Академический Документы
Профессиональный Документы
Культура Документы
Modelagem de Sistema
Sistema pode ser definido como um conjunto de estruturas e recursos que são
interagidos seguindo uma lógica para atingir um ou mais objetivos.
Os estudos destes sistemas podem dar-se sob diferentes formas de abordagem, a
primeira seria interferindo diretamente sob rotinas operacionais promovendo
implementações e ou alterações de procedimentos até que sejam obtidas as condições
ideais, estas ações fazem requerer do tomador de decisão a condução de estudos
preliminares e experiência, para que as alterações não minorem a performance do
sistema. A segunda refere-se a utilização de modelos que representem os sistemas reais.
Os modelos podem apresentar-se como protótipos ou como modelos
matemáticos, os quais podem prestar-se a soluções analíticas, como por exemplo um
modelo de regressão, ou a simulação, permitindo assim, reconstituir a rotina funcional
de um dado sistema real.
A implementação de modelos matemáticos de simulação a serem utilizados em
computadores requerem o uso das linguagens de programação como FORTRAN, C e
PASCAL ou das linguagens de simulação como SLAM, GPSS, GASP, POWERSIM,
ARENA e EXTEND. Ressalta-se que para empregar os modelos de forma adequada
deve-se proceder a verificação e validação.
Modelos de Simulação
Verificação
Validação
Implementação de confiabilidade
Desde modo, deve-se: (a) constatar os termos técnicos usuais, (b) coletar dados
relevantes a serem utilizados no desenvolvimento do modelo, (c) utilizar de teorias
existentes relativas o sistema em estudo, (d) analisar outros modelos desenvolvidos
anteriormente e (e) dotar de experiência e intuição na formulação do modelo.
Modelagem e dados
Definições
Centro de serviço
Sistema de filas
A fila ocorre sempre que a procura por determinado serviço é maior que a
capacidade do sistema de prover este serviço.
Um sistema de filas pode ser definido como clientes chegando, esperando pelo
serviço (se não forem atendidos imediatamente) e saindo do sistema após terem sido
atendidos. "Cliente", em teoria das filas, é um termo genérico, aplicando-se não somente
a seres humanos. O conceito pode abranger, por exemplo, processos esperando para
receber a CPU, pacotes que chegam a um roteador para serem encaminhados, pessoas
esperando no caixa do supermercado, etc.
Aplicações
Existem diversas aplicações da teoria das filas, que podem ser encontradas na
literatura de probabilidade, pesquisa operacional e engenharia industrial. Entre elas
destacam-se:
Processo de chegada
Número de servidores
Um centro de atraso
Capacidade do sistema
População de usuários
Notação de Kendall
M/G/4/50/2000/LCFS
D/M/1/ / /RR
Muitas vezes, os três últimos símbolos são omitidos. Nestes casos, assume-se
capacidade ilimitada, população infinita e disciplina de atendimento FCFS.
Distribuições de probabilidade
• Exponencial (M)
• Uniforme (U)
• Arbitrária ou Geral (G)
• Erlang (Ek)
• Hiperexponencial (Hk)
Leis operacionais
Quantidades operacionais
São quantidades que podem ser medidas diretamente durante um período finito
de observação.
• Período de observação: T
• Número de chegadas (arrivals): Ai
• Número de términos (completions): Ci
• Tempo ocupado (busy time): Bi
• Taxa de chegada:
• Throughput:
• Utilização:
Lei da Utilização
Ui = XiSi
Lei de Little
Desenvolvida por John Little no início dos anos 60, A Lei de Little relaciona o
número de clientes no sistema com o tempo médio despendido no sistema.
Qi = λiRi
Qi = XiRi
Xi = ViX
Ui = XiSi = XViSi
ou
Ui = XDi
ou
Algoritmo de Metropolis
(c2) Se esse número aleatório for menor que , aceita-se na amostra a configuração
n, e se atribui a ela o índice m. Caso contrário, o índice m permanece designando a
configuração original.
(d) Repete-se os passos (b) e (c) até que algum critério de parada seja satisfeito. Cada
uma dessas repetições é dita um passo Monte Carlo (MC).
E[h(x)] = h(E[x])
Mas para uma função F(x) qualquer, E[dF(x)] ≠ 0. Note que dF é dada pelo lema de
Itô, que resulta em:
dF = [0,5 σ2 x2 ∂2F/∂x2] dt + [σ x ∂F/∂x] dz
Logo, E[dF] > 0 se ∂2F/∂x2 > 0, se F(x) for convexa e E[dF] < 0 se ∂2F/∂x2 < 0,
se F(x) for côncava em x.
O Lema de Itô quantifica o efeito (= [0,5 σ2 x2 ∂2F/∂x2] dt), que é maior quanto
maior for a incerteza (medida por σ).
Simulação Real
Aplicações em value-at-risk, simulações para hedge, estimativa de probabilidades de
exercício de opção, tempo esperado para o exercício, etc.
dP
P = α dt + σ dz (processo real)
dP
P = (r −δ) dt + σ dz’ (processo neutro ao risco)