Pesquisa Operacional & Estatística
Algoritmos avançados de filas, programação linear Simplex, séries temporais e álgebra linear para otimização de frotas.
QMMS
Teoria das Filas — Modelo M/M/s (Queueing Theory Multi-Server)
Wq = Lq / λ ; ρ = λ / (s × μ)
Calcula o tempo médio de espera do cliente na fila do balcão (Wq) e a taxa de ocupação dos atendentes (ρ) com base nas taxas de chegada e tempo de atendimento.
💡 Importância Empresarial:
Evita a formação de filas excessivas no aeroporto e balcão em horários de pico de desembarque de voos, otimizando a escala da equipe.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| LAMBDA | Taxa Média de Chegada de Clientes (Clientes/Hora) | 18 | cust/h |
| MU | Capacidade Média de Atendimento por Guichê (Clientes/Hora) | 7 | cust/h |
| SERVERS | Número de Atendentes ou Guichês Paralelos Ativos | 3 | servers |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Dimensionamento de Guichês de Atendimento em Aeroporto no Horário de Pico
📌 Cenário Operacional: Aeroporto Internacional de Miami (MIA): chegam em média 45 clientes por hora para retirada de veículos entre as 18h e 20h. Cada atendente leva em média 5.0 minutos (12 clientes/hora).
📥 Parâmetros & Entradas:
Taxa de Chegada λ = 45 clientes/hora, Taxa de Atendimento μ = 12 clientes/hora por guichê🧮 Execução Matemática:
Simulação Q-MMS no FleetCalc Pro:
• Com s = 4 servidores: Intensidade ρ = 0.937 (Fila média: 14 clientes, Tempo de espera: 19.0 minutos - Inaceitável)
• Com s = 5 servidores: Intensidade ρ = 0.750 (Fila média: 1.4 clientes, Tempo de espera: 1.8 minutos - Excelente)
Simulação Q-MMS no FleetCalc Pro:
• Com s = 4 servidores: Intensidade ρ = 0.937 (Fila média: 14 clientes, Tempo de espera: 19.0 minutos - Inaceitável)
• Com s = 5 servidores: Intensidade ρ = 0.750 (Fila média: 1.4 clientes, Tempo de espera: 1.8 minutos - Excelente)
📈 Decisão Estratégica: A gerência escala 5 atendentes nos horários de pico, reduzindo o tempo de espera de 19.0 para menos de 2.0 minutos e eliminando reclamações no índice de satisfação do cliente (BBB).
Exemplo Prático #2: Otimização de Baias de Lavagem e Vistoria Rápida no Pátio de Devolução
📌 Cenário Operacional: Pátio de devolução no Aeroporto Internacional de Orlando (MCO) recebendo veículos no domingo à noite com taxa de chegada de 60 carros por hora.
📥 Parâmetros & Entradas:
Chegada λ = 60 carros/h, Tempo por lavadora/aspirador = 6.0 minutos (μ = 10 carros/h por baia)🧮 Execução Matemática:
Cálculo Q-MMS para s = 7 baias: Tempo médio na fila de espera = 3.4 minutos
Com s = 6 baias: A fila explode para 38.0 minutos gerando travamento no tráfego de acesso ao pátio.
Cálculo Q-MMS para s = 7 baias: Tempo médio na fila de espera = 3.4 minutos
Com s = 6 baias: A fila explode para 38.0 minutos gerando travamento no tráfego de acesso ao pátio.
📈 Decisão Estratégica: A locadora opera com 7 baias ativas no domingo das 17h às 22h, garantindo fluidez total na devolução de veículos.
LPMIX
Otimização do Mix de Compra de Frota (Linear Programming Fleet Mix)
Max Z = Σ (MARGIN_i × X_i) subject to Σ (CAPEX_i × X_i) ≤ BUDGET
Modela a distribuição ideal de compras entre grupos de veículos (Hatch, Sedã, SUV, Elétrico) para maximizar a margem bruta respeitando o orçamento de capex.
💡 Importância Empresarial:
Garante que o capital de investimento seja aplicado nas categorias com melhor relação margem/demanda, evitando excesso de carros de baixa rentabilidade.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| BUDGET | Orçamento Máximo Total de Aquisição (Capex) | 15000000 | cur |
| MAX_UNITS | Capacidade Física Máxima de Vagas no Pátio | 300 | cars |
| MIN_DIVERSITY | Percentual Mínimo de Veículos Econômicos (%) | 35 | % |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Otimização Linear do Mix de Compra de Frota com Restrição Orçamentária
📌 Cenário Operacional: Locadora em Miami com $12,000,000.00 para adquirir novos veículos entre 3 categorias: Econômico (Capex $75,000.00, Margem $1,800.00/mês), SUV (Capex $130,000.00, Margem $3,200.00/mês) e Furgão Comercial (Capex $150,000.00, Margem $3,900.00/mês).
📥 Parâmetros & Entradas:
Max Z = 1,800 x₁ + 3,200 x₂ + 3,900 x₃ sujeito a: 75,000 x₁ + 130,000 x₂ + 150,000 x₃ ≤ 12,000,000 e limites de demanda🧮 Execução Matemática:
O algoritmo Simplex do FleetCalc Pro calcula a alocação ótima global: 80 Econômicos, 32 SUVs e 12 Furgões, gerando uma margem total mensal de $293,200.00.
O algoritmo Simplex do FleetCalc Pro calcula a alocação ótima global: 80 Econômicos, 32 SUVs e 12 Furgões, gerando uma margem total mensal de $293,200.00.
📈 Decisão Estratégica: Gera $42,000.00 a mais de lucro mensal do que a alocação empírica sugerida pela equipe comercial.
Exemplo Prático #2: Mix de Desmobilização e Venda de Seminovos para Maximizar Caixa
📌 Cenário Operacional: Decisão de venda de 120 veículos que atingiram 60,000 milhas entre filiais regionais da Flórida com diferentes demandas de mercado atacadista e leilões.
📥 Parâmetros & Entradas:
Max Z = Preço Líquido de Venda por Polo sujeito a limites de absorção mensal de concessionárias locais.🧮 Execução Matemática:
O modelo define o envio de 45 carros para Orlando, 50 para Tampa e 25 para Miami.
O modelo define o envio de 45 carros para Orlando, 50 para Tampa e 25 para Miami.
📈 Decisão Estratégica: Maximizou o caixa líquido da desmobilização em $310,000.00 comparado à venda exclusiva no mercado de origem.
EOQROP
Lote Econômico de Compra e Ponto de Pedido (EOQ & Reorder Point)
EOQ = √( (2 × D × S) / H ) ; ROP = (d × L) + SS
Determina a quantidade ideal de compra de peças de reposição (óleo, filtros, pastilhas, pneus) e o estoque mínimo que dispara um novo pedido.
💡 Importância Empresarial:
Minimiza os custos combinados de armazenagem de peças e pedidos de frete, garantindo que nenhum carro fique parado por falta de componentes básicos.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| D | Demanda Anual Prevista da Peça (Unidades) | 1200 | units |
| S | Custo Fixo de Processamento e Frete por Pedido | 150 | cur |
| H | Custo Anual de Manter uma Unidade em Estoque | 45 | cur |
| LEAD_TIME | Prazo de Entrega do Fornecedor (Dias) | 12 | days |
| SAFETY_STOCK | Estoque de Segurança Contra Oscilações | 25 | units |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Lote Econômico de Compra e Ponto de Reposição de Pneus Aro 15
📌 Cenário Operacional: Centro de manutenção em Tampa consome em média 1,200 pneus aro 15 por ano para manutenções programadas da frota.
📥 Parâmetros & Entradas:
Demanda Anual D = 1,200 pneus, Custo do Pedido S = $250.00, Custo de Armazenamento H = $35.00/pneu/ano, Lead time = 7 dias úteis🧮 Execução Matemática:
EOQ = √(2 × 1,200 × 250 / 35) = √(17,142.8) = 131 pneus por pedido
Demanda diária d = 1,200 / 365 = 3.28 pneus/dia
Ponto de Reposição (ROP) = d × L = 3.28 × 7 = 23 pneus (com estoque de segurança de 15 = ROP 38 pneus)
EOQ = √(2 × 1,200 × 250 / 35) = √(17,142.8) = 131 pneus por pedido
Demanda diária d = 1,200 / 365 = 3.28 pneus/dia
Ponto de Reposição (ROP) = d × L = 3.28 × 7 = 23 pneus (com estoque de segurança de 15 = ROP 38 pneus)
📈 Decisão Estratégica: O sistema dispara automaticamente pedido de compra de 131 pneus toda vez que o estoque atinge 38 unidades, reduzindo custos de armazenagem em 28.0%.
Exemplo Prático #2: Gestão de Estoque de Filtros de Óleo e Lubrificantes para Frotas
📌 Cenário Operacional: Consumo de 3,600 galões de óleo sintético 5W30 por ano nas oficinas próprias em Fort Lauderdale.
📥 Parâmetros & Entradas:
Demanda D = 3,600 galões, Custo de emitir PO = $180.00, Armazenamento = $4.50/galão/ano, Prazo de entrega = 5 dias🧮 Execução Matemática:
EOQ = √(2 × 3,600 × 180 / 4.5) = √(288,000) = 536 galões (ou tambores equivalentes)
ROP = (3,600 / 365) × 5 = 49 galões + 30 margem = 79 galões
EOQ = √(2 × 3,600 × 180 / 4.5) = √(288,000) = 536 galões (ou tambores equivalentes)
ROP = (3,600 / 365) × 5 = 49 galões + 30 margem = 79 galões
📈 Decisão Estratégica: Eliminou rupturas de estoque que antes paralisavam revisões preventivas nas oficinas da locadora.
WAVG
Média Ponderada da Frota (Weighted Average)
x̄_w = Σ (w_i × x_i) / Σ w_i
Calcula o valor médio ponderado de um indicador (como consumo, tarifa ou quilometragem) considerando pesos operacionais como o número de veículos em cada grupo.
💡 Importância Empresarial:
Essencial para relatórios consolidados onde simples médias aritméticas geram distorções grosseiras ao ignorar o tamanho de cada categoria na frota.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| WEIGHTS | Pesos ou Quantidades de Veículos (separados por vírgula) | 150, 70, 30 | weights |
| VALUES | Valores dos Indicadores para Cada Grupo (separados por vírgula) | 120, 185, 260 | vals |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Média Móvel Ponderada de Tarifa Diária com Maior Peso aos Finais de Semana Recentes
📌 Cenário Operacional: Cálculo da diária média de locação ponderada na filial de Miami Beach dando peso 3 para os últimos 7 dias, peso 2 para os 14 dias anteriores e peso 1 para o mês passado.
📥 Parâmetros & Entradas:
Período recente: $195.00 (peso 3), Período intermediário: $170.00 (peso 2), Período base: $150.00 (peso 1)🧮 Execução Matemática:
W-AVG = (195 × 3 + 170 × 2 + 150 × 1) / (3 + 2 + 1) = (585 + 340 + 150) / 6 = 1,075 / 6
W-AVG = $179.17 de tarifa ponderada
W-AVG = (195 × 3 + 170 × 2 + 150 × 1) / (3 + 2 + 1) = (585 + 340 + 150) / 6 = 1,075 / 6
W-AVG = $179.17 de tarifa ponderada
📈 Decisão Estratégica: Reflete com muito maior precisão a tendência de alta tarifária do que a média aritmética simples ($171.67).
Exemplo Prático #2: Ponderação de Consumo Médio de Combustível por Perfil de Carga
📌 Cenário Operacional: Furgão de carga rodando na rota Orlando-Tampa com 60% do trajeto carregado com carga pesada (consumo 8.2 km/L) e 40% vazio de volta à base (consumo 12.4 km/L).
📥 Parâmetros & Entradas:
Trajeto Carregado: 8.2 km/L (peso 0.60), Trajeto Vazio: 12.4 km/L (peso 0.40)🧮 Execução Matemática:
Média Harmônica/Ponderada de Consumo = 1 / [ (0.60 / 8.2) + (0.40 / 12.4) ] = 1 / [ 0.07317 + 0.03225 ] = 1 / 0.10542
W-AVG = 9.48 km/L
Média Harmônica/Ponderada de Consumo = 1 / [ (0.60 / 8.2) + (0.40 / 12.4) ] = 1 / [ 0.07317 + 0.03225 ] = 1 / 0.10542
W-AVG = 9.48 km/L
📈 Decisão Estratégica: Evita subestimar o gasto de combustível no orçamento de frete corporativo da rota interestadual.
LINREG
Regressão Linear Preditiva (Linear Regression)
y = a + b × x ; r = Cov(x,y) / (σx × σy)
Ajusta uma reta de tendência estatística por mínimos quadrados entre duas variáveis da frota (ex: Quilometragem acumulada vs Preço de revenda).
💡 Importância Empresarial:
Permite prever com precisão estatística a curva de desvalorização dos carros conforme rodam mais quilômetros na locação.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| X_VALS | Série de Valores da Variável X (ex: Km rodados) | 10, 20, 30, 40, 50 | x |
| Y_VALS | Série de Valores da Variável Y (ex: Preço de Venda) | 72000, 66000, 60500, 55000, 49000 | y |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Previsão de Gastos com Manutenção em Função da Quilometragem do Odômetro
📌 Cenário Operacional: Ajuste de curva linear de dispersão entre milhas rodadas (x) e gasto anual acumulado de oficina (y) em 100 veículos auditados em Orlando.
📥 Parâmetros & Entradas:
Equação de regressão ajustada: y = 0.084x + 650 (onde $650.00 é a taxa fixa de inspeção inicial)🧮 Execução Matemática:
Para um veículo projetado para rodar 75,000 milhas no ano:
y = 0.084 × 75,000 + 650 = 6,300 + 650 = $6,950.00 de gasto anual
Para um veículo projetado para rodar 75,000 milhas no ano:
y = 0.084 × 75,000 + 650 = 6,300 + 650 = $6,950.00 de gasto anual
📈 Decisão Estratégica: Permite provisionar com precisão cirúrgica o orçamento de manutenção preventiva e corretiva para cada lote de frota.
Exemplo Prático #2: Correlação entre Taxa de Desconto Comercial e Aumento de Volume de Diárias
📌 Cenário Operacional: Análise de regressão entre percentual de desconto concedido (x) e diárias contratadas (y) em contas corporativas corporativas em West Palm Beach e Boca Raton.
📥 Parâmetros & Entradas:
Regressão linear: Diárias = 12.4 × Desconto(%) + 180🧮 Execução Matemática:
Conceder 5.0% de desconto gera 12.4 × 5 + 180 = 242 diárias adicionais.
A receita marginal gerada supera o custo do desconto em $14,800.00/mês.
Conceder 5.0% de desconto gera 12.4 × 5 + 180 = 242 diárias adicionais.
A receita marginal gerada supera o custo do desconto em $14,800.00/mês.
📈 Decisão Estratégica: Aprova tabela escalonada de desconto por volume para grandes clientes corporativos.
POLYREG
Regressão Polinomial de 2º e 3º Grau (Polynomial Regression)
y = a₀ + a₁ × x + a₂ × x² + ... + aₙ × xⁿ
Modela relações não-lineares da frota, como o custo de manutenção que cresce de forma acelerada (exponencial/quadrática) após certa quilometragem.
💡 Importância Empresarial:
Captura curvas de desgaste não-lineares, apontando o exato limiar de quilometragem após o qual manter o carro na frota se torna antieconômico.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| DEGREE | Grau do Polinômio Desejado (2 ou 3) | 2 | deg |
| X_VALS | Valores X da Amostra (separados por vírgula) | 10, 20, 30, 40, 50 | x |
| Y_VALS | Valores Y da Amostra (separados por vírgula) | 1200, 1950, 2800, 3900, 5100 | y |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Curva Polinomial de Desvalorização de Veículos no Mercado de Seminovos
📌 Cenário Operacional: A depreciação automotiva é não linear no mercado da Flórida: muito acelerada nos primeiros 12 meses, estabiliza entre 24 e 36 meses e volta a suavizar.
📥 Parâmetros & Entradas:
Ajuste polinomial de 2º grau: Valor Residual V(t) = a t² + b t + c (onde t é a idade em meses)🧮 Execução Matemática:
Com a = 4.2, b = −420, c = 95,000:
• Aos 12 meses: V(12) = $90,564.00
• Aos 24 meses: V(24) = $87,336.00
• Aos 36 meses: V(36) = $85,328.00
Com a = 4.2, b = −420, c = 95,000:
• Aos 12 meses: V(12) = $90,564.00
• Aos 24 meses: V(24) = $87,336.00
• Aos 36 meses: V(36) = $85,328.00
📈 Decisão Estratégica: Identifica o ponto de inflexão ótimo de desmobilização aos 26 meses, onde a locadora obtém a máxima recuperação de capital antes de custos pesados de revisão.
Exemplo Prático #2: Modelagem Não Linear de Consumo de Combustível em Função da Velocidade
📌 Cenário Operacional: Veículo trafegando nas rodovias da Flórida (I-95 e Florida's Turnpike) apresenta consumo que cresce quadraticamente com a velocidade devido ao arrasto aerodinâmico.
📥 Parâmetros & Entradas:
Regressão de 2º grau do consumo em função da velocidade (km/h)🧮 Execução Matemática:
A 90 km/h: 15.2 km/L; a 110 km/h: 12.6 km/L; a 130 km/h: 9.8 km/L
A 90 km/h: 15.2 km/L; a 110 km/h: 12.6 km/L; a 130 km/h: 9.8 km/L
📈 Decisão Estratégica: A locadora implanta limitador telemático de velocidade a 110 km/h (68 mph) em frotas corporativas, economizando 22.0% em combustível.
HWEXP
Suavização Exponencial de Holt-Winters (Holt-Winters Forecasting)
L_t = α × (Y_t / S_{t-s}) + (1 - α) × (L_{t-1} + T_{t-1})
Algoritmo preditivo de séries temporais que decompõe o histórico de reservas em nível, tendência e sazonalidade para projetar a demanda futura.
💡 Importância Empresarial:
Pilar preditivo para prever a demanda de reservas para o verão, feriados prolongados e dimensionar transferências de carros entre lojas.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| SERIES | Série Histórica de Reservas (separada por vírgula) | 110, 130, 180, 100, 118, 142, 195, 108 | vals |
| ALPHA | Parâmetro de Suavização de Nível (α entre 0 e 1) | 0.25 | param |
| BETA | Parâmetro de Tendência (β entre 0 e 1) | 0.15 | param |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Previsão de Demanda de Alta Temporada com Suavização Exponencial Holt-Winters
📌 Cenário Operacional: Série histórica mensal de diárias dos últimos 36 meses com tendência de crescimento da locadora e forte sazonalidade de inverno em Miami e Orlando em dezembro e janeiro.
📥 Parâmetros & Entradas:
Parâmetros: α (nível) = 0.25, β (tendência) = 0.15, γ (sazonalidade) = 0.35, Ciclo = 12 meses🧮 Execução Matemática:
O algoritmo decompõe a série e projeta para o próximo mês de dezembro: Demanda = 14,850 diárias (Margem de confiança 95.0% entre 14,200 e 15,500)
O algoritmo decompõe a série e projeta para o próximo mês de dezembro: Demanda = 14,850 diárias (Margem de confiança 95.0% entre 14,200 e 15,500)
📈 Decisão Estratégica: A empresa antecipa a contratação temporária de 40 veículos via leasing para não perder 1,800 locações por falta de frota no período festivo.
Exemplo Prático #2: Projeção de Custos de Sinistros com Tendência e Fatores de Chuva
📌 Cenário Operacional: Previsão do volume de pequenas colisões nos meses da temporada de tempestades e furacões de verão no Sul da Flórida.
📥 Parâmetros & Entradas:
Histórico de sinistros com pico sazonal no 3º trimestre de cada ano.🧮 Execução Matemática:
Previsão Holt-Winters indica aumento de 28.0% nos sinistros entre julho e setembro.
Previsão Holt-Winters indica aumento de 28.0% nos sinistros entre julho e setembro.
📈 Decisão Estratégica: A empresa reforça a equipe de sinistros e reserva estoque adicional de peças e para-choques junto aos distribuidores em Tampa e Miami.
POIDIST
Distribuição de Probabilidade de Poisson (Poisson Distribution)
P(X = k) = (λ^k × e^(-λ)) / k!
Calcula a probabilidade exata de ocorrer um número k de sinistros, quebras mecânicas ou clientes sem reserva no balcão dentro de um intervalo de tempo.
💡 Importância Empresarial:
Modela o risco probabilístico de colisão de veículos e acidentes na frota, dimensionando com exatidão a reserva de caixa para sinistros.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| LAMBDA | Taxa Média de Ocorrências no Período (λ) | 3.5 | events |
| K | Número de Eventos Avaliado (k) | 5 | events |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Probabilidade de Ocorrência de Sinistros ou Panes Mecânicas no Dia
📌 Cenário Operacional: Frota de 300 veículos urbanos em Miami e Fort Lauderdale com taxa histórica média de 2.5 ocorrências de pane/guincho por dia (λ = 2.5).
📥 Parâmetros & Entradas:
Taxa média de eventos Poisson λ = 2.5 ocorrências/dia. Deseja-se calcular P(X = 0), P(X = 3) e P(X > 5).🧮 Execução Matemática:
• P(X = 0 panes no dia) = e^(−2.5) × 2.5⁰ / 0! = 0.082 (8.2%)
• P(X = 3 panes) = e^(−2.5) × 2.5³ / 3! = 0.2138 (21.4%)
• P(X > 5 panes num único dia) = 0.042 (4.2% de chance de sobrecarga crítica)
• P(X = 0 panes no dia) = e^(−2.5) × 2.5⁰ / 0! = 0.082 (8.2%)
• P(X = 3 panes) = e^(−2.5) × 2.5³ / 3! = 0.2138 (21.4%)
• P(X > 5 panes num único dia) = 0.042 (4.2% de chance de sobrecarga crítica)
📈 Decisão Estratégica: Manter 4 guinchos credenciados de prontidão cobre 95.8% de todos os dias operacionais sem atraso no socorro ao cliente.
Exemplo Prático #2: Previsão de Chegadas de Clientes fora do Horário Comercial (Turno da Madrugada)
📌 Cenário Operacional: Balcão de locadora 24 horas no Aeroporto Internacional de Orlando (MCO) com média de 1.2 clientes chegando por hora entre 01h e 05h da manhã.
📥 Parâmetros & Entradas:
Taxa Poisson λ = 1.2 clientes/hora🧮 Execução Matemática:
P(X ≥ 1 cliente por hora) = 1 − e^(−1.2) = 1 − 0.3012 = 0.6988 (69.9%)
P(X ≥ 4 clientes simultâneos) = apenas 3.3%
P(X ≥ 1 cliente por hora) = 1 − e^(−1.2) = 1 − 0.3012 = 0.6988 (69.9%)
P(X ≥ 4 clientes simultâneos) = apenas 3.3%
📈 Decisão Estratégica: Um único atendente com suporte de quiosque digital de autoatendimento atende 96.7% do fluxo noturno com custo operacional mínimo.
DDX
Derivada Numérica (Numerical Derivative)
f'(x₀) ≈ [ f(x₀ + h) - f(x₀ - h) ] / (2h)
Calcula a taxa instantânea de variação de uma função analítica em um ponto específico x₀ via método das diferenças finitas centradas.
💡 Importância Empresarial:
Mede a elasticidade-preço instantânea da diária de locação e a aceleração marginal dos custos de manutenção.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| FUNC | Expressão Matemática f(x) | x*x + 2*x | fn |
| X0 | Ponto de Avaliação x₀ | 3 | x |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Taxa Instantânea de Variação de Custos em Função do Tamanho da Frota (Custo Marginal)
📌 Cenário Operacional: A função de custo total da locadora em Tampa em função do número de carros N é dada por C(N) = 0.012 N² + 45 N + 18,000.
📥 Parâmetros & Entradas:
Função f(x) = 0.012 x² + 45 x + 18000, Ponto x = 250 veículos🧮 Execução Matemática:
d/dx f(250) = 2 × 0.012 × 250 + 45 = 6 + 45 = $51.00 por carro adicional
d/dx f(250) = 2 × 0.012 × 250 + 45 = 6 + 45 = $51.00 por carro adicional
📈 Decisão Estratégica: Revela que o custo marginal de adicionar o 251º veículo à frota é de apenas $51.00/mês, confirmando ganho de economia de escala.
Exemplo Prático #2: Sensibilidade da Receita frente a Variações na Diária (Elasticidade-Preço Pontual)
📌 Cenário Operacional: Função de demanda na filial de Miami Beach: R(p) = −4.2 p² + 1,480 p (onde p é o valor da diária em dólares).
📥 Parâmetros & Entradas:
Derivada d/dx R(p) para p = $160.00/dia🧮 Execução Matemática:
d/dx R(160) = −8.4 × 160 + 1,480 = −1,344 + 1,480 = +$136.00
Como a derivada é positiva, aumentar a diária ainda aumenta a receita total.
d/dx R(160) = −8.4 × 160 + 1,480 = −1,344 + 1,480 = +$136.00
Como a derivada é positiva, aumentar a diária ainda aumenta a receita total.
📈 Decisão Estratégica: A diária que maximiza a receita total é onde a derivada é zero: p* = 1,480 / 8.4 = $176.19.
INTDX
Integral Definida Simples (Numerical Single Integral)
∫[a,b] f(x) dx ≈ (h/3) × [ f(a) + 4Σf(x_odd) + 2Σf(x_even) + f(b) ]
Calcula a área sob a curva contínua f(x) no intervalo [a, b] aplicando a Regra Composta de Simpson.
💡 Importância Empresarial:
Totaliza a receita líquida acumulada ou despesas totais sob curvas contínuas de precificação dinâmica ao longo do ano.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| FUNC | Expressão f(x) | 200 - 2*x | fn |
| LOWER_A | Limite Inferior de Integração a | 0 | x |
| UPPER_B | Limite Superior de Integração b | 50 | x |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Cálculo da Receita Total Acumulada em Período com Curva de Demanda Variável
📌 Cenário Operacional: A taxa instantânea de faturamento no hub de Orlando ao longo do ano segue a função r(t) = 35,000 + 12,000 sin(2π t / 365) em dólares por dia.
📥 Parâmetros & Entradas:
Integral ∫ r(t) dt nos limites de t = 0 a t = 180 dias (primeiro semestre)🧮 Execução Matemática:
∫₀¹⁸⁰ [ 35,000 + 12,000 sin(2π t / 365) ] dt = 35,000 × 180 − [ 12,000 × (365 / 2π) × cos(2π t / 365) ]₀¹⁸⁰
= 6,300,000 + 1,393,800 = $7,693,800.00 no semestre
∫₀¹⁸⁰ [ 35,000 + 12,000 sin(2π t / 365) ] dt = 35,000 × 180 − [ 12,000 × (365 / 2π) × cos(2π t / 365) ]₀¹⁸⁰
= 6,300,000 + 1,393,800 = $7,693,800.00 no semestre
📈 Decisão Estratégica: Fornece projeção exata do caixa acumulado sem simplificações grosseiras de diárias médias constantes.
Exemplo Prático #2: Desgaste Acumulado de Componentes Mecânicos com Base em Esforço Variável
📌 Cenário Operacional: Integração da potência e torque instantâneo em telemetria para calcular trabalho mecânico total realizado pelo motor em rotas logísticas entre Miami e Key West.
📥 Parâmetros & Entradas:
Integral da curva de torque e RPM ao longo de uma viagem de 800 milhas🧮 Execução Matemática:
Calcula o trabalho acumulado de 482 MJ (Megajoules), comparando com o limite de tolerância do óleo lubrificante.
Calcula o trabalho acumulado de 482 MJ (Megajoules), comparando com o limite de tolerância do óleo lubrificante.
📈 Decisão Estratégica: Indica a necessidade de troca antecipada de fluido em veículos que operaram com reboque ou carga pesada em altas temperaturas.
INTDXDY
Integral Dupla Bidimensional (Double Definite Integral)
∬[D] f(x, y) dA ≈ ΣΣ f(x_i, y_j) Δx Δy
Resolve numericamente integrais bidimensionais de superfícies contínuas em domínios retangulares.
💡 Importância Empresarial:
Modela superfícies tridimensionais de elasticidade cruzada entre tarifa diária e taxa de ocupação na receita total.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| FUNC_XY | Expressão f(x, y) | x * y | fn |
| X_BOUNDS | Limites de x [a, b] | 0, 10 | x |
| Y_BOUNDS | Limites de y [c, d] | 0, 5 | y |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Otimização de Densidade de Demanda Espaço-Temporal em Região Metropolitana
📌 Cenário Operacional: Função de densidade bidimensional f(x, y) representando a demanda de locações em coordenadas geográficas da Grande Miami (Miami-Dade e Broward).
📥 Parâmetros & Entradas:
Integral Dupla ∬ f(x, y) dx dy sobre o retângulo delimitado pelas principais rodovias metropolitanas🧮 Execução Matemática:
Calcula o volume total de 8,420 locações estimadas na mancha urbana central.
Calcula o volume total de 8,420 locações estimadas na mancha urbana central.
📈 Decisão Estratégica: Define a localização geográfica exata para instalação de 3 novas lojas satélites (Hubs em Brickell, Doral e Fort Lauderdale) a menos de 15 minutos dos clientes.
Exemplo Prático #2: Distribuição Bivariada de Probabilidade (Tempo de Aluguel vs Distância Rodada)
📌 Cenário Operacional: Função densidade conjunta f(t, d) onde t é a duração em dias e d é a distância em centenas de milhas na Flórida.
📥 Parâmetros & Entradas:
∬ f(t, d) dt dd para t entre 1 e 5 dias e d entre 200 e 800 milhas🧮 Execução Matemática:
Calcula probabilidade de 64.2% de um contrato se enquadrar no perfil de uso misto turismo-urbano.
Calcula probabilidade de 64.2% de um contrato se enquadrar no perfil de uso misto turismo-urbano.
📈 Decisão Estratégica: Permite tarifar com precisão apólices de seguro com franquia reduzida específicas para esse grupo estatístico.
POLREC
Conversão Polar para Retangular (Polar to Rectangular)
x = r × cos(θ) ; y = r × sin(θ)
Converte coordenadas em raio (r) e ângulo (θ) para coordenadas cartesianas ortogonais (x, y).
💡 Importância Empresarial:
Utilizada em telemetria e cálculos vetoriais de navegação de frotas e forças de aceleração centrífuga.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| R | Raio ou Módulo (r) | 10 | r |
| THETA | Ângulo θ (em Graus ou Radianos) | 45 | deg |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Conversão de Vetor de Força em Declive e Deslocamento em Pátio Multinível
📌 Cenário Operacional: Engenharia de construção de rampa de estacionamento para garagem vertical de 4 andares de locadora em Miami Beach.
📥 Parâmetros & Entradas:
Módulo r = 24.0 metros de rampa, Ângulo de inclinação θ = 14.0° (em modo DEG)🧮 Execução Matemática:
Pol→Rec(24, 14°):
• Coordenada x (Comprimento horizontal no piso) = 24 × cos(14°) = 23.29 metros
• Coordenada y (Elevação vertical do pavimento) = 24 × sin(14°) = 5.80 metros
Pol→Rec(24, 14°):
• Coordenada x (Comprimento horizontal no piso) = 24 × cos(14°) = 23.29 metros
• Coordenada y (Elevação vertical do pavimento) = 24 × sin(14°) = 5.80 metros
📈 Decisão Estratégica: Confirma que a rampa atinge o pé-direito do 2º pavimento (5.80 metros) sem ultrapassar o limite de ângulo de raspagem do para-choque.
Exemplo Prático #2: Decomposição de Vetores de Vento Lateral em Transporte de Veículos por Caminhão Cegonha
📌 Cenário Operacional: Análise de estabilidade aerodinâmica de caminhão-cegonha transportando 11 veículos na ponte Sunshine Skyway (Tampa Bay) sob rajada de vento.
📥 Parâmetros & Entradas:
Velocidade do vento r = 75 km/h, Ângulo com a carreta θ = 38°🧮 Execução Matemática:
Componente lateral (y) = 75 × sin(38°) = 46.17 km/h de empuxo lateral direto sobre a área exposta
Componente lateral (y) = 75 × sin(38°) = 46.17 km/h de empuxo lateral direto sobre a área exposta
📈 Decisão Estratégica: O sistema de telemetria da transportadora emite alerta de velocidade máxima segura de 60 km/h sob essas condições meteorológicas.
RECPOL
Conversão Retangular para Polar (Rectangular to Polar)
r = √(x² + y²) ; θ = atan2(y, x)
Converte componentes cartesianas ortogonais (x, y) em magnitude/raio (r) e ângulo polar (θ).
💡 Importância Empresarial:
Fundamental em telemetria veicular para sintetizar forças de frenagem longitudinal e lateral em um vetor único de desaceleração.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| X | Coordenada Horizontal X | 7.071 | x |
| Y | Coordenada Vertical Y | 7.071 | y |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Determinação de Rotação Angular e Deslocamento Vetorial via Coordenadas Cartesianas
📌 Cenário Operacional: Posicionamento telemático relativo entre o hub central no Aeroporto de Miami (MIA) e pátio secundário de transbordo em Doral.
📥 Parâmetros & Entradas:
Distância para leste x = 18.5 km, Distância para norte y = 24.0 km🧮 Execução Matemática:
Rec→Pol(18.5, 24.0):
• Distância em linha reta r = √(18.5² + 24.0²) = √(342.25 + 576) = √918.25 = 30.30 km
• Ângulo de azimute θ = atan(24 / 18.5) = 52.36°
Rec→Pol(18.5, 24.0):
• Distância em linha reta r = √(18.5² + 24.0²) = √(342.25 + 576) = √918.25 = 30.30 km
• Ângulo de azimute θ = atan(24 / 18.5) = 52.36°
📈 Decisão Estratégica: Calcula o raio de cobertura de socorro mecânico e o alcance das antenas de telemetria das bases operacionais.
Exemplo Prático #2: Cálculo de Impedância Elétrica Total em Infraestrutura de Carregamento para Frotas Elétricas
📌 Cenário Operacional: Instalação de estação de recarga ultrarrápida em Orlando: resistência ôhmica ativa R = 8.4 Ω e reatância indutiva de transformadores X = 6.2 Ω.
📥 Parâmetros & Entradas:
Rec→Pol(8.4, 6.2)🧮 Execução Matemática:
Impedância total |Z| = 10.44 Ω, Fator de defasagem angular θ = 36.43°
Impedância total |Z| = 10.44 Ω, Fator de defasagem angular θ = 36.43°
📈 Decisão Estratégica: Dimensiona o banco de capacitores para correção do fator de potência, evitando multas tarifárias na conta de energia da garagem de recarga.
DET
Determinante da Matriz (Matrix Determinant)
det(A) = |A|
Calcula o determinante de uma matriz quadrada (até 50×50) por eliminação gaussiana com pivoteamento parcial.
💡 Importância Empresarial:
Indica se sistemas lineares de distribuição e balanceamento de frota possuem solução única e estável (det ≠ 0).
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| ROWS | Dimensão da Matriz Quadrada (N×N) | 3 | dim |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Verificação de Solubilidade em Sistema Linear de Alocação de Veículos
📌 Cenário Operacional: Sistema de 3 equações e 3 incógnitas modelando transferências semanais de carros entre 3 hubs da Flórida (Miami, Orlando, Tampa).
📥 Parâmetros & Entradas:
Matriz dos coeficientes operacionais A (3×3)🧮 Execução Matemática:
det(A) = 48.5 (Diferente de zero)
det(A) = 48.5 (Diferente de zero)
📈 Decisão Estratégica: Como o determinante det(A) ≠ 0, o sistema é linearmente independente e possui solução única e ótima, garantindo equilíbrio de frota sem sobra de pátio.
Exemplo Prático #2: Identificação de Degenerescência em Matriz de Custos de Seguro
📌 Cenário Operacional: Matriz com coeficientes correlacionados entre perfil de condutor e franquia em apólices da frota da Flórida.
📥 Parâmetros & Entradas:
det(A) calculado = 0 (Matriz singular)🧮 Execução Matemática:
Determinante nulo comprova redundância estatística entre duas variáveis de análise.
Determinante nulo comprova redundância estatística entre duas variáveis de análise.
📈 Decisão Estratégica: A equipe elimina a variável colinear, simplificando o modelo econométrico de risco.
INV
Inversa da Matriz (Matrix Inverse)
A⁻¹ × A = I
Calcula a matriz inversa A⁻¹ de matrizes regulares não-singulares.
💡 Importância Empresarial:
Resolve diretamente sistemas de equilíbrio de transferências inter-filiais e alocação de frota em rede.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| ROWS | Dimensão da Matriz Quadrada (N×N) | 3 | dim |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Cálculo da Matriz Inversa para Desfazer Efeito de Mistura de Categorias de Frota
📌 Cenário Operacional: Matriz de transição T que modela como clientes das filiais de Miami e Fort Lauderdale fazem upgrade ou downgrade de categoria de veículo.
📥 Parâmetros & Entradas:
Cálculo de T⁻¹ para recuperar o vetor de demanda original não distorcido a partir dos carros devolvidos no fim do mês.🧮 Execução Matemática:
Multiplica-se o vetor de faturamento observado por T⁻¹ obtendo a demanda pura do consumidor por categoria.
Multiplica-se o vetor de faturamento observado por T⁻¹ obtendo a demanda pura do consumidor por categoria.
📈 Decisão Estratégica: Revela demanda reprimida de 25.0% por SUVs compactos que antes era mascarada por upgrades forçados no balcão.
Exemplo Prático #2: Resolução Direta de Sistemas de Equações Lineares (x = A⁻¹ b)
📌 Cenário Operacional: Determinação simultânea de custos unitários de limpeza, combustível e seguro a partir de 3 faturas consolidadas de operações na Flórida.
📥 Parâmetros & Entradas:
Multiplicação da matriz inversa A⁻¹ pelo vetor de custos totais b🧮 Execução Matemática:
Obtém instantaneamente o custo exato individual de cada serviço sem necessidade de cálculo manual por substituição.
Obtém instantaneamente o custo exato individual de cada serviço sem necessidade de cálculo manual por substituição.
📈 Decisão Estratégica: Automatiza o rateio contábil mensal de custos indiretos de oficinas e prestadores terceirizados.
TRANS
Transposta da Matriz (Matrix Transpose)
Aᵀ_{i,j} = A_{j,i}
Inverte as linhas e colunas de qualquer matriz A de dimensões M×N transformando-a em N×M.
💡 Importância Empresarial:
Permite transformar matrizes de fluxo de veículos (origem × destino) em matrizes de recebimento.
Variáveis & Parâmetros:
| Código | Nome da Variável | Padrão | Unidade |
|---|---|---|---|
| ROWS | Número de Linhas M | 3 | rows |
| COLS | Número de Colunas N | 3 | cols |
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Transposição de Matriz de Origem-Destino (O/D) de Veículos Alugados
📌 Cenário Operacional: Matriz 4×4 mostrando viagens iniciadas na cidade i e finalizadas na cidade j (Locações One-Way entre Miami, Orlando, Tampa e Fort Lauderdale).
📥 Parâmetros & Entradas:
Matriz O/D de fluxos de ida: calcular Transposta (Aᵀ) para obter o fluxo inverso de retorno.🧮 Execução Matemática:
Aᵀ inverte linhas e colunas, transformando origens em destinos e permitindo confrontar fluxos líquidos (A − Aᵀ).
Aᵀ inverte linhas e colunas, transformando origens em destinos e permitindo confrontar fluxos líquidos (A − Aᵀ).
📈 Decisão Estratégica: Identifica déficit líquido de 42 carros em Orlando e superávit de 42 em Miami, definindo o roteiro de caminhões-cegonha para rebalanceamento.
Exemplo Prático #2: Cálculo de Matriz de Covariância em Otimização de Portfólio de Ativos de Frota
📌 Cenário Operacional: Multiplicação da matriz de retornos X por sua transposta Xᵀ para calcular a covariância entre categorias de veículos na frota da Flórida.
📥 Parâmetros & Entradas:
X × Xᵀ normalizado pelo número de períodos.🧮 Execução Matemática:
Gera a matriz de risco e covariância de retornos financeiros entre veículos econômicos, executivos e utilitários.
Gera a matriz de risco e covariância de retornos financeiros entre veículos econômicos, executivos e utilitários.
📈 Decisão Estratégica: Permite compor um portfólio de frota com a menor volatilidade de receita e o maior índice de Sharpe possível.
MAT A, B, C
Operações Algébricas com Multi-Matrizes (A + B, A − B, A × B, k × Mat)
Result = (k × A) + B | Result = A × B
O motor de matrizes da FleetCalc Pro permite carregar até 3 matrizes simultâneas (A, B e C) de dimensões até 50×50. O usuário pode calcular determinantes, inversas, transpostas, realizar soma, subtração, produto matricial e multiplicação por escalares.
💡 Importância Empresarial:
Permite multiplicar diretamente o resultado de qualquer operação prévia (ex: 2 × A, 1/3 × A, ou o valor calculado no visor) sobre matrizes de transição de frota e custos operacionais.
🏢 Casos de Uso Empresariais no Mundo Real:
Exemplo Prático #1: Multiplicação por Escalar k × A para Reajuste Inflacionário de Tabela de Custos
📌 Cenário Operacional: Atualização contratual anual de tabela matricial de custos operacionais (Categorias × Tipos de Despesa) pelo CPI de 4.5% (k = 1.045).
📥 Parâmetros & Entradas:
k = 1.045, Matriz A (4 categorias × 5 componentes de custo)🧮 Execução Matemática:
O operador k × Matriz aplica instantaneamente o reajuste sobre todos os 20 elementos da matriz.
O operador k × Matriz aplica instantaneamente o reajuste sobre todos os 20 elementos da matriz.
📈 Decisão Estratégica: Atualiza em segundos a tabela completa de orçamento de custos de todas as categorias para o ano seguinte.
Exemplo Prático #2: Operações Algébricas A + B e A × B para Consolidar Duas Filiais
📌 Cenário Operacional: Matriz A (Custos do Hub no Aeroporto de Miami - MIA) e Matriz B (Custos do Hub no Aeroporto de Fort Lauderdale - FLL).
📥 Parâmetros & Entradas:
Operação A + B no FleetCalc Pro🧮 Execução Matemática:
Gera a matriz consolidada de custos do Sul da Flórida elemento a elemento.
Gera a matriz consolidada de custos do Sul da Flórida elemento a elemento.
📈 Decisão Estratégica: Apresentação imediata de relatório consolidado para a diretoria regional sem depender de planilhas externas.