas envolvem a organização de pontos, tanto 
lógicas quanto físicas incluindo dados, processos, políticas, protocolos, conjuntos de 
https://pixabay.com/pt/illustrations/rede-dom%c3%adnio-servi%c3%a7o-3967926/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 23
habilidades, hardware, software, responsabilidades e outros componentes que definem 
as capacidades de uma organização.
Além disso, os sistemas incluem aspectos humanos e não humanos que fazem 
parte de um conjunto de vários componentes inter-relacionados. Os componentes, 
ou partes, de um sistema específico podem ser reais ou abstratos. Os componentes 
compreendem um “todo” agregado onde cada componente de um sistema interage 
com pelo menos um outro componentedo sistema. Cumulativamente, todos os 
componentes de um sistema servem a um objetivo comum do sistema. 
Fonte: https://pixabay.com/pt/illustrations/rede-dom%c3%adnio-servi%c3%a7o-3967926/
Apesar de um determinado sistema elaborar planos, metas e ajudar diversas 
organizações para atingir determinado objetivo, o mesmo tem um tempo útil de vida, 
que vai desde sua criação, evolução até sua decadência como relatado por Laudon e 
Laudon (2010), na tabela 1 abaixo:
Conceito Definição
Criação Fase em que o sistema é desenvolvido. As funções e os objetivos propostos são 
estudados e levantam-se os elementos que irão compor o sistema.
Evolução O sistema sofre manutenção para que consiga acompanhar as necessidades do 
meio ambiente que o cerca. Empregam-se novas técnicas, módulos, tentando 
prolongar a vida do sistema.
Decadência Em determinado momento as necessidades do meio ambiente evoluíram tanto 
que requerem cada vez mais do sistema, que este já não suporta mais alterações 
necessárias. Neste momento que se depara com a fase da decadência.
Tabela 1: Ciclo de vida de um sistema.
Fonte: adaptado de Laudon e Laudon (2010).
https://pixabay.com/pt/illustrations/rede-dom%c3%adnio-servi%c3%a7o-3967926/
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 24
Desta forma, como um sistema possui um ciclo de vida, modificar a forma de pensar 
e agir a qualquer e todo momento passou a serem fatores estratégicos para uma 
organização. Saber a hora de finalizar um sistema e investir em outro é extremamente 
importante. Assim, empresas estão investindo mais em sistemas que possuem 
como foco a informação, por se tratar de sistemas que conseguem se adaptarem 
as necessidades das empresas ao longo dos anos, de modo a aperfeiçoar o trabalho 
diário e as características individuais de cada organização.
Neste contexto podemos compreender sistemas de informação (SI). Um sistema 
de informação envolve uma variedade de tecnologias da informação (TI), como 
computadores, software, bancos de dados, sistemas de comunicação, Internet, 
dispositivos móveis e muito mais, para realizar tarefas, interagir e informar vários atores 
diferentes contextos organizacionais ou sociais. Em geral, o interesse para o campo de 
SI envolve todos os aspectos de desenvolvimento, implantação, implementação, uso 
destes sistemas no cotidiano empresarial. No entanto, o campo SI não está preocupado 
com os aspectos técnicos e computacionais de TI (Tecnologia da Informação). O que 
importa para o SI é como a tecnologia se torna apropriada para que se atenda diversos 
atores – como indivíduos, grupos ou organizações – informações necessidades e 
requisitos no que diz respeito a objetivos e práticas. 
Assim, com o uso de sistemas de informação, as estratégias empresariais 
modificaram-se, muitas atribuindo à tecnologia fatores primordiais para o sucesso e 
uma gestão eficiente no cotidiano. Para isso, muitas empresas investiram e investem 
em diversos tipos de sistemas, esses responsáveis por milhares de fatores de uma 
organização, desde controle de estoques, vendas, marketing, publicidade, até sistemas 
de apoio a decisão, sistemas gerenciais, ERP e a gestão eficaz com o cliente. Todos 
esses tipos de sistemas acabam utilizando dados e/ou informações para chegar ao 
máximo de eficácia para a organização.
Neste contexto, os sistemas de informação partem a princípio da necessidade 
das empresas em obter características relevantes nas mais diversas áreas, para isso 
tanto a tecnologia, dados, informação e conhecimento são características primordiais 
para a elaboração de um sistema de informação, e agregados podem transformar 
qualquer sistema, em um sistema qualificado a ponto de mostrar caminhos, tendências 
e facilitar trabalhos diários (Fig 1).
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 25
Fig. 1: Atores de um sistema de informação
Fonte: Elaborado pelo autor, 2022
Assim, os sistemas de informações são compostos de pessoas, processos e 
tecnologias, providenciando meios para suprir as diversas áreas organizacionais, 
agregando dados, informação e conhecimento. 
Os sistemas de informações com o passar dos anos sofreram diversas mudanças 
estruturais e em nível de software. A evolução dos sistemas de informação passou 
por seis etapas, são elas:
• 1ª Iniciação – “Nesta etapa ocorre à introdução dos computadores nas empresas”.
• 2ª Contágio – “Ocorreu à assimilação da tecnologia nas empresas, de forma 
que rapidamente se proliferaram”.
• 3ª Controle – “Há certo controle das empresas na administração dos sistemas 
de informação”.
• 4º Integração – “Os sistemas comprados de forma isolada começam a serem 
integrado nas empresas”.
• 5º Administração de dados – “Nesta fase já há o emudecimento na utilização 
dos sistemas de informação e o tratamento de dados capturados por esses 
sistemas”.
• 6º Maturidade – “A organização passa nesta fase opta por sistemas de acordo 
com suas necessidades”.
.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 26
Percebemos que as empresas precisaram se adaptar a diversas realidades, e aos 
poucos foram incorporando os sistemas de informações ao seu cotidiano, de forma 
a suprir todas suas necessidades e aperfeiçoar os trabalhos no cotidiano.
3.2 Etapas de um sistema de informação
Um sistema de informação possui algumas fases principais que são responsáveis 
pela aquisição final de informação pela organização. Devemos evidenciar que o processo 
de transformação sempre começa pela captação de dados. Esta parte é a mais crucial, 
uma vez que a qualidade destes dados vai interferir diretamente na qualidade das 
informações disponibilizadas. Uma vez que estes dados são capturados de forma 
equivocada, consequentemente, a informação obtida também será equivocada, 
atrapalhando o processo decisório organizacional.
Fig. 2: Etapas de um sistema de informação.
Fonte: Elaborado pelo autor, 2022
Onde:
Entradas: as entradas estão associadas aos dados que são obtidos por determinada 
organização. Estes dados são capturados de várias formas e são fator crus, sem 
nenhuma observação.
Processos de transformação: neste ponto os dados que foram adquiridos serão 
transformados. Essa transformação acontece de várias formas e depende dos tipos 
de dados que são capturados. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 27
Saídas: como resultado após o processo de transformação teremos a informação, 
que corresponde a nossa saída. 
Lembrando que um sistema dessa natureza sempre haverá retroalimentação, onde 
a cada informação pode ser gerada novos dados, bem como controle e avaliação das 
informações, permitindo que estas estejam em conformidade com as necessidades 
empresariais.
ANOTE ISSO
Você sabia que a qualidade de dados é um dos fatores fundamentais para a 
correta análises que contribuem para o processo decisório? Quando os dados 
são coletados de forma equivocada, um sistema de informação não funcionará 
corretamente, uma vez que neste tipo de sistema obtemos como saída a 
informação que já vem associada aos dados. Logo, dados errados, informações 
erradas. Neste contexto verifica-se a importância da coleta de dados e da qualidade 
dessa coleta. .
Além disso, os sistemas de informação baseados em computador, chamados de CBIS 
(Computer based information system) possuem outras características como hardwares, 
softwares, banco de dados, telecomunicações, pessoas e procedimentos que são 
configurados para coletar, manipular, armazenar e processar dados em informação, 
como ilustra a fig. 3 abaixo (STAIR e REYNOLDS, 2006).
Fig. 3: Computer based information system.
Fonte: Stair e Reynolds (2006, pg. 9).
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 28
Stair e Reynolds (2006, pg. 12) relatam em detalhes cada uma dessas características, 
listadas no quadro 1abaixo: 
Componentes de um SI. Características
Hardware
Consiste em um equipamento do computador para a 
realização de atividades de entrada, processamento 
e saída.
Software
Consiste em programas que comandam a operação 
do computador
Banco de Dados
É uma coleção organizada de fatos e informações, 
consistindo em dois ou mais arquivos de dados 
relacionados.
Tabela 2: Componentes de um Sistema de Informação
Fonte: adaptado de Laudon e Laudon (2010).
O que é Tecnologia da Informação?
Tecnologia da informação está relacionado com a infraestrutura de tecnologia 
presente em uma dada organização, incluindo sistemas e recursos humanos. Vejamos, 
agora, os tipos de tecnologias da informação presente:
ANOTE ISSO
Você sabia que a tecnologia da informação é a base para qualquer tipo de sistema, 
inclusive de sistemas de informação? Legal, né?
Quando uma organização investe em sistemas de informação, primeiramente a 
mesma deve identificar se possui uma tecnologia da informação e estrutura que 
comporte esse tipo de sistema. Com isso, torna-se mais fácil a viabilização do 
sistema.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 29
Fonte: https://pixabay.com/pt/illustrations/desenvolvedor-programador-tecnologia-3461405/
3.1.1 Tipos de Tecnologia da Informação.
Vejamos agora os tipos de tecnologias da informação existentes e suas relações 
para com diversas áreas.
Governança de Tecnologia da Informação
• A combinação eficaz de políticas e processos para executar os sistemas de TI 
sem problemas e de mãos dadas com a necessidade da organização.
Definição de Tecnologia da Informação Empresarial
A importância da Tecnologia da Informação nos negócios é vasta. Ajuda cada setor 
de negócios a automatizar seus processos e seus sistemas para atingir objetivos, gerar 
receita e reduzir a ineficiência de seu trabalho. O valor da tecnologia da informação 
empresarial está aumentando dia a dia em áreas como transações comerciais, para 
atender às demandas dos clientes e requisitos regulatórios.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 30
O propósito por trás da Tecnologia da Informação Empresarial é atender às crescentes 
necessidades diárias das indústrias e às crescentes expectativas dos clientes de todas 
as áreas.
Para obter sucesso em qualquer área de negócios, existem duas coisas não tangíveis, 
incluindo conhecimento e informações relevantes, que são muito importantes. A 
tecnologia da informação empresarial combina efetivamente as habilidades de gestão, 
a tecnologia da comunicação com a competência da informação. Com o sistema de 
comunicação e informação de som, a empresa pode minimizar seus riscos, fortalecer 
seu sistema e dar suporte às suas estratégias de negócios.
Profissionais de tecnologia da informação empresarial oferecem modelagem, 
expertise em segurança de dados, gerenciamento e atualizações de sistemas.
Para manter o equilíbrio entre sistemas de computador complexos e práticas corretas 
de negócios, os empregadores estão de olho na tecnologia da informação empresarial 
sólida.
A TI de negócios apoia as empresas em um sistema de hardware, software, sistema e 
todas as mudanças nos procedimentos. Com o gerenciamento de tecnologia adequado, 
atender mais aos clientes se tornará muito fácil, pois ajuda a aumentar o engajamento 
dos funcionários, dá acesso às informações e oferece flexibilidade na resposta aos 
desafios do negócio.
3.4 Qual é a importância da Tecnologia da Informação?
A tecnologia da informação ajuda a construir e fazer crescer o comércio e o setor 
empresarial e a gerar o máximo de produção possível. O tempo que os diferentes 
setores levam para gerar negócios agora é minimizado com o avanço da Tecnologia 
da Informação. Ele fornece segurança eletrônica, armazenamento e comunicação 
eficiente.
Para realizar o trabalho, a tecnologia da informação precisa de aplicativos de 
computador. Os computadores conectam a TI às diferentes organizações do mundo. 
Ele ajuda os funcionários a manter registros de seus inúmeros clientes de várias 
empresas. Ele ajuda os pacientes a entrar em contato com médicos on-line e receber 
conselhos sobre seus problemas de saúde. Além disso, os registros dos pacientes 
podem ser gerenciados adequadamente pelo sistema. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 31
Fonte: https://pixabay.com/pt/illustrations/sistemas-de-%c3%adcones-3334262/
Para coletar informações, programação/codificação, conversão de dados, 
recuperação e armazenamento de comunicações de dados, a análise do sistema é 
usada. Mesmo o setor de educação mudou drasticamente com a chegada da Tecnologia 
da Informação. Para administrar os negócios da maneira certa e gerar os resultados 
esperados, computadores, softwares e a internet ajudam muito.
As empresas agora estão tendo os cofres virtuais, que é uma nova forma de sistema 
de armazenamento que permite aos usuários manter ou retirar seus documentos. 
O departamento de TI está fornecendo um sistema de comunicação forte para se 
comunicar de forma eficaz.
Por outro lado, o uso de computadores e da internet aumenta a qualidade da 
educação. O método pedagógico de ensino e aprendizagem vem se aprimorando 
e a TI contribui para melhorar os sistemas escolares, as atividades dos alunos e as 
práticas de ensino.
Os alunos estão mais abertos para aprender com tecnologias modernas e focam 
mais no ensino online. Seus métodos de aprendizagem dependem da interação ao 
vivo com os professores e aulas especiais para crianças especiais.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 32
Os alunos não são obrigados a usar o mesmo e velho método tradicional de 
aprendizagem. E tudo isso possibilitado pela introdução da Tecnologia da Informação 
no campo da educação e a importância da tecnologia pode ser percebida.
A aura da tecnologia da informação pode ser vista em quase todos os campos, 
incluindo trabalho, aprendizado, lazer e saúde. Dos ministérios às salas de aula, todos 
os setores usam a TI para obter os melhores resultados.
Os médicos também usam a tecnologia da informação para verificar entradas de 
registro, histórico do paciente e sua dose prescrita para se mover de acordo. O uso 
da tecnologia da informação também pode ser visto na agricultura e para aumentar a 
produtividade. Os satélites estão conectados com a agricultura para prever monções 
e smog. Por meio da tecnologia de drones, é possível coletar dados em massa, 
levantamento de terras, uso de pesticidas, plantio de sementes, irrigação de água e 
uso de fertilizantes.
3.5 Usos da Tecnologia da Informação.
Podemos ver os usos e o papel da tecnologia da informação em nossa sociedade 
em muitos campos:
O negócio
Desde a chegada dos computadores, toda a face do mundo dos negócios 
mudou. Para executar os diferentes departamentos de negócios com agilidade, o 
uso da Tecnologia da Informação é importante e é possível com computadores e 
softwares. O uso da tecnologia da informação pode ser visto em departamentos 
como finanças, recursos humanos, manufatura e segurança. O papel da TI não 
pode ser ignorado.
Educação
A tecnologia permite que os professores estejam atualizados com as novas técnicas 
e ajudem seus alunos a se atualizarem com as tecnologias mais recentes, como o 
uso de tablets, telefones celulares, computadores, etc. na educação. A tecnologia da 
informação não apenas ajuda os alunos a aprender coisas novas, mas também ajuda 
os alunos que abandonaram a faculdade.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 33
Finança
A Tecnologia da Informação abre as portas para comerciantes e pessoas comuns 
fazerem compras online. Os bancos mantêm registros de todas as transações e 
contas por meio de computadores. Ao contrário de antes, agora as transações e 
outros negócios se tornaram maisrápidos e fáceis.
Assistência médica
Com a Tecnologia da Informação, o campo da medicina e da saúde vem 
experimentando enormes melhorias. Para os médicos, enviar e receber informações, 
verificar pacientes e discutir com outros especialistas se tornaram muito convenientes. 
Além disso, reduz o tempo gasto na papelada.
Segurança
As transações on-line e a manutenção de registros de todas as transações 
on-line agora são mais seguras do que antes. Somente uma gestão adequada e 
uma pessoa responsável pelo sistema podem acessar os dados online. Ele proíbe 
qualquer pessoa aleatória de verificar os detalhes. Tudo isso foi possível mantendo 
as senhas do sistema à prova. Somente a autoridade permitida pode acessar suas 
informações.
Comunicação
Com as melhorias na tecnologia da informação, a globalização aumentou. O mundo 
se aproxima e a economia mundial está rapidamente se tornando um único sistema 
interdependente. As informações podem ser compartilhadas rápida e facilmente de 
todo o mundo, e as barreiras linguísticas e geográficas podem ser derrubadas à medida 
que as pessoas compartilham ideias e informações entre si.
Emprego
Com a Tecnologia da Informação, novos empregos foram introduzidos. Ele cria novos 
empregos para programadores, desenvolvedores de hardware e software, analisadores 
de sistemas, web designers e muitos outros. A Tecnologia da Informação abriu campos 
totalmente novos e milhares de empregos para profissionais de TI.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 34
3.6 Benefícios da Tecnologia da Informação.
A tecnologia da informação mudou drasticamente nossas vidas. Você está a apenas 
um clique de distância de tudo. Então aqui está uma lista dos benefícios da tecnologia 
da informação em nossas vidas e também há uma necessidade da Tecnologia da 
Informação em todos os campos.
1. Com o avanço da TI, é possível acessar o sistema da empresa de qualquer lugar. 
Não é necessário que a autoridade esteja apenas no escritório. Eles também 
podem enviar seus trabalhos de casa. O fácil acesso ao sistema certamente 
aumentou a produtividade sem a presença física da pessoa no escritório.
2. Há uma grande demanda por profissionais de TI em diversas áreas. A demanda 
abre uma imensa oportunidade para os profissionais de TI explorarem o campo 
e mostrarem seu talento. O campo de TI oferece pessoas para trabalhar em 
programação de computadores, análise de sistemas, testes, desenvolvimento 
de software e hardware, design de aplicativos da web etc.
3. Com o avanço da tecnologia da informação, o campo da educação transformou 
seu olhar e adotou uma forma moderna de ensinar e aprender. Ensinar no 
quadro-negro agora é uma coisa antiga. Professores e instituições estão usando 
aparelhos modernos para ensinar seus alunos. Um computador com conexão 
à internet ajuda os alunos a aprender coisas novas e entender os tópicos de 
forma fácil e profunda.
4. A tecnologia da informação também ajuda os pacientes. Eles agora podem 
se conectar com médicos e receber conselhos on-line. Além disso, há muitos 
aplicativos virtuais de saúde disponíveis para fornecer orientação. Registros 
eletrônicos de saúde e telemedicina estão proporcionando saúde eficiente e de 
qualidade aos pacientes.
5. No mundo da tecnologia, com a tecnologia da informação, a desvantagem do 
tempo e da distância nas atividades empresariais foi eliminada. Agora, comprar 
e vender é muito fácil. Os clientes podem comprar on-line de seus fornecedores 
locais e internacionais também.
6. Com os meios de comunicação sem fio, as transmissões de notícias se tornaram 
muito mais fáceis. Apenas alguns segundos são necessários para saber as 
notícias de qualquer canto do mundo.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 35
7. O uso da internet em celulares, tablets, laptops, iPods e outros gadgets tem 
no oferecido acesso ilimitado a meios de entretenimento. As pessoas podem 
assistir a filmes ou novas músicas nas plataformas OTT.
8. Com a tecnologia da informação, a comunicação entre as pessoas tornou-se 
mais barata, fácil e rápida do que nunca. Enviar mensagens de texto, chamadas 
de vídeo, enviar e-mails são tão fáceis hoje em dia. Existem muitos aplicativos 
disponíveis on-line para fornecer esses serviços.
Com a Tecnologia da Informação, vimos e entendemos o significado da globalização. 
Hoje, o mundo está em uma plataforma e não há barreiras físicas entre as nações. 
As pessoas são agora cidadãos “globais”.
Então é isso caro(a) aluno(a), chegamos ao final do nosso capítulo onde 
compreendemos a importância de sistemas de informações em diversos contextos. 
Verificamos os principais pontos envolvidos na concepção e contribuição destes 
sistemas para apoio ao processo decisório diário das organizações.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 36
CAPÍTULO 4
SIMULAÇÃO SOFTWARE ARENA
Fonte: https://pixabay.com/pt/photos/desenvolvedor-de-software-6521720/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 4 onde trataremos sobre o 
software arena. Durante nossa aula vamos compreender as principais características 
deste software de grande importância para o processo de simulação. Vamos lá?
4.1 Conhecendo o software Arena
Arena é um pacote de software que é baseado e inclui a linguagem de simulação 
SIMAN. O Arena fornece modelos intercambiáveis de módulos de modelagem e análise 
de simulação gráfica que podem ser usados para construir uma ampla gama de 
modelos de simulação. Os módulos são normalmente agrupados em painéis. Ao alternar 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 37
os painéis, você obtém acesso a um conjunto diferente de construções e recursos de 
modelagem. Na maioria dos casos, módulos de painéis diferentes podem ser usados 
no mesmo modelo de simulação (Fig 1).
Fig 1: Software arena
Fonte: O autor (2022)
Vamos ver agora quais são os componentes do software arena:
Entidades
Entidades são os objetos dinâmicos em uma simulação. Eles são criados pelo 
analista, circulam e são descartados à medida que saem do sistema. Também é possível 
ter entidades que nunca saem do sistema, continuam circulando dentro do sistema. 
Todas as entidades são criadas pelo analista ou automaticamente pelo software Arena.
A maioria das entidades representa coisas reais em uma simulação. Você pode 
ter diferentes tipos de entidades no modelo, como diferentes tipos de peças, cada 
uma possivelmente exigindo diferentes tempos de processamento e rotas, talvez com 
diferentes prioridades dentro do sistema.
Você pode adicionar entidades “falsas” que não pertencem a nada tangível, mas 
sim contabilizam certas operações de modelagem, como criar um “detalhamento” 
para modelar falhas de máquina. Alternativamente, você pode adicionar entidades de 
“pausa” que chegam periodicamente para tirar um servidor de serviço.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 38
Determinar quais são suas entidades é uma das primeiras coisas que o analista 
deve fazer na construção de um modelo de simulação (Fig. 2).
Fig 2: Software arena
Fonte: O autor (2022)
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 39
Variáveis
Uma variável (também conhecida como variável global) é uma variável que reflete 
uma característica do sistema, independentemente do número ou dos tipos de entidades 
que podem estar em seu modelo. Com variáveis globais, o valor da variável pode mudar 
durante a execução da simulação. Por exemplo, uma variável pode representar algo 
que muda durante a simulação, como o número de peças retrabalhadas que passam 
por um processo de retrabalho ou o número de unidades concluídas que saem do 
sistema, que é incrementado por uma peça quando entra na área e diminui quando 
sai da área.
Enquanto o analista podeter muitas variáveis diferentes em um modelo, cada 
variável é única. O Arena tem dois tipos de variáveis: variáveis internas do Arena (como 
número de peças na fila, hora do relógio da simulação atual, status de uma máquina 
(ocupada ou ociosa), etc.) e variáveis definidas pelo usuário (como tempo médio de 
processamento, taxas de utilização, custo do trabalho, lucro líquido, etc.). Ao contrário 
dos atributos, uma variável não está vinculada a nenhuma entidade específica, mas 
pertence ao sistema como um todo. Uma variável é acessível por todas as entidades, 
e o valor de uma variável pode ser alterado por qualquer entidade.
Recursos
As entidades geralmente competem por serviços de recursos, como pessoal, 
máquinas, equipamentos ou espaço em uma área de armazenamento. Na vida cotidiana, 
um recurso, como um trabalhador, apreende uma entidade, realiza alguma atividade 
e depois libera a entidade para a próxima operação quando terminada. Porém, no 
mundo Arena, é a entidade que apreende um recurso, realiza alguma atividade, e então 
a entidade libera o recurso quando finalizado.
Um recurso pode representar um grupo de vários servidores individuais, cada um 
dos quais é referido como uma unidade desse recurso. Um exemplo seria vários 
funcionários de cobrança “paralelos” idênticos em uma companhia de seguros de saúde. 
O número de unidades disponíveis do recurso pode ser alterado durante a simulação 
para representar diferentes turnos de trabalho, intervalos, etc. Se um recurso tiver 
várias unidades ou um número variável de unidades, a utilização do recurso será o 
número médio de tempo de unidades do recurso que estão ocupadas divididas pelo 
número médio de unidades do recurso que estão disponíveis.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 40
Filas
O objetivo de uma fila é manter uma entidade que precisa capturar um recurso em 
uma área de espera temporária, mas o recurso está atualmente vinculado a outra 
entidade. Todas as filas têm nomes e os nomes geralmente são o nome do processo 
seguido por um .queue, como Assembly.queue. As filas podem assumir qualquer uma 
das quatro regras de prioridade diferentes: primeiro a entrar, primeiro a sair; último 
a entrar, primeiro a sair, valor de atributo mais baixo e valor de atributo mais alto. O 
analista selecionaria a regra de prioridade apropriada no módulo de dados da fila (Fig. 3).
Fig 3: Software arena
Fonte: O autor (2022)
Acumuladores estatísticos
À medida que a simulação avança, o Arena acompanha vários acumuladores 
estatísticos intermediários, como o número de peças produzidas até o momento, o 
total de tempos de espera na fila até o momento, o tempo total no sistema por todas 
as peças que saíram do sistema até o momento. longe, e assim por diante. Todos os 
acumuladores devem ser inicializados em 0 no início da simulação. Isso é feito indo 
para Run > Setup > Replication Parameters e, em seguida, marcando as caixas para 
Statistics e System sob o título Initialize Between Replications. Se o analista estiver 
executando uma replicação ou várias replicações, isso define o valor dos acumuladores 
estatísticos de volta para zero para cada replicação.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 41
Fig 4: Software arena
Fonte: O autor (2022)
Eventos
Um evento é algo que acontece em um instante de tempo simulado que pode alterar 
atributos, variáveis ou acumuladores estatísticos. Exemplos de eventos incluem: 1) a 
chegada de uma nova peça que entra no sistema; 2) a Partida de uma peça que sai do 
sistema, e 3) uma Condição de Término, como o fim da execução da simulação. Outro 
exemplo é quando uma peça sai de uma fila e entra em um centro de máquina para 
processamento. Isso só ocorre se o centro da máquina estiver vazio no momento ou 
quando uma peça anterior tiver concluído o processamento nesse centro da máquina 
e sair da máquina, permitindo assim que a próxima peça na fila a substitua no centro 
da máquina.
O Arena acompanha os eventos que devem acontecer no recurso simulado em um 
calendário de eventos. Quando o modelo é executado, um registro de informações 
referentes a um evento futuro é colocado no calendário de eventos. O registro do 
evento contém informações sobre a entidade envolvida, o horário do evento e o tipo 
de evento que será. O Arena armazena cada evento recém-agendado no calendário de 
eventos para que o próximo evento fique no topo do calendário de eventos. Quando é 
hora de executar o próximo evento, o registro superior é removido do calendário e as 
informações neste registro de evento são usadas para executar a lógica apropriada. 
Em seguida, o próximo evento agendado passa para o topo do calendário de eventos. 
Essa sequência de ação do evento é repetida até o final da execução da simulação.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 42
Relógio de simulação
A variável chamada de relógio de simulação armazena o valor atual do tempo 
simulado durante a execução da simulação. O relógio de simulação no Arena não 
acompanha o tempo real quando nada muda entre os eventos. Em vez disso, o tempo 
simulado avança da hora de um evento para a hora em que o próximo evento está 
programado para acontecer. Como cada evento é executado depende do tipo de evento 
e do estado do modelo naquele momento, mas pode incluir a atualização de variáveis 
e acumuladores estatísticos, alteração de atributos de entidade, remoção do evento de 
topo no calendário de eventos e colocação de novos registros de eventos agendados 
no calendário de eventos.
Por outro lado, a navegabilidade do arena é simples e intuitiva. É divida em algumas 
partes, como veremos agora:
Barras de ferramentas
A seção Barra de Ferramentas da Janela Arena consiste em vários modelos que 
podem ser adicionados ou excluídos. O primeiro modelo consiste nos ícones familiares 
dos sistemas operacionais Microsoft. Esses ícones incluem Criar um novo documento, 
Abrir pasta, Salvar e assim por diante. À direita deste modelo há um modelo com 
recursos que seriam vistos em equipamentos de mídia, como Ir ou Executar, Avançar, 
Velocidade Turbo, Retroceder e Parar ou Terminar. Na segunda linha, encontramos 
diferentes formas que podemos copiar/colar em nosso modelo. Algumas formas, como 
Quadrado, Chamada e Elipse, podem ser ampliadas ou reduzidas arrastando um canto 
da forma. Além disso, a cor dessas formas pode mudar clicando no ícone Paint Can, 
que abre uma paleta de cores e, em seguida, você pode selecionar a cor desejada. Ao 
clicar com o botão direito do mouse na forma, o analista tem a opção de colocá-la 
na frente ou atrás dos módulos. Você clicaria com o botão esquerdo do mouse na 
opção desejada e posicionaria a forma onde deseja em seu modelo. Outros modelos 
podem ser adicionados conforme desejado, como Animate Transfer ou Transporter. 
Para adicionar outros modelos à barra de ferramentas, mova o cursor para qualquer 
lugar na faixa da barra de ferramentas, clique com o botão direito do mouse para abrir 
um menu suspenso e clique com o botão esquerdo no modelo que deseja adicionar.
Fig 5: Software arena
Fonte: O autor (2022)
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 43
Barra do Projeto
A Barra de Projeto exibe diferentes Painéis no lado esquerdo da Janela da Arena. 
Ela pode ser movida para o lado direito da Janela da Arena, se desejado, mas a Barra 
de Projeto normalmente é mantida visível durante a construção do seu modelo. Se 
você deseja ocultar a Barra de Projetos,
Na Barra do Projeto, observamos painéis para Processo Básico, Estatísticas, 
Transferência Avançada, Processo Avançado, Processo de Fluxo, Empacotamento, 
Relatórios e Navegação. Dentro de cada painel, reside uma série de módulos e módulos 
de dados, cada um com sua função específica.
O painel Processo Básico consiste em módulos como Criar, Descartar, Atribuir,Processar, Lote, Separar e Gravar. Os módulos do painel Processo Básico são usados 
para novas peças ou pessoas que entram no sistema, para vários processos no sistema 
e para atribuir valores para atributos e variáveis, para citar alguns.
O painel Transferência avançada consiste em módulos como Station, Route, Convey, 
Access, Exit, Request, Transport e Free, para citar alguns. O painel Transferência 
Avançada é usado quando queremos animar nosso modelo e se desejamos incluir 
equipamentos de manuseio de materiais, como transportadores ou empilhadeiras 
para transportar materiais.
O painel Processo Avançado consiste em módulos como Match, Hold, Seize, Store 
e Unstore, para citar alguns. O painel Processo Avançado é usado para combinar 
diferentes peças em um kit e para segurar, apreender, armazenar ou não armazenar 
entidades durante uma execução de simulação.
O painel Relatórios exibirá outro painel contendo um roteiro para os resultados da 
simulação depois que o modelo for executado até a conclusão. Clique neste painel 
para torná-lo visível. Clique em qualquer outro painel para torná-lo visível novamente.
O painel Navegar permite exibir diferentes visualizações de um modelo, incluindo 
diferentes submodelos em um modelo hierárquico.
Então é isso, caro(a) aluno(a). Nesta aula vimos fatores fundamentais do software 
arena que serão importantes para a sequência de conteúdos que virão a seguir.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 44
CAPÍTULO 5
PROGRAMAÇÃO LINEAR
Fonte: https://pixabay.com/pt/illustrations/setas-flechas-growth-hacking-1969944/
Olá, caro(a) aluno(a), bem-vindo(a) ao nosso capítulo 5 onde trataremos sobre 
programação linear. Aqui vamos compreender como acontece a construção de um 
modelo de programação linear tão importante para diversos problemas envolvidos 
na engenharia de produção. Vamos lá?
5.1 Programação linear
Os avanços na pesquisa de negócios e engenharia e na tecnologia da computação 
expandiram o uso de modelos matemáticos pelos gerentes. Analisar e manipular o 
modelo dá uma visão de como o sistema real se comporta sob várias condições. A 
partir disso, determinamos o melhor projeto de sistema ou ação a ser tomada.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 45
Modelos matemáticos são mais baratos, mais rápidos e mais seguros do que 
construir e manipular sistemas reais. Suponha que queremos encontrar a mistura 
de papel reciclado para usar na produção de um tipo de papelão que minimize o 
custo. Uma empresa poderia experimentar várias combinações diferentes, verificar a 
qualidade e calcular o custo. Se todas as combinações possíveis não forem tentadas, 
a combinação ótima provavelmente não será encontrada. Alternativamente, usando 
um modelo matemático, avaliamos todas as combinações possíveis para encontrar 
aquela que satisfaça as especificações do produto pelo menor preço. A modelagem 
matemática é mais rápida e menos dispendiosa do que usar a abordagem de tentativa 
e erro.
Localização da instalação, roteamento e programação de veículos, pessoal, máquina 
e problemas de programação de trabalhos, mix de produtos e gerenciamento de estoque 
são formulados com modelos de otimização restritos. Modelos de otimização restrita 
são modelos matemáticos que encontram a melhor solução em relação a algum 
critério de avaliação de um conjunto de soluções alternativas. Essas soluções são 
definidas por um conjunto de restrições matemáticas – desigualdades ou igualdades 
matemáticas.
A programação linear (PL) é uma das maneiras mais simples de realizar a otimização. 
Ele ajuda a resolver alguns problemas de otimização complexos fazendo algumas 
suposições simplificadoras. Como analista, você certamente encontrará aplicativos 
e problemas a serem resolvidos pela Programação Linear.
Agora, o que é programação linear? A programação linear é uma técnica simples 
em que descrevemos relacionamentos complexos por meio de funções lineares e, 
em seguida, encontramos os pontos ótimos. A palavra importante na frase anterior é 
descrita. Os relacionamentos reais podem ser muito mais complexos – mas podemos 
simplificá-los para relacionamentos lineares.
As aplicações de programação linear estão por toda parte ao seu redor. Você usa 
programação linear em frentes pessoais e profissionais. Você está usando programação 
linear quando está dirigindo de casa para o trabalho e deseja seguir o caminho mais 
curto. Ou quando você tem uma entrega de projeto você faz estratégias para fazer 
sua equipe trabalhar de forma eficiente para entrega no prazo (Figura 1).
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 46
Figura 1: Modelo de programação linear
Fonte: https://www.geogebra.org/m/aYRQGJgZ
Todo problema de programação linear detém de componentes que permitem a sua 
formulação. Vamos compreender cada um destes:
Variáveis de Decisão: As variáveis de decisão são as variáveis que decidirão minha 
saída. Eles representam minha solução final. Para resolver qualquer problema, primeiro 
precisamos identificar as variáveis de decisão. Para o exemplo acima, o número total 
de unidades para A e B denotadas por X e Y respectivamente são minhas variáveis 
de decisão.
Função Objetivo: É definida como o objetivo de tomar decisões. No exemplo acima, 
a empresa deseja aumentar o lucro total representado por Z. Então, o lucro é minha 
função objetivo.
Restrições: As restrições são as restrições ou limitações das variáveis de decisão. 
Eles geralmente limitam o valor das variáveis de decisão. 
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 47
Restrição de não negatividade: Para todos os programas lineares, as variáveis de 
decisão devem sempre assumir valores não negativos. Isso significa que os valores 
das variáveis de decisão devem ser maiores ou iguais a 0.
Vejamos como seria a formulação de um modelo de programação linear a partir 
de um exemplo.
Neste exemplo temos uma padaria que produz dois tipos de produtos: pão e bolacha. 
O pão é vendido a 1 real a unidade e a bolacha vendida a 2 reais a unidade. A mesma 
deseja saber quanto deve produzir de pão e bolacha para que atinja o lucro máximo. 
A padaria possui no máximo 30 litros de leite e no máximo 10 quilos de manteiga. O 
pão leva 2 litros de leite e a bolacha 5 litros de leite. Já o pão leva 2 quilos de manteiga 
e a bolacha leva 3 quilos de manteiga.
A partir desses exemplos conseguimos identificar os componentes presentes na 
programação linear. 
O primeiro é a função objetivo, onde há dois produtos (pão e bolacha). Chamaremos 
a primeira de x1 e a segunda de x2, logo:
MAX Z = x1 + 2x2 (o problema é de maximização, uma vez que desejamos saber 
o lucro máximo e temos duas variáveis de decisões, onde a primeira é vendida por 1 
real e a segunda é vendida por 2 reais)
O segundo são as restrições. Neste problema tem-se duas restrições, onde há no 
máximo 30 litros de leite e no máximo 10 quilos de manteiga. Lembrado que x1 consome 
2 litros de leite e x2 consome 5 litros de leite. X1 consome 2 quilos de manteiga e 
x2 consome 3 quilos de manteiga. Transformando em notação matemática, temos:
2x1 + 5x2 =0 (restrição de não negatividade.
MODELAGEM, ANÁLISE E 
SIMULAÇÃO DE SISTEMAS
PROF. JEAN TURET
FACULDADE CATÓLICA PAULISTA | 48
Há duas formas para resolver um problema de programação linear. O primeiro pelo 
método gráfico e o segundo pelo SIMPLEX.
Fonte: https://pixabay.com/pt/vectors/gr%c3%a1fico-estoque-baixa-colidir-36929/
Com métodos gráficos, qualquer problema de programação de otimização consistindo 
em apenas duas variáveis pode ser facilmente resolvido. Essas variáveis podem ser 
referidas como x₁ e x₂ e com a ajuda dessas variáveis, a maior parte da análise 
pode ser feita em um gráfico bidimensional.

Mais conteúdos dessa disciplina