Metodos de Simulação - Todas Partes

Mtodos de Simulao em Logstica
Luiz Antonio Tozi

Luiz Antonio Tozi
Com Experincia em planejamento, operao, administrao, vendas, distribuio
fsica e logstica reversa de produtos no varejo, atuando no segmentos de informtica,
metais no ferrosos, e produtos alimentcios perecveis.
Doutorando em Engenharia pelo ITA - Instituto Tecnolgico da Aeronutica
Mestre em Engenharia de infra-Estrutura Aeronutica - Transportes pelo ITA.
Especialista em Logstica Empresarial pelo ITA.
Especialista na logstica de exportao de produtos perecveis e manuteno da
cadeia do frio.
Especialista em Simulao de Sistemas Logsticos por Computador pelo ITA.
Especialista em Economia do Transporte pelo ITA.
Engenheiro Naval e Ocenico pela Escola Politcnica da USP.
Membro do Cool Chain Association Associao internacional de transportadores e
pesquisadores especializados em carga termicamente sensvel.
Diretor de empresas varejistas de Informtica em Shopping Centers.
Diretor de empresa distribuidora de perfis de alumnio
Participao em empresa importadora de produtos eletro-eletronicos
Participao em empresa de sobremesas congeladas:criogenia, logstica de
distribuio e armazenagem a temperatura muito baixa (-40 c)

Abrangncia do curso
A simulao como instrumento de apoio
deciso;
Mtodos e modelos de simulao em
logstica;
Ferramentas de simulao;
Utilizao de software.
Plano de aula
Bibliografia:
1-Pidd, M. Computer simulation in management science, John Wiley & Sons,
1994.

2- Banks, J. Handbook of Simulation: principles, methodology, advances,
applications and pratice, John Wiley & Sons, 1998.

3-CHWIF, L. Reduo de Modelos de Simulao de Eventos Discretos na sua
Concepo: Uma Abordagem Causal, Tese de Doutorado, EPUSP, 1999.

4- Vakulathil Abdurahiman. Modelagem de simulao por computadores, Notas
de Aula. Instituto Tecnolgico de Aeronutica.

5 Kelton, W; Sadowski, R; Sadowski,D. Simulation With Arena , McGraw Hill,
1999

Parte Prtica:
6 Altiok,T. e Melamed, B. Simulation Modeling and Analysis with Arena,
ELSEVIER, 2007.

AULA 1
introduo
Simulao um termo extremamente
amplo e, basicamente, pode ser definido
como o processo de elaborao de um
modelo de um sistema real (ou hipottico)
e a conduo de experimentos com a
finalidade de entender o comportamento
de um sistema ou avaliar sua operao
[SHANNON, 75].

introduo

O modelo de simulao de um sistema ou de
um organismo uma representao deste
sistema ou organismo.
O modelo sensvel a manipulaes que
seriam impossveis, muito caras ou de execuo
impraticvel nas entidades que representam.
A operao do modelo pode ser estudada e, a
partir da, propriedades relacionadas com o
comportamento do sistema real, ou de seus
subsistemas, podem ser inferidos- Naylor

introduo

Os princpios bsicos so simples. O analista
constri um modelo de um sistema de interesse,
escreve os programas que contm o modelo e
usa um computador para inicializar o
comportamento do sistema quando sujeito as
vrias polticas de operaes. Assim a poltica
mais desejada pode ser escolhida - Pidd

introduo
Na grande maioria das vezes, o modelo
implementado em um computador.
Portanto, usualmente, o termo
"Simulao" sinnimo de "Simulao
Computacional" pois, embora esta possa
ser efetuada manualmente, diante do
nmero macio de clculos, o tempo
gasto para tal seria invivel, em termos
prticos.

introduo
a simulao computacional datada da
dcada de 50, quando tinha basicamente
fins militares, sua popularidade
intensificou-se nestas ltimas dcadas,
expandindo-se para outras reas como
manufatura e servios de engenharia, e
administradores.

Aumento da popularidade
1. Desenvolvimento dos computadores, que apresentou
crescimento extraordinrio nos ltimos anos;
2. Desenvolvimento de softwares de simulao, com
interfaces homem-mquina mais "amigveis" e com
capacidade de processamento grfico;
3. Natureza da simulao: capacidade de avaliar
sistemas complexos e modelar seu comportamento
dinmico;
sendo especialmente importante quando inexiste
soluo analtica (atravs de modelos matemticos).

Vantagens da simulao computacional, quando
comparada como a experimentao direta de um
sistema real, PIDD [98].
1. Em relao aos custos envolvidos:
muito menos oneroso efetuar
experincias com o modelo de
simulao do que com o sistema real,
especialmente quando equipamentos de
alto custo esto envolvidos.

Vantagens da simulao computacional, quando
comparada como a experimentao direta de um
sistema real, PIDD [98].
2. A experimentao de um sistema real
envolve riscos, tanto materiais quanto
humanos, o que no ocorre com um
sistema simulado.

desvantagem
Tempo
um problema prtico enfrentado por um
estudo de simulao o tempo despendido.
Este tempo usualmente longo, quando
comparado com outras tcnicas (analticas),
ou mesmo quando a soluo parte da
experincia e bom senso do analista.

Simulao uma tcnica de resoluo de
problemas.

Simulao uma tcnica que facilita
entender o comportamento do sistema e a
tomar decises.

Workshop 1
Arena Bsico
Definies
Uma entidade qualquer objeto de
interesse do modelo.
Um atributo uma propriedade desta
entidade.
Qualquer processo que pode causar uma
mudana no modelo denominado de
atividade.

O Software ARENA

Barras de
Menu
Barras de
Templates
rea de
Trabalho
rea de
Planilha
Barras de
Ferramentas
Exemplo: Verificando um pedido de
hipoteca
Primeiro passo: Mapeie o processo em
um fluxograma.

O que vai fluir nesse fluxograma?

A entidade : o pedido de hipoteca
Elementos do Template Basic
Process
Create 1
0
Dispose 1
0
Process 1
0
Decide 1
True
False
0
0
Incio de Processo: representa o incio de um
processo;
Trmino de Processo: representa o trmino de um
processo
Operao: representa uma operao ou trabalho
dentro do processo. Ex: clculo feito por computador,
tempo dispendido por um operador;
Deciso: introduz ou no um desvio na seqncia do
fluxograma, dependendo se a condio ser satisfeita
ou no;
Exemplo: Verificando um pedido de
hipoteca
Onde o pedido entra no processo?

O que acontece com ele a cada passo?

Que recursos so necessrios para
completar o servio?
Todo processo comea com o mdulo CREATE
Prximo passo criar o mdulo PROCESS que
representar o processo de anlise do pedido de
hipoteca.
Obs:
deixando o
mdulo
Create
selecionado,
a conexo
entre os dois
mdulos se
dar
automaticame
nte
Usando o mdulo DECIDE para decidir se o
pedido de hipoteca esta completo
Se true
sai pela
esquerda;
Se falso,
sai por
baixo
Usando o mdulo DISPOSE para encerrar o
processo.
Definindo os dados do modelo
Duplo click
Colocar nome ( no usar acentos)
Renomear a entidade . Ex: APLICATION
Digitar o valor no campo time between arrives
Duplo click
Adicione um recurso
Renomeie o recurso
Triangular: Min 1 h; mais provvel
1,75h ; max 3h
OK
Duplo click
Defino que 88% das aplices
esto corretas
Duplo click Duplo click
Veja como Ficou !
Definindo o custo do processo
Recurso consumido durante o processo:
Quanto ganha o revisor do pedido?

Custo do revisor fixado em $12 por hora.
Tanto faz estar ocupado ou parado, recebe a mesma quantia
por hora
Preparando para rodar a simulao
Colocando ttulo:
Run > Setup > Project
parameters > Project Title:

Definindo a durao da simulao:
20 dias
Run > Setup > Replication Parameters
Salvar !
FILE > SAVE AS:
Rodando
Relatrio Overview
Aula 2

CONCEITOS E TERMOS

Sistema um agrupamento de partes que
operam juntas, visando um objetivo em
comum [FORRESTER, 68].

Em outras palavras, um sistema uma combinao
de componentes que atuam conjuntamente para a
realizao de uma funo que no possvel realizar
com qualquer componente individual
[CASSANDRAS, 93].
CONCEITOS E TERMOS
O estado de um sistema pode ser
definido atravs de uma coleo de
variveis necessrias para descrev-lo
totalmente em um dado instante [LAW e
KELTON, 91].

Esta coleo denominada de variveis de
estado.

CONCEITOS E TERMOS
Um modelo pode ser definido como uma
representao das relaes dos
componentes de um sistema, sendo
considerada como uma abstrao, no
sentido em que tende a se aproximar do
verdadeiro comportamento do sistema.

Modelo
O que um "bom" ou "mau" modelo?

Um "bom" modelo,de uma maneira geral,
aquele que permite atingir os objetivos
da simulao com o mnimo custo.
O bom modelo
O "bom modelo deve possuir certas
caractersticas, das quais duas esto dispostas
abaixo:

1. vlido - no sentido de representar
satisfatoriamente a realidade;

2. mnimo - no sentido de incluir somente
elementos que influenciam no problema a ser
solucionado.

Classificao dos modelo
Os modelos para representar os sistemas
podem ser classificados em:

Modelos simblicos (ou icnicos),
Modelos analticos, e
Modelos de simulao.

Modelos simblicos (ou icnicos),
Os modelos simblicos (ou icnicos) so
constitudos de smbolos grficos (como
retngulos e retas) utilizados para dar noo de
seqncia ou outras relaes entre entidades.
O fluxograma de processos de um sistema de
manufatura ou o fluxograma de informaes de um
negcio so exemplos de modelos simblicos.
Embora estes modelos sejam muito teis para entendimento
e documentao do sistema, so fracos para anlise
quantitativa, pois s representam os sistemas de uma forma
descritiva.

Modelos Analticos
Os modelos analticos basicamente podem ser
reduzidos a um conjunto de equaes que, ao serem
resolvidas, permitem obter a soluo esperada. So
exemplos de modelos analticos: os modelos de
programao dinmica, as cadeias de Markov e os
modelos de redes de fila [HARREL e TUMAY, 94].
Embora estes modelos forneam solues precisas, se o
sistema a ser modelado for extremamente complexo, as
solues podem se tornar complicadas e, em muitos casos, tm
de ser utilizadas hipteses simplificadoras para que se resolva o
modelo analiticamente.
Isto pode levar perda da validade do modelo, visto que o
mesmo no conseguiu representar, satisfatoriamente, a
realidade.

Modelos de simulao
Os modelos de simulao, por sua vez, so
implementados atravs do auxlio de um
computador.
Assim, como um modelo analtico pode ser
representado por um conjunto de equaes, um
modelo de simulao pode ser representado
atravs de uma linguagem de programao.
Para tal, ao contrrio dos modelos analticos, os
modelos de simulao so executados, ao invs de
solucionados.

Modelos de simulao
Vantagem
So modelos excelentes
para representar
sistemas que possuem
um nmero muito grande
de variveis e com
dinmica muito complexa
(caso em que a aplicao
de modelos analticos
possui restries).

Desvantagem

podem ser difceis de se
construir e podem levar a
resultados menos
precisos do que os
modelos analticos.

objetivos da simulao
Um modelo de simulao construdo a partir dos
objetivos da simulao (tambm denominados de
requisitos de simulao).
Estes podem ser traduzidos pelas medidas de
desempenho do sistema, que so as variveis de sada
de interesse de um modelo de simulao.
Deste modo, considerando um exemplo de um modelo de
simulao de uma linha de montagem, este pode ter como
objetivo a produtividade e a utilizao da mo-de-obra.
Portanto, as medidas de desempenho so a produo horria
que sai da linha e as taxas de utilizao de cada recurso
humano na mesma.

Classificao da simulao
Segundo Pidd,
Simulao estocstica
Simulao de evento discreta
Simulao continua
Simulao determinstica
Simulao combinada [PRITSKER, 86].

Simulao estocstica
Simulao estocstica: de aplicao mais
geral, envolvendo a gerao de valores de
diversas variveis a partir de suas
respectivas distribuies de probabilidade,
por meio de nmeros aleatrios.
Nesta, inexiste uma representao explcita
do tempo. Ex: como cada um entendeu!

Simulao de eventos discretos

utilizada em sistema em que a
mudanas de estado se d de forma
descontinua pela ocorrncia de eventos
que indicam o inicio ou fim de uma
atividade ou processo.
Simulao continua

modela sistemas em que suas variveis
mudam continuamente de valor, como o
caso das equaes diferenciais.
Exemplo: aquecimento de uma xcara de ch.

Simulao determinstica

De aplicao muito comum em economia,
em que, com base em equaes de
regresso com parmetros anteriormente
calibrados, valores das variveis so
obtidos a partir de combinaes diversas
de valores de variveis.

Simulao combinada
[PRITSKER, 86].
Em alguns casos, necessrio construir
um modelo de simulao que compreenda
aspectos de eventos contnuos e
discretos.
Neste caso, a simulao denominada
simulao combinada [PRITSKER, 86].
Ex: simulao de evento discreto de um fluxo
de liquido para enchimento de um tanque.

Ex: Eventos discreto x eventos
contnuos
Classificao dos modelos de
simulao
Uma classificao pode ser feita em relao s
variveis com que os modelos de simulao
trabalham.
1. Os modelos de simulao que utilizam
variveis aleatrias so denominados Modelos
Estocsticos;
2. Modelos Determinsticos so os que
trabalham somente com variveis do tipo no
probabilsticas;
e o resultado da simulao sempre o mesmo, no
importando quantas vezes se "rode" o modelo

Aula 03
Exemplo 1 um posto bancrio
Objetivo:

1:Achar o tempo mdio que um cliente
gasta no banco (tempo de espera) .

2. Determinar a frao de tempo que a
caixa fica ociosa.

Exemplo 1 um posto bancrio
Tempo entre chegadas de cliente :
1-10 mins (uniformemente distribudos)

Tempo de atendimento de cada cliente:
1-6 min (uniformemente distribudos)

O tempo de espera considera desde a
chegada do cliente at o fim do servio.
Semana 04

PROCESSO DE SIMULAO.
Definido que, para a anlise de um dado
sistema, o modelo de simulao se aplica,
deve-se seguir certos passos, a fim de
que o estudo de simulao seja bem
sucedido.

PROCESSO DE SIMULAO
Estes passos ou processo so conhecidos
na literatura como :
"metodologia de simulao"

ou

"ciclo de vida de um modelo de
simulao"

O ciclo de vida de um modelo de
simulao
Metodologia de simulao
O desenvolvimento de um modelo de
simulao pode ser resumida em trs
grandes etapas:
1. Concepo ou formulao do modelo;
2. Implementao do modelo;
3. Anlise dos resultados do modelo.

1 Concepo ou formulao do
modelo;
O analista de simulao deve entender
claramente o sistema a ser simulado e os
seus objetivos, atravs da discusso do
problema com especialistas.
Deve-se decidir qual a abrangncia do
modelo e o nvel de detalhe.
Todas as hipteses devem ser claramente
estabelecidas.

modelo;
Aps estas decises, o modelo que est
na mente do analista (modelo abstrato)
deve ser representado de acordo com
alguma tcnica de representao de
modelo de simulao a fim de torn-lo um
modelo conceitual, de modo que outras
pessoas possam entend-lo.

modelo;
Os dados de entrada tambm devem ser
coletados nesta fase.
H uma constante interao entre a
construo do modelo conceitual e a
coleta dos dados.
importante ter dados adequados para
alimentar o modelo.
Lembrete: valida a expresso GIGO
(Garbage in - Garbage out)


Na segunda etapa, o modelo conceitual
convertido em um modelo computacional
atravs da implementao no computador, com
a utilizao de uma linguagem de simulao ou
de um simulador comercial.
Pode-se, ainda, codificar o modelo de simulao
em uma linguagem de programao geral, como
o C ou Pascal, (trabalhoso) caso no se
consiga construir o modelo em uma linguagem
de simulao comercial
Em um tpico estudo de simulao, estima-se
que 30-40% deste processo seja atribudo
fase de implementao do modelo


O modelo computacional deve, ainda,
ser verificado contra o modelo
conceitual, a fim de avaliar se est
operando de acordo com o pretendido.
Alguns resultados devem ser gerados
para validar o modelo computacional.
Testa-se as hipteses se o modelo uma
representao adequada da realidade (dentro
dos objetivos da simulao).

3. Anlise dos resultados do
modelo.
Na terceira etapa, aps a verificao e
validao do modelo computacional,
este est pronto para a realizao dos
experimentos, dando origem ao modelo
experimental ou, modelo operacional.

3. Anlise dos resultados do
modelo.
So efetuadas vrias "rodadas" do modelo e os
resultados da simulao so analisados,
utilizando-se diversas tcnicas estatsticas e os
resultados documentados.
A partir destes resultados, concluses e
recomendaes sobre o sistema podem ser
geradas.
Caso necessrio (se o resultado da simulao
no for satisfatrio), o modelo pode ser
modificado, e este ciclo reiniciado.

Workshop 2: Guich do metr
Num guich do metro, o tempo entre chegada de
passageiros segue uma distribuio exponencial de
mdia 30 seg.
Sabe-se que o perfil etrio da populao local pode ser
aproximada por uma distribuio weibull com
parmetros de escala 40 e parmetro de forma 2.
Medidas anteriores constataram que o tempo de
atendimento segue uma distribuio normal com
mdia 25 e desvio padro 2.
Pede-se: Verifique a taxa de ocupao do cobrador
durante 24 horas de operao, sabendo que pessoas
menores que 12 anos e maiores que 60 anos no
precisam comprar bilhetes.

Workshop 2: Guich do metr
Weibull
Tpico de tempo de vida
O modelo
Assing
Decide
Decide
Process
Utilizao do cobrador
Workshop 03
O almoxarifado de uma empresa de autopeas recebe uma requisio de uma determinado
kit de peas a cada Exp (0,75) horas.
Cada requisio pode conter um solicitao que varia uniformemente de 1 a 10 kits.
O tempo que um funcionrio leva para separar manualmente cada kit e o coloca sobre um
palete segue uma distr. triangular com mnimo 2, moda 3 e mximo 4 minutos.
Cada palete comporta 6 kits. Quando completado o palete deve ser levado s docas do
almoxarifado por uma empilhadeira em uma viagem que leva em mdia 10 minutos e
desvio padro de 2minutos.
A poltica da empresa reza que um caminho somente poder ser solicitado quando sua
capacidade mxima for atingida. Porm a empresa aluga 2 tipos de caminho, um truck e
um VUC.
O sistema atual esta configurado para o carregamento de 16 paletes em caminho truck . A
nica empilhadeira da expedio realiza a operao de carga segundo uma distr triangular
de, no mnimo, 20 minutos, mais provvel 30 minutos e mximo 60 minutos.
Caso seja programado um caminho VUC com capacidade para 6 paletes, o tempo mdio
de carregamento 20 minutos com desvio padro de 5 minutos.
Pede-se:
Determine o tempo mdio de expedio desse kit na configurao atual do sistema;
Determine os gargalos do sistema (analise o separador, a empilhadeira e os carregamentos);
Identifique as melhorias possveis;
Modelo proposto
Modelo proposto
Modelo proposto
Modelo proposto
Modelo proposto
Truck = 16 paletes
VUC = 6 paletes
Modelo proposto
Opo
do VUC
Semana 04
TCNICAS DE REPRESENTAO DE
MODELOS DE SIMULAO
Porque representar ??
1. Fornecer melhor entendimento sobre a lgica
de operao dos sistemas e interaes entre
seus componentes;
2. Aumentar a eficincia do desenvolvimento do
modelo de simulao computacional.
3. Assegurar uma validao mais apropriada do
modelo de simulao;
4. Servir como um meio de comunicao entre o
analista e o usurio.

TCNICAS DE REPRESENTAO
Na dcada de 70, comeou a ocorrer uma
mudana de foco na comunidade de simulao
de eventos discretos,
Deixando a abordagem centrada em "Programa
de Simulao"
Passando para uma abordagem centrada no
"Modelo de Simulao"
onde a caracterstica principal o entendimento
humano e no a codificao no computador.

Consideraes
O analista "experiente", na maioria dos
casos, tende a obter, naturalmente, um
modelo mais simples.
Umas das principais causas do
crescimento de modelos complexos de
simulao a falta de objetivos da
simulao bem definidos e prticas pobres
de modelagem.

Requisitos da tcnica de
representao
1. Que a tcnica de representao fosse
de fcil entendimento e uso por parte de
um analista inexperiente.
2. Que a tcnica de representao
indicasse, explicitamente, os objetivos da
simulao (medidas de desempenho de
interesse).

Comparativo entre as diversas tcnicas de
representao (Chwif, 99)

ACTIVITY CYCLE DIAGRAMS
ACD
O ACD uma tcnica
diagramtica que capaz
de modelar as interaes
entre as entidades
atravs da composio
dos seus ciclos de vida.
Uma entidade pode estar
tanto num estado passivo
(Fila) como num estado
ativo (Atividade).

ACD
ACD
ACD
ACD
ACD
Modificado : colocou a
porta!
ACD
PROCESS NETWORKS
PN
A tcnica de representao por Process Networks (PN)
uma das formas mais antigas de representao de
modelos de simulao;
Os pacotes de simulao, na sua grande maioria, usam
a estratgia de processo.
Os PN so representaes centradas em programas de
simulao,portanto, uma dada representao grfica de
um modelo de simulao, expresso em PN, est
associado a esta um "programa equivalente" descrito
em alguma Linguagem de Simulao, pronto para ser
executado no computador.
Na realidade, a tcnica de representao por PN no
possui uma simbologia padro e depende da Linguagem
de Simulao em que est baseada.

PROCESS NETWORKS
PN
Uma das primeiras PN, foi baseada no GPSS (General
Purpose Simulation System).
Neste caso, a PN construda atravs de "blocos", que geram e
processam entidades, manipulam filas e realizam desvios
condicionais.
Outra PN, o SLAM Network foi desenvolvido por
PRITSKER [86]
Alm de permitir a representao de modelos na estratgia de
processo, pode, tambm trabalhar por eventos ou em uma
abordagem combinada (processo / evento).
O SIMAN, abordagem PN desenvolvida por PEGDEN et
al., [90]
Esta PN segue, basicamente, os mesmos conceitos do GPSS e
SLAM.
PROCESS NETWORKS
PN

Ao lado esta um diagrama de blocos
em GPSS de um sistema de filas
M/M/1.

Aqui no se pretende explicar sua
simbologia, em razo do escopo do
texto e,tambm, por sua extenso (h
mais de 50 smbolos no GPSS).

O intuito de fornecer o conceito
bsico deste tipo de tcnica, sem a
pretenso de ser exaustivo e cobrir
todas existentes.

O modelo MM1 em Arena
O modelo MM1 em Linguagem de
Simulao -SIMAN
Workshop 4
Exerccio :
Um armazm, que manuseia apenas 12
tipo de produtos paletizados, recebe
solicitaes para movimentao de
produtos para a expedio segundo
uma distribuio exponencial com
mdia em 3 minutos.

A frequncia dos pedidos por sku
mostrada na tabela abaixo.

Atualmente o WMS do armazm localiza o
posicionamento dos skus
aleatoriamente segundo uma
distribuio uniforme.

SKU Freq SKU Freq
1 20 7 4
2 18 8 3
3 16 9 3
4 14 10 2
5 9 11 2
6 8 12 1
Exerccio dia 14/09/09
F F
E E
D D
C C
B
A
B
A
Zona Tempo
(s)
A 70
B 78
C 86
D 94
E 102
F 110
O tempo mdio de
acesso
mercadoria
fornecido pela
tabela ao lado.

indicado pelo
fabricante que o
consumo da
empilhadeira de
1 metro cbico de
glp por hora de
movimentao.
Exerccio
Pede-se : modelar o sistema atual.

Simule um cenrio vislumbrando a
aplicao do Teorema de Pareto ( curva
abc) ao caso em tela e comente o
resultado
Um modelo bem simples !
Create
Um pedido de movimentao a cada 3 min (em mdia) seguindo uma distribuio
exponencial
Assing
Vamos adicionar um atributo entidade.
Esse atributo vai determinar quanto vai
durar a viagem (tempo de trajeto)
Click em Add
Assing
Selecione o tipo de designao: Type > Atributo
Renomeie o atributo para : Ttrajeto
Assing
Programe a funo
de probabilidade.

Probabilidade
uniforme(1/6 ou
0,167), mas
customizada ento
usamos a
Distribuio
Discreta.
No caso temos 6
zonas com tempos
diferentes.
Distribuio Discreta
Disc(c1,x1, c2,x2, ...1,xn)
DISC(0.167,70,0.333,78,0.495,86,0.661,94,0.827,102,1,110)
Distribuio Discreta
Zona Freq Freq Acumulada T trajeto
102
110
0,167
0,167
0,167
0,167
0,167
0,167
70
78
86
94
E
F
0,167
0,333
0,500
0,667
0,833
1,000
A
B
C
B
process
Lgica > Action
> Seize Delay
Release
Adicione o
recurso
empilhadeira
Delay type:
Expression
Units
segundos
process
Boto direito sobre o
campo expression
selecione : build
expression

>entity related variables

>Attributes
>User-defined
attribute value
Vai aparecer o
atributo que
criamos !
Selecione-o !
<Ttrajeto> ok
process
selecione
Complete a planilha com o consumo > busy = 1
Dispose
Sem mistrio, s renomear
se quiser!
Rodar a simulao
Run
No SETUP
Checar o relatrio para adicionar estatsticas
de custo;
Programar para 5 replicaes em cada
rodada;
Limitar cada replicao a 30 dias.
Ajustar a unidade base de tempo para
Segundos

Anotar os Resultados do cenrio 1
Cenrio 2 :Pareto
Reprogramar a distribuio discreta com
as frequencias acumuladas segundo o
mtodo de pareto, ao invs da distribuio
uniforme.
Zona Freq Freq Acumulada T trajeto
A
20
38% 70
18
B
16
68% 78
14
C
9
85% 86
8
B
4
92% 94
3
E
3
97% 102
2
F
2
100% 110
1
Resultados
indicador Cenrio 1 Cenrio 2 Variao
Tempo total por
entidade/pedido
(medio)
135,19 110,83 -18%
Custo total
(medio)
358,58 316,61 -11%
Custo por
entidade(medio)
0,025 0,022 -12%
Tempo de
espera (medio)
45,09 31,28 -30%
Nmero
esperando
(max)
10 9 -10%
Utilizao do
recurso
0,4980 0,4397 -12%
Aula 6

Gerao de nmeros aleatrios
Gerao da varivel aleatria
O nmero aleatrio [0..1]
Inversa da funo de probabilidade
acumulada que representa o processo
Varivel
aleatria
(tempo do
processo)
Sorteio
Define a
probabilidade
de cada
tempo do
processo em
questo
Apresenta o
valor do
tempo do
processo
Distribuies Estatsticas
Estas distribuies so determinadas
atravs:
Coleta de dados do evento em
interesse;
Os dados so agrupados por classes
em um histograma;
Uma distribuio estatstica adequada
a esse histograma;
O ARENA possui a ferramenta Input
Analyzer que faz as duas ltimas etapas

Como Iniciar o Input Analyzer?
1 cone do Input Analyze na pasta de ARENA
2 Atravs do menu Tools do software ARENA
Input Analyzer
O primeiro passo criar um arquivo novo (menu FILE>>NEW)
Input Analyzer
O prximo passo carregar o arquivo contendo os dados
coletados (menu FILE>>DATA FILE>>USE EXISTING)
Input Analyzer
O arquivo de dados um arquivo no formato ASCII (mesmo tipo
usado no tipo TXT)
Input Analyzer
Automaticamente o Input Analyzer ler os dados e montar
o histograma
Input Analyzer
Agora basta adequar os dados a uma distribuio estatstica;
Voc pode testar distribuio por distribuio ou
escolher a opo Ajustar Todas (menu FIT>>FIT ALL)
Input Analyzer
Esta opo ir ajustar todas as distribuies do Input Analyzer e
mostrar a melhor;
O Input Analyzer gera a lista ordenada por melhor ajuste (menu
WINDOW>>FIT ALL SYMARY)
Input Analyzer
Finalmente basta copiar a expesso obtida para o seu modelo
ARENA (menu EDIT>>COPY EXPRESSION)
Distribuio Normal
Descreve fenmenos regidos por variveis
aleatrias que possuem variao simtrica
acima ou abaixo da mdia. Ex Tempos de
processo (como tempo de mquina);
Distribuio Beta
Devido a sua capacidade se adequar a vrias
formas. Esta distribuio usada como uma
aproximao , quando houver ausncia de
dados.

Distribuio Uniforme
Especifica que cada valor entre um mnimo e
um mximo especificado, tenham igual
probabilidade de acontecer.

Distribuio Triangular
til quando se deseja uma primeira aproximao na
falta de dados mais especficos. Alm dos valores
mnimo e mximo caractersticos da distribuio
uniforme, o conhecimento de um valor mais
provvel, valor modal, permite o uso desta
distribuio, no lugar da uniforme.

Distribuio Exponencial
O principal uso na modelagem de perodos de
tempos entre dois acontecimentos (eventos)
quaisquer, como por exemplo: tempo entre
chegadas de entidades em um sistema, tempo
entre falhas, tempo de atendimento clientes, etc.

Distribuio Erlang
Utilizada na simulao de alguns tipos de
processos, muitas vezes em situaes em que
uma entidade entra em uma estao para ser
servida, seqencialmente, por uma srie de
postos

Distribuio Gamma
Esta funo costuma ser aplicada para
representar tempo de completar alguma tarefa
(tempo de reparos, por exemplo).
Distribuio Log Normal
empregada em situaes onde a quantidade o
produto de um nmero grande de quantidades
aleatrias, frequentemente representa tempos
de atividades com distribuies no
simtricas.
Distribuio Weibull
largamente utilizada em modelos que
representam o tempo de vida de equipamentos.
Aula 09

Evoluo dos Softwares de Simulao
Linguagens de Simulao
Modelos de simulao tendem a ser muito
complexos
Podem haver vrias interaes entre os
elementos do modelo e essas interaes
podem se alterar dinamicamente durante a
execuo do modelo.
As linguagens de simulao surgiram para
facilitar a implementao do modelo
computacional
Sendo mais fcil que as linguagens genricas
Aspectos necessrios linguagens de
simulao
Gerar nmero aleatrio (sorteio da semente de
gerao[0,1])
Gerar valor da varivel aleatria (Ex: valor do tempo gasto
no processo)
Controlar o avano no tempo de simulao
Determinar o prximo evento e programar sua execuo
Adicionar e retirar registros na lista de eventos
Colecionar dados obtidos durante a simulao
Mostrar relatrios de resultados e analisar dados
Detectar condies de erros (indicar se possvel)
Caractersticas esperadas de uma linguagem
de simulao
Fornecer automaticamente a maioria dos aspectos
(mdulos ou templates) necessrios programao
Reduzir a carga de trabalho da programao
Fornecer uma rea de trabalho amigvel e natural
para a modelagem
Facilitar alteraes e correes no modelo
Favorecer a diminuio de erros e Facilitar sua
deteco:
Poucas linhas = menos erros
Apontar erro de sintaxe ou lgico
Exemplo de simulao de um sistema
Ex: MM1

Objetivo: entender o
sistema e criar um modelo
mental ou abstrato
Exemplo de simulao de um sistema:
Tcnica de representao e linguagens de
simulao

Abandona-se a abordagem centrada na "Programao da Simulao"

Adota-se a abordagem centrada no "Modelo de Simulao

onde a caracterstica principal o entendimento humano e no a
codificao no computador.

Fixar o entendimento da lgica de
operao dos sistemas e interaes entre
seus componentes;
Permitir o entendimento por
parte de outra pessoas ; Troca
de informaes
Objetivos:
Inicializao
Variveis
relgio<=t_max?
Utilizao
Atendente=
100*(soma / t_max)
N
tempo_p_chegadas
<tempo_p_trmino?
S
relgio=tempo_p_
chegada
relgio=tempo_p_
termino
Processo Chegada
Processo Atendimento
staus_atendente=0?
status_atendente=1
ta=exponencial(8)
soma=soma+ta
tempo_p_termino=relgio + ta
S
N
n_clientes_fila=n_clientes_fila+1
Atendente Livre
Atendente Ocupado
tec=exponencial(10)
tempo_p_chegada=relogio+tec
n_clientes_fila>0
n_clientes_fila=n_clientes_fila-1
ta=exponecial(8)
soma=soma+ta
tempo_p_termino=relogio+ta
Status_atendente=0
tempo_p_termino=t_max+1
S
N
Com Fila Clientes
Sem Nenhuma Fila Clientes
Modelo de Fila M/M/1: Fluxograma
ACD
PROCESS NETWORKS
PN

Ao lado esta um diagrama de blocos
em GPSS de um sistema de filas
M/M/1.

Aqui no se pretende explicar sua
simbologia, em razo do escopo do
texto e,tambm, por sua extenso (h
mais de 50 smbolos no GPSS).

O intuito de fornecer o conceito
bsico deste tipo de tcnica, sem a
pretenso de ser exaustivo e cobrir
todas existentes.

Linguagens de simulao e a
modelagem do sistema
Objetivo do usurio do
pacote de simulao
Modelar o processo para definir,
documentar e comunicar;
Simular a performance futura do
sistema para entender relaes
complexas e identificar
oportunidades de melhorias;
Visualizar as operaes atravs
de animao grfica;
Analisar como seria o
desempenho do sistema sob
uma gama de cenrios a fim de
encontrar uma melhor situao;
A seguir temos
exemplos de tcnicas
de modelagem!!
Modelo de Fila M/M/1: Pascal
* CC 236 - EXERCICIO 1 *)
(* LUIZ ANTONIO TOZI *)
(* LEANDRO ELIAS *)

PROGRAM EXERCICIO_1;
USES CRT;

TYPE (* DEFINE A ENTIDADE CLIENTE *)
(* SENDO QUE PARA CADA CLIENTE SER ASSOCIADA*)
(* CADA UMA DAS SEGUINTES VARIAVEIS *)
CLIENTE= RECORD
ENTRA, SAI: BOOLEAN;
TCOMPRA, TATENDIMENTO, CLOCKENTRADA, CLOCKFIMCOMPRA,
CLOCKINICIOATENDIMENTO, CLOCKFIMATENDIMENTO: INTEGER;
END;
(* DECLARAO DAS VARIAVEIS *)
VAR
(* C A VARIAVEL ASSOCIADA A MATRIZ DE CLIENTES*)
c: ARRAY[0..2000] OF CLIENTE; (* LIMITA O NMERO DE CLIENTES GERADOS A 2000 *)
(* FILA A VARIAVEL A QUE INDICA A POSIO DO CLIENTE*)
FILA: ARRAY[0..2000] OF INTEGER;

F, TENTRECLIENTES, PROXIMAENTRADA, NUMCLIENTES, CAIXA1, CAIXA2,
TAMANHOFILA, TEMPO, TSIMULACAO: INTEGER;
NCOMPRARAMESAIRAM, NABANDONARAM, NNAOSAIRAM, I: INTEGER;
TMEDIOESPERA, TESPERA, TTOTALESPERA, PORCENTAGEMABANDONO, SUM, R, TCMP:
REAL;
RESP: CHAR;

LABEL DEFINIR_TEMPO;
(*ESSA LABEL PERGUNTA AO USUARIO QUAL O TEMPO DE SIMULAO*)
BEGIN
RANDOMIZE; (*INSTRUAO NECESSRIA PARA OBTER VALORES DISTINTOS A CADA RODADA*)
RESP:='Y';
REPEAT
BEGIN
(* DEFINIR TEMPO DE SIMULAO *)
BEGIN DEFINIR_TEMPO:
CLRSCR;
WRITELN; WRITELN;WRITELN('TEMPO DE SIMULACAO DESEJADO,(MIN)');
WRITE('ATE 480 minutos (8 HORAS) : '); (* LIMITA O TEMPO DE SIMULAO... *)
READLN(TSIMULACAO); (* PARA QUE SEJA CONPATIVEL COM A CAPACIDADE DE CLIENTES *)
IF (TSIMULACAO<1) OR (TSIMULACAO>480) THEN GOTO DEFINIR_TEMPO;
CLRSCR; (* CASO TEMPO ESTEJA FORA DA FAIXA, REPETE *)
END;

TENTRECLIENTES:= 1;

R:= (RANDOM(10000)/10000); (*CALCULA E PROGRAMA A CHEGADA DO 1 CLIENTE*)
(* DEFINE QUE O 1 CLIENTE CHEGA APOS TEMPO 1*)

TENTRECLIENTES:= (ROUND( 1 + ((-1/3)*LN(R)*60)))+1;

PROXIMAENTRADA:= TENTRECLIENTES;
NUMCLIENTES:= 0;
CAIXA1:= 0;
CAIXA2:= 0;
TAMANHOFILA:= 0;

FOR TEMPO:= 1 TO (TSIMULACAO*60) DO (*INICIA-SE A CONTAGEM DO TEMPO DE *)
(* SIMULAO, QUE SEGUE AT O TEMPO *)
(* DEFINIDO PELO USURIO EM SEGUNDOS *)
BEGIN

(* GERA E PROGRAMA AS PROXIMAS CHEGADAS *)
IF TEMPO=PROXIMAENTRADA THEN
BEGIN
R:= (RANDOM(10000)/10000);
TENTRECLIENTES:=ROUND( 1 + ((-1/3)*LN(R)*60));
PROXIMAENTRADA:= TEMPO + TENTRECLIENTES;
NUMCLIENTES:= NUMCLIENTES + 1;

(* ANALISA O TAMANHO DA FILA E DECIDE SE ENTRA OU NAO NO SUPERMERCADO *)

IF TAMANHOFILA<=1 THEN
BEGIN (* SE O CLIENTE ENTRA, ENTAO *)

C[NUMCLIENTES].ENTRA:= TRUE; (* REGISTRA QUE ENTROU *)
C[NUMCLIENTES].CLOCKENTRADA:= TEMPO; (* REGISTRA O TEMPO DE ENTRADA *)
SUM:=0;
FOR I:=1 TO 12 DO (* GERA O TEMPO DE COMPRA *)
BEGIN
R:= (RANDOM(10000)/10000);
SUM:=SUM+R;
TCMP:=1*(SUM-6.0)+6;
END;
C[NUMCLIENTES].TCOMPRA:= ROUND(TCMP*60); (*REGISTRA TEMPO DE COMPRA*)
(* REGISTRA O TEMPO DO FIM COMPRA*)
C[NUMCLIENTES].CLOCKFIMCOMPRA:= (C[NUMCLIENTES].CLOCKENTRADA +
C[NUMCLIENTES].TCOMPRA);
C[NUMCLIENTES].CLOCKINICIOATENDIMENTO:= 0;
C[NUMCLIENTES].CLOCKFIMATENDIMENTO:= 0;
C[NUMCLIENTES].SAI:= FALSE; (* REGISTRA QUE NAO DESISTIU *)
END
ELSE (* CASO NA TENHA ENTRADO *)
C[NUMCLIENTES].ENTRA:= FALSE; (* REGISTRA QUE NO ENTROU *)
END;

(* iNICIO DA ROTINA PARA OCUPACAO DOS CAIXAS A PARTIR DOS CLIENTE QUE ESTO NA FILA *)
(* FAZ O PROCEDIMENTO P O CAIXA 1 *)

IF CAIXA1 = 0 THEN (* SE NO TIVER CLIENTE NO CAIXA 1 *)
BEGIN
IF (TAMANHOFILA>0) THEN (* E SE TIVER ALGUEM ESPERANDO ATENDIMENTO *)
BEGIN (* OBS: TODO CLIENTE POSICIONADO NA FILA *)
(* ANTES DE SER ATENDIDO, MESMO QUE O CAIXA*)
(* ESTEJA LIVRE*)

CAIXA1:=FILA[1]; (* O CAIXA RETIRA O PRIMEIRO DA FILA *)

FILA[1]:=0; (* REORGANIZA A FILA *)
FOR F:=2 TO TAMANHOFILA DO (* E FAZ A FILA ANDAR *)
(* DIMINUIR FILA *)
FILA[F-1]:=FILA[F];
FILA[TAMANHOFILA]:=0;
TAMANHOFILA:= TAMANHOFILA - 1;

C[CAIXA1].CLOCKINICIOATENDIMENTO:= TEMPO; (* REGISTRA O TEMPO DE INICIO
ATEND *)
R:= (RANDOM(10000)/10000); (* GERAR TEMPO DE ATENDIMENTO *)
C[CAIXA1].TATENDIMENTO:= ROUND(((3*R)+5)*60);
C[CAIXA1].CLOCKFIMATENDIMENTO:= (C[CAIXA1].CLOCKINICIOATENDIMENTO +
C[CAIXA1].TATENDIMENTO); (* PROGRAMA E REGISTRA O TEMPO DO FIM DE
ATENDIMENTO *)
END;
END;
IF CAIXA2 = 0 THEN (* O MESMO OCORRE PARA O CAIXA 2*)
BEGIN
IF (TAMANHOFILA > 0) THEN
BEGIN
CAIXA2:=FILA[1];
FILA[1]:=0;
FOR F:=2 TO TAMANHOFILA DO
(* DIMINUIR FILA *)
FILA[F-1]:=FILA[F];
(* GERA TEMPO DE ATENDIMENTO E PROGRAMA FIM DE
ATENDIMENTO *)
C[CAIXA2].CLOCKINICIOATENDIMENTO:= TEMPO;
R:= (RANDOM(10000)/10000);
C[CAIXA2].TATENDIMENTO);
END;
END;

(*INICIO DA ROTINA P DESOCUPAR CAIXAS E LIBERAR CLIENTES *)
IF CAIXA1<>0 THEN (* SE TIVER CLIENTE NO CAIXA *)
BEGIN
IF C[CAIXA1].CLOCKFIMATENDIMENTO = TEMPO THEN (* E SE O TEMPO PROGRAMADO PARA O FIM *)
BEGIN (* DE ATENDIMENTO TIVER SIDO ALCANADO *)
C[CAIXA1].SAI:= TRUE; (* REGISTRA QUE O CLIENTE QUE ESTA NO CAIXA SAIU DO
SISTEMA *)
CAIXA1:=0; (* LIBERA O CAIXA *)
END;
END;
IF CAIXA2<>0 THEN
BEGIN (* O MESMO PARA O CAIXA 2 *)

IF C[CAIXA2].CLOCKFIMATENDIMENTO = TEMPO THEN
BEGIN
C[CAIXA2].SAI:= TRUE;
CAIXA2:=0;
END;
END;

(* ROTINA QUE pOSICIONA TODOS OS CLIENTES NA FILA *)
FOR F:=1 TO NUMCLIENTES DO (* MESMO QUE OS CAIXAS ESTEJAM DESOCUPADOS *)
BEGIN
IF C[F].ENTRA = TRUE THEN (* PARA TODO CLIENTE QUE ENTROU *)
BEGIN
IF C[F].CLOCKFIMCOMPRA = TEMPO THEN (* QUANDO O TEMPO PROGRAMADO P O
FIM DE COMPRA *)
BEGIN (* DO CLIENTE FOR IGUAL AO TEMPO ATUAL, O CLIENTE *)
TAMANHOFILA:= TAMANHOFILA + 1; (* CHEGA NA FILA, A FILA AUMENTA EM UM
CLIENTE *)
FILA[TAMANHOFILA]:=F (* REGISTRADO A POSIO DA FILA EM QUE SE
ENCONTRA *)
END; (* O CLIENTE *)
END;
END;

END;

(* QUESTAO 2 - cALCULO DO TEMPO MEDIO DE ESPERA DOS CLIENTES NO SISTEMA *)

NCOMPRARAMESAIRAM:=0;
TTOTALESPERA:= 0;
TMEDIOESPERA:= 0;
FOR F:=1 TO NUMCLIENTES DO
BEGIN
IF C[F].ENTRA = TRUE THEN (* TODOS OS CLIENTES QUE ENTRARAM.. *)
BEGIN
IF C[F].SAI = TRUE THEN (* E FORAM ATENDIDOS.. *)
BEGIN
NCOMPRARAMESAIRAM:= NCOMPRARAMESAIRAM + 1; (* SO CONTADOS.. *)
TESPERA:= (C[F].CLOCKINICIOATENDIMENTO - C[F].CLOCKFIMCOMPRA);
TTOTALESPERA:= TTOTALESPERA + TESPERA; (* ...E TEM SEUS TEMPOS DE ESPERA
SOMADOS *)
END;
END;
END;
TMEDIOESPERA:=(TTOTALESPERA/NCOMPRARAMESAIRAM)/60; (* RESPOSTA DA SEGUNDA QUESTO *)

(* QUESTAO 3 - CALCULO DA PORCENTAGEM DSO QUE DESISTIRAM *)

NABANDONARAM:=0;
BEGIN (* CONTA TODOS OS CLIENTES QUE DESISTIRAM *)
IF C[F].ENTRA = FALSE THEN NABANDONARAM:= NABANDONARAM +1;
END;
PORCENTAGEMABANDONO:=(NABANDONARAM/NUMCLIENTES)*100; (* CALCULA A PORCENTAGEM DE
DESISTENTES *)

(* rOTINA PARA ESCREVER O RESULTADOS *)
WRITELN; WRITELN;
WRITELN('O TEMPO DE SIMULACAO FOI DE ',TSIMULACAO:1,'MIN'); WRITELN;

WRITELN('RELATORIO:');WRITELN; WRITELN;
WRITELN('TEMPO MEDIO DE ESPERA: ',TMEDIOESPERA:1:2,' MINUTOS');WRITELN;
WRITELN;
WRITELN('CLIENTES QUE DEIXARAM O SISTEMA SEM FAZER
COMPRAS:',PORCENTAGEMABANDONO:1:2,'%');WRITELN;
WRITELN('NUMERO TOTAL DE CLIENTES QUE FORAM GERADOS: ',NUMCLIENTES:1,' '); WRITELN;

WRITELN('REPETIR SIMULAO (Y/N)?');
RESP:=READKEY;
CLRSCR;

END;
UNTIL (RESP='N') OR (RESP='n');
END.
FOR TEMPO:= 1 TO (TSIMULACAO*60) DO (*INICIA-SE A CONTAGEM DO TEMPO DE *)
(* SIMULAO, QUE SEGUE AT O TEMPO *)
(* DEFINIDO PELO USURIO EM SEGUNDOS *)
BEGIN

(* GERA E PROGRAMA AS PROXIMAS CHEGADAS *)
IF TEMPO=PROXIMAENTRADA THEN
BEGIN
R:= (RANDOM(10000)/10000);
TENTRECLIENTES:=ROUND( 1 + ((-1/3)*LN(R)*60));
PROXIMAENTRADA:= TEMPO + TENTRECLIENTES;
NUMCLIENTES:= NUMCLIENTES + 1;

(* ANALISA O TAMANHO DA FILA E DECIDE SE ENTRA OU NAO NO SUPERMERCADO *)

IF TAMANHOFILA<=1 THEN
BEGIN (* SE O CLIENTE ENTRA, ENTAO *)

C[NUMCLIENTES].ENTRA:= TRUE; (* REGISTRA QUE ENTROU *)
C[NUMCLIENTES].CLOCKENTRADA:= TEMPO; (* REGISTRA O TEMPO DE ENTRADA *)
SUM:=0;
FOR I:=1 TO 12 DO (* GERA O TEMPO DE COMPRA *)
BEGIN
R:= (RANDOM(10000)/10000);
SUM:=SUM+R;
TCMP:=1*(SUM-6.0)+6;
END;
C[NUMCLIENTES].TCOMPRA:= ROUND(TCMP*60); (*REGISTRA TEMPO DE COMPRA*)
(* REGISTRA O TEMPO DO FIM COMPRA*)
C[NUMCLIENTES].CLOCKFIMCOMPRA:= (C[NUMCLIENTES].CLOCKENTRADA +
C[NUMCLIENTES].TCOMPRA);
C[NUMCLIENTES].CLOCKINICIOATENDIMENTO:= 0;
C[NUMCLIENTES].CLOCKFIMATENDIMENTO:= 0;
C[NUMCLIENTES].SAI:= FALSE; (* REGISTRA QUE NAO DESISTIU *)
END
ELSE (* CASO NA TENHA ENTRADO *)
C[NUMCLIENTES].ENTRA:= FALSE; (* REGISTRA QUE NO ENTROU *)
END;

(* iNICIO DA ROTINA PARA OCUPACAO DOS CAIXAS A PARTIR DOS CLIENTE QUE ESTO NA FILA *)
(* FAZ O PROCEDIMENTO P O CAIXA 1 *)

IF CAIXA1 = 0 THEN (* SE NO TIVER CLIENTE NO CAIXA 1 *)
BEGIN
IF (TAMANHOFILA>0) THEN (* E SE TIVER ALGUEM ESPERANDO ATENDIMENTO *)
BEGIN (* OBS: TODO CLIENTE POSICIONADO NA FILA *)
(* ANTES DE SER ATENDIDO, MESMO QUE O CAIXA*)
(* ESTEJA LIVRE*)

CAIXA1:=FILA[1]; (* O CAIXA RETIRA O PRIMEIRO DA FILA *)

FILA[1]:=0; (* REORGANIZA A FILA *)
FOR F:=2 TO TAMANHOFILA DO (* E FAZ A FILA ANDAR *)
(* DIMINUIR FILA *)
FILA[F-1]:=FILA[F];

C[CAIXA1].CLOCKINICIOATENDIMENTO:= TEMPO; (* REGISTRA O TEMPO DE INICIO
ATEND *)
R:= (RANDOM(10000)/10000); (* GERAR TEMPO DE ATENDIMENTO *)
C[CAIXA1].TATENDIMENTO); (* PROGRAMA E REGISTRA O TEMPO DO FIM DE
ATENDIMENTO *)
END;
END;
IF CAIXA2 = 0 THEN (* O MESMO OCORRE PARA O CAIXA 2*)
BEGIN
IF (TAMANHOFILA > 0) THEN
BEGIN
CAIXA2:=FILA[1];
FILA[1]:=0;
FOR F:=2 TO TAMANHOFILA DO
(* DIMINUIR FILA *)
FILA[F-1]:=FILA[F];
(* GERA TEMPO DE ATENDIMENTO E PROGRAMA FIM DE
ATENDIMENTO *)
C[CAIXA2].CLOCKINICIOATENDIMENTO:= TEMPO;
R:= (RANDOM(10000)/10000);
C[CAIXA2].TATENDIMENTO);
END;
END;

(*INICIO DA ROTINA P DESOCUPAR CAIXAS E LIBERAR CLIENTES *)
IF CAIXA1<>0 THEN (* SE TIVER CLIENTE NO CAIXA *)
BEGIN
IF C[CAIXA1].CLOCKFIMATENDIMENTO = TEMPO THEN (* E SE O TEMPO PROGRAMADO PARA O
FIM *)
BEGIN (* DE ATENDIMENTO TIVER SIDO ALCANADO *)
C[CAIXA1].SAI:= TRUE; (* REGISTRA QUE O CLIENTE QUE ESTA NO CAIXA SAIU DO
SISTEMA *)
CAIXA1:=0; (* LIBERA O CAIXA *)
END;
END;
IF CAIXA2<>0 THEN
BEGIN (* O MESMO PARA O CAIXA 2 *)

IF C[CAIXA2].CLOCKFIMATENDIMENTO = TEMPO THEN
BEGIN
C[CAIXA2].SAI:= TRUE;
CAIXA2:=0;
END;
END;

(* ROTINA QUE pOSICIONA TODOS OS CLIENTES NA FILA *)
FOR F:=1 TO NUMCLIENTES DO (* MESMO QUE OS CAIXAS ESTEJAM DESOCUPADOS *)
BEGIN
IF C[F].ENTRA = TRUE THEN (* PARA TODO CLIENTE QUE ENTROU *)
BEGIN
IF C[F].CLOCKFIMCOMPRA = TEMPO THEN (* QUANDO O TEMPO PROGRAMADO P O
FIM DE COMPRA *)
BEGIN (* DO CLIENTE FOR IGUAL AO TEMPO ATUAL, O CLIENTE *)
TAMANHOFILA:= TAMANHOFILA + 1; (* CHEGA NA FILA, A FILA AUMENTA EM UM
CLIENTE *)
FILA[TAMANHOFILA]:=F (* REGISTRADO A POSIO DA FILA EM QUE SE
ENCONTRA *)
END; (* O CLIENTE *)
END;
END;

END;

(* QUESTAO 2 - cALCULO DO TEMPO MEDIO DE ESPERA DOS CLIENTES NO SISTEMA *)

NCOMPRARAMESAIRAM:=0;
TTOTALESPERA:= 0;
TMEDIOESPERA:= 0;
BEGIN
IF C[F].ENTRA = TRUE THEN (* TODOS OS CLIENTES QUE ENTRARAM.. *)
BEGIN
IF C[F].SAI = TRUE THEN (* E FORAM ATENDIDOS.. *)
BEGIN
NCOMPRARAMESAIRAM:= NCOMPRARAMESAIRAM + 1; (* SO CONTADOS.. *)
TESPERA:= (C[F].CLOCKINICIOATENDIMENTO - C[F].CLOCKFIMCOMPRA);
TTOTALESPERA:= TTOTALESPERA + TESPERA; (* ...E TEM SEUS TEMPOS DE ESPERA
SOMADOS *)
END;
END;
END;
TMEDIOESPERA:=(TTOTALESPERA/NCOMPRARAMESAIRAM)/60; (* RESPOSTA DA SEGUNDA QUESTO *)

(* QUESTAO 3 - CALCULO DA PORCENTAGEM DSO QUE DESISTIRAM *)

NABANDONARAM:=0;
BEGIN (* CONTA TODOS OS CLIENTES QUE DESISTIRAM *)
IF C[F].ENTRA = FALSE THEN NABANDONARAM:= NABANDONARAM +1;
END;
PORCENTAGEMABANDONO:=(NABANDONARAM/NUMCLIENTES)*100; (* CALCULA A PORCENTAGEM DE
DESISTENTES *)

(* rOTINA PARA ESCREVER O RESULTADOS *)
WRITELN; WRITELN;
WRITELN('O TEMPO DE SIMULACAO FOI DE ',TSIMULACAO:1,'MIN'); WRITELN;

WRITELN('RELATORIO:');WRITELN; WRITELN;
WRITELN('TEMPO MEDIO DE ESPERA: ',TMEDIOESPERA:1:2,' MINUTOS');WRITELN;
WRITELN;
WRITELN('CLIENTES QUE DEIXARAM O SISTEMA SEM FAZER
COMPRAS:',PORCENTAGEMABANDONO:1:2,'%');WRITELN;
WRITELN('NUMERO TOTAL DE CLIENTES QUE FORAM GERADOS: ',NUMCLIENTES:1,' '); WRITELN;

WRITELN('REPETIR SIMULAO (Y/N)?');
RESP:=READKEY;
CLRSCR;

END;
UNTIL (RESP='N') OR (RESP='n');
END.
Initialization()
CreateQ(Q_sai, Infinite)
CreateQ(Q_esp,0)
CreateQ(Q_Atend,1)
CreateQ(Q_Porta,1)
Create_Var(tempo1)
Create_Var(tempo2)
End
C_event(Chegada, Qsize(Q_Sai)>=1 and Qsize(Q_Porta)>=1) {Chegada}
Set_Var(tempo1,E(10))
Schedule(B1, Dequeue(Q_porta),tempo1)
Schedule(B2, Dequeue(Q_sai), tempo1)
End
B_event(B1) {Porta acaba}
Enqueue(Q_Porta, Current, true)
End
B_event(B2)
Enqueue(Q_Esp, current, true)
End
C_event(atendimento,Qsize(Q_esp>=1) and Qsize(Q_Atend)>=1)
Set_Var(tempo2,E(8))
Schedule(B3,Dequeue(Q_esp), tempo2)
Schedule(B4,Dequeue(Q_Atend),tempo2)
End
B_event(B3) { clientes saem do sistema}
Enqueue(Q_sai, current, true)
End
B_event(B4) {atendente termina atendimento}
Enqueue(Q_atend,current, true)
End
Termination(S_time>=10000)
Message(utilizao do atendente = , utilization(Q_attend))
Modelo de Fila M/M/1: LINSIM-PFD
O modelo MM1 em Linguagem de
Simulao -SIMAN
O modelo MM1 em Arena
Entrada Atendi mento Sai da
0
0
0
Modelo de Fila M/M/1: Arena

Modelo de Fila M/M/1: Simul8
Modelo de Fila M/M/1: Extend

Qualidade Imagem/ Animao
Custo
Simuladores 2-D
Linguagens
de Simulao
Linguagens
de Simulao
Simuladores
3-D
Qualidade Imagem/ Animao
Custo
Simuladores 2-D
Linguagens
de Simulao
Linguagens
de Simulao
Simuladores
3-D
Animao/Custo
Efeitos 3D em Modelos 2d
Modelo operacional:
Experimentos
Um tabuleiro de xadrez logstico !
Um tabuleiro de xadrez
logstico
logstico
logstico
Anlise dos resultados
logstico

Linguagem Geral (Pascal, C ,
Java...)
Principais Vantagens
Podem existir caso onde seja vantajoso o uso
de uma linguagem geral.

Principais Vantagens:
Caso o modelador esteja familiarizado com a
linguagem
Tem menor custo de obteno e est facilmente
disponvel
Possui flexibilidade de programao
Geralmente mais leve e exige menor tempo de
execuo.

Vakulathil, 2004
Vakulathil, 2004
Vakulathil, 2004
Vakulathil, 2004
Critrios para avaliao de software de
simulao
Apresentao Simpoi 2007
simulao :
Objetivo especfico
valido usar simulao para identificar
gargalos na logstica do Aeroporto de
Viracopos por meio do software Arena 5 ?
Para verificar a adequao do software ao
sistema logstico foi realizada extensa
pesquisa por critrios de avaliao.
Empreendeu-se um mtodo de avaliao do
software que permitiu atestar a sua utilidade,
adicionando mais segurana aos trabalhos de
pesquisa no terminal de carga.

simulao :
O que deve ser feito ? :
Metodologia
Trs fases:
1. Prospeco dos processos: descrio das
atividades logsticas que compe o processo de
recebimento de carga
2. Determinao das ferramentas de anlise:
descrever os critrios usados na avaliao do
software e seus pesos no computo da avaliao final
3. Analise crtica: indicar as relaes esperadas entre
as caractersticas do software e as do sistema
logstico analisado, a fim de qualific-lo, como
adequado ou no.
simulao :
Prospeco dos processos de recebimento de carga
Di vi sri as
T e l a
Tel a
T e l a
Parking
area
Zero
Point
Racks
lines
Balances
Input
terminal
customs
Di vi sri as
T e l a
Tel a
T e l a Di vi sri as
T e l a
Tel a
T e l a
Parking
area
Zero
Point
Racks
lines
Balances
Input
terminal
customs
simulao :
Determinao das ferramentas de anlise
Referncias bibliogrficas mais
importantes:
Hlupic e Paul (1993)
Davis e Willian (1993)
Holder (1990)
Saliby (1998)
Banks (1998),
Consulta a especialistas:
Tabela para avaliao do pacote de
simulao.
Critrios para avaliao de software de simulao

Grupo de Critrio Critrio Nvel de
importncia
A
Avaliao
do software
B
C=
( A x B)
/3
Entrada (Input): Recurso de apontar mouse e clicar; 3 3 3,0
Utilizao de desenhos CAD; 3 0 0,0
Importao de arquivos; 3 2 2,0
Exportao de arquivos; 3 2 2,0
Sintaxe compreensvel; 3 3 3,0
Controle interativo de execuo; 2 3 2,0
Interface com outra linguagem; 3 3 3,0
Recurso para anlise de dados de
entrada.
3 3 3,0
Processamento: Possibilidade de modelagem
complexa (sub modelos);
3 3 3,0
Velocidade;tempo de compilao 3 3 3,0
Flexibilidade de execuo de corridas; 3 3 3,0
Gerao de valores aleatrios; 3 3 3,0
Re-inicializao de estatsticas e
geradores (Reset);
3 3 3,0
Replicaes independentes; 3 3 3,0
Variveis globais e de atributo; 3 3 3,0
Programao: flexibilidade lgica; 3 2 2,0
Portabilidade entre maquinas; 3 1 1,0
Verificao de erros; 3 2 2,0
Capacidade grfica; 3 2 2,0
Utilidades estatsticas; 2 3 2,0
Estabilidade contra travamentos; 3 3 3,0
Disponibilidade de
objetos/ferramentas de modelagem
(recursos diretos e indiretos);
3 2 2,0
Sada (Output): Relatrios padronizados; 3 2 2,0
Relatrios personalizados
("customizados");
3 3 3,0
Gerao de grficos; 3 2 2,0
Manuteno de bancos de dados; 3 3 3,0
Coleta do resultado de expresses
matemticas;
3 3 3,0
Medidas de desempenho
especficas da aplicao
("customizadas");
3 3 3,0
Sada em arquivos; 3 2 2,0
Ambiente: Facilidade de uso; 3 2 2,0
Facilidade de aprendizado; 3 2 2,0
Qualidade da documentao; 2 2 1,3
Manual de instruo; 2 2 1,3
Referncia de suporte construo
de modelo;
2 2 1,3
Recursos de animao; 3 2 2,0
Ajuda on line; 3 2 2,0
Verso "Run Time" ; 3 3 3,0

Fornecedor do
software:
Tradio ; 1 3 1,0
Histria; 1 3 1,0
Suporte; 2 2 1,3
Custo: Aquisio de licena; 3=free; 2=at
US$1000; 1=at US$ 5000; 0 acima;
3 0 0,0
Atualizaes; 3 1 1,0
Treinamento e suporte; 2 1 0,7
Hardware e instalao; 3 3 3,0
Outros Uso de templates para modelagem
mais rpida;
3 3 3,0
Uso do conceito de programao
orientada a objetos;
3 3 3,0
Interface com outras ferramentas de
software (CAD, planilhas);
1 3 1,0
Recursos de otimizao experimental; 3 3 3,0
Aplicaes Internet; 2 0 0,0
Controle da simulao em tempo real; 2 2 1,3
Total 135 105,3
Ento,
C
A
= 0,79.
legenda Nvel de
importncia
do critrio.
Coluna A
Avaliao
do critrio
no software.
Coluna B
3 Muito
importante
Muito bom
2 Importante Bom
1 Pouco
importante
Insatisfatrio
0 Sem
importncia
Inexistente

simulao :
Prospeco dos processos de recebimento de carga
O software ARENA atingiu o escore de
79% do total atribudo a um software
considerado perfeito.
Concluiu-se que o Software Arena V
constitui um ferramental adequado
Workshop aulas 9 e10
Tpicos avanados
Advanced process
Sistema de produo e inventrio
produto nico
Considere um sistema de produo/inventrio em que
o processo de produo (por exemplo, empacotar) compreendido de
trs estgios
1. encher cada unidade do recipiente (por exemplo, frascos)
2. selar de cada unidade
3. Etiquetar cada unidade
um suprimento de matria-prima alimenta o processo de produo, e as
unidades terminadas so armazenadas em um armazm
Clientes chegam no sistema com pedidos do produto (demanda),
se um pedido no puder ser satisfeito inteiramente pelo inventrio da em
mos,a parcela insatisfeita da demanda representa negcios perdidos.
Raw
Material
Process
Warehouse
Demand
Lost
Customers
A Operao Da Produo
O componente do processo de produo opera como
segue:
h sempre um material prima suficiente no
armazenamento, assim o processo de produo nunca
para por falta de suprimento.
processamento do produto realizado nos lotes de 5
unidades, e os lotes terminados so colocados no
armazm.
o tempo processando do lote distribudo uniformemente
entre 10 e 20 minutos.
o processo de produo passa por falhas aleatrias, que
podem ocorrer em qualquer ponto no tempo.
os tempos entre falhas so distribudos exponencial com
uma mdia de 200 minutos.
os tempos de reparo so distribudos normalmente, com
uma media de 90 minutos e um desvio padro de 45
minutos.
A operao do armazm
O armazm opera da seguinte maneira:
as operaes do controle de inventrio, segue o
mtodo do ponto de reposio do pedido, onde:
1. o armazm tem uma capacidade (nvel de alvo) de
unidades.
2. o processo de produo pra quando o inventrio no
armazm alcana o nvel de alvo.
3. a partir deste ponto, o processo de produo fica
inativo at o nvel do inventrio atingir o ponto de
requisio de pedido unidades.
4. O processo de produo reiniciado neste momento
at que o nvel do inventrio do armazm alcance o
nvel de alvo.

500 R =
150 r =
A operao do armazm
os tempos entre chegadas de clientes
sucessivos so distribudos uniformemente
entre 3 a 7 horas, e os tamanhos individuais da
demanda so distribudos uniformemente entre
50 e 100 unidades.
na chegada do cliente, o inventrio verificado
imediatamente, e se houver estoque suficiente
em mos, a demanda ser satisfeita
prontamente.
Caso contrrio, a parcela insatisfeita da demanda
perdida.
Medidas de Desempenho do
Sistema
As medidas de desempenho de interesse so:
utilizao processo.
probabilidade de falha do processo
(percentual do tempo em que a produo encontra-se
paralizada por quebra da mquina).
nvel do inventrio mdio do armazm.
porcentagem dos clientes cuja a demanda no
satisfeita completamente na chegada no
armazm.
tamanho mdio das demandas de cliente
perdidas no armazm,
dado que as demandas no foram satisfeitas
completamente.
O modelo em Arena
Lgica do modelo
O modelo da arena do sistema de
production/inventory composto de dois
segmentos:

gerncia de inventrio e

gerncia de demanda.
gerncia de inventrio:

o processo empacotando pega uma unidade de
materia prima de sua fila, e o processa em lotes de 5
unidades de produto.
o lote terminado adicionado ao inventrio do
armazm (inventrio varivel).
Quando o inventrio alcanar o nvel de alvo (estoque
varivel do alvo),
a produo para at que o ponto de requisio seja novamente
alcanado .
O processamento de novos lotes de produto comea
novamente.

gerncia de demanda

as chegadas dos clientes e das suas demandas no
armazm so geradas.
o inventrio varivel ajustado a partir do
atendimento ao cliente.
o valor do inventrio monitorado provocando a
ativao do processo de produo quando o re
order point por alcanado.
feito um registro da demanda perdida.
Lgica da gerncia de
inventrio
o mdulo Create , cahamado Raw Material,
gera unidades para a operao de produo e
empacotamento packaging.
a operao de empacotamento packaging foi
modelada usando os na sequencia os
mdulos Seize, Delay and Release
O Processamento real ocorre no mdulo
Delay , chamado Packaging Process, onde o
tempo de processamento de um lote foi
estipulado como minutos
10,20 Unif( )
Mdulo Seize
O mdulo Seize captura recursos
Mdulo Release
O mdulo Release libera os recursos
Mdulo Resource
A Programao no spreadsheet view do mdulo
Resource (no paninel de template dos Basic Process )
usada para listar os recusros e seus atributos
Um dos campos de atributos o de falhas (Failures),
abaixo, programao do recurso Packaging Process com
seu campo de falhas em detalhe (Failures).

Mdulo Failure
Up time tempo entre falhas
Down time tempo de falha (tempo de conserto)
NORM(90,45)
Mdulo Hold
O mdulo Hold executa uma funo de
bloqueio das entidades
Lgica da gerncia de
inventrio
o mdulo faz a varredura para a condio
lgica verdade ou falso de uma varivel,
(Production = = 1),
E aprisiona as entidades na fila Shall We
Produce?.Queue o at que uma condio se
torne verdadeira.

Lgica da gerncia de
inventrio
O nvel do inventrio no armazm controlado
atravs de uma varivel chamada Inventory,
inicialmente ajustada para 250

cada entidade produzida (lote de 5) entity entra
no mdulo Assign chamado Update Inventory,
e aumenta o valor da varivel Inventory
adicionando o valor do tamanho do lote ,definada
na varivel Batch Size varivel Inventory.
A entidade ento segue do mdulo Hold, called
Shall We Produce?, para o mdulo Decide,
chamado Check Target

Mdulo Decide
a caixa de dilogo acima faz uma deciso em dois
sentidos verificando o nvel do alvo do inventrio
target stock = 500
Lgica da gerncia de
inventrio
Se o alvo do inventrio R=500 foi
antingido, ento a entidade segue para o
mdulo Assign, chamado Stop
Production, e muda Production = 0
Lgica da gerncia de
inventrio
Uma entidade terminou seu trajeto atravs do sistema, e
seria eliminada normalmente (em um mdulo dispose).
Entretanto, desde que o mdulo Packaging nunca
paralizado por falta de materia prima, e nenhum atraso
ocorre desde sua partida da estao de empacotando,
ns podemos reciclar a entidade, mandando de volta ao
Packaging Queue, para fazer o papel de uma entidade
nova.
Este dispositivo modelando logicamente equivalente a
dispr da entidade e a criar uma nova.
entretanto, computacionalmente mais eficiente, pois
conserva este esforo computacional extra.
assim, a simulao funcionar mais rapidamente!
Lgica da Gerncia da
Demanda
Faz uso dos seguintes mdulos

Mdulo Create , chamado Customer Arrives, gera a
chegada dos clientes no sistema
, e o mdulo Assign, chamado Customer Demand,
designa ao cliente a demanda que ele vai fazer.
A politica do inventrio modelada
usando uma sequencia of mdulos Decide e Assign
.
A varivel inventrio Inventory espelha o nvel de
invatrio do armazm.
, ( ) r R
Cria os clientes
Assign
Gera a demanda do cliente;

Faz a contagem de clientes;

50,100 Unif( )
Mdulo decide
Checa se o armazm tem estoque
suficiente para atender a demanda.
Caso V:Se a varivel Inventory
possuir estoque maior ou igual
Demand
Se a varivel Inventory possuir estoque maior ou igual Demand.
O cliente caminha pela sada True para o mdulo Assign, chamado
Take Away From Inventory, quando o inventrio diminuido pelo valor
da demanda.

Em seguida, a entidade prossegue ao mdulo Decide, chamado
Restart Production, para testar se a varivel Reorder Level foi
atingida.

Decide
Caso contrrio, a entidade (cliente) segue para ser eliminado do sistema pelo
mdulo Dispose, chamado Dispose1
Inicia a produo
Mdulo assign muda Production = 1, imediatamente libera a entidade que
controla a produo contida no mdulo Hold Shall We Produce?
Dispose 1
A entidade que representa o cliente
eliminado do sistema no mdulo dispose
Caso F:Se a varivel Inventory
possuir estoque menor que a
Demand
A demanda no ser satisfeita totalmente
A entidade cliente segue para o mdulo
assing Lost Customer, onde:
a varivel Inventory recebe o valor 0
A varivel lost incrementada em 1
A varivel Lost Amount monitora a
quantidade de produtos que no foram
vendidos (Lost Amount = Demand
Inventory)

Demand
Demand
Mdulo Record
Chamado Tally Amount Lost, para registrar a quantidade perdida por o
cliente cuja a demanda no foi satisfeita inteiramente.
O mdulo record usado epara coleo de estatsticas definidas pelo
usurios, atravs das entidades, em posies particulares do modelo.
Mdulo Record
Sempre que uma entidade entra no
mdulo Record, a quantidade da
expresso (neste caso, a quantidade de
vendas perdidas) avaliada, e o valor
resultante registrado.
Quando a rodada de simulao termina, o
relatrio de sada conter uma seo dos
registros que sumaria as estatsticas da
quantidade perdida por o cliente.
Dispose 1
A entidade que representa o cliente
eliminado do sistema no mdulo chamado
dispose 1
Mdulo varivel
usado para ajustar ou inspecionar as
variveis definidas no modelo.
Basic Process template panel
Mdulo Statistics
O mdulo statistic usado especificar a
coleo das estatsticas no modelo e suas
propriedades.
Advanced Process template panel
spreadsheet
Mdulo Statistics
Time-Persistent statistic, chamada Stock
On Hand, para a varivel Inventory.
A estatstica Inventory inclui
valor mdio
semi-intervalo de confiana 95% (half width)
valores mnimos e mximos

Time-Persistent statistic, chamada
Production On, para a condio
Production = 1

Mdulo Statistics
Frequency
statistic, chamado Process States, que
estima as probabilidades do estado do
processo empacotando(busy),
esperando(idle) ou quebrado(fail)

Aparece no relatrio Frequencie

Relatrios de sada
A rodade de simulao preve 1
replicao de1,000,000 minutos de
durao (pouco menos de 2 anos)
Os relatrios produzidos devem incluir
User Specified report
Frequencies report

Relatrios de sada
User Specified
Relatrios de sada
Frequencies Report
Experimento e anlise
Claramente, a probabilidade do nvel de
servio ao cliente (demanda satisfeita
inteiramente) baixa, apenas 77%
Indicada pela probabilidade complementar
das demandas parcialmente ou inteiramente
insatisfeita, que foi estimada pela simulao
como 0.223.
O valor da Lost Percentage na Output na parte do
relatrio chamado User Specified report

Experimento e anlise
Ns queremos modificar o sistema para
aumentar o nvel de servio ao cliente
(queremos diminuir a probabilidade da
perda de vendas de 0.223 a um em nvel
"aceitvel").
em sistemas inventrio-orientados, tais como
esse, uma maneira de aumentar o nvel de
servio ao cliente passa por aumentar o nvel
de estoque em mos.
Estratgias de melhoria
Estratgia 1
Investir mais em manuteno para reduzir o
tempo parado por falhas

Estratgia 2
Elevar o Reorder point para 250,
aumentando o estoque mnimo e reduzindo o lote
de pedido.
Estratgia 1
Reduzir o tempo de reparo de 90 para 70
minutos e desvio padrao de 25min.
Estratgia 1
Menor tempo total de parada por quebra
Estratgia 1
Reduziu a perda de clientes para apenas
0,0916 ou 9%
Estratgia 2
Essa estratgia reduziu a perda de clientes em
menos de 2% apenas ficando em torno 21,98%

Estratgia 2
concluso
Para o caso em anlise pode se afirmar
que a melhor soluo seria investir em
manuteno e reparo ( estratgia1).
Aula 11

Validao de modelo
Validao de modelo
Validao de modelo
Determinar se o modelo uma representao
adequada do sistema em estudo.
(funciona como no mundo real??)
Verificao do modelo
Determinar se o programa de simulao tem a
performance desejada.
(faz o que eu quero??)
Crvel ou vlido
Quando o programa de simulao e seus resultados
so aceitos pelos especialistas como vlidos e
podem ser usados como auxilio tomada de
decises.

Como proceder para fazer uma
modelagem vlida
Definir criteriosamente os temas a ser
investigados
Usar especialistas e anlise de sensibilidade
para determinar o nvel de detalhamento do
modelo,
Comear com um modelo moderadamente
detalhado
Se o nmero de fatores de interessa for muito
grande
usar um modelo rstico ou mtodo analtico para
definir os fatores mais importantes antes de partir
para o detalhamento do modelo

Coisas que devemos ter em mente
Experimentao com o modelo de simulao
Garantir que o modelo bom o suficiente para embasar anlises e
decises
Complexidade e existncia
Complexo, difcil de validar ou ainda nem existe
Aproximao
Custo x benefcio
O modelo vlido para um propsito pode no ser vlido
para outro
Documentar avanos a intervalos regulares
Ateno aos detalhes durante o desenvolvimento do
modelo, no aps sua construo.

Aproximao em Trs etapas
1 Fazer uma modelo com validao de rosto
face validity
Modelo q parece razovel para especialistas
no assunto estudado
Conversas com experts
Observao dos sistemas
A coleta de dados
Teorias existentes
Resultados de modelos simulares
Modelar em sintonia com o cliente/gerente

Aproximao em Trs etapas
2 Teste as hipteses usadas no modelo
empiricamente
Testar se as distribuies de probabilidade so
vlidas
Fazer uma anlise de sensibilidade
3 Determinar a representatividade dos
resultados da simulao
compare os resultados do modelo com os
resultados do sistema real ou seus
parmetros ( mdia, varina, etc)

Coleta
Tratamento
Inferncia
Dados de Entrada:
1. Escolha adequada da varivel de estudo
2. O tamanho da amostra deve estar entre
100 e 200 observaes. Amostras com
menos de 100 observaes podem
comprometer a identificao do melhor
modelo probabilstico, e amostras com
mais de 200 observaes no trazem
ganhos significativos ao estudo;
Coleta dos Dados
3. Coletar e anotar as observaes na mesma
ordem em que o fenmeno est ocorrendo,
para permitir a anlise de correlao ;
4. Se existe alguma suspeita de que os dados
mudam em funo do horrio ou do dia da
coleta, a coleta deve ser refeita para outros
horrios e dias. Na modelagem de dados,
vale a regra: toda suspeita deve ser
comprovada ou descartada estatisticamente.
Coleta dos Dados
Exemplo : Filas nos Caixas do
Supermercado
Um gerente de supermercado est preocupado
com as filas formadas nos caixas de pagamento
durante um dos turnos de operao. Quais seriam
as variveis de estudo para coleta de dados? (S)
ou (N).

( ) O nmero de prateleiras no supermercado

( ) Os tempos de atendimento nos caixas

( ) O nmero de clientes em fila

( ) O tempo de permanncia dos clientes no supermercado

( ) Os tempos entre chegadas sucessivas de clientes nos
caixas de pagamento

N

S

N

N

S

resultado!!
Exemplo : Coleta de Dados
Intervalo entre chegadas de pessoas nos caixas do supermercado
(100 medidas). Tempos em minutos:
11 5 2 0 9 9 1 5 5 1
1 3 3 3 7 4 12 8 7 5
5 2 6 1 11 1 2 4 4 2
2 1 3 9 0 10 3 3 4 5
1 5 18 4 22 8 3 0 4 4
8 9 2 3 12 1 3 1 11 9
7 5 14 7 7 28 1 3 3 4
2 11 13 2 0 1 6 12 8 12
15 0 6 7 19 1 1 9 12 4
1 5 3 17 10 15 43 2 9 11
6 1 13 13 19 10 9 20 17 24
19 2 27 5 20 5 10 8 728 8
2 3 1 1 4 3 6 13 12 12
10 9 1 1 3 9 9 4 6 3
0 3 6 3 27 3 18 4 4 7
6 0 2 2 8 4 5 1 3 1
4 18 1 0 16 20 2 2 9 3
2 12 28 0 7 3 18 12 2 1
3 2 8 3 19 12 5 4 0 3
6 0 5 0 3 7 0 8 5 8
Exemplo: Medidas de Posio e
Disperso
Medidas de posio
Mdia 10,44
Mediana 5
Moda 3
Mnimo 0
Mximo 728
Medidas de disperso
Amplitude 728
Desvio padro 51,42
Varincia da amostra 2.643,81
O 728 um outlier?
Exemplo 2.1: Outlier
Intervalo entre chegadas de pessoas nos caixas do supermercado
(100 medidas). Tempos em minutos:
11 5 2 0 9 9 1 5 5 1
1 3 3 3 7 4 12 8 7 5
5 2 6 1 11 1 2 4 4 2
2 1 3 9 0 10 3 3 4 5
1 5 18 4 22 8 3 0 4 4
8 9 2 3 12 1 3 1 11 9
7 5 14 7 7 28 1 3 3 4
2 11 13 2 0 1 6 12 8 12
15 0 6 7 19 1 1 9 12 4
1 5 3 17 10 15 43 2 9 11
6 1 13 13 19 10 9 20 17 24
19 2 27 5 20 5 10 8 728 8
2 3 1 1 4 3 6 13 12 12
10 9 1 1 3 9 9 4 6 3
0 3 6 3 27 3 18 4 4 7
6 0 2 2 8 4 5 1 3 1
4 18 1 0 16 20 2 2 9 3
2 12 28 0 7 3 18 12 2 1
3 2 8 3 19 12 5 4 0 3
6 0 5 0 3 7 0 8 5 8
Outliers ou Valores Discrepantes
Erro na coleta de dados. Este tipo de outlier o mais comum,
principalmente quando o levantamento de dados feito por meio manual.
Eventos Raros. Nada impede que situaes totalmente atpicas
ocorram na nossa coleta de dados. Alguns exemplos:
Um dia de temperatura negativa no vero da cidade do Rio de
Janeiro;
Um tempo de execuo de um operador ser muito curto em relao
aos melhores desempenhos obtidos naquela tarefa;
Um tempo de viagem de um caminho de entregas na cidade de So
Paulo, durante o horrio de rush, ser muito menor do que fora deste
horrio.
Exemplo 2.1: Outlier (valor discrepante)
Dados
com o outlier sem o outlier
Mdia 10,44 6,83
Mediana 5 5
Varincia da amostra 2.643,81 43,60
Anlise de Correlao
0
10
20
30
40
50
0 10 20 30 40 50
Observao
k
Observao
k +1
Diagrama de disperso dos tempos de
atendimento do exemplo de
supermercado, mostrando que no h
correlao entre as observaes da
amostra.
10
12
14
16
18
20
10 12 14 16 18 20
Observao
k
Observao
k +1
Anlise de Correlao
Diagrama de disperso de um
exemplo hipottico em que existe
correlao entre os dados que
compem a amostra.
Se existe correlao no h
aleatoriedade, dados esto
viciados!
Exemplo : Construo do Histograma
1. Definir o nmero de classes:
n K
10
log 3 , 3 1+ =
n K =
O histograma utilizado para identificar qual a distribuio a ser ajustada
aos dados coletados ou utilizado diretamente dentro do modelo de
simulao.
2. Definir o tamanho do intervalo:
K
Amplitude
h =
3. Construir a tabela de freqncias
4. Construir o histograma
Exemplo : Histograma
Com 9 classes
Histograma h=4.8
0
20
40
60
80
100
120
4.8 14.3 23.9 33.4 43
Bloco
Fr eqncia
Exemplo: Inferncia
Qual o melhor modelo probabilstico ou distribuio
estatstica que pode representar a amostra coletada?
Histograma h=4.8
0
20
40
60
80
100
120
4.8 14.3 23.9 33.4 43
Bloco
Fr eqncia
x
f ( x )
1/
x
f ( x )

x
f ( x )
a b m
x
f ( x )
=1 =1
=1 =0,5
Exponencial?
Normal?
Triangular?
Lognormal?
Testes de Aderncia (no paramtricos)
Testa a validade ou no da hiptese de aderncia (ou hiptese nula) em
confronto com a hiptese alternativa:
H
0
: o modelo adequado para representar a distribuio da populao.
H
a
: o modelo no adequado para representar a distribuio da
populao.
Se a um dado nvel de significncia o % rejeitarmos H
0
, o modelo testado no
adequado para representar a distribuio da populao.
O nvel de significncia o equivale probabilidade de rejeitarmos a hiptese nula H
0
,
dado que ela est correta. Testes usuais:
Qui quadrado
Kolmogorov-Sminov
Ho verdadeira Ho falsa
Aceitar Ho
Deciso correta
(1-) Erro tipo II ( )
Rejeitar Ho Erro tipo I ( )
Deciso correta
(1-)
Realidade
Deciso
Testes de Aderncia (no paramtricos)

Teste do Qui-quadrado
Inf Sup Exponencial Terica (T) Observada (O) (O-T)^2/ T
0 4.8 0.5022 100 96 0.16
4.8 9.6 0.2500 50 55 0.55
9.6 14.3 0.1244 25 25 0.00
14.3 19.1 0.0620 12 13 0.04
19.1 1.0E+10 0.0614 12 10 0.40
E 1.15
Confiana 5%
3
Valor Terico 7.81
p-value 0.76
Graus de liberdade
Limites Freqncias
Por tanto,
no
rejeitamos
a hipt ese de que os dados
ader em ao modelo
exponencial
= k-1-m
Onde:
K = classes (fundidas
se O 5)
m = numero de
parmetros estimados
2
,
2
o
_ _
v v
>
2
v
_ =
Rejeito a aderncia se
Freqncias
0
20
40
60
80
100
120
0 4,8 9,6 14,3 19,1
Exponencial Terica
Observadas
Verificao grfica da aderncia
Teste Kolmogorov-Smirnov (KS)
Em geral mais poderoso
A varivel de teste a maior diferena
observada entre a funo de distribuio
acumulada do modelo e a da amostra.
Onde
d = max[F(x) G(x)]
Se d > valor crtico, rejeita-se a aderncia.
Valores crticos
Valor crtico

Para n > 50, valor crtico:
para = 5%

para = 1%

n
36 , 1
n
63 , 1
Ho = no existe diferena entre a distribuio observada e a
obtida pela distribuio de Poison de = 0,5577
P-value
Valor Critrio
p-value<0,01
Evidncia forte contra a hiptese de
aderncia
0,01sp-value<0,05
Evidncia moderada contra a hiptese de
aderncia
0,05sp-value<0,10
Evidncia potencial contra a hiptese de
aderncia
0,10sp-value
Evidncia fraca ou inexistente contra a
hiptese de aderncia
Parmetro usual nos softwares de estatstica. Para o teste do qui-
quadrado no Excel ou Input analiser, utilizar:
=DIST.QUI (valor de E; graus de liberdade)
P-value

O p-value o nvel de significncia observado.
Se o p-value for maior ou igual a o ,
ento a hiptese nula ser aceita.
Se o p-value for menor ou igual a o
ento a hiptese nula ser rejeitada.
Quanto menor for o p-value, mais forte ser a evidncia
para rejeitar a hiptese nula.
Ex:
Em um nvel de significncia de 5%, a hiptese nula dos testes
em questo, ser recusada, se a p-value for menor que 2,5%

Anlise de sensibilidade
Mostra como sensvel a resposta do modelo aos parmetros utilizados
Tcnica usada para refinamento ou simplificao do modelo, indicando possveis
modificaes.

Comparando os resultados do modelo
com os valores do sistema real
Testes paramtricos
Mdia; variana
Testes no paramtricos
Teste dos sinais
Teste da mediana
Teste wilcoxon-mann-whitney
Turing test
Testes paramtricos
Teste da mdia com (desvio padro da populao) desconhecido
Calculo a distribuio t de Student com n-1 graus de liberdade
Varina= S
2
=
Ou seja, a mdia da amostra,nesse nvel de significncia, no 12, ento como
eles no esto sadios e a doena influi no consumo renal de oxignio
Varincia calculada

Testes paramtricos
Teste da Varincia
H0:
2
=
0
2

H1:
2
>
0
2
( )
2
0
2
2
1
1
o
_
s n
n
2
, 1
2
1 o
_ _

>
n n
H0:
2
=
0
2

H1:
2
<
0
2
H0:
2
=
0
2

H1:
2

0
2
2
1 , 1
2
1 o
_ _

<
n n
2
2 / 1 , 1
2
1 o
_ _

<
n n
Rejeitaremos Ho se:
2
2 / , 1
2
1 o
_ _

>
n n
ou
Teste da varincia
Ex. Uma amostra de dez elementos extrada de uma populao suposta
normal forneceu varincia igual a 12,4. (S
2
= 12,4)
Pergunta-se:
Esse resultado suficiente para se concluir, ao nvel = 5% de
significncia, que a varincia dessa populao interior a 25?

Soluo:
H0:
2
=25

H1:
2
< 25

o valor crtico com o qual esse valor experimental deve ser comparado :
X
9,1-0,05%
= 3,325
Com o valor calculado foi maior que o valor crtico, ento devemos aceitar H0.
Assim, no podemos concluir que, ao nvel de significncia 5%, que a
varincia dessa populao seja inferior a 25, pois entendida como igual!

2
1 , 1
2
1 o
_ _

<
n n
( )
2
0
2
2
1
1
o
_
s n
n
( )
464 , 4
25
4 , 12 . 1 10
2
1
=
=
n
_
Rejeito Ho se:
Comparao de duas populaes
Os testes a seguir independem da forma
da distribuio da populao.
Isto os torna aplicveis mesmo em caso de
desconhecimento total sobre o
comportamento da varivel de interesse
Porm, so mais fracos que os paramtricos

Teste dos sinais
Suponhamos que temos duas amostras de tamanho n e queremos testar a
hiptese de que as populaes das quais provieram sejam idnticas.

Sejam Xai e Xbi ( i = 1, 2, .., n) os valores da varivel observadas nas
amostras.
Consideremos os sinais das diferenas xai - xbi.
Ora sendo verdadeira a hiptese H0, devemos ter, em mdia, n/2 sinais
positivos e n/2 sinais negativos qualquer que seja distribuio da populao.

O problema passa a ser, portanto, o de testar a hiptese de que a proporo
populacional de vezes em que aparece o sinal + ou - seja igual a 0.5.

Onde p a freqncia dos sinais
Se Z for maior do que o valor crtico, podemos rejeitar a hiptese Ho.

Foram realizados vrios testes com o modelo de simulao e coletados dados do sistema
real. Devemos considerar, com = 5%, que estes resultados so equivalentes quanto ao
tempo fornecido?

Valor crtico de z 2,5% = 1,96
Ento rejeitamos ho
Teste da mediana
Adequada quando o tamanho das amostras forem diferentes, com 10 ou mais elementos
Verifique, pelo teste da mediana, ao nvel de 5% de significncia, se os dois grupos de
valores que seguem podem ser consideradas de populao distintas.

Como Z
2,5%
= 1.96, aceitamos H0
no h, a esse nvel, evidncia de que haja diferena entre duas populaes.

Comparao de duas populaes baseado na soma de postos
de valores observados.
O posto de um valor em conjunto de n valores um nmero que
indica sua posio no conjunto ordenado (crescente ou
decrescente), do primeiro ao n- simo.
Ex. 15 12 16 19 16
Postos 2 1 3.5 5 3.5
Considerando as amostras de tamanho n
a
e n
b
, com n
a
n
b

o procedimento de teste consiste em:

ordenar as p = n
1
+ n
2
observaes associando-lhes valores
ordinais de 1 a P em ordem crescente; ( Quando o valores forem
iguais, adotar um posto mdio para todos)

Calcular a soma a dos valores ordinais associados s observaes
da amostra n
1
;
Calcular a soma a dos valores ordinais associados s observaes
da amostra n
2
;

Calcular a estatstica Mann-whitney

Funciona para n
1
e n
2
> 7

1 12
2 15
3,5 16
3,5 16
5 19
Conjunto de equaes
Turing Test
Schrueben (1980) reporta o uso do Turing Test
durante estudos de simulao de uma fbrica
de componentes automotivos.
Dados da fbrica e resultados da simulao
foram mostrados a 3 gerentes, 3 engenheiro e 2
trabalhadores.
A incapacidade destes especialistas em
reconhecer quais dados eram da fbrica e quais
eram resultados da simulao levou a imediata
aceitao do modelo.
Workshop aulas 11 e 12
Tpicos avanados
Advanced transfer
Operao de descarga de
caminhes
Suponha uma empresa que receba uma carga
de mercadoria em paletes seguindo uma
distribuiao exp com mdia em 30 min entre
cada chegada.
A empresa possui 2 box para descarga em sua
doca.
A empresa utiliza-se de um sistema palete
empilhadeira para movimentar sua carga.
Uma empilhadeira alocada para atender ao
sistema de descarga e conferncia de carga.
Pede-se verificar a utilidade de uma
empilhadeira adicional na velocidade de
descarga e liberao dos caminhes

Operao de descarga de
caminhes
create
Caracteristica da carga
Registra o tempo de
chegada de cada
carga
Define quantos
paletes tem a carga,
min 5
mais provavel 20
max 40
Aguardo vaga na doca
Caminho ica preso
no mdulo hold at
que o box 1 ou box 2
esteja livre:
ou seja variveis
OCUPA BOX =0
Seleciona para qual box despacha
o caminho
O caminho segue
para a doca cuja
variavel ocupa box
esteja livre, ou seja,
igual a zero.
De fato, o sistema
escolha a doca cujo
valor da variavel
ocupa box seja
menor

Define a estao box1 - docas
Define um nome a um
dos box das docas
Define controles de descarga e
muda figura da entidade
Atributo prioridade
Recebe o tempo
atual
Zera variavel de
contagem de paletes
Muda -ocupa box
para ocupado (1)
Muda figura
Desmonta a carga
Separa a carga em
vrias unidades de
carga (paletes)=
cubicagem
Conta quantos paletes tem no
caminho para descarregar
Cria a estao do lastro carreta
o local dentro da
carroceria do caminho
onde se encontram os
paletes que sero
descarregados
Chama a empilhadeira
Chama o transporter
(empilhadeira)
Define a prioridade
Leva a carga que chegou
primeiro
Conta quantos paletes faltam para
terminar o descarregamento
Reduz o numero de
paletes a cada
viagem da
empilhadeira
Verifica se j descarregou o
caminho
Decide se vai
liberar o
caminho
Libera o box
Muda variavel ocupa
box para 0, liberando
a doca.
Mede o tempo de descarga por
box
Compara o tempo
da chegada do
caminho com o
tempo atual, e
registra.
Define o transporte da entidade
Define para onde
ser levada a
entidade (PALETE)
Repetir os passos para os
outros box
Cada box da doca deve ser programado
Define o lugar de deposio dos
paletes
Denomina a estao do
patio de conferencia
Define o processo de
conferencia
Vamos definir que o
processo de
conferencia
Recurso =
conferente
Tempo de
conferencia =
30 seg
1 min
1:30 min

Libera empilhadeira
Elimina as entidades da
simulao
Programao das planilhas da
simulao avanada de transportes
Selecionar a planilha de distancias
Dar nome ao conjunto de distancias
Clicar no botao para programar as distancias
entre cada estao que a empilhadeira deve
percorrer
Programao das planilhas da
simulao avanada de transportes
Programar o elemento transportador (empilhadeira)
Definir velocidade , conjunto de distancias e posio de inicio
Programar a replicao
Comprimento da replicao = 7 dias
Unidade de relatrio em minutos

Abilitar coleta dos relatorios
Rodas a simulao e observar
resutados
Cenrio 2:
Adicione uma nova empilhadeira
Cenrio 2:
Adicione uma nova empilhadeira
Aula 13
Definindo os parmetros da
Simulao
Quanto vai durar cada
replicao?

Qual o tempo de
aquecimento (warm-up)?

Como determino o nmero
de replicaes
necessrias?

Replicao vs. Rodada
Rodada:
o que ocorre quando selecionamos ou iniciamos o comando que
executa a simulao programada no computador. Uma rodada
pode envolver vrias replicaes.
Replicao:
uma repetio da simulao do modelo, com a mesma
configurao, a mesma durao e com os mesmos parmetros
de entrada, mas com uma semente de gerao dos nmeros
aleatrios diferente.
Observao:
Apesar de os dados e dos parmetros de entrada serem os
mesmos, como os nmeros aleatrios gerados so diferentes,
cada replicao ter uma sada diferente tambm.

Definies sobre tempo
A fim de estimar o tempo de cada
replicao preciso saber as
caractersticas de funcionamento do
sistema real.
Uma praa de pedgio opera 7 x 24 (sete
dias da semana por 24h seguidas)
Uma agencia bancrio atende ao pblico
apenas nos dias teis da semana.

Simulao Terminal vs. No
Terminal
NO TERMINAL:
a simulao no possui um tempo exato para
terminar.
(Ex. simulao de uma usina siderrgica que
opera 24 horas por dia, 7 dias por semana).
TERMINAL:
a simulao roda por um tempo exato e aps
este tempo acaba.
(Ex. simulao de uma loja que abre s 10:00
horas e fecha s 22:00 horas).

1
2
3
4
5
6
1 2 3 4 5 6 7 8 9 10
Lanament os
Mdia Acumulada
dos Lanament os
3,5

Lanamento
Nmero
Obtido
Mdia Acumulada
1 1 1/1=1,0
2 1 (1+1)/2=1,0
3 4 (1+1+4)/3=2,0
4 6 (1+1+4+6)/4=3,0
5 6 3,6
6 5 3,8
7 2 3,6
8 1 3,5
9 2 3,3
10 1 3,1
Regime Permanente x Transitrio
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
6,0
0 20 40 60 80 100 120 140
Lanament os
Mdia Acumulada
dos Lanament os
Regime Transitrio Regime Permanente

Definir tempo de warm up
0
2
4
6
8
10
12
14
16
18
20
0 50 100 150 200 250 300 350 400 450 500
Tempo de Simulao (min)
Tempo de
Ciclo (min)
Replicao 1
Replicao 2
Replicao 3
Replicao 4
Replicao 5
Mdia
Tcnicas para diminuir o efeito do Regime
Transitrio:
Simular por um perodo muito longo de modo que o
nmero de amostras em regime transitrio seja
desprezvel em relao ao nmero de amostras em
regime permanente (jogar mais vezes o dado);
Iniciar o sistema j em um estado dentro do regime
permanente, o que equivale, no exemplo do dado, a
considerar a mdia inicial igual a 3,5.
Eliminar o perodo transitrio atravs de alguma
tcnica apropriada(definindo um warm up, por
exemplo);

Nmero de replicaes
Qual critrio usar para definir o nmero de
replicaes em uma rodada de
simulao?

Depende da preciso que se quer dos
resultados.
Replicao
Mdia de Pessoas em
Fila
1 6,72
2 2,00
3 0,38
4 1,28
5 0,46
6 0,19
7 0,14
8 1,30
9 0,12
10 2,85
Mdia de 10
replicaes
1,54
Desvio Padro 2,03
Primeira replicao: 6,72
pessoas em mdia na fila
Ex.: fila em um posto bancrio
Pode-se CONFIAR nesses resultados?
Confiabilidade dos resultados
dcima replicao: 2,85
pessoas em mdia na fila
Definies
Intervalo de Confiana: intervalo de valores que
contm a mdia da populao, com uma
certa probabilidade (confiana estatstica)

Confiana: probabilidade de que o intervalo
de confiana contenha a mdia. Valores
usuais: 99%, 95% e 90%.

Exemplo: pesquisa Viracopos
1
2
3
4
5
U
t
il
i
d
a
d
e

d
o

s
i
s
t
e
m
a

i
n
f
o
r
m
a
t
i
z
a
d
o

p
a
r
a

a

g
e
s
.
.
.
P
o
s
s
i
b
i
l
i
d
a
d
e

d
e

a
c
e
s
s
o

s

i
n
f
o
r
m
a
e
s

d
a

c
.
.
.
A
m
i
g
a
b
i
l
i
d
a
d
e

p
a
r
a

a
c
e
s
s
a
r

a
s

i
n
f
o
r
m
a
e
s

d
.
.
.
I
n
t
e
r
a
o

d
o

s
o
f
t
w
a
r
e

d
e

g
e
s
t
o

d
o

t
e
r
m
i
n
a
l

.
.
U
s
o

d
e

s
i
s
t
e
m
a
s

a
u
t
o
m
t
i
c
o
s

d
e

a
q
u
i
s
i
o

d
e
.
.
.
T
r
o
c
a

d
e

i
n
f
o
r
m
a
e
s

e
l
e
t
r
o
n
i
c
a
m
e
n
t
e

(
E
D
I
)

e
.
.
.
Percebido Experado
Intervalo de Confiana da Mdia
Populacional
A partir de uma populao de origem, com
sua mdia e desvio padro, podem ser
obtidas vrias amostras,
cada qual com sua mdia e desvio padro, e,
a partir da, obtm-se uma populao de mdias
amostrais com sua mdia e desvio padro.

Ou seja:
Se retiro vrias amostras e calculo
suas mdias,
Acabo por construir uma populao de
mdias das amostras
Populacional
x

Populacional
A partir do conhecimento de alguns dados de uma das possveis amostras
pretende-se concluir a respeito da populao toda,
baseando-se nos seguintes conceitos :

1) A mdia de uma amostra obtida em condies tcnicas razoveis um bom
parmetro da mdia da populao que a originou.

2) A varincia de uma amostra quando calculada com n-1 casos um bom
parmetro da varincia da populao que a originou.

3) Quando a populao de estudo tem distribuio normal, as mdias amostrais
tm distribuio normal;

Nos casos em que a populao de estudo no tem distribuio normal, a
distribuio das mdias amostrais tem distribuio aproximadamente normal se
o tamanho das amostras for grande (n>30) (Teorema do Limite Central).
Populacional
A metodologia para a determinao do intervalo de confiana da mdia
populacional [IC] a partir das informaes obtidas de uma amostra de
tamanho n, quando no se conhece a mdia () e o desvio padro da
populao (), mas dispe-se de suas estimativas obtidas a partir da
amostra ser a seguinte:
Definir os dois limites do intervalo
n
s
EP =
Onde,
EP = Erro Padro
s = desvio padro da amostra
n = numero de observaes da amostra
A preciso h = semi- amplitude do intervalo de confiana [IC]

Onde h = .

n
s
z h .
2 / o
=
Populacional
Quando as amostras so pequenas (n < 30) faz-se uma
pequena modificao no procedimento.
Troca-se a normal reduzida (z) pelo valor de t, estatstica
conhecida como t de Student que leva em considerao o
nmero de casos estudado.
Para um intervalo de confiana de 95% ( = 5%), usa-se t
/2,n-1
n
s
t h
n 2 / , 1 o
=
Nesse caso a preciso ser:
n
s
EP =
Replicao
Mdia de Pessoas em
Fila
1 6,72
2 2,00
3 0,38
4 1,28
5 0,46
6 0,19
7 0,14
8 1,30
9 0,12
10 2,85
Mdia de 10
replicaes
1,54
Desvio Padro 2,03
n < 30 uso t de Student
Ex.: fila em um posto bancrio
Exemplo de intervalo de confiana

n
Confiana
)% 1 ( 100 o
o
2 / 1, n
t
Preciso (metade do
intervalo)
n
s
t = h
2 1, n /

Intervalo de
Confiana da
Mdia ) 54 1 ( , = x
10 99% 0,01 3,25 2,09
63 3 55 0 , , s s
10 95% 0,05 2,26 1,45
00 3 09 0 , , s s
10 90% 0,10 1,83 1,18
72 2 37 0 , , s s
10 80% 0,20 1,38 0,89
43 2 65 0 , , s s

Exemplo de intervalo de
confiana
h = semi-amplitude do intervalo de segurana ou preciso

Quanto maior o confiana necessria, maior amplitude do intervalo
Calculo da preciso usando o
Excel
=INVT(alfa;n-1)*(DESVPAD(amostra)/RAIZ(n))
n
s
t h
n 2 / , 1 o
=
Para o caso de s conhecermos o desvio padro da AMOSTRA ( S )
Como sabemos que a preciso h :

Precisamos fazer uma amostra-piloto de n replicaes para, com
base nela obtermos uma estimativa de s, e substituir na frmula:

Se n n , a amostra j ter sido suficiente.
Caso contrrio deve-se aumentar o nmero de replicaes e testar
novamente.
Se n > 30 deve-se substituir a distribuio t por z
Nmero de replicaes (1)
n
s
t h
n 2 / , 1 o
=
2
2 / , 1 '
) (
.
h
s t
n
n o
=
Nmero de replicaes (2)
Para se atingir uma preciso desejada em
determinado valor,
necessita-se rodar o modelo em n replicaes,
gerando uma AMOSTRA-PILOTO de tamanho n e
com preciso h.
Utilizando-se a expresso a seguir, onde h* a preciso
desejada, pode-se estimar o nmero de replicaes
necessrias n*:

(
(
(
(
|
.
|
\
|
2
*
*
h
h
n = n
Exemplo: nmero de replicaes
Considere-se que foram realizadas 20 replicaes de
um modelo de simulao. Para essa amostra piloto, a
preciso obtida foi de 0,95 minutos para a mdia do
tempo em fila. Qual o nmero de replicaes
necessrias caso necessite-se de uma preciso de
0,5 minutos?
Neste caso, n=20, h=0,95 e h*=0,5:

(
73 72,2
0,5
0,95
20
2
= = = n
(
(
(
(
|
.
|
\
|
Final do segundo bimestre
Vamos provinha...

Metodos de Simulação - Todas Partes

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Metodos de Simulação - Todas Partes

Загружено:

Авторское право:

Доступные форматы

Mtodos de Simulao em Logstica

Luiz Antonio Tozi

Intervalo de Confiana da Mdia

Вам также может понравиться