Baixe o app para aproveitar ainda mais
Prévia do material em texto
4ºAula Conceitos básicos de simulação de Monte Carlo Objetivos de aprendizagem Ao término desta aula, vocês serão capazes de: • identificar os principais processos que fazem parte do modelo Monte Carlo; • definir os padrões estabelecidos para se começar um modelo de simulação da produção; • definir as características que vamos praticar nos exemplos demonstrados através de figuras e exercícios; • elaborar um modelo futuro de simulação da produção para auxílio da gestão. Prezados(as) alunos(as), após ter estudado a Aula 3 e ter aprendido sobre amostragem e teste de aderência, visto diversos conceitos e funções que fazem parte da simulação, vamos dar início a nossa aula 4. Na Aula 4, descreveremos o que é simulação de Monte Carlo, como funciona essa simulação e as características fundamentais que precisamos saber para dar continuidade ao nosso conhecimento. Aprenderemos uma técnica nova de simulação, através do Excel, com aplicações e exemplos práticos, aprenderemos um pouco de estática. Conheceremos os padrões das principais ideias de Monte Carlo, a ideia genérica do modelo, dentre outras vertentes apresentadas nesta aula. Boa Aula! Bons estudos! 24Simulação da Produção Seções de estudo 1- O que é Simulação de Monte Carlo? 2- Como funciona a simulação de Monte Carlo 3- Características Fundamentais 4- Simulação do Método Monte Carlo no Excel 1- O que é Simulação de Monte Carlo? A Simulação de Monte Carlo surgiu em 1946 com o matemático Stanislaw Ulam, durante um jogo de paciência tentando calcular as probabilidades de sucesso de uma determinada jogada utilizando a estatística básica que no caso é a análise combinatória. Após um tempo estimado fazendo cálculos, ele percebeu que tinha uma alternativa muito mais fácil e prática. De início, ele pensou em realizar inúmeras jogadas, por exemplo, jogou mais de mil vezes e contou quantas vezes cada resultado estava ocorrendo. Ulam sabia que existia técnicas de amostragem estatística, como análise combinatória e não eram tão utilizadas por serem demoradas e sujeitos a erro, nesse tempo coincidiu de fi car pronto o primeiro computador da época, o ENIAC, antes dele somente se utilizavam dispositivos mecânicos para fazerem diversos cálculos. Porém, o que fi cou em evidência foi a versatilidade e a rapidez desse computador, tal equipamento causou espanto na época, pois poderiam aplicar todas os métodos de amostragem, para solucionar um problema, com os conhecimentos que eles tinham, difundindo, assim, sua aplicação (ULAM, 1997). Logo após o método começou a se utilizar a estatística no computador e fi cou conhecido como método de Monte Carlo, o nome foi inspirado em um tio de Ulam, que era frequentador assíduo de um cassino de Monte Carlo cujo aspecto aleatório das roletas também estava ligado ao método (ULAM, 1997). O método de Monte Carlo foi formalizado em 1949, por meio de um artigo que foi publicado em Mônaco, o nome do artigo era “Monte Carlo Method”. Nos dias de hoje, o método pode ser descrito como simulação estatística que utiliza sequência de números aleatórios para desenvolver diversas simulações, ou seja, um método para resolução de problemas, tomadas de decisões, por meio de amostragem aleatória que já aprendemos o termo na aula 3. O método passou a ser empregado em diversos campos devido ao seu poder de resolução que vai de aplicações mais complexas envolvendo fenômenos físicos até as áreas mais comuns. Algumas áreas que são aplicadas: Atuária (como expectativa de vida, casamento, etc.), fi nanças (como séries macroeconômicas, opções futuras, hedge etc.), computação gráfi ca (como redução de artefatos, espalhamento etc.), geologia (como caracterização de reservatórios), análise de projetos (como opções reais), jogos (como geração de redes), dentre outros (ULAM, 1997). Hoje, encontramos o método Monte Carlos em muito mais áreas do que imaginamos. Vamos continuar com os exemplos: fi nanças é usado na modelagem e simulação de mercado de opções de acordo com (SETZU, 2008). Em engenharia, na gestão de portfólio de uma empresa de seguros, de acordo com (NORGAARD, 1966); na análise de um problema de estoque, de acordo com o (RAUN, 1963); em Biologia, usado principalmente em sistemas de tratamento de câncer (LEHRACH, 2012); essa simulação é utilizada nos campos mais amplos e mais comuns do nosso dia a dia. Algumas características nesse modelo são essenciais e torna desnecessário escrever as equações diferenciais que descrevem o comportamento de sistemas complexos. A exigência do modelo é que o sistema seja físico ou matemático e seja descrito, ou seja, modelado em termos de funções de densidade de distribuição de probabilidade, conhecido pela sigla FDP. De acordo com as distribuições conhecidas, a simulação de Monte Carlo precede fazendo amostragens aleatórias a partir do modelo escolhido, tendo sempre como pressuposto que utilizaremos a estatística como ferramenta de auxílio e que o resultado vai ser obtido por meio dessas técnicas estatísticas (média, desvio, padrão etc.) sobre uma amostra. 2- Como funciona a simulação de Monte Carlo Bom, como já sabemos existe diversas formas de distribuições empregadas na estatística, dentre elas, a distribuição normal, distribuição de Poisson, Distribuição exponencial, qui-quadrado, Binomial, Bernolli, dentre outras (ULAM, 1997). A simulação de Monte Carlo, além de nos auxiliar ver a situação como um todo, nos ajuda a tomar decisões. Essas decisões vão ser embasadas dentro do nosso modelo, com nossas variáveis. A principal maneira de observar essas variáveis é como ela se comporta dentro do modelo, através de gráfi cos e histograma. Além dos diversos softwares que temos para empregar a simulação, agora vamos aprender com uma ferramenta que todos tem ao alcance que é o Excel, mas não se preocupem que vamos fazer passo a passo para o melhor entendimento. Vamos lá? Analisando a fi gura abaixo, o que vemos? Figura 01: Introdução de distribuição. Na fi gura 01, vemos um objeto que tem as bordas pretas, 25 cheio de bolas vermelhas, certo? Esse objeto é como se fosse um funil, onde as bolinhas caem e formam como se fosse uma distribuição normal, dentro de um dado intervalo de confi ança. Essa simulação é para entender que as variáveis podem ser aleatórias e possuir diversos tipos de entradas e diversas distribuições, como aleatórias e contínuas. Na fi gura 02, a seguir, existe um intervalo de confi ança. Temos uma distribuição normal e um intervalo de confi ança quando existe uma simétrica em torno da média, o que torna implícito que a média, mediana, moda são todas coincidentes e a área demarcada em amarela preenchida de bolinhas azuis, nos remete a dizer que essas “bolinhas” preenchem o intervalo de confi ança aleatoriamente. A soma de valores uma variável aleatória converge a uma distribuição normal, pois se acumulam em torno da média, com valores mais extremos longe dessa média e fora do intervalo de confi ança. Figura 02: Demonstração de variáveis aleatórias em um intervalo de confi ança. Tá, mas você deve estar se perguntando o que fazer depois que tiver as variáveis do meu modelo? Bom, dada as variáveis, vamos analisar o intervalo de confi ança, que são utilizados para indicar a confi abilidade de um estimativa, por exemplo os intervalos de confi ança podem ser usados para descrever o quanto os resultados de uma pesquisa são confi áveis, tendo sempre como base que um intervalo de confi ança pequeno é muito mais confi ável que um intervalo de confi ança maior. Nós vamos interpretar os intervalos dada uma determinada medida, é importante ressaltar as informações contidas no intervalo de confi ança, ele vai nos dizer o que estará acontecendo com nossos valores. Figura 03: Demonstração de intervalo de confi ança. Intervalo de confi ança é a área onde se tem confi ança de que a média populacional, que normalmente é desconhecida está presente, com umgrau de confi ança de 1- , por exemplo, vamos adotar como 5%, onde garantimos que 95% de certeza a média está presente. Caso o desvio padrão seja desconhecido, precisamos ter uma amostra da população, teremos o desvio padrão amostral. De acordo com as estatísticas ocorridas, conseguimos interpretar nossos dados, dado as variáveis e a sequência de vezes que determinado evento acontece. Neste processo, algumas características são essenciais. Vamos aprender algumas delas no tópico seguinte. 3- Características Fundamentais Dado as estatísticas que aprendemos nas seções anteriores, vamos agora aprender algumas características que são fundamentais para o nosso processo de simulação da produção. Tudo que aprendemos até aqui, passa um processo simples. Vejamos na próxima fi gura: Figura 04: Ideia genérica do Método Monte Carlo Quando aplicamos na prática diante de uma situação envolvendo diversas incertezas, realizamos a simulação Monte Carlo e, para otimizar e achar uma solução consistente, seguimos 4 padrões, são eles: a) Modelar o problema defi nindo uma Função de Distribuição de Probabilidade, assim, representamos o comportamento de cada uma das incertezas, dado um problema; b) Vamos gerar valores, “aleatórios” que tenham aderência a nossa função de distribuição do problema; c) Vamos calcular o resultado determinístico substituindo as incertezas pelos valores gerados, para observar o problema simulado; d) Vamos agregar e manipular os resultados da amostra de forma a obter uma estimativa da solução do problema. Esse tipo de método nos direciona a aproximação da solução, portanto, é fundamental analisar também o erro. Evidentemente, quanto maior a amostra, menor o erro de aproximação. O passo b e c, vamos repeti-los até obter uma amostra de forma que seja com o tamanho desejado de realizações. Vamos de exemplo prático? Aplicando os 4 passos anteriores, vamos pensar em dois dados. Na simulação Monte Carlo, os dados nos direcionam a probabilidade de ocorrências de cada número, nesse caso, vamos pensar no número 7, levando 26Simulação da Produção em consideração que nossos dados possuem 6 interfaces, vejamos: a) As incertezas envolvidas serão o resultado que cada dado obterá ao ser jogado. Os valores pode ser de 1 a 6, que gera uma incerteza de cada probabilidade de ocorrer, precisamos estimular uma função para ter mais resultado tendo a nossa incerteza; b) Os dois valores do dado serão inteiros e aderentes a nossa função, eles vão de acordo com o resultado ao jogar os dados; c) O resultado obtido vai ser determinístico, é resultado da soma dos dois dados que foram obtidos no passo b, e os valores podem ser de 2 a 12, se o valor obtido for 7, temos um resultado positivo. d) Com base na nossa amostra podemos contar quantas vezes tivemos um resultado positivo e dividir pelo tamanho das nossas amostras e vamos ter a probabilidade de ocorrência. Repetindo os passos b e c, conseguiremos obter uma amostra sufi ciente de acordo com as nossas n realizações. Outra maneira de obter um resultado é fazer análise combinatória para simplifi car a amostra e a simulação se tornar mais evidente que o esforço no computador. Assim, será ilustrado um erro de aproximação. Quanto menor o erro de aproximação maior o esforço computacional envolvido. 4- Simulação do Método Monte Carlo no Excel Bom, vamos começar esta seção aplicando um exemplo no Excel. Adianto que temos também outras oportunidades e softwares que podem nos auxiliar neste gerenciamento, porém, temos o Excel que é mais acessível a todos. Vamos lá? Vamos fazer um passo a passo para que façam junto comigo. Siga os passos abaixo e acompanhem as fi guras. Primeiramente, vamos simular os dados aleatórios, como faremos isso? Vamos na ferramenta DADOS, ANÁLISE DE DADOS, GERAÇÃO DE NÚMEROS ALEATÓRIOS. Para facilitar o entendimento vamos exemplifi car com fi guras. Então, primeiramente, vamos a dados, em seguida, à análise de dados. A fi gura vai aparecer assim no Excel para vocês: Figura 5: Análise de dados. Dentro de análise de dados vamos escolher a função “Geração de número aleatório”, conforme fi gura 06 a seguir. Figura 06: Análise de dados, função geração de número aleatório. Na sequência, vamos escolher as opções da nossa simulação, no exemplo abaixo, escolhemos número de 1 a 100, escolhemos o tipo de distribuição também, que vamos simular a distribuição normal, escolhemos nossa média, com o valor de 5 e nosso desvio padrão com o valor de 1. Esse é o cenário que estamos propondo. Figura 7: Geração de números aleatórios. Em seguida, vamos escolher o intervalo de saída, que é onde vai aparecer nossos resultados, no Excel chamamos de célula. Inserido nossos valores, vamos ter os resultados de 1 a 100 na célula que destinamos que foi a A2 e vamos fazer um gráfi co para interpretar nossos valores, os valores da nossa amostra. Vamos na aba de ferramentas do Excel, inserir gráfi co, vamos escolher o gráfi co de linhas para interpretar nossos dados, nossa amostra. Gerado o nosso gráfi co de linhas, vamos analisar nossos valores. Confi ram na fi gura a seguir. Figura 8: Gráfi co linhas demonstrando simulação Monte Carlo. 27 Como a média que escolhemos foi 5, nos garante que nossa maior frequência gira em torno de 5, os valores fi cam concentrados em torno de 5.Porem, nosso maior conjunto de dados está entre 4 e 6, representando o padrão que escolhemos que no caso foi nosso desvio padrão de valor igual a 1. Isso nos mostra que 95% dos dados gerados em nossas variáveis aleatórias são entre 4 e 6, agora vamos visualizar nossos resultados através de um histograma de frequência que vamos gerar na mesma ferramenta da fi gura 9, mas ao invés de escolher gerar números aleatórios, vamos escolher histograma, como demonstrado na fi gura abaixo. Para demonstrar o histograma é necessário o comando da fi gura 9 a seguir. Figura 9: Fazer histograma de frequência Clicando em histograma, vamos escolher o intervalo de entrada, que no nosso caso, são as células onde estão nossos números aleatórios de 1 a 100, em seguida nas opções de saída, vamos defi nir a celular onde vai aparecer o gráfi co, mas nesta opção vamos assinalar a caixinha que está escrito “Resultado gráfi co”, para aparecer o gráfi co demonstrado os dados da nossa amostra. Feito isso, vamos analisar nosso histograma na fi gura a seguir. Figura 10: Histograma representando os dados da simulação. Podemos reparar que o nosso histograma se aproxima muito da distribuição normal continua. Temos que o histograma aparece exatamente como o funil no primeiro exemplo anterior com as bolinhas, que resultavam em um desenho similar a distribuição normal. Observando os valores entre o 4 e o 5, que é onde vemos que é o maior conjunto de dados, o intervalo de confi ança está entre 4 e 6, que é onde ocorre o maior aparecimento e a maior frequência. Nós simulamos a distribuição normal. Existem diversos tipos de distribuições, como a uniforme por exemplo o que vai diferir são os resultados gráfi cos e as entradas nas planilhas. O método Monte Carlo, como já estudamos anteriormente, é um tipo de método que possui variação estatística, com distribuição aleatória de um parâmetro, uma variável, aproximando um problema simulado ou uma situação real, da solução através de diversas ferramentas, uma delas é o Excel. Para facilitar ainda mais o entendimento, vamos aplicar em outro exemplo, utilizando mais ferramentas do Excel, como algumas funções. Vamos aprender a simular sem complicação. Bom, diante do contexto atual que estamos vivendo no Brasil, dona Maria se viu em uma situação desesperadora e começou a trabalhar mais, visto que seu esposo seu João, perdeu o emprego, dona Maria então começou se arriscando e vendendo sapatilhas, por ser muito querida na região, dona Maria tinha uma clientela boa. As sapatilhas tinham um preço acessível, variavam de R$ 25,00 a R$50,00 Reais.Querendo saber se ia ter lucro ou prejuízo dona Maria chamou seu neto, Paulo, para ajudar a simular alguns cenários. Então, Paulo, começou a simular e nós trouxe os seguintes dados: como o valor de venda ia entre R$25 e R$50 reais, a demanda média foi de 18400 unidades da sapatilha, a demanda pode variar para mais ou para menos, em 2500 unidades, essas 2500 unidades será nosso desvio- padrão. Lembrando que o desvio – padrão nos mostra o quanto há de variação ou dispersão existente em relação a nossa demanda média, no caso as 18400 unidades. Um baixo desvio – padrão indica que os dados tendem a estar próximos da média e um desvio – padrão alto indica que os dados estão espalhados por uma determinada gama de valores. A demanda média é uma variável estocástica, ou seja, emprega o uso estatístico do cálculo de probabilidade. Os custos da Matéria Prima mínimo é de R$12,00 e o máximo é de R$18,00, as despesas fi xas são de R$80.000,00. Os fornecedores são as empresas A, B, C, e D. A empresa A, tem um valor mínimo de 0% a 15% com o custo da mão de obra a R$10,00 reais. A empresa B, tem um valor mínimo de 16% a 35% com o custo da mão de obra a R$12,00 reais. A empresa C, tem um valor mínimo de 36% a 70% com o custo da mão de obra a R$14,00 reais. A empresa D, tem um valor mínimo de 71% a 100% com o custo da mão de obra a R$17,00 reais. Diante da simulação de Paulo, vamos achar os valores das nossas variáveis através de funções do Excel como: INV. NORM. N, ALEATORIO, DESV.PAD.A, DIST.NORM. N e PROCV. Mas o que signifi ca cada uma delas? O INV.NORM. N, retorna o inverso da distribuição cumulativa normal para a média específi ca e o desvio padrão. O ALEATORIO, retorna um número aleatório real, maior ou igual a 0 e menor que 1. Lembrando que a essa função sempre pode ser atualizada e fi car alternando. O DESV.PAD.A, calcula o desvio padrão através de 28Simulação da Produção uma determinada amostra, é a medida do grau de dispersão dos valores em relação a média. O DIST.NORM. N, retorna à distribuição cumulativa normal para média especifi cada e o desvio-padrão, essa função tem uma enorme variedade de aplicações estatísticas. O PROCV serve basicamente para procurar valores específi cos em uma planilha e eximir resumidamente, ou seja, quando você tem um documento com inúmeros dados, mas precisa sintetizar algumas dessas informações em outra. Para calcular a demanda vamos utilizar a função INV.NORM.N e a célula que acompanha vai solicitar a probabilidade, média e o desvio padrão. Nesse caso, como não temos o valor da probabilidade, vamos utilizar o aleatório para simulação, vamos travar os valores também para que não haja muita dispersão nos valores fi xos, como o da média e o desvio-padrão Figura 11: Função INV. NORM. N. Como anteriormente, vamos fazer a fórmula no cenário 1 da demanda e arrastar para completar os seguintes valores. É necessário lembrar que vamos travar as nossas células que encontram o valor da demanda e do desvio padrão, com $ dos dois lados da letra. Vamos visualizar a fi gura 12 a seguir para acompanharmos os cenários de demanda completos. Para acompanhar o preenchimento do quadro, siga os passos abaixo da fi gura 12. Figura 12: Resultados estimados. Depois de estimado a nossa demanda, vamos ao nosso PREÇO DE VENDA, que utilizaremos a fórmula = MENOR VALOR + (MAIOR VALOR - MENOR VALOR) * ALEATORIO (). Estimando o Custo de Matéria-Prima, vamos utilizar a mesma fórmula do PRECO DE VENDA, ou seja, vamos implementar no Excel = MENOR VALOR + (MAIOR VALOR - MENOR VALOR) * ALEATORIO (). Estimando o Custo de Mão de Obra, vai variar conforme os valores que foram simulados para os fornecedores A, B, C e D, neste caso vamos utilizar a função PROCV. De acordo com os valores simulados por Paulo, temos os fornecedores na sequência A, B, C e D, na fi gura a seguir. Figura: Matriz utilizada para o cálculo do PROCV Para calcular essa função, vamos implementar no Excel a seguinte fórmula = PROCV (ALEATORIO (); os valores da matriz acima, número de índice de colunas (3); VERDADEIRO), assim serão simulados valores entre nosso intervalo escolhido. Temos a coluna de Custo Fixo, que é R$80.000,00 e não varia, pois é fi xo, e então vamos calcular nosso lucro, mas como vamos achar o lucro do nosso modelo simulado? A fórmula que vamos inserir é Preço de venda – Custo de Matéria Prima – Custo de Mão de Obra * Demanda – Custo Fixo. Inserindo esses valores, vamos ter nosso lucro ou prejuízo na fi gura x. Os valores que aparecerem em vermelho são considerados prejuízo e os valores que aparecem em verde são lucros. Para fazer o balanço fi nal do exemplo, vamos achar, então, o lucro médio, desvio padrão dados nossos valores estimados e a probabilidade de ser menor que zero os nossos valores. Como resultado fi nal, vamos calcular nosso lucro médio, que é a nossa média do lucro todo, da nossa última coluna da fi gura x, inserindo = MÉDIA e selecionando toda a coluna de lucro. Calculando o lucro, vamos achar o desvio-padrão inserindo = DESV.PAD.A e selecionamos a coluna do lucro. Observem a fi gura a seguir. Figura 13: Resultado fi nal da simulação da Dona Maria. Então, signifi ca que os lucros estão bem distantes da média. Estamos quase no fi nal da nossa simulação, agora vamos calcular a probabilidade de lucro ou prejuízo do nosso negócio. 29 A probabilidade que chamamos de P (X<0), inserimos a função DIST.NORM.N, colocando, = (DIST.NORM.N; 0; lucro médio; Verdade), com essa fórmula, vamos descobrir a probabilidade do lucro ser menor que 0, ou seja, de termos prejuízo ou lucro. Diante das simulações geradas, qual a probabilidade de dar prejuízo neste cenário estimado por Paulo? Como nosso resultado foi de 24,58%, concluímos que temos essa porcentagem de probabilidade de dar prejuízo. Chegamos ao fi nal de mais uma aula. Tudo certo até aqui? Vamos recordar! Retomando a aula 1- O que é Simulação de Monte Carlo? Nesta seção, aprendemos o que é simulação da produção, vimos algumas áreas que podem ser aplicadas e entendemos algumas características essenciais que precisamos utilizar quando simularmos algum modelo etc. 2- Como funciona a simulação de Monte Carlo Nesta seção, aprendemos como funciona o Monte Carlo. Vimos que a base da simulação de Monte Carlo é a estatística, então, já aprendemos alguns conceitos como: distribuição normal, intervalos de confi ança. No próximo tópico vamos aprender sobre algumas características fundamentais para continuar utilizando Monte Carlo na simulação. 3- Características Fundamentais Nesta seção, aprendemos as características fundamentais que são aplicadas ao Método Monte Carlo. Aprendemos sobre a maneira genérica que o método é aplicado. Também vimos os padrões para guiar o nosso estudo, e, em seguida, vamos aprender a simular no Excel. 4- Simulação do Método Monte Carlo no Excel Nesta seção, vimos o método Monte Carlo. Aprendemos as suas diversifi cadas funções, conhecemos ferramentas do Excel, entendemos para que serve algumas funções, aprendemos a fazer uma simulação de Monte Carlo, aprendemos a simular utilizando o Excel, vimos alguns resultados através do gráfi co e do histograma e verifi camos como analisar o gráfi co e histograma dentro da simulação que estimamos como exemplo para o nosso entendimento. Até a próxima aula! Disponível em: https://blog.luz.vc/como-fazer/ simulacao-de-monte-carlo/. Vale a pena acessar https://www.youtube.com/watch?v=bpz9I1gngWI. Vale a pena assistir https://revista.pgsskroton.com/index.php/rcger/ article/view/2032. Vale a pena ler Vale a pena Minhas anotações
Compartilhar