You are on page 1of 8

III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

Simulação do atendimento dos caixas em agências bancárias

Carlos Guilherme Batista da Silva (UFV)


Marcílio Bhering Magalhães (UFV)
Einstein Almeida Maciel (UFV) einstein_maciel@yahoo.com.br
Danielle Dias Sant´Anna Martins

Resumo
No presente trabalho foi realizada a modelagem das filas de espera para o atendimento nos
caixas da agência bancário do Banco do Brasil localizada no centro da cidade de Viçosa-
MG. A ferramenta escolhida para o estudo do atendimento dos caixas foi a simulação. Os
dados dos intervalos entre as chegadas dos clientes e dos tempos de atendimento dos caixas
foram coletados no sistema real, e suas distribuições de probabilidade foram ajustadas para
serem utilizadas no modelo de simulação. Utilizou-se o software Arena (na versão
demonstrativa para a realização do trabalho, pois o mesmo é de fácil acesso aos estudantes
universitários. Com a análise dos resultados chegou-se a conclusão de que o sistema
utilizado atualmente atende às necessidades dos clientes, exceto nos dias inicias do mês, nos
quais a chegada de clientes é mais intensa e há a formação de filas maiores, elevando
conseqüentemente o tempo dos usuários no sistema. Visando uma melhoria do sistema foram
apresentadas algumas sugestões como, a inclusão de um novo atendente durante o horário
crítico de funcionamento da agência bancária.
Palavras-chave: Modelagem de filas, Simulação, Arena

1. Introdução
A teoria das filas é uma das áreas tratada pela pesquisa operacional que tem uma das mais
amplas aplicações possíveis. Inúmeros tipos de negócios, tais como hospitais, escolas,
indústrias e agências bancárias enfrentam problemas relacionados a filas. Na realidade, de
acordo com KELTON (2002), a abordagem matemática das filas teve início em 1908, quando
A. K. Erlang, na época trabalhando em uma companhia telefônica, estava estudando o
redimensionamento das centrais telefônicas. Desde a década de 60, a modelagem de sistemas
de filas como os citados anteriormente passaram a serem feitas pela ótica da simulação, na
qual se tenta imitar o funcionamento de um sistema real. A partir da década de 80, a criação
da técnica de simulação visual culminou em difundir ainda mais esta prática, pois possibilitou
a diminuição da complexidade do processo de simulação e sua utilização em computadores
pessoais (SHIMIZU, 1984). Softwares que utilizam linguagem de simulação como o Arena e
o Promodel, vêm sendo cada vez mais utilizados.
Nos dias de hoje, clientes e consumidores procuram por produtos e serviços que sejam
capazes de atender aos seus níveis de exigência cada vez maiores, pois as pessoas estão se
conscientizando de que são um elo fundamental em qualquer cadeia produtiva, e por isso tem
direito a almejar produtos e serviços de qualidade (FREITAS, 2001). Isto gera uma busca
incessante das empresas por novos processos, métodos e características que proporcionem a
elas atender e satisfazer a estas necessidades de seus clientes. Sendo assim, empresas de
prestação de serviços, como é o caso dos Bancos, visam melhorar o nível do atendimento aos
clientes, como forma de obter diferenciação frente ao consumidor.

1
III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

Neste contexto, as filas de espera têm grande importância, pois de acordo com PRADO
(1999) são frequentemente, o primeiro contato do consumidor com a empresa, e devido à sua
natureza, podem afetar gravemente o nível de satisfação do cliente. Nas agências bancárias, o
atendimento está diretamente ligado às filas, pois os clientes devem passar por elas antes de
serem atendidos nos caixas. Se o sistema de atendimento é mal planejado, a fila tende a
crescer continuamente, e o tempo de espera para o atendimento, tende aumentar. Esse tempo
de espera excessivo pode acarretar em sérios danos para a imagem da empresa, pois quando o
cliente “enfrenta” esta fila, ele irá inevitavelmente comparar o desempenho desta fila com a
de outras agências bancárias. Dependendo do resultado de sua comparação, ele pode passar a
utilizar menos os serviços daquela agência ou até mesmo transferir sua conta para uma outra
agência.
Além dos danos a imagem da agência, as filas podem acarretar ainda outros custos, como
aqueles provenientes dos custos de oportunidade (ADEMAR, 1997). Estes custos de
oportunidade são, no caso, referentes ao encerramento de contas, diminuição do número de
contas abertas e de transações financeiras realizadas, etc. Junta-se a isso o fato de que em
algumas cidades do Brasil existem leis que regulamentam o tempo máximo que um cliente
pode permanecer na fila, o que pode implicar em multas para a empresa no caso do
descumprimento desta lei.
Sendo assim, percebe-se que o tempo de espera nas filas é um problema de alta relevância
para as agências bancárias, o que justifica um estudo para buscar obter uma solução que
satisfaça aos clientes e ao mesmo tempo não seja excessivamente onerosa para as agência
bancárias.

2. Objetivos
O objetivo geral do trabalho é contribuir com o setor de serviços, em específico agências
bancárias, através de um estudo de caso, exemplificando e sugerindo ações de melhoria para o
atendimento aos clientes. Os objetivos específicos são:
- Estudar a teoria das filas aplicada à simulação através de um estudo de caso;
- Otimizar o tempo médio de atendimento dos caixas;
- Encontrar um número de atendentes (caixas) próximo do ótimo

3. Materiais e métodos
Para tentar retratar o funcionamento da agência bancária em análise, utilizou-se o software de
simulação Arena, definindo-se as variáveis de maior importância para o estudo. Foi realizado
um estudo de caso em uma agência bancária do Banco do Brasil, localizada no centro da
cidade de Viçosa/MG, simulando-se algumas situações em que as filas de clientes são
formadas, como a variação no número de atendentes, na taxa de chegada dos clientes nas filas
e na taxa de atendimento dos caixas.
Os dados foram coletados na agência bancária por intermédio de observações sobre o
comportamento das filas dos caixas, em diversas situações do cotidiano. Após serem
coletados, os dados foram lançados em duas ferramentas do software Arena, o Input Analyser
e o Output Analyser, para organização, tratamento, validação e geração de informações. Feito
isso, obteve-se um relatório com os resultados, que serão analisados e discutidos no decorrer
do trabalho.

2
III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

Com base no conhecimento da teoria das filas, foram obtidas as conclusões sobre o estudo,
possibilitando a formulação de propostas para melhoria do processo de atendimento.

3.1. Coleta de dados na agência bancária


Após a conclusão do modelo conceitual, é necessário que se realize uma coleta de dados para
alimentar o modelo com dados descritivos correspondentes aos processos do sistema
modelado. O método utilizado para a coleta de dados foi aquele em que os analistas se faziam
presentes no sistema e realizavam a cronometragem e anotação dos tempos envolvidos no
processo. Para facilitar a coleta de dados, desenvolveu-se um plano de coleta e processamento
dos dados, dividindo o sistema em duas partes, com a finalidade de se obter as informações
relevantes ao processo. Os processos foram analisados separadamente, como processo de
chegada ao sistema e processo de atendimento dos usuários. Para a coleta utilizou-se uma
planilha para anotação dos dados coletados, relógio e cronômetros. Os respectivos planos de
coleta estão descritos abaixo:
- Chegadas ao sistema: De acordo com as fontes pesquisadas sobre teoria das filas, geralmente
as chegadas de usuários ao sistema comportam-se segundo uma distribuição exponencial.
considerando-se que os dados de chegada dos clientes na agência bancária seguem esta
distribuição, é necessário que sejam coletados os dados de intervalo de tempo entre as
respectivas chegadas. Para isto, o método utilizado foi o de coletar os tempos de chegada na
fila de cada um dos clientes. Com o auxílio de uma planilha eletrônica, foi realizado o cálculo
para a obtenção dos intervalos de chegadas entre cada cliente da agência bancária;
- Atendimento dos caixas: Para o atendimento dos caixas, a coleta de dados foi realizada
obtendo o tempo gasto por cada cliente do banco neste processo. Para isto, foram utilizados
cronômetros para a coleta dos tempos e planilhas eletrônicas para conversão dos dados para
uma mesma unidade, segundos.
Os dados, tanto para as chegadas ao sistema quanto para o atendimento dos caixas, foram
coletados pelos autores do trabalho nos dias 02, 04, 05, 09, 10, 12, 13, 16, 19, 20, 24 e 27 de
Maio de 2005. Estes dias foram escolhidos aleatoriamente para que quaisquer tipos de
tendências pudessem ser eliminadas dos dados. Foram feitas variações também no horário de
coleta dos dados, que foram divididas em três faixas: das 10h às 11h 30min, das 11h 30min às
13h e das 13h às 15h, visto que foi observado que a taxa de chegada varia significativamente
ao longo do dia, além de ocorrer a redução do número de atendentes, de três para dois, no
horário de almoço.

3.2. O modelo conceitual da agência bancária


Para possibilitar a obtenção de um modelo de simulação que se assemelhe ao máximo ao
sistema real, é importante a busca pelo maior número possível de informações a respeito do
funcionamento, da lógica e dos recursos envolvidos em uma agência bancária. Para ser
realizada a modelagem do atendimento dos caixas da agência, utilizou-se a experiência como
usuário e a observação como modelador. Como usuário, o sistema seria descrito da seguinte
forma:
- Chegadas à fila: os usuários chegam à agencia bancária e vão diretamente para a fila, onde
aguardam até serem chamados pelos atendentes do caixa;
- Postos de atendimento dos caixas: dois ou três postos de atendimento servem os usuários,
realizando o mesmo tipo de atendimento;

3
III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

- Saída do setor de atendimento dos caixas: após ser atendido, o usuário dirige-se à saída do
setor de atendimento dos caixas para deixar a agência bancária ou para ser atendido em outro
setor.
A figura 1 abaixo representa graficamente o modelo conceitual do sistema de atendimento dos
caixas na agência do Banco do Brasil em estudo:

Figura 1 - Modelo conceitual do sistema de atendimento dos caixas da agência do Banco do Brasil.
O modelo possui algumas aproximações para facilitar a modelagem. Estas podem ser assim
explicadas:
- Chegadas à fila: foram consideradas chegadas ao sistema segundo a distribuição
exponencial, com médias variando de acordo com os respectivos intervalos de tempo
considerados no presente trabalho (10h às 11h 30min, 11h 30min às 13h e 13h às 15h). A
população foi considerada infinita;
- Postos de atendimento dos caixas: foi considerado que a situação atual do atendimento é de
dois caixas no horário de almoço (11h 30min às 13h), onde três caixas se revezam no
cumprirem dessa exigência. Nos demais horários de atendimento (10h às 11h 30min e 13h às
15h), os três caixas funcionam simultaneamente;
- Saída do setor de atendimento dos caixas: o sistema foi considerado até o momento em que
o usuário acaba de ser atendido pelo caixa, pelo fato de que a partir deste momento outro
usuário deixa a fila para ocupar o atendente que se encontrava momentaneamente ocioso e
também pelo fato de que o tempo que o usuário gasta até a saída da agência bancária seja
irrelevante para o estudo.
Como o modelo proposto ainda não está validado, ele não pode ser utilizado como a
representação do sistema real. A validação do modelo é obtida após a coleta dos dados
pertinentes, como a taxa de chegada, o intervalo entre chegadas e o tempo de atendimento.

3.3. Análise estatística dos dados


Após a coleta e organização dos dados, foi realizada uma análise estatística dos mesmos, com
o auxílio da ferramenta Input Analyser do software Arena. Segundo Freitas (2001), o Input
Analyser tem a função de auxiliar o analista na tarefa de tratamento dos dados brutos,
identificação das distribuições de probabilidade dos dados e estimação de seus parâmetros.
Com isso obtém-se informações mais confiáveis para serem implantadas no Arena.
O Input Analyser utiliza o erro quadrado de ajuste e a estatística “corresponding pvalue” para
promover uma melhor análise do ajuste entre as distribuições. O primeiro é usado para
indexar a ordem das distribuições ajustadas, e o segundo, de acordo com KELTON (2002), é
a probabilidade de se obter um novo conjunto de dados que seja mais inconsistente do que o
conjunto atualmente usado. Portanto, se obtivermos um elevado valor de p-value, há uma alta
probabilidade de a distribuição sugerida ser a verdadeira distribuição para os respectivos
dados em análise. Dessa forma, os analistas devem rejeitar valores de p-value inferiores a 0,05
e buscar os maiores valores para esta estatística.

4
III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

A ferramenta Input Analyser foi utilizada para processar os dados coletados na agência
bancária do Banco do Brasil, fornecendo os relatórios contendo as estatísticas citadas no texto
acima, além de outras estatísticas descritivas, como valores de máximo e mínimo, média,
desvio-padrão, entre outras, auxiliando os analistas na solução do problema em questão.

3.4. Implementação no Arena


A técnica utilizada pelo Arena para montar qualquer modelo é a programação visual, em que
o fluxo do sistema é criado na tela do computador na forma de um diagrama de blocos, que
correspondem à ocorrência de eventos a um cliente genérico que flui pelo sistema sendo
modelado. Portanto, cada bloco representa um evento no sistema como, por exemplo, a
chegada de um veículo, seu atendimento, etc. A cada evento corresponde um bloco do Arena,
e sua seqüência forma um diagrama de blocos. É dito então que o modelo representa
completamente o sistema que se deseja simular, conforme a própria “visão do mundo” do
Arena.
O Arena possui um conjunto de blocos (ou módulos) que são utilizados para descrever uma
aplicação real. Esses blocos funcionam como comandos de uma linguagem de programação
como Fortran, Cobol, etc. Obviamente, foram projetados sob a ótica da simulação e, por isso,
facilitam muito essa tarefa de programação (PRADO, 2001). Devido a esses fatores citados e,
principalmente, pela facilidade de acesso à comunidade acadêmica, o Arena foi escolhido
para ser o software de simulação utilizado no presente trabalho.
Para a implementação da lógica do sistema no Arena foram utilizados 24 módulos para a
simulação do atendimento com três caixas trabalhando simultaneamente, e 18 módulos para a
simulação com dois caixas. Essa variação ocorreu devido ao fato de no horário de almoço ter
apenas dois atendentes no sistema e nos demais horários ter três atendentes. Compõem esses
24 módulos um módulo Create, quatro módulos Enter, quatro módulos Assign um módulo
Seize, um módulo Pickstation, quatro módulos Leave, três módulos Process, três módulos
Release, três módulos Tally e um módulo Depart. Quando são quatorze módulos, a diferença
é que um módulo Enter, um módulo Process, um módulo Release e um módulo Leave são
retirados da lógica, por haver apenas dois atendentes no sistema.

4. Aspectos da simulação
Antes de rodar a simulação deve-se definir o número de rodadas a serem simuladas, visando
alcançar um determinado nível de confiança estatística dos dados. A grande aleatoriedade dos
dados coletados e utilizados na simulação resulta em uma aleatoriedade dos resultados dessa
simulação. Assim, com o objetivo de aproximar a simulação do funcionamento real do
sistema e obter uma confiança nos resultados gerados pelo Arena, torna-se necessário a
realização de mais de uma rodada de simulação. Segundo FREITAS (2001), o número de
replicações (rodadas) a serem efetuadas é calculado através da seguinte fórmula estatística:
⎛ 100 * z * s ⎞
N =⎜ ⎟ , com um nível de confiança 100 (1-a)% e uma precisão r%
⎝ r*x ⎠
O intervalo de confiança é o intervalo para o qual a verdadeira média dos dados tem
probabilidade de (1-a) de ocorrer, sendo (1-a) o nível de confiança do intervalo (FREITAS
2001). Assim sendo, a é o erro que se pode admitir para o estudo. Neste trabalho, adotou-se
um a de 0,1 e uma precisão de 10% (r=10%) para cada intervalo de tempo. Os valores do
desvio-padrão (s) e da média (x) utilizados na expressão 1 acima foram extraídos de uma

5
III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

amostra com 10 replicações em cada período de tempo. O valor de Z utilizado é o valor


normal padronizado para o nível de confiança desejado (Z9, 0.95 = 1,83). Após a inserção dos
dados, obteve-se 117 replicações para o período de 10h às 11h 30min, 73 replicações para o
período de 11h 30min às 13h, e 128 replicações para o período de 13h às 15h.
A análise dos intervalos de confiança dos tempos médios no banco foi realizada no Output
Analyser do Arena. Segundo FREITAS (2001), uma maneira de verificar se o intervalo de
confiança foi atingido, é garantir que o valor do semi-intervalo de confiança (half width,
apresentado nos resultados do Output Analyser) seja menor que 10% do valor da média da
variável em estudo. Essa análise revelou que o intervalo de confiança foi atingido para todos
os três intervalos de tempo em estudo.

5. Resultados e discussão
Antes da apresentação dos resultados, deve-se ressaltar que, apesar de pequena, há uma
influência da fila para idosos, gestantes e deficientes nos resultados reais dos seguintes
parâmetros: tempo na fila, tamanho da fila, taxa de utilização dos caixas e número de pessoas
que entram e saem do sistema durante seu horário de funcionamento. Como não foi
considerada essa fila no presente trabalho, os resultados sofrem uma pequena distorção, com
uma pequena melhora nos resultados, do ponto de vista da agência bancária.
Os resultados a serem apresentados a seguir são, na verdade, valores médios obtidos de todas
as replicações em cada período de tempo. Para facilitar a leitura e o entendimento, quando for
mencionado que o tempo máximo de espera na fila para o período das 11h às 12h 30 min é de,
por exemplo, 900 segundos, significa dizer que a média de todos os tempos máximos de cada
replicação é de 900 segundos. Assim, pode-se inferir que, em cada replicação, poderão
ocorrer valores de tempos máximos maiores ou menores que o apresentado, sendo a média
desses valores o valor representado.
Os primeiros resultados dizem respeito aos tempos médios e aos tempos máximos que os
clientes aguardam na fila. Para o horário de 10h às 11h e 30min, o resultado para o tempo
médio de permanência na fila foi de 138,29 segundos (2,3min), enquanto o tempo máximo de
um cliente na fila alcançou 465,06 segundos (7,75min). Para o horário das 11h e 30min às
13h, segundo relatório do Arena, houve um tempo médio de 549,16 (9,15min) segundos e
máximo de 1180,1 segundos (19,67min), lembrando que durante este período havia apenas
dois caixas atendendo aos clientes, sendo a taxa de chegada destes menor do que nos outros
períodos. Nas últimas duas horas de funcionamento do banco (horário de 13h às 15h), a taxa
de chegada dos clientes na fila é razoavelmente maior que nos dois primeiros intervalos
anteriormente mencionados. O tempo médio e máximo de permanência na fila nesse horário
foi de 199,17 (3,32min) e 626,57 segundos (10,44min), respectivamente.
Em relação ao tempo médio e máximo no sistema, foram obtidos, respectivamente, os valores
de 301,84 segundos (5,03min) e 724,47 segundos (12,07min) para o primeiro período de
tempo, 702,07 segundos (11,7min) e 1415,1 segundos (23,59min) entre 11h e 12h 30 min, e
361,03 segundos (6,02min) e 907,22 segundos (15,12min) das 13h até às 15h.
O número médio e o número máximo de pessoas na fila, assim como o número de pessoas
que entraram e saíram do sistema durante cada intervalo de tempo, estão representados na
Tabela 1 a seguir.
Período
Atributo 10h às 11h e 30min 11h e 30min às 13 h 13h às 15h

6
III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

Pessoas na fila - média 2,3 8,1 3,5


Pessoas na fila - máximo 8,6 18 11,9
Entraram no sistema 81,5 63,3 114,4
Saíram do sistema 79 61,3 111,71

Tabela 1 - Número de pessoas na fila e no sistema


De acordo com a Tabela 1, pode-se perceber que o número médio de pessoas na fila foi maior
durante o período de 11h 30min às 13h. Este resultado é devido ao fato de que nesse período,
como mencionado anteriormente, há apenas dois caixas funcionando.
Em relação aos tempos médios de atendimento dos caixas, a pequena diferença é resultante
apenas da aleatoriedade das replicações, já que foi utilizado a mesma distribuição com a
mesma expressão para cada intervalo de tempo e para cada atendente. Assim, os tempos
médios de atendimento, durante todo o período de funcionamento da agência bancária, gerado
pelo Arena, para os caixas 1, 2 e 3, foram 167,66 segundos, 167,14 e 164,01 segundos,
respectivamente, atingindo uma média entre os caixas de 166,27 segundos ou 2,77 minutos.
Através do relatório do Arena também foi possível obter as taxas de ocupação média dos
caixas no sistema, demonstrados na Tabela 2 a seguir.
Intervalo de tempo
Caixas 10h às 11h e 30min 11h e 30min às 13 h 13h às 15h
Caixa 1 87,97% 96,99% 90,85%
Caixa 2 82,85% 94,91% 87,12%
Caixa 3 75,43% - 81,86%

Tabela 2 - Taxa de ocupação dos caixas no sistema


Conforme pode ser visualizado na Tabela 2, o valor de 87,97%, no caso do caixa 1, por
exemplo, indica que o atendente desse caixa permanece ocupado com os cliente durante
87,97% do tempo, no intervalo de 10h às 11h e 30 min na agencia bancária. Através desses
resultados, percebe-se que a taxa de ocupação é maior no período de 11h 30min às 13h. Esse
resultado é compreensível e esperado, já que neste período ocorre o maior número médio de
pessoas na fila, mantendo assim os atendentes ocupados por mais tempo.

10. Conclusão
O presente trabalho demonstrou a importância significativa da aplicação da simulação em
empresas fornecedoras de serviços, como é o caso das agências bancárias, provando que tal
importância não se restringe apenas às indústrias e seus processos produtivos. Além disso, foi
comprovado que a simulação do sistema de atendimento de uma agência bancária é uma
técnica convincente que proporciona o conhecimento das variáveis causadoras de problemas e
fornece um maior embasamento aos gerentes, permitindo que estes possam tomar decisões
mais acertadas,.
Após o estudo, chegou-se à conclusão de que não é correto afirmar que o sistema está em
completo colapso, devido ao fato de que, na maioria dos dias do mês, o tempo de espera dos
clientes na fila para serem atendidos não ultrapassa 10 minutos. Porém, em alguns dias
específicos, como o período compreendido entre os dias cinco e dez de cada mês (dias de
pagamento), é comum os clientes aguardarem mais de 20 minutos para serem atendidos,
havendo a formação de grandes filas.

7
III EMEPRO – Belo Horizonte, MG, Brasil, 07 a 09 de junho de 2007

Verificou-se também que apesar de haver um maior número médio de pessoas na fila durante
o intervalo de 11h 30min às 13h, esse é o intervalo mais adequado para que ocorra o
revezamento dos caixas para o almoço, pois nesse período de tempo a taxa de chegada dos
clientes é inferior às taxas dos demais intervalos.
Como sugestões à agência do Banco do Brasil analisada, indica-se a inserção de assentos para
as pessoas que aguardam na fila. Estes assentos poderiam ser do mesmo tipo e layout dos
encontrados nas filas das mesas de atendimento na própria agência bancária. Outra sugestão
seria a inclusão de mais um atendente no período de almoço. Esse atendente seria uma pessoa
da própria agência que substituiria o atendente que estivesse em horário de almoço. Assim,
esse funcionário realizaria tal função apenas durante 1h 30min, podendo retomar à sua
atividade principal no restante do expediente. Também se sugere a contratação de uma pessoa
que possa auxiliar os clientes que aguardam na fila. Quando este estudo foi realizado, havia
estagiários auxiliando apenas os clientes que utilizavam os serviços de auto-atendimento, mas
nenhum nas filas dos caixas.

10. Referências bibliográficas


- BRONSON, R. Pesquisa operacional. Tradução Bernardo Severo da Silva Filho, Othon
Guilherme Pinto Bravo. São Paulo: McGraw-Hill do Brasil, 1985. 318 p.
- FREITAS, PAULO J. Introdução à modelagem e simulação de sistemas com aplicações
em Arena. Florianópolis: Visual Books, 2001. 322 p.
- KELTON, DAVID W.; SADOWSKI, RADALL P.; SADOWSKI, DEBORAH A. –
Simulation with Arena. Nova Iorque – Ed Mcgraw Hill, 2002. 547 p.
- ADEMAR, N. N.. Aplicações de técnicas da engenharia de produção à industria
sucroalcooleira: uma contribuição à melhoria da qualidade e produtividade. Dissertação
de Mestrado, Universidade Federal da Bahia, 1997.
- PRADO, D. Teoria das filas e da simulação. Belo Horizonte: Editora de Desenvolvimento
Gerencial, 1999. (Série Pesquisa Operacional, Vol. 2). 124 p.
- SHAMBLIN, J. E.; STEVENS JR., G. T. Pesquisa operacional: uma abordagem básica.
Tradução Carlos Roberto Vieira de Araújo. São Paulo: Atlas, 1979. 426 p.
- SHIMIZU, T. Pesquisa operacional em engenharia, economia e administração: modelos
básicos e métodos computacionais. Rio de Janeiro: Guanabara Dois, 1984. 360 p.
- WAGNER, H. M. Pesquisa operacional. Tradução Paulo Antônio Mariotto. 2. ed. Rio de
Janeiro: Prentice-Hall do Brasil, 1986. 851 p.

You might also like