Um modelo para a análise de filas e do nível de ocupação de uma

sorveteria

Gabriela Canuto, João Vitor, Maria Cecília, Paula Leal

Resumo

O objetivo do trabalho é aplicar por meio da simulação a teoria das filas e a

ocupação dos recursos na sorveteria Sorvetaça, localizada no bairro Ouro Preto na
cidade de Belo Horizonte, a fim de quantificar o tamanho da fila e se possível propor
melhorias para otimizar o sistema. A coleta de dados foi feita por observação direta e
analisada estatisticamente através do input analyzer e do simulador ARENA®. Para
melhor análise das taxas de ocupação obtidas foram implantados seis cenários diferentes
com objetivo de comparar o cenário atual com as possíveis mudanças de demanda e
atendentes propostas nos cenários alternativos. Apesar de o sistema encontrado estar
dentro do padrão sem altas formações de fila, foi possível identificar onde se encontra o
gargalo e quais as melhores alterações para manter as taxas de desempenho dentro do
esperado. O uso da pesquisa operacional trouxe facilidade para avaliar o funcionamento
do sistema e testar mudanças de uma forma econômica e prática, o ideal para o objeto
de estudo.
Palavras-chave: teoria das filas, nível de ocupação, pesquisa operacional,
simulação

1. Introdução

O mercado de sorvetes vivencia um crescimento inédito, alavancado por

dois fenômenos: as fortes ondas de calor em locais que antes tinham temperaturas mais
amenas e o fortalecimento da economia brasileira, que impulsionou o consumo das
classes mais populares. Segundo o Sebrae (2017), nos últimos anos, o faturamento desse
mercado no Brasil cresceu 26,5% e o setor vem crescendo, em média, 33% nos últimos
cinco anos. Com isso, o Brasil é o 4º maior mercado de sorvetes no mundo, atrás de
EUA, China e Japão.

O entendimento do processo de atendimento à clientes pode proporcionar

aos provedores de serviços condições satisfatórias para implementação de processos de
melhoria. O cliente, quando requer um serviço, não espera apenas por um atendimento
de qualidade, mas também que seja atendido no mínimo tempo possível. O ideal, do
ponto de vista do cliente, é chegar e ser logo atendido; do ponto de vista da empresa,
isso significa perdas com ociosidade de servidores (operários, atendentes, entre outros).
Desta forma, se faz importante realizar um estudo para gerir adequadamente um
sistema, de modo que tenham filas, mas que estejam a um nível aceitável pelo cliente.
Com o objetivo de gerar satisfação para os clientes, e ao mesmo tempo, economia para a
empresa, de forma a evitar custos desnecessários. A teoria das filas é uma ferramenta
útil em que se aplicam conhecimentos matemáticos a esse fenômeno, o que possibilita a
determinação do melhor dimensionamento dos recursos de uma empresa.

A avaliação por meio de coleta de dados, avaliação estatística e a aplicação

de softwares de simulação em empresas se alavancaram nestes últimos tempos devido
ao auxílio que geram na gestão de uma organização, pois tais programas têm a
capacidade de explorar o que acontece no sistema bem como simular virtualmente o
sistema real sendo que também possibilita a realização de mudanças antes de
implementá-las ao processo, reduzindo assim decisões precipitadas.

O presente trabalho tem como objetivo geral a aplicação da teoria das filas e
simulação em uma sorveteria para seu melhor entendimento e gerenciamento,
mensurando o comportamento da fila como forma de identificar a atual situação e
propor melhorias. Entre os objetivos específicos estão a coleta de dados de chegada e
atendimento do sistema em estudo e análise estatística destes dados; através do
simulador, calcular, analisar e apresentar os resultados obtidos do sistema atual, gerando
informações como tamanho médio da fila e do sistema, tempo médio da fila e do
sistema, taxa de utilização, entre outros; comparar o sistema atual com as possíveis
mudanças (simuladas) e verificar qual se adequa melhor; assim como, sugerir as
mudanças (se necessário), com a finalidade de otimizar o atendimento e melhorar a
performance; e por fim explicar os benefícios do uso da simulação, como também
explicar detalhadamente os recursos utilizados do software arena e a geração dos
resultados.

2. Referencial teórico

A Pesquisa Operacional engloba um conjunto de técnicas direcionadas a

problemas complexos voltados para a tomada de decisões em empresas. O ponto chave
desta área de estudo reside na construção de modelos matemáticos a partir dos quais se
escolhe uma técnica adequada para resolução de um problema. A Teoria das Filas e a
Simulação são técnicas disponíveis para a Modelagem de Sistemas, onde a simulação é
a mais utilizada.

De acordo com Prado (2010), simulação é uma técnica de solução de um

problema pela análise de um modelo que descreve o comportamento do sistema usando
um computador digital. Como vantagens do processo de simulação, pode-se
compreender melhor quais são as variáveis mais importantes em relação à performance
e como as mesmas interagem entre si e com os outros elementos do sistema. Além
disso, um estudo da simulação pode mostrar realmente como o sistema opera, e não
como todos pensam que opera. Pode-se explorar a questão “o que aconteceria se?”, sem
ter que parar ou alterar o sistema real e assim possibilitar a identificação de gargalos,
que é o que mais preocupa no gerenciamento dos sistemas, tais como fluxo de materiais
de informação e de produtos, de maneira fácil, principalmente com a ajuda visual.
 Podemos criar modelos de simulação por eventos discretos ou por sistemas
contínuos. A simulação por eventos discretos é aquela em que as mudanças no estado do
sistema ocorrem instantaneamente em pontos aleatórios no tempo como resultado da
ocorrência de eventos discretos. Por exemplo, em um sistema de filas no qual o estado
do sistema é o número de clientes no sistema, os eventos discretos que interessam são a
chegada e a saída de um cliente em decorrência da finalização desse serviço, que são os
eventos que mudam o estado do sistema.

A simulação contínua é aquela na qual as mudanças no estado do sistema

ocorrem continuamente ao longo do tempo e geralmente, envolvem o emprego de
equações diferenciais para descrever a taxa de mudança das variáveis de estado. Logo, a
análise tende a ser relativamente complexa. Aproximando as mudanças contínuas do
estado de um sistema por mudanças ocasionais discretas, muitas vezes é possível usar a
simulação por eventos discretos para aproximar o comportamento de um sistema
contínuo. Isso tende a simplificar enormemente a análise. A maioria das aplicações de
simulação, na prática, é simulação por eventos discretos.

Segundo Hillier & Lieberman (2006), um modelo de simulação possui

diversos blocos construtivos básicos: a definição do estado do sistema; identificar os
possíveis estados do sistema que podem ocorrer; identificar os possíveis eventos (por
exemplo, chegadas e términos de atendimento em um sistema de filas) que mudariam o
estado do sistema; uma provisão para um relógio simulado, localizado no mesmo
endereço do programa de simulação, que vai registrar a passagem do tempo (simulado);
um método para gerar eventos aleatoriamente de diversos tipos; uma fórmula para
identificar as transições de estado que são geradas pelos diversos tipos de eventos.

A teoria das filas é o desenvolvimento de estudos que objetivam interpretar

a dinâmica e o comportamento dos sistemas de filas. Segundo Prado (2014), a teoria das
filas é um método analítico que aborda o assunto por meio de fórmulas matemáticas. A
estrutura básica do problema é bastante geral, de modo que muitas situações práticas,
que aparentemente não constituem filas, podem ser estudadas através da teoria das filas.

A fila é um processo estocástico, isto é, seu estado num instante t (número

de clientes presentes, tamanho da fila, tempo de espera etc.) é variável aleatória. O
estado do sistema é, realmente, um evento condicionado, cuja probabilidade no instante
t depende do valor da probabilidade no instante inicial t 0. Em muitos casos, essa
dependência do estado inicial desaparece depois de certo tempo (mais precisamente
quando) isto é, o sistema atinge posição de equilíbrio (regime permanente), em que as
probabilidades não dependem mais do estado inicial, nem do tempo decorrido.

Normalmente, a fila resulta da falta de programação, pois, se fosse possível

organizar as chegadas e os serviços, seria também possível evitar completamente a
espera dos clientes e não haveria fila. Na maioria dos casos, porém, é impossível
programar; assim, as filas, embora não desejadas, são inevitáveis. As filas não precisam,
necessariamente, referir-se somente a pessoas. Podem envolver atividades da vida
diária, como supermercados, bancos, casas lotéricas e hospitais. Ao estudo de sistemas
de produção com a finalidade de encontrar e mitigar os possíveis gargalos. Em sua
forma mais familiar uma fila é gerada quando unidades (clientes), chegando a um posto
de serviço, não possam ser atendidas prontamente, tendo, ocasionalmente, que esperar
para sê-lo.

O processo de fila é caracterizado pelo regime de chegada, regime de

serviço e disciplina da fila. Chegada é número médio de clientes que chegam e
requerem atendimento. Os dados de chegada poderão ser segundos, minutos, horas e até
dias. O regime de chegada inclui a especificação da população de clientes, se é finita ou
não, e a distribuição da probabilidade do intervalo de tempo entre chegadas, que pode
ser estacionária ou variável no tempo, pode depender do tamanho da fila, entre outros
fatores.

O regime de serviço envolve: a disponibilidade do serviço, se o sistema só

atende durante um certo intervalo de tempo, se está sempre disponível; a capacidade do
sistema, isto é, o número de clientes atendidos simultaneamente; e a duração do tempo
de serviço de cada cliente, que pode ser constante ou aleatória, com distribuição de
probabilidade estacionária ou não, dependendo, inclusive, do tamanho da fila.

A disciplina da fila é o conjunto de regras que determinam a ordem em que

os clientes são atendidos, é o modo como à sequência de atendimento é feita. Há várias
possibilidades, tais quais:

● FIFO (“First in first out”): o primeiro a chegar é o primeiro a ser

atendido.

● LIFO (“Last in first out”): o último a chegar é o primeiro a ser

atendido.

● PRI (“Priority service”): são estabelecidas prioridades de

atendimento, através de requisitos pré-definidos.

● SIRO (“Service in random order”): o atendimento ocorre de forma

aleatória

A simulação estima as medições de desempenho reproduzindo o

comportamento do sistema real, que no caso em específico, utiliza como base a
probabilidade e modelos estocásticos da teoria das filas para analisar as filas de espera.
As vantagens para o emprego da simulação em relação à teoria das filas são inúmeras,
na teoria das filas, os cálculos são puramente matemáticos e sua aplicação é limitada a
fórmulas. E que, dependendo de certos casos, podem ser extremamente complexos,
recomendando assim a utilização de um software.
O software ARENA®, é um ambiente gráfico integrado de simulação, que
contém todos os recursos para modelagem de processos, desenho & animação, análise
estatística e análise de resultados. É constituído de duas partes, a parte lógica, que é a
utilização de comandos e blocos, semelhante à criação de um fluxograma; e a animação,
em que são utilizados símbolos e desenhos que representam as atividades do sistema
real, além do movimento e tendência no decorrer do tempo. Ele se encarrega de
manusear todos os dados surgidos na própria simulação, tais como tempo de espera na
fila, taxa de utilização de atendentes, etc.
Além disso, ele faz com que a animação na tela tenha um aspecto próximo à
realidade e ao final da simulação, ele disponibiliza relatórios que mostram os principais
resultados do processo. O software também possui uma função de análise estatística, o
input analyser, onde é possível determinar a distribuição de probabilidade dos dados
coletados. A tendência da chegada e do processo de atendimento é gerada através do
método de Monte Carlo (simulação), em que se geram números aleatórios baseados em
uma distribuição de probabilidades.
3. Materiais e Métodos

O presente trabalho se configura como um estudo de caso, permitindo uma

análise no nível de ocupação de uma sorveteria localizada em Belo Horizonte, via
simulação, utilizando o software ARENA®. O objetivo do trabalho é entender o sistema
de atendimento, identificar gargalos e propor melhorias diminuindo o tempo de espera
entre os processos.

Inicialmente, mapeou-se os processos do sistema, identificando quais eventos

eram críticos para a formação de filas.

Para a coleta dos dados utilizou-se a visita in loco e a observação direta das
atividades cotidianas da loja, de forma a descrever restrições ligadas diretamente ao
preparo, à quantidade de funcionários (mão de obra), os recursos utilizados e os tempos
de processo. Para a análise das filas, as coletas de dados relacionados aos processos de
chegada e de atendimento utilizando um cronômetro, pelos autores do estudo. Ao iniciar
a cronometragem, o primeiro cliente aparece no instante x segundos. O segundo cliente
aparece y segundos após a chegada do primeiro cliente, e assim consecutivamente.

Os dados coletados em relação aos tempos de espera para todos os processos

mapeados foram analisados estatisticamente através do input analyzer, ferramenta do
software ARENA®, e escolheu-se a melhor distribuição estatística para incorporar ao
modelo. Foi então, executada a modelagem e simulação do sistema via ARENA®. Os
dados coletados só dizem respeito à compra de sorvete e frozen yogurt, pois a empresa
não permitiu a coleta de dados relacionados ao preparo do açaí.

Após a modelagem, foram testados 6 cenários, para identificação de

possibilidades de melhorias. As simulações dos cenários obedeceram às seguintes
configurações: horário de funcionamento de 12 horas diárias; período de 1 dia; 3
replicações de cada cenário.

Tabela 1 - Cenários testados e requisitos

Cenário Atual 2 clientes por chegada 1 atendente

 Cenário 1 2 clientes por chegada 2 atendentes
Cenário 2 3 clientes por chegada 1 atendente
Cenário 3 3 clientes por chegada 2 atendentes
Cenário 4 0,5 + LOGN(3, 2.47) 1 atendente
Cenário 5 0,5 + LOGN(3, 2.47) 2 atendentes
Cenário 6 0,5 + LOGN(3, 2.47) 2 atendentes + 3 freezers

3.1. Descrição da empresa:

A empresa Sorvetaça é uma sorveteria self service, que oferece além de sorvetes
no quilo e frozen yogurt. Está localizada na região da Pampulha, em uma bairro
residencial e próximo à UFMG, e tem pelo menos 15 anos de funcionamento. É uma
pequena empresa, conhecida pelos autores deste estudo.

A loja funciona de 12h às 21:30h, e possui horários de pico, segundo os

proprietários, de 14h às 16h e de 18 às 20:30h, sendo o dia de maior movimento o
domingo. Nos finais de semana, possui uma média de 350 clientes atendidos.

O sorvete e o Frozen Yogurt são servidos pelo próprio cliente, e pesados por um
atendente, que realiza a compra e recebe o pagamento. O processo de atendimento é do
tipo SIRO.

Entre os recursos utilizados, têm-se 2 freezers onde o sorvete fica exposto, 1

máquina de frozen yogurt, 3 pegadores de sorvete, 1 balança, 1 bancada de potes para
que o cliente se sirva, 1 bancada de guloseimas diversas e 1 atendente, responsável pela
pesagem do sorvete e pelo recebimento de pagamentos.

3.2. Descrição do processo:

A entidade do problema é o cliente, que se serve sozinho. O primeiro evento é

escolher o pote a ser servido, cujo recurso envolvido é bancada de potes. O cliente
decide-se então sobre qual produto irá adquirir, o frozen yogurt ou o sorvete. Caso opte
pelo sorvete, irá até os freezers, se servirá utilizando os pegadores e passará para o
próximo evento. No caso do frozen yogurt, irá até a máquina deste, se servirá e passará
para o próximo evento. Após se servir do produto a sua escolha, o cliente deve decidir
se optará por adicionar guloseimas (termo aqui usado pelos autores para se referir a
qualquer adicional, tal como balas, coberturas, confeitos, etc.) ao seu sorvete/frozen, se
sim, irá até a bancada de guloseimas, se não, irá até a balança diretamente. Na balança,
o atendente presente irá pesar e cobrar o valor referente do cliente. Feito o pagamento, o
cliente sai da loja.
 Guloseimas Pesar Pagar
Sorvete
Pesar Pagar
Chegada
Guloseimas Pesar Pagar
Frozen
Yogurt
Pesar Pagar

Figura 1 - Processo de atendimento Sorvetaça

4. Resultados

O processo foi mapeado e modelado via Arena, conforme figura 2. As

atividades que envolvem o atendimento e podem formar filas são: Pegar Pote; Servindo
Sorvete; Servindo Frozen Yogurt; Guloseimas; Pesar; Pagar.

Figura 2 - Modelo Arena

A coleta de dados foi realizada em dois dias, em um fim de semana, e

resultou em 98 amostras de tempos de chegada, totalizando 316 clientes. O número de
clientes por chegada é em média 2. Através destes dados, foram calculadas as
probabilidades prévias dos eventos, conforme tabela 2.
 Tabela 2 - Probabilidades Prévias

Pegam Potes 316 100%

Pegam Sorvete 254 80%
Pegam Frozen Yogurt 62 20%
Pegam Guloseimas 268 85%

De maneira a testar a possibilidade de uma demanda variável, foi realizado um

ajuste da quantidade de clientes por chegada. Os dados seguem, em teoria, uma
distribuição lognormal (Figura 3).

0,5+ LOGN (3, 2.47) (Equação 1)

Figura 1 – Ajuste quantidade de clientes por chegada

Os dados coletados para os tempos de chegada foram modelados e segundo a

ferramenta Input Analyser, se aproxima de uma distribuição Beta, com expressão dada
por:

0.001+350∗Beta (1.23,1.04) (Equação 2)

Figura 3 - Ajuste distribuição tempos de chegada

O mesmo processo foi realizado para os demais dados coletados, para cada
atividade. As figuras 4 a 8 representam o ajuste experimental dos dados e suas respectivas
expressões (Equações 3 a 8).

0.999+ ERLA (1.01, 2) (Equação 3)

 Figura 4 – Ajuste Distribuição tempos “pegar pote”

TRI ( 41, 92.3, 212 ) (Equação 4)

Figura 5 - Ajuste distribuição tempos “serve sorvete”

5+14∗BETA( 1.17,1.05) (Equação 5)

Figura 6 – Ajuste Distribuição tempos “serve frozen yogurt”

 −0.001+WEIB ( 38.7,2.09 ) (Equação 6)

6+11∗BETA( 6.38,6.68) (Equação 7)

Figura 7 – Ajuste Distribuição tempos “Pesar”

N (48.2,11) (Equação 8)

Figura 8 – Ajuste Distribuição tempos “pagar”

Construído o modelo, foram simulados diferentes cenários, cujos resultados são

descritos nas tabelas 3, 4 e 5.
Tabela 3 - Comparação medidas de desempenho entre cenários analisados

Cenário Alternativ Alternativo Alternativo Alternativo Alternativo Alternativo

Atual o1 2 3 4 5 6
Taxa de 63% 32,60% 93,95% 48,26% 91,6 46 49,2
ocupação
atendente
Taxa de 43% 43,50% 65,20% 67,10% 62,8 61,4 44,6
ocupação
freezer
Taxa de 3,75% 4,07% 5,65% 5,64% 5,7 5,8 6,13
ocupação
 máquina
frozen
Taxa de 28,90% 29% 43,47% 44,70% 41,9 40,95 44,6
ocupação
pegadores
Taxa de 12% 12,50% 18,02% 18,45% 17,6 17,55 18,9
ocupação
balança
Taxa de 3,17% 3,31% 4,86% 4,90% 4,78 4,66 5,07
ocupação
bancada pote
Taxa de 31,42% 32,11% 46,50% 47,20% 43,9 45,72 48,1
ocupação
bancada
guloseimas

Tabela 4 - Medida de Desempenho: tempo total médio de compra

Cenário Alternativo Alternativo Alternativo Alternativo Alternativo Alternativo

Atual 1 2 3 4 5 6

Tempo
total médio
3,89 3,19 10,2 4,26 14,52 5,05 4,28
de compra
(min)

Tabela 5 - Comparação Número médio de clientes em fila por atividade em cada cenário

Cenário Alternativo Alternativo Alternativo Alternativo Alternativo Alternativo

Atual 1 2 3 4 5 6
Pagar 0,1588 0,003 2,87 0,022 4,65 0,032 0,085
Pegar pote 0,016 0,017 0,05 0,05 0,09 0,092 0,1072
Pesar 0,22 0,011 3,02 0,048 4,66 0,062 0,1352
Servir 0,0044 0,0049 0,011 0,012 0,022 0,019 0,022
frozen
Servir 0,069 0,057 0,17 0,18 0,24 0,26 0,4
guloseima
Servir 0,115 0,098 0,82 0,97 1,31 1,64 0,64
sorvete

5. Discussão

Ao observar as taxas de ocupação e as demais medidas de desempenho, a

análise para a demanda atual é que o sistema se encontra bem dimensionado, com baixo
número de filas e taxas de ocupação baixas. Um bom indicador de desempenho é o
número de clientes simulados (379) próximos da média descrita pelos proprietários
(350).

Entre as maiores taxas de ocupação, estão os recursos atendente, freezer e

bancada de guloseimas, porém ainda são taxas baixas, que refletem nos números pouco
significantes de pessoas em fila em cada atividade. A máquina de frozen yogurt
apresenta uma taxa de ociosidade expressiva (96,25%), porém os autores não tiveram
acesso a dados relacionados a custo para uma maior análise. O tempo total médio de
compra estimado para o cenário atual é de quase 4 minutos, que reflete o observado em
campo. A entrada de um novo atendente é testada, mas não faz sentido visto que os
números já são baixos (cenário alternativo 1).

Supondo um aumento da demanda (por exemplo, um dia de sol, em que a

procura por sorvete é maior), com 3 clientes por chegada, é observada a formação de
fila tanto para pagar quanto para pesar, atividades dependentes do atendente, assim
como um aumento crítico na taxa de ocupação do atendente, conforme resultados do
cenário alternativo 2. Neste cenário, é interessante que mais um atendente seja
chamado, diminuindo as taxas de ocupação dos recursos, e diminuindo o tempo total de
compra pela metade (cenário alternativo 3).

Nos cenários 4, 5 e 6, considerou-se a demanda variável e obedecendo uma

distribuição lognormal, conforme a equação 1. No cenário 4, os níveis de ocupação,
assim como os tempos médios de fila por processo aumentam bastante, assim como o
tempo médio total de compra, quando comparados ao cenário atual, e por isso, são
testadas duas possibilidades: a contratação de mais um atendente (cenário 5) e a
colocação de mais um atendente e mais um freezer de sorvete (cenário 6).

Com o acréscimo de mais um atendente, o tempo médio total de compra cai

pela metade, quando comparado ao cenário 4, assim como os outros níveis de ocupação,
comprovando ser esse recurso o gargalo do sistema. Vê-se que com o aumento de um
freezer, há uma diminuição do tempo de fila pouco significante, além de um aumento
nos níveis de ocupação de outros recursos, não sendo o interessante essa alteração.

6. Conclusões

Na demanda atual, o sistema encontra-se bem dimensionado, com baixa

formação de filas e com taxas de ocupação baixas. Entende-se que o gargalo do sistema
é justamente o atendente, visto que as atividades “pesar” e “pagar” dependem deste
recurso e que todas as entidades passam por estas atividades. Mesmo com o acréscimo
de outros recursos, principalmente quando há um aumento de demanda, só a alteração
no número de atendentes gera mudanças significativas nas medidas de desempenho.

Observou-se que o nível de ociosidade da máquina de Frozen Yogurt é

demasiado alto, e por isso, é sugerido que haja uma análise de viabilidade técnica-
financeira, que justifique sua presença. Se o lucro obtido não compensa o custo de
manter tal máquina, sua retirada pode ser interessante. É necessária uma análise melhor.

O modelo é uma representação simplificada do processo, mas mesmo para

pequenas empresas, o uso da pesquisa operacional é interessante para testar mudanças
antes de sua implantação, economizando recursos.
7. Referências

LUVIZOTTO, João Paulo Neves. Demand analysis and simulation of the dynamics of
an telephone exchange. 2014. Monografia (Bacharel em Engenharia de Produção) -
Universidade Tecnológica Federal do Paraná. Disponível em:
http://repositorio.roca.utfpr.edu.br/jspui/bitstream/1/4332/1/MD_COENP_TCC_2014_2
_08.pdf . Acessado em: 10/06/2018

SANTOS, Ricardo. Notas de Aula de Pesquisa Operacional. UFMS, 2008. Disponível

em: http://www.facom.ufms.br/~ricardo/Courses/OP-2008/Lectures/Lec01.pdf.
Acessado em: 10/06/2018

TORRES, Oswaldo Fadigas. Elementos da teoria das filas. Rev. adm. empres. [online].
1966, vol.6, n.20, pp.111-127. Disponível em: <http://www.scielo.br/scielo.php?
script=sci_arttext&pid=S0034-75901966000300005&lng=en&nrm=iso. Acessado em:
10/06/2018.

HILLIER, Frederick; LIEBERMAN, Gerald. Introdução à pesquisa operacional – 8ª

edição. Tradução Ariovaldo Griesi. São Paulo, McGraw-Hill, 2006.

PRADO, D. S, do. Usando o Arena® em Simulação. Volume. 3, Belo Horizonte: ING

Tecnologia e Serviços, 2010.