XXXV CONSOLDA – Congresso Nacional de

Soldagem
26 à 29 de Outubro de 2009
Piracicaba, SP, Brasil

Estimativa da Produtividade na Soldagem de Tubulações Industriais Utilizando o Método de

Monte Carlo

(Welding Productivity's Estimate of Industrial Piping, being used Monte Carlo's Method)

Diogo Souza Constâncio1, Miguel Luiz Ribeiro Ferreira,1 Ielson Junquilho Freire,1
1
Universidade Federal Fluminense – UFF - Escola de Engenharia - Departamento de Engenharia Mecânica -
LAMIS – Laboratório de Montagem Industrial e Soldagem – Niterói – RJ – Brasil.
dinit22@yahoo.com.br, temmlrf@vm.uff.br, ielson@vm.uff.br

Resumo
Neste artigo nos propomos a analisar a viabilidade da utilização do Método de Monte Carlo, para a
monitoração da produtividade em soldagem de tubulações industriais, utilizando dados de pequenas amostras, a
partir das quais foram gerados dados virtuais por simulação. O método de simulação foi aplicado em dois
cenários distintos: no primeiro cenário, conhecido, o modelo real baseou-se numa amostra representativa de
indicadores de produtividade, já no segundo cenário, desconhecido, foi assumida a função probabilidade que
melhor representou o modelo real. O Método de Monte Carlo foi utilizado para geração dos dados virtuais dos
índices de produtividade, fazendo uso dos softwares Bestfit e @RISK. O Bestfit foi aplicado para efetuar o ajuste
das curvas de probabilidade atribuídas a um conjunto de dados de entrada, enquanto que o @RISK foi
responsável pela geração dos números aleatórios artificiais, a partir de funções de probabilidade geratrizes.

Palavras-chaves: Montagem Industrial. Método de Monte Carlo. Indicadores de Produtividade.

Abstract: In this article we intend to analyze the viability using Monte Carlo's Method, to follow of the
productivity in welding of industrial piping, using data of small samples and generating virtual data by
simulation. The simulation method will be applied in two different sceneries: in the first scenery, known, the real
model will be based on a representative sample of productivity indicators, already in the second scenery,
unknown, it will be assumed the function probability to represent the real model. Monte Carlo's Method will be
used to generation of the virtual data of the productivity indexes, making use of the softwares Bestfit and @
RISK. Bestfit will be applied to make the adjustment of the probability curves attributed the a group of input
data, while the @ RISK will be responsible for the generation of the artificial random numbers, starting from
functions of probability initials.

Key-words: Industrial assembly. Monte Carlo’s Method. Productivity’s Indicators.

1. Introdução

A soldagem é um processo de fabricação fundamental na pré-fabricação e montagem de tubulações, tanto do

ponto de vista técnico quanto econômico. Outros processos de fabricação não seriam capazes de atender a altura,
aos aspectos técnicos conferidos pela soldagem, não só pelas excelentes propriedades mecânicas obtidas, como
também pela excelente estanqueidade conferida pelo processo, características essenciais aos diversos tipos de
aplicações e solicitações térmico-mecânicas, as quais estão sujeitas. Quanto aos aspectos econômicos, são
bastante expressivos os custos inerentes à soldagem, relacionados aos equipamentos, materiais, consumíveis e
mão-de-obra, impactando significativamente na produtividade e nos custos totais de produção.
Assim, diante da necessidade das empresas de tornarem-se mais competitivas, no atual contexto de uma
economia globalizada, os métodos e processos que visam ao aumento e a monitoração da produtividade,
adquirem grande relevância. No caso da indústria de montagem de tubulações industriais a produtividade está
fortemente relacionada ao desempenho da soldagem, por se tratar do principal processo de fabricação desta
atividade. Da mesma forma, observa-se a pouca diversidade dos métodos de monitoração da produtividade
utilizados na soldagem de tubulações. Os mais empregados optam por apropriar a totalidade da produção e da
mão-de-obra diária, envolvida durante toda a realização de um empreendimento. Neste sentido, estes processos
de monitoração consomem muito tempo e recursos, o que acarreta, em muitos casos, na limitação, ou mesmo, na
desistência da sua utilização, por parte das empresas construtoras.
 O objetivo deste artigo é avaliar a aplicabilidade do método de Monte Carlo na monitoração da produtividade
de juntas soldadas de topo em tubulações de aço carbono, aplicado ao processo de soldagem por Eletrodo
Revestido (ER), através da coleta de pequenas amostras, a partir das quais serão gerados dados virtuais por
simulação.

2. Produtividade

De acordo com a American Association of Cost Engineers – AACE [1], produtividade é definida como uma
medida relativa de eficiência da produção, considerada boa ou ruim quando comparada a valores de referência ou
estabelecidos em norma. Os valores de referência, também conhecidos como valores de benchmarking, estão
sujeitos a variações temporais em função de ocasionais mudanças observadas na indústria. Nesse cenário se torna
difícil defini-los como valores absolutos.
O Bureau of Labor Statistics – BLS [2] define produtividade como nível de eficiência na conversão dos
recursos (inputs), em produção (output), comparando os bens ou serviços produzidos com os correspondentes
recursos aplicados.
Segundo DIEKMANN e HEINZ [3], produtividade é definida classicamente pela relação Homem-hora (H.h.)
por quantidade unitária produzida. Essa relação é normalmente utilizada na indústria.
De acordo com o Construction Industry Institute - CII [4], o processo de monitoramento da produtividade
inclui a seleção das atividades a serem monitoradas, relatórios das quantidades instaladas e horas trabalhadas,
cálculo da produtividade e utilização desta medida para avaliação da performance, previsão dos recursos
requeridos e realização de estimativas.
O processo de coleta de dados pode ser feito em diversas periodicidades, tais como: diariamente,
semanalmente, ou mensalmente. Segundo o CII [4], a importância da coleta diária é que esta foca a atenção nos
dias de baixa ou alta produtividade, de forma que permite aos gerenciadores melhores conclusões a respeito das
razões pelas quais ocorreram os resultados positivos ou negativos, e quantificar todos esses impactos produzidos
nos custos de construção.
O monitoramento da produtividade permite identificar eventuais problemas de qualquer natureza,
procedimentos técnicos e fiscalização incorretos, durante a realização das tarefas ao longo das linhas de
produção, que de alguma forma, contribuem para a queda da eficiência produtiva. A partir dessas observações é
possível a busca por alternativas para repará-las ou minimizá-las.
No que diz respeito a soldagem, na pesquisa divulgada em 2002 pela AWS [5], foram identificados alguns
benefícios que o acompanhamento da produtividade poderia trazer para o setor, dentre eles a padronização de
indicadores e compartilhamento entre empresas do conhecimento produtivo acerca dos processos.

3. Método de Monte Carlo

3.1. Descrição do Método

De acordo com Shimizu apud Limmer [6], o método de Monte Carlo consiste na geração artificial de
probabilidade da ocorrência de um determinado evento a partir de uma lei de distribuição pré-estabelecida
utilizando simulação. Neste método a função RANDOM é responsável pela geração de números aleatórios, e a
função RANDOMIZE é utilizada para iniciar as simulações. Números aleatórios resultam de um experimento
estocástico, em que os resultados são previamente desconhecidos ou incertos. Segundo Shimizu, os números
aleatórios corresponderão a valores de uma função de densidade de probabilidade previamente definida, e que se
deseja caracterizar através da simulação. A forma da função densidade de probabilidade é importante, sendo
necessário identificar as variáveis aleatórias envolvidas como contínuas ou discretas.
Segundo MUN [7], o método de Monte Carlo é um poderoso método paramétrico de simulação, no qual é
necessário especificar parâmetros de simulação antes de iniciá-la, capaz de prover soluções difíceis e complexas
de problemas práticos com grande facilidade e que representa uma alternativa a modelos matemáticos estocásticos
altamente complexos. Em sua forma mais simples o método é um gerador aleatório de números ou amostras que
pode criar milhões de combinações desses valores, resultando em vários cenários assumidos pelo modelo e
permitindo a análise de suas características principais. Os valores gerados são utilizados no modelo em forma de
distribuições de probabilidade que refletem na incerteza associada a variável. Hoje o método pode ser aplicado na
análise e quantificação de riscos e auxilia a realização de previsões e estimativas em vários campos, e.g.: pesquisa
e desenvolvimento, inclusive em engenharia.

3.2. Etapas

As etapas do método de Monte Carlo extraídas do artigo publicado por MORANO e FERREIRA [8], estão
relacionadas abaixo.
3.2.1 - Agrupamento de Dados

A primeira etapa da simulação consiste em agrupar os dados coletados de interesse em uma tabela.

3.2.2. Montagem de Freqüência e Histograma

Nesta etapa, os dados agrupados na tabela construída com os intervalos de classes, serão usados como dados
de entrada para a determinação da distribuição de freqüência e construção do histograma. Dois requisitos são
fundamentais: a definição do número de classes e, conseqüentemente, do valor de sua amplitude. Em estatística
não existe um padrão unitário definido para estabelecer o número de classes de um histograma. Apesar de
existirem valores particulares, os autores admitem a ocorrência de 7 a 30 classes. FONSECA & MARTINS [9] e
CRESPO [10] defendem que não existe fórmula para o cálculo do número de classes, entretanto, ambos sugerem
a utilização da regra de Sturges, apresentada na equação (1).

(1) [9]
Onde: K = número de classes do histograma; N = número de elementos da amostra.

3.2.3. Escolha da Função Geratriz

A terceira etapa é a escolha da distribuição de entrada ou geratriz, segundo a qual os dados de entrada serão
distribuídos. Assim como a etapa passada, a escolha da distribuição de entrada na simulação não é consenso entre
autores. MORANO e FERREIRA [8] identificaram dois grupos distintos de autores. Um grupo, formado por
nomes como RAFTERY [11] e KERZNER [12], defende que a escolha da distribuição a realização das
simulações, deve ser baseada na análise estatística da amostra. O segundo grupo defende a escolha de
distribuições específicas, tais como a distribuição Normal, Beta, Uniforme, Triangular e Poisson. Na obra Risk
Management and Construction, FLANAGAN & NORMAN [13] citam várias distribuições como sendo as mais
comuns, ponderando que essas funções devem ser facilmente identificáveis, atualizáveis quando da inclusão de
novos dados, e flexíveis quanto às formas que podem assumir. Esta etapa é considerada a que representa maior
dificuldade para a execução eficaz da simulação. A confiabilidade dos dados, a experiência e o conhecimento
profissional são fundamentais para o sucesso da implementação da metodologia.

3.2.4. Definição do Número de Simulações

A quarta etapa, determinação do número de simulações, varia de autor para autor. Citando alguns exemplos,
BRUNI, FAMÁ & SIQUEIRA [14] adotam 200 e 1000 interações, enquanto GREY [15] propõe a utilização de
um número mínimo de 300 iterações. O número de simulações se refere ao número mínimo de simulações
suficientemente grande para representar a distribuição geratriz. A escolha de um grande número de simulações
aumenta sua confiabilidade. Dessa forma, o número de simulações deve ser escolhido de acordo com a situação e
baseando-se na experiência prática de aplicação do método. Em projetos de construção, 100 simulações são
consideráveis razoáveis inicialmente, devendo ser verificada através do teste qui-quadrado para avaliação do
grau de aderência entre a distribuição de entrada e a construída no final da simulação.

3.2.5. Análise dos Resultados

A quinta e última etapa do processo de simulação é a análise dos resultados. A etapa final da simulação
consiste na elaboração do histograma e gráfico de freqüência acumulada para a análise da forma resultante da
distribuição de probabilidade e da curva de freqüência acumulada. Com o histograma pronto é possível a
visualização de classes importantes, como aquelas de maior ocorrência da variável e com a curva da distribuição
definida, o cálculo de probabilidades de ocorrência da variável.

4. Metodologia

4.1. Descrição

O experimento consiste na avaliação da aplicabilidade do Método de Monte Carlo na estimativa de

produtividade da soldagem de tubulações a partir de pequenas amostras. Para realização do experimento dois
cenários foram utilizados: o primeiro onde o tipo de função geratriz é conhecida a priori, a partir da análise do
comportamento de uma amostra real e o segundo onde o tipo de função geratriz não é conhecida, sendo que neste
caso, foi utilizado a função beta como recomenda a literatura. Foram utilizadas três amostras as quais foram
selecionadas com base de em um banco de dados com cerca de 150 itens (verificar) relatando a produtividade
diária de soldadores (cm3/ Hh). O procedimento para definição destas três amostras foi realizada através da
seleção de números aleatórios correlacionados com os dados dos dados reais disponíveis já mencionados. A
forma de coleta foi por meio de sorteio manual dos valores, com reposição, respectivamente, para: n = 10, 15 e
20 conforme apresentado na tabela1.

Tabela 1 – Amostras Sorteadas Aleatoriamente [20]

Números Aleatórios (cm³/H.h) - Eletrodo Revestido
n=10 n=15 n=20
12,29 15,72 24,0
8,0 16,41 12,7
11,40 88,9 21,9
34,5 10,1 20,61
9,0 25,09 15,4
35,8 11,2 11,2
130,3 16,2 75,9
73,6 16,7 47,2
34,8 51,8 16,2
40,2 29,5 50,0
17,4 14,5
11,8 11,8
8,0 57,9
30,6 7,0
52,5 9,3
8,5
27,4
21,8
8,0
14,6

4.2. Determinação de Funções Geratrizes

Na determinação das funções geratrizes foram considerados dois cenários de simulação, onde apenas as
tabelas de números aleatórios sorteadas acima são conhecidas. A diferença é que em um deles o tipo de função
geratriz é conhecido a partir de amostra global contendo 158 dados de produtividade. Estes dados foram obtidos
num banco de dados que utiliza o software ControlTub, considerando uma junta equivalente de 4 polegadas de
diâmetro, sendo que a produtividade medida considera somente a mão-de-obra dos soldadores, sendo que foram
utilizados os dados de soldadores com, no mínimo, dez dias de produção contabilizadas. Este procedimento é
descrito em detalhes no trabalho de “metodologia de medição de índices de produtividade em soldagem de
tubulações em obras industriais” realizado por Gioia & Silva Junior [16]
No segundo cenário, admite-se que esta informação não existe, sendo escolhida a função Beta como geratriz,
conforme é recomendado por vários autores.
Na verificação do comportamento da amostra global contendo todos os dados coletados no campo observou-
se que a curva que melhor se ajustou aos mesmos foi a distribuição Gaussiana Inversa apresentada na figura....
Essa curva será considerada a função geratriz para o primeiro cenário mencionado acima.

InvGauss(27,201; 61,049) Shift=-1,0625

3,5

2,5
Values x 10^-2
f(x)

1,5

0,5

0
-20 0 20 40 60 80 100 120 140

cm³/HH

Figura 1 – Curva Real Eletrodo Revestido [20]

Os parâmetro que caracterizam a distribuição são, respectivamente, P onde adotou-se o valor da média
amostral das três amostras, e Oé obtido substituindo V pela variância ou quadrado do desvio-padrão da amostra
correspondente.
Utilizou-se a função geratriz beta onde o tipo de distribuição que melhor representa o universo amostral não é
conhecido, como já foi mencionado.
 Os parâmetros De D foram calculados da mesma forma do 1° cenário e são apresentados na tabela (2).

Tabela 2 - Parâmetros de Geratriz Beta - Eletrodo Revestido [20]

Parâmetros / Dados Tabela

D
Estatísticos n=10 n=15 n=20
0,97873992 1,411634807 1,510827526
D 24,12423579 51,27113463 61,97999136
Média (cm³/HH) 0,039 0,0268 0,0238
Desvio-padrão (cm³/HH) 0,0379 0,022 0,01898

Os valores da média e desvio padrão foram divididos por 1000, pois a função Beta admite domínio 0 ” x ” 1.
Sem este procedimento não seria possível determinar os parâmetros das funções.

4.3. Configuração da Simulação

A configuração das simulações no @RISK [17] foi padronizada, sendo válida para ambos os cenários. Os
parâmetros básicos necessários para configurar uma simulação são: número de iterações, número de simulações,
tipo de amostra, semente geradora de números aleatórios e recálculos padrão.

Tabela 3 – Configurações da Simulação [20]

Número de iterações 100, 1000 e 10000
Número de simulações 1
Tipo de amostragem Monte Carlo
Semente geradora Aleatória
Recálculo padrão Monte Carlo

O número de iterações corresponde aos números virtuais gerados ou quantidade de cálculos estatísticos
realizados pelo computador, após a geração de um novo número. O número de simulações indica a quantidade de
repetições desejadas de apresentações dos conjuntos gerados, a semente indica a partir de que valor os números
serão gerados, o tipo de amostragem e recálculo padrão se baseia no método de simulação escolhido, estando
relacionados com a convergência dos resultados. O tipo de amostragem corresponde ao método pelo qual os
valores artificiais são gerados para o método de Monte Carlo. E o recálculo corresponde a forma com que os
cálculos estatísticos são atualizados, na medida em que, novos valores artificiais são gerados nos conjuntos.

5. Análise dos Resultados

5.1. Simulação a Partir Função Geratriz Gaussiana Inversa

Os conjuntos artificiais de indicadores de produtividade apresentados a seguir, em cm³/H. h. foram gerados

utilizando a função geratriz Gaussiana Inversa, respectivamente, para n=10, 15 e 20, sendo que os dados são
apresentados nas tabelas 4, 5 e 6.

Tabela 4 – Dados Estatísticos da Amostra n=10 [20]

Iteração
Dados Estatísticos
N=100 N=1000 N=10000
Mínimo 2,9 3,5 2,7
Máximo 239,2 388,9 414,9
Média 37,9 40,2 39,2
Moda 49,8 11 10,9
Mediana 27,7 28,8 27,1
Desvio-padrão 38,442 38,01 37,718

Tabela 5 – Dados Estatísticos da Amostra n=15 [20]

Iteração
Dados Estatísticos
N=100 N=1000 N=10000
Mínimo 5,7 3,4 2,2
Máximo 91,8 137,5 248,1
Média 25,9 26,8 26,7
Moda 10,7 15,9 6,8
Mediana 19 19,9 20,3
Desvio-padrão 18,913 21,482 21,886
 Tabela 6 – Dados Estatísticos da Amostra n=20 [20]
Iteração
Dados Estatísticos
N=100 N=1000 N=10000
Mínimo 3,2 2,5 2,1
Máximo 101,5 155,7 208
Média 24,1 24,1 23,6
Moda 14,1 22,8 7,2
Mediana 16,8 18,4 18
Desvio-padrão 20,333 19,082 18,791

5.2 Simulação a Partir da Função Geratriz Beta

Os conjuntos artificiais de indicadores de produtividade apresentados a seguir, em cm³/H. h. foram gerados

utilizando a função geratriz Gaussiana Inversa, respectivamente, para n=10, 15 e 20, sendo que os dados
estatísticos são apresentados nas tabelas 7, 8 e 9.

Tabela 7 – Dados Estatísticos da Amostra n=10 [20]

Iteração
Dados Estatísticos
N=100 N=1000 N=10000
Mínimo 0,6131 0,0016 0,0041
Máximo 263,1 286,6 312,7
Média 43,4 37,4 38,5
Moda 34 21,2 10,3
Mediana 30,5 26,8 27
Desvio-padrão 45,328 37,507 37,252

Tabela 8 - Dados Estatísticos da Amostra n=15 [20]

Iteração
Dados Estatísticos
N=100 N=1000 N=10000
Mínimo 0,3552 0,0295 0,0168
Máximo 117,3 153,4 177,8
Média 25,4 26,4 26,4
Moda 22 8,4 10,2
Mediana 21,1 20,5 20,7
Desvio-padrão 21,695 21,903 21,477

Tabela 9 – Dados Estatísticos da Amostra n=20 [20]

Iteração
Dados Estatísticos
N=100 N=1000 N=10000
Mínimo 1,3742 0,3088 0,0398
Máximo 80,8 146,5 159,3
Média 23,1 23 23,5
Moda 4,5 12,2 14,5
Mediana 20,1 18,3 18,6
Desvio-padrão 15,568 18,445 18,791

5.3. Curvas Função de Densidade de Probabilidade Acumulada

A análise dos resultados foi feita comparando-se as curvas de probabilidade cumulativas ajustadas no Bestfi
[18], associadas a cada conjunto numérico artificial, gerado na seção anterior, com as curvas relativas ao modelo
da mostra global contendo 150 itens. Foram analisados os quartis das curvas ajustadas a partir dos conjuntos
artificiais, totalizando 4 valores das amostras que definem a probabilidade acumulada de 25%, 50%, 75% e
100%. O último quartil, teoricamente, correspondente ao máximo valor assumido pela variável. Para os ajustes
das curvas cumulativas foram escolhidos 10 intervalos, com o objetivo de padronizar o teste. As curvas foram
ajustadas utilizando-se o Teste quiquadrado com auxílio do software Bestfit [19] e são apresentadas abaixo.
5.4. Curvas Cumulativas – Simulação a Partir da Função Geratriz Gaussiana Inversa

As curvas ajustadas a partir da amostra global com 10 números aleatórios.

Curvas cumulativas ER (n=10)

1

0,9

0,8

0,7

0,6
Real
N=100

F(x)
0,5
N=1000
0,4
N=10000
0,3

0,2

0,1

0
0 50 100 150 200 250 300 350 400 450

cm³/HH

Figura 2 – Curvas cumulativas a partir da amostra global n = 10 [20]

Tabela 10 – Quartis (cm³/HH) – n=10 [20]

Modelo Artificial
Quartil Modelo Real
N=100 N=1000 N=10000
1 13,6 13,1 16,7 15,4
2 21,3 25,6 27,9 26,9
3 33,2 44,7 48,5 48,9
4 91,4 235,7 309,8 190,6

Tabela 11 – Desvios (%) – n=10 [20]

Quartil N=100 N=1000 N=10000
1 -3,68 22,79 13,24
2 20,19 30,99 26,29
3 34,64 46,08 47,29
4 157,88 238,95 108,53

Na simulação com 10 números aleatórios, observa-se que os desvios crescem na medida em que se
aproximam do valor máximo dos indicadores por conjunto, representado pelo último quartil, saltando 3° para o
último quartil devido à obtenção de valores fora de faixa, durante a geração aleatória.

Curvas cumulativas ER (n=15)

0,9

0,8

0,7
Real
0,6
N=100
F(x)

0,5
N=1000
0,4
N=10000
0,3

0,2

0,1

0
0 20 40 60 80 100 120 140 160 180 200

cm³/HH

Figura 3 – Curvas cumulativas a partir da amostra global n=15 [20]

Tabela 12 – Quartis (cm³/H.h.) – n=15 [20]

Modelo Artificial
Quartil Modelo Real
N=100 N=1000 N=10000
1 13,6 12,73 12,72 12,3
2 21,3 19,2 20,15 20,18
3 33,2 30,9 32,7 33,7
4 91,4 142,9 130,3 108,9

Tabela 13 – Desvios (%) –n=15 [20]

Quartil N=100 N=1000 N=10000
1 -6,40 -6,47 -9,56
2 -9,86 -5,40 -5,26
3 -6,93 -1,51 1,51
4 56,35 42,56 19,15
 Na simulação com 15 números aleatórios, observa-se uma redução significativa dos desvios de todos os
quartis em relação ao caso anterior. Este resultado é reflexo do aumento da amostra real.

Curvas cumulativas ER (n=20)

0,9

0,8

0,7
Real
0,6
N=100

F(x)
0,5
N=1000
0,4
N=10000
0,3

0,2

0,1

0
0 20 40 60 80 100 120 140 160 180 200

cm³/HH

Figura 4 – Curvas cumulativas a partir da amostra global n=20 [20]

Tabela 14 – Quartis (cm³/H. h.) n=20 [20]

Modelo Artificial
Quartil Modelo Real
N=100 N=1000 N=10000
1 13,6 11,1 11,4 11,2
2 21,3 17,6 18,5 18,1
3 33,2 28,9 30,1 29,9
4 91,4 124,6 103,1 94,1

Tabela 15 – Desvios (%) –n=20 [20]

Quartil N=100 N=1000 N=10000
1 -18,38 -16,18 -17,65
2 -17,37 -13,15 -15,02
3 -12,95 -9,34 -9,94
4 36,32 12,80 2,95

Na simulação baseada na tabela com 20 números reais, observa-se um aumento dos desvios até o 3° quartil
em relação ao caso anterior e redução dos desvios no 4° quartil. Para a curva associada ao conjunto numérico
contendo 10000 elementos, o desvio no 4° quartil em relação ao modelo real foi muito pequeno, indicando uma
boa aproximação.

5.5. Curvas Cumulativas – Simulação a Partir da Função Geratriz Gaussiana Inversa

As curvas ajustadas a partir da amostra global com 10 números aleatórios são:

Curvas cumulativas ER (n=10)
1

0,9

0,8

0,7
Real
0,6
N=100
F(x)

0,5
N=1000
0,4
N=10000
0,3

0,2

0,1

0
0 50 100 150 200 250 300 350 400
cm³/HH

Figura 5 – Curvas cumulativas n=10 [20]

Tabela 16 – Quartis (cm³/HH) – n=10 [20]

Modelo Artificial
Quartil Modelo Real
N=100 N=1000 N=10000
1 13,6 11,8 10,8 11,4
2 21,3 28,8 25,9 27,3
3 33,2 58,4 51,8 54
4 91,4 208,7 172,1 169,5
 Tabela 17 - Desvios (%) – n=10 [20]
Quartil N=100 N=1000 N=10000
1 -13,24 -20,59 -16,18
2 35,21 21,60 28,17
3 75,90 56,02 62,65
4 128,34 88,29 85,45

Para as curvas ajustadas a partir da tabela com 10 números aleatórios reais, o desvio aumenta com o aumento
do quartil. Comparando estes quartis com os da tabela (10), verifica-se que, até o 3° quartil, os desvios são
maiores. Já no 4° quartil, os desvios produzidos pela função Beta foram inferiores, indicando uma melhor
aproximação do modelo real apesar dos elevados valores apresentados, se afastando da curva real.

Curvas cumulativas ER (n=15)

0,9

0,8

0,7
Real
0,6
N=100
F(x)

0,5
N=1000
0,4
N=10000
0,3

0,2

0,1

0
0 25 50 75 100 125 150 175 200 225 250
cm³/HH

Figura 6 – Curvas cumulativas n=15 [20]

Tabela 18– Quartis (cm³/HH) – n=15 [20]

Modelo Artificial
Quartil Modelo Real
N=100 N=1000 N=10000
1 13,6 12,9 10,6 10,4
2 21,3 22,6 20,8 20,8
3 33,2 36,3 36,3 36,7
4 91,4 89,5 100,5 97,8

Tabela 19 – Desvios (%) – n=15 [20]

Quartil N=100 N=1000 N=10000
1 -5,15 -22,06 -23,53
2 6,10 -2,35 -2,35
3 9,37 9,25 10,45
4 -2,08 9,96 7,00

Na simulação realizada a partir da tabela com 15 números aleatórios, observa-se uma discrepante diferença
do desvio do último quartil quando este é comparado ao valor correspondente da tabela (12). O menor valor do
desvio era esperado, porém este valor foi verificado na curva associada ao conjunto de 100 elementos, que
representaria com boa aproximação o modelo real.
A partir dos resultados obtidos nas amostras de 10 e 15 elementos, verificou-se que não havia necessidade de
fazer a simulação com 20 elementos, uma vez que os resultados obtidos nas duas amostras citadas acima,
aproximaram-se do modelo real.

6. Conclusão

Os dados obtidos na simulação evidenciam que é possível utilizar o Método de Monte Carlo para estimativa
de produtividade de soldagem com base em pequenas amostras com grau de confiabilidade razoável.
Com base na análise dos resultados podemos concluir, que na ausência de um modelo real conhecido que
represente o comportamento de indicadores de produtividade do tipo cm³/H.h., a função de probabilidade Beta
pode ser utilizada como função geratriz em simulações, para este tipo de experimento, por sua boa aproximação
de um modelo real, reforçando o que alguns autores afirmam na literatura
O critério utilizado de considerar os soldadores com a produtividade contabilizada de no mínimo dez dias,
mostrou-se adequado, tendo em vista que é possível assumir um processo com o mínimo de estabilidade.
7. Referências Bibliográficas

[1] AACE – American Association of Cost Engineers. Disponível em: http://www.aacei.org/ . Acesso em:
Fevereiro/2009.
[2] BLS –Bureau of Labor Statistics (2006). Disponível em: http://www.bls.gov/ . Acesso em: dezembro/2008.
[3] DIEKMANN, James E.; HEINZ, Jason. Determinants of Jobsite Productivity: CII, 2001. 144 p.
[4] CII – Construction Industry Institute. Productivity Measurement An Introduction, 1990. 19 p.
[5] MILLER, Charles; CRAWFORD, Mark H. Welding-Related Expenditures, Investments, and Productivity
Measurement in U.S. Manufacturing, Construction and Mining Industries: AWS, 2002. 82 p.
[6] LIMMER, C. V. Planejamento, orçamentação e controle de projetos e obras. Rio de Janeiro: Livros e
Técnicos e Científicos, 1997. 225 p.
[7] MUN, Jonathan. Modeling Risk - Applying Monte Carlo Simulation, Real Options Analysis, Forecasting and
Optimization Techniques: John Wiley & Sons, 2006. 591 p.
[8] MORANO, Cássia Andréa Ruotolo; FERREIRA, Miguel Luiz Ribeiro. Aplicação do Método de Monte
Carlo em Análise de Riscos em Projetos de Construção. Niterói, 2003. 7 p.
[9] FONSECA, J. S. da; MARTINS, G. de A. Curso de Estatística. 3. ed. São Paulo: Atlas, 1987. 286 p.
[10] CRESPO, A. A. Estatística fácil. 14. Ed. São Paulo: Saraiva, 1996. 224 p.
[11] RAFTERY, John. Risk Analysis in Project Management. London: E & FN SPON, 1994. 137 p.
[12] KERZNER, H. Project Management – A Systems Approach to Planning, Scheduling and
[13] FLANAGAN, R.; NORMAN, G. Risk Management and Construction. London: Blackwell Science, 1993.
208 p.
[14] BRUNI, A. L.; FAMÁ, R.; SIQUEIRA, J. de O. Análise do Risco na avaliação de projetos de investimento:
Uma aplicação do Método de Monte Carlo. Caderno de Pesquisas em Administração. São Paulo, v.1, n.6.
1998.
[15] GREY, Stephen. Practical Risk Assessment for Project Management. New York: John Wiley & Sons, 1995.
140 p.
[16] GIOIA, Alexandre Luis Souza; JUNIOR, Isnaldo Francisco da Silva. Metodologia de medição de
produtividade em soldagem de tubulações em obras industriais. Niterói, 2008. 36 p.
[17] Palisade Corporation. A Concise Summary of @RISK Probability Distribution Functions. v.4.5, 2002-2004.
75 p.
[18] Palisade Corporation. BESTFIT - Distribution Fitting for Windows, v.4.5, 2004. 119 p.
[19] Palisade Corporation. @RISK - Risk Analysis and Simulation Add-In for Microsoft® Excel. v.4.5, 2004. 502
p.
[20] CONSTÂNCIO, D. S. Indicadores de Produtividade em juntas de topo soldadas de tubulação de aço
carbono. Niterói, 2009. 121 p. Projeto de Graduação (Graduação em Engenharia Mecânica) – departamento
de Engenharia Mecânica, Universidade Federal Fluminense