Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNP - UNIVERSIDADE POTIGUAR BACHARELADO EM ESTATÍSTICA DISCIPLINA: LABORATÓRIOS DE SIMULAÇÃO UNIDADE 3 – ANÁLISES MATEMÁTICAS DA SIMULAÇÃO DR. EVERTON GOMEDE MYLLENA FREITAS Atividade 3 A3, apresentada ao curso bacharelado em Estatística, ofertado pela Universidade Potiguar, como requisito avaliativo complementar da terceira avaliação da disciplina: Láboratórios de Simulação. ALUNO: EBERSON COSTA – MATRÍCULA 2020201380 BENEVIDES – PARÁ 2023 UNP – UNIVERSIDADE POTIGUAR BACHARELADO EM ESTATÍSTICA LABORATÓRIOS DE SIMULAÇÃO – ANÁLISES MATEMÁTICAS DA SIMULAÇÃO ATIVIDADE 3 – A3 Hoje, a modelagem de sistemas tem muitas aplicações em todo o mundo, em uma variedade de campos, desde a fabricação em uma empresa de manufatura até a transferência de papel em um escritório. Diz-se que "tudo o que pode ser descrito pode ser simulado". A simulação da linha de produção apresentou o maior número de aplicações de modelagem. Existem muitos cenários adequados para essa operação, como empresas de manufatura e mineração. Com esse processo, é possível: 1 – Analisar mudanças nos sistemas existentes, como os criados em decorrência da expansão da produção, modificações de equipamentos ou acréscimos de novos produtos que afetam a dinâmica do fluxo de alimentação. É possível prever onde os gargalos se formarão como resultado das mudanças no sistema atual. Ao introduzir mudanças apropriadas (por exemplo, no processo, na programação, com novos recursos), depois de algumas tentativas, é possível chegar ao melhor modelo, combinando as mudanças necessárias e as necessidades; 2 – Projetar uma área de produção, totalmente, nova capturando o melhor fluxo; 3 – Obter a melhor política de estoque. O modelo deve incluir uma função de "solicitação de material" e uma função de "serviço de fornecedor". Como resultado, obtêm-se "pontos do pedido" e "quantidade do pedido". Nesse caso, simule os tempos entre a chegada dos clientes e os tempos de serviços distribuídos exponencialmente. A distribuição dos tempos de serviço pode ser: distribuição gama, distribuição exponencial ou distribuição log-normal. No caso da distribuição exponencial, resulta em uma fila M / M / 1. Por exemplo, imagine uma fila com 3 atendentes, com um tempo de atendimento de 5 minutos e com 2 clientes chegando a cada 2 minutos. Com base nisso, é possível mudar os valores para verificar como a distribuição de probabilidade e o comportamento geral do sistema vão ser alterados. Pode-se utilizar uma ferramenta, como a Simulation of a M/G/1 queue: https://www.mathematik.tu-clausthal.de/en/mathematics-interactive/simulation/mg1- queue/ https://www.mathematik.tu-clausthal.de/en/mathematics-interactive/simulation/mg1-queue/ https://www.mathematik.tu-clausthal.de/en/mathematics-interactive/simulation/mg1-queue/ CONSIDERAÇÕES INICIAIS Um sistema de Filas é caracterizado por três componentes: processo de chegada, mecanismo de serviço e disciplina de fila. Processo de chegada: descreve como os clientes chegam ao sistema e a distribuição da chegada dos clientes. Mecanismo de serviço: é articulado pelo número de servidores, se cada servidor tem a própria fila ou se há uma fila alimentando todos os servidores, e pela distribuição dos tempos de atendimento ao cliente. Disciplina de fila: refere-se à regra que um servidor usa para escolher o próximo cliente da fila quando o servidor concluir o serviço do cliente atual. As duas principais entradas para qualquer sistema de las são: λ (lambda): número médio ou chegadas por período de tempo (ou seja, taxa média de chegada). µ (mu): número médio de clientes atendidos por período (ou seja, taxa média de serviço). DISTRIBUIÇÃO EXPONENCIAL A Fila M/M/1 Caso especial das filas G/G/1 mais comumente estudado – Caso clássico • O “M” vem de Markoviano ou memoryless – Tempos entre chegadas de clientes: distr. exponencial (λ) – Tempos de serviço: distr. exponencial (µ) – Um único servidor • Fila M/M/1 pode ser solucionada através de um modelo de Markov simples • Processo de Birth and Death: λk = λ e µk = µ , k=0,1,… Clientes são servidos na ordem de chegada: política FCFS Premissa importante: espaço na fila é infinito (premissa pode ser relaxada: buffer finito) A Fila M / M / 1 - SOLUÇÃO λ < µ: condição necessária para cadeia ter estado estacionário πK = probabilidade de haver k clientes na fila πK depende de λ e µ apenas através da razão ρ das duas taxas, isto é, da utilização do sistema E(N) = número médio de clientes no sistema σ2 N = variância do número de clientes no sistema Probabilidade de haver pelo menos k clientes no sistema Tempo de resposta médio Tempo de resposta EXEMPLO 1 Um servidor de arquivos recebe requisições de um processo Poisson à taxa de 30 req/s. Dados medidos no servidor indicam que o coeficiente de variação do tempo de serviço de uma requisição é muito próximo de 1 e que o tempo médio de serviço é de 15 mseg. Qual a utilização e tempo médio de resposta do servidor? Qual a probabilidade do tempo de resposta ser superior a 100 mseg? Processo Poisson → tempo entre chegadas: exponencial(λ) CV = 1 → tempo de serviço ~ exponencial (µ) Fila M/M/1 com λ= 30 req/s e µ = 1/0.015=66.67 Utilização ρ = λ/µ = 30 × 0.015 = 0.45 = 45% E(R) = 1/µ(1- ρ) = 0.027 segundos Prob (R > 0.1) = 1 – P(R ≤ 0.1) = 1 - (1 - e-µ(1-ρ)0.1) = e-µ(1-ρ)0.1 = e-3.67 EXEMPLO 2 O pacote R de enfileiramento contém várias funções para analisar sistemas de enfileiramento. Para o exemplo a seguir, vamos considerar o sistema de enfileiramento mais simples: M/M/1, com uma taxa de chegada de Poisson de três clientes por minuto, um tempo de serviço exponencial de quatro clientes por minuto e um único servidor. Vamos dar uma olhada no código R! ........................................................................................................................................ # Importando o pacote queueing Library (queueing) # Aplicando os parâmetros do modelo input_mm1 <- NewInput.MM1(lambda = 3, mu = 4, n = 0) # Criando o modelo output_mm1 <- QueueingModel(input_mm1) # Gerando a saída do modelo Report(output_mm1) The inputs of the M/M/1 model are: lambda: 3, mu: 4, n: 0 The outputs of the M/M/1 model are: The probability (p0, p1, ..., pn) of the n = 0 clients in the system are: 0.25 The traffic intensity is: 0.75 The server use is: 0.75 The mean number of clients in the system is: 3 The mean number of clients in the queue is: 2.25 The mean number of clients in the server is: 0.75 The mean time spend in the system is: 1 The mean time spend in the queue is: 0.75 The mean time spend in the server is: 0.25 The mean time spend in the queue when there is queue is: 1 The throughput is: 3 # Gerando um resumo do modelo summary(output_mm1) lambda mu c k m RO P0 Lq Wq X L W Wqq Lqq 1 3 4 1 NA NA 0.75 0.25 2.25 0.75 3 3 1 1 4 curve(dpois(x, input_mm1$lambda), from = 0, to = 20, type = "b", lwd = 2, xlab = "Número de clientes", ylab = "Probabilidade", main = "Distribuição de Poisson", ylim = c(0, 0.25), n = 21) ...................................................................................................................................... O código anterior será utilizado para a construção de um gráfico, que nos permitirá analisar a distribuição de Poisson para a fila. Figura 3.1 — Distribuição de Poisson Fonte: Elaborada pelo autor. #PraCegoVer: a imagem apresenta um gráfico com o eixo na vertical representando a probabilidade de um número de clientes estar presente em uma fila. No eixo horizontal, está a quantidadede clientes entre 0 e 20. A maior probabilidade de encontrar uma quantidade de clientes na la está entre dois e três clientes. Esse é um ponto importante para o dimensionamento dos atendentes do sistema CONSIDERAÇÕES FINAIS Existem filas em todas as empresas do setor de serviços, mas o grande desafio é buscar o mínimo em capacidade de atendimento do sistema, de modo a não prejudicar a qualidade do atendimento e a satisfação do cliente. Essa preocupação se torna bastante clara e evidente no mundo empresarial, uma vez que a desistência constante de clientes pode acarretar altos prejuízos para as instituições, sejam elas públicas, privadas ou de economia mista. REFERÊNCIAS GOMEDE, Everton. FREITAS, Myllena. Laboratórios de Simulação – Análises Matemáticas da Simulação.Universidade Potiguar. Rio Grande do Norte. 2023. https://homepages.dcc.ufmg.br/~jussara/anamodes/aula9b-2014.pdf. Acesso em: 27 abr. 2023. https://student.ulife.com.br/ContentPlayer/Index?lc=uG9pzQq4%2f4LsLuXN1xGVGQ %3d%3d&l=8f2bAU91AKAKMn25AtFJMg%3d%3d&cd=4wdbgL5wfainAizJWqtOUQ %3d%3d&sl=f3rFfqEROq44Jzvg7dL%2f1Q%3d%3d&st=oyApuSHSf%2bX0sulB6t6x QQ%3d%3d&oi=pJjMwVDO0yENrnqiDKyyWg%3d%3d. Acesso em: 27 abr. 2023. https://web.fe.up.pt/~jfo/ensino/io/docs/IOP_filasespera.pdf. Acesso em: 27 abr. 2023. https://homepages.dcc.ufmg.br/~jussara/anamodes/aula9b-2014.pdf.%20Acesso%20em:%2027 https://student.ulife.com.br/ContentPlayer/Index?lc=uG9pzQq4%2f4LsLuXN1xGVGQ%3d%3d&l=8f2bAU91AKAKMn25AtFJMg%3d%3d&cd=4wdbgL5wfainAizJWqtOUQ%3d%3d&sl=f3rFfqEROq44Jzvg7dL%2f1Q%3d%3d&st=oyApuSHSf%2bX0sulB6t6xQQ%3d%3d&oi=pJjMwVDO0yENrnqiDKyyWg%3d%3d https://student.ulife.com.br/ContentPlayer/Index?lc=uG9pzQq4%2f4LsLuXN1xGVGQ%3d%3d&l=8f2bAU91AKAKMn25AtFJMg%3d%3d&cd=4wdbgL5wfainAizJWqtOUQ%3d%3d&sl=f3rFfqEROq44Jzvg7dL%2f1Q%3d%3d&st=oyApuSHSf%2bX0sulB6t6xQQ%3d%3d&oi=pJjMwVDO0yENrnqiDKyyWg%3d%3d https://student.ulife.com.br/ContentPlayer/Index?lc=uG9pzQq4%2f4LsLuXN1xGVGQ%3d%3d&l=8f2bAU91AKAKMn25AtFJMg%3d%3d&cd=4wdbgL5wfainAizJWqtOUQ%3d%3d&sl=f3rFfqEROq44Jzvg7dL%2f1Q%3d%3d&st=oyApuSHSf%2bX0sulB6t6xQQ%3d%3d&oi=pJjMwVDO0yENrnqiDKyyWg%3d%3d https://student.ulife.com.br/ContentPlayer/Index?lc=uG9pzQq4%2f4LsLuXN1xGVGQ%3d%3d&l=8f2bAU91AKAKMn25AtFJMg%3d%3d&cd=4wdbgL5wfainAizJWqtOUQ%3d%3d&sl=f3rFfqEROq44Jzvg7dL%2f1Q%3d%3d&st=oyApuSHSf%2bX0sulB6t6xQQ%3d%3d&oi=pJjMwVDO0yENrnqiDKyyWg%3d%3d https://web.fe.up.pt/~jfo/ensino/io/docs/IOP_filasespera.pdf
Compartilhar