Cap20
73 pág.

Cap20

Disciplina:Planejamento da Producao15 materiais249 seguidores
Pré-visualização31 páginas
CONCLUSÕES

Entretanto, após copiar a melhor solução da Figura 20.32 para o Excel e exibir os resul-
tados para essa execução de simulação, um gráfico de freqüências na Figura 20.33 revela
uma desvantagem dessa solução conservadora. A média do lucro total obtida por essa solu-
ção foi de apenas US$ 510,83 milhões versus US$ 551,33 milhões para a melhor solução
encontrada na Figura 20.29 quando o objetivo era maximizar esse valor. Ao mesmo tempo,
a solução conservadora havia reduzido a maior perda possível de US$ 1,2 bilhão para US$
900 milhões.

Concluindo, o OptQuest deu à direção da Tazer dois tipos diferentes de soluções para
escolha, juntamente com um volume considerável de informações sobre cada uma delas.
Uma parece ser a melhor solução de alto risco e altos ganhos que é disponível, pois maxi-
miza o lucro total que seria obtido em média. A outra parece ser a melhor solução conser-
vadora disponível, visto que maximiza as chances de se obter um lucro satisfatório.
Avaliando-se a relação de compromisso entre risco e ganhos, a direção da empresa agora é
capaz de tomar uma decisão equilibrada sobre qual solução adotar.

■ FIGURA 20.32
Os resultados de otimização fornecidos pelo OptQuest para a revisão do problema de seleção de projetos da Tazer Corp.
que usa o objetivo especificado na Figura 20.31. A melhor solução encontrada é aprovar os projetos “Para Cima”,
“Estável” e “Alívio”.

tempo. Entretanto, por meio de uma série de execuções partindo de condições iniciais pres-
critas, também podemos usar a simulação para descrever o comportamento transiente de um
sistema proposto. Além disso, se usarmos equações diferenciais, a simulação poderá ser
aplicada a sistemas cujos estados mudam continuamente ao longo do tempo.

A simulação é uma das técnicas de pesquisa operacional mais populares, pois é uma fer-
ramenta muito flexível, poderosa e intuitiva. Em uma questão de segundos ou minutos, ela é
capaz de simular até mesmo anos de operação de um sistema típico gerando, ao mesmo
tempo, uma série de observações estatísticas sobre o desempenho do sistema ao longo desse
período. Em virtude de sua excepcional versatilidade, a simulação tem sido aplicada a diver-
sas áreas. Além disso, seus horizontes continuam a se alargar em razão do grande progresso
que vem sendo feito nos pacotes de software para simulação, inclusive software para realiza-
ção de simulações em planilhas.

No entanto, a simulação não pode ser vista como uma panacéia ao se estudar sistemas
estocásticos. Quando aplicável, métodos analíticos (como aqueles apresentados nos
Capítulos 15 a 19) possuem algumas vantagens significativas. A simulação é inerentemente
uma técnica imprecisa. Ela fornece apenas estimativas estatísticas e não resultados exatos e
compara alternativas e não gera uma alternativa ótima (a menos que algum pacote de soft-
ware especial, como o OptQuest, seja usado). Além disso, apesar de grandes avanços de
software, a simulação ainda pode ser considerada uma forma relativamente lenta e custosa
no estudo de sistemas estocásticos complexos. Para tais sistemas, normalmente se requer
grandes despesas e quantidade de tempo para análise e programação, além de considerável
tempo de processamento em computador. Os modelos de simulação tendem a se tornar
incontroláveis, de modo que o número de casos que possam ser executados e a precisão dos
resultados obtidos normalmente acabem sendo inadequados. Finalmente, a simulação gera
apenas dados numéricos sobre o desempenho de um sistema e, portanto, não fornece nenhu-
ma visão extra sobre as relações causa-efeito contidas no sistema, exceto pelas dicas que
podem ser deduzidas desses números (e de uma análise necessária para construir o modelo
de simulação). Assim, é muito caro conduzir uma análise de sensibilidade dos valores de
parâmetros assumidos pelo modelo. A única maneira possível seria conduzir novas séries de
simulações com diferentes valores de parâmetros, que tenderia a fornecer relativamente
pouca informação a um custo relativamente alto.

Por todas essas razões, os métodos analíticos (quando disponíveis) e a simulação têm
papéis complementares importantes no estudo de sistemas estocásticos. Um método analíti-

20.8 CONCLUSÕES 61

■ FIGURA 20.33
Um gráfico de freqüências
para os valores de lucro obti-
dos na execução de simula-
ção que forneceu a melhor
solução na Figura 20.32. A
caixa Certainty mostra a por-
centagem de tentativas que
geraram um lucro de pelo
menos US$ 100 milhões.

1. BANKS, J. (Ed.). Handbook of Simulation: Principles, Methodology, Advances, Applications, and
Practice. Nova York: Wiley; Norcross, GA: Industrial Engineering & Management Press, 1998.

2. BANKS, J. et al. Discrete-Event Simulation System. 3. ed. Upper Saddle River, NJ: Prentice-Hall,
2001.

3. BANKS, J.; GIBSON, R. Simulating in the Real World. IIE Solutions, v. 33, n. 4, p. 38-40, abr.
2001.

4. CHISMAN, J. A. Industrial Cases in Simulation Modeling. Belmont, CA: Duxbury Press, 1996.
5. COCHRAN, J. K. et al. Simulation Project Characteristics in Industrial Settings. Interfaces, v.

25, n. 4, p. 104-113, jul./ago. 1995.
6. FISHMAN, G. S. Discrete-Event Simulation. Nova York: Springer, 2001.
7. ______. Monte Carlo: Concepts, Algorithms and Applications. Nova York: Springer-Verlag, 1996.
8. FU, M. C. Otimization for Simulation: Theory vs. Practice. INFORMS Journal on Computing, v.

14, p. 192-215, 2002.
9. GOLDSMAN, D. et al. Ranking and Selection for Steady-State Simulation: Procedures and Per-

spectives. INFORMS Journal on Computing, v. 14, p. 2-19, 2002.
10. HARRELL, C. et al. Simulation Using ProModel. 2. ed., Nova York: McGraw-Hill, 2004.
11. HILLIER, F. S.; HILLIER, M. S. Introduction to Management Science: A Modeling and Case

Studies Approach with Spreadsheets. Capítulos 15-16. Burr Ridge, IL: McGraw-Hill/Irwin, 2003.
12. KELTON, W. D. et al. Simulation with Arena. 3. ed. Nova York: McGraw-Hill, 2004.
13. KLEIJNEN, J. P. C. Statistical Tools for Simulation Practitioners. Nova York: Marcel Dekker, 1987.
14. LAW, A. M.; KELTON, W. D. Simulation Modeling and Analysis. 3. ed., Nova York: McGraw-

Hill, 2000.
15. NANCE, R. E.; SARGENT, R. G. Perspectives on the Evolution of Simulation. Operations Re-

search, v. 50, p. 161-172, 2002.
16. PRITSKER, A. A. B.; O’REILLY, J. J. Simulation with Visual SLAM and AweSim. 2. ed. Nova

York: Wiley, 1999.
17. RUBENSTEIN, R. Y. et al. Modern Simulation and Modeling. Nova York: Wiley, 1998.
18. SCHRIBER, T. J. An Introduction to Simulation Using GPSS/H. Nova York: Wiley, 1991.
19. STEIGER, N. M.; WILSON, J. R. An Improved Batch Means Procedure for Simulation Output

Analysis. Management Science, v. 48, p. 1.569-1.586, 2002.
20. THOMPSON, J. R. Simulation: A Modeler’s Approach. Nova York: Wiley, 1999.
21. WHITT, W. Planning Queueing Simulations. Management Science, v. 35, p. 1.341-1.366, 1989.

62 CAPÍTULO 20 SIMULAÇÃO

■ REFERÊNCIAS SELECIONADAS

co é adequado para realização de pelo menos uma análise preliminar, para examinar rela-
ções de causa-efeito, para uma otimização grosseira e para conduzir análises de sensibilida-
de. Quando o modelo matemático para o método analítico não captura todas as característi-
cas importantes do sistema estocástico, a simulação é bem-vinda para incorporar todas essas
características e então obter informações detalhadas sobre as medidas de desempenho de
alguns candidatos em potencial para a configuração final do sistema.

A simulação fornece uma maneira de experimentação com sistemas ou políticas pro-
postos sem, na verdade, implementá-los. Deve ser usada teoria estatística sólida no desenho
desses experimentos. Normalmente são necessários processamentos surpreendentemente
longos de simulação para se obter resultados significativos em termos estatísticos.
Entretanto, técnicas de redução de variância (descritas no primeiro suplemento para este
capítulo e contido no CD-ROM) ocasionalmente