Modelar problemas de otimização referentes a situações reais podem carregar, em si, incertezas. Para determinar soluções plausíveis ao contexto prático de tais problemas, modelos e métodos que levem em consideração essas incertezas devem ser empregados. Nesse sentido, adotamos a Programação Estocástica, que de acordo com Bortolossi e Pagnoncelli (2006), consiste em determinar soluções admissíveis para todas as possíveis realizações das variáveis aleatórias que são parte da modelagem e cuja distribuição de probabilidade deve ser conhecida. Além de ser uma técnica muito utilizada em problemas de otimização sob incertezas, a Programação Estocástica é bastante versátil na incorporação de medidas de risco e na escolha dos estágios das variáveis de decisão. Deste modo, buscamos investigar a importância de considerar as incertezas presentes nos dados de situações que podem ser formulados matematicamente como problemas de programação linear, compreender sua tratabilidade e analisar sua aplicabilidade por meio do estudo de um problema didático, denominado Problema do Lojista, investigado pela abordagem estocástica de dois estágio com recurso. Tal problema consiste em estabelecer um plano de produção de um lojista, cujo objetivo é determinar a quantidade de camisetas a ser comprada e vendida para obtenção do lucro máximo, atendendo informações sobre preço, oferta e demanda, considerando as incertezas presentes nessas informações. Para encontrar a solução ótima desse problema, utilizamos o método iterativo Simplex, desenvolvido em 1947 por George B. Dantzig, aplicado para estabelecer a solução ótima de um problema de programação linear. Para o problema do Lojista, verificamos que essa abordagem estocástica mostrou-se uma alternativa adequada e flexível na configuração do plano de produção, uma vez que permitiu modelar as variáveis aleatórias de forma bastante natural com a utilização de cenários que podem ser gerados com diferentes estruturas e distribuições de probabilidade. Além disso, a utilização de variáveis de decisão de segundo estágio é uma interessante estratégia, visto que tais variáveis podem ser utilizadas no controle dos parâmetros estocásticos, ajustando e corrigindo decisões do primeiro estágio tomadas antes da realização das variáveis aleatórias.