Baixe o app para aproveitar ainda mais
Prévia do material em texto
6ºAula Teoria Das Filas Parte II Objetivos de aprendizagem Ao término desta aula, vocês serão capazes de: • conhecer as etapas de simulação da produção dentro da teoria das filas; • aprender a finalidade da teoria com exemplos aplicados na prática; • saber como aplicar conteúdo que aprendemos no nosso dia a dia. Prezados(as) alunos(as), Na aula 5, vimos a primeira interface de teoria das filas. Conhecemos os elementos de uma fila, as variáveis fundamentais da teoria das filas e suas relações. Aprendemos também como identificar as variáveis através de exercícios e exemplos práticos. Na Aula 6, aprenderemos sobre as etapas da simulação e vamos aprender a construir modelos com os exemplos ao final desta aula, além de outras definições da teoria, modelagens, tipos de linguagens, tipos de filas, dentre outros. Boa Aula! Bons estudos! 40Simulação da Produção Seções de estudo 1- Etapas da Simulação 2- Construindo modelos 3- Check-in da simulação 1- Etapas da Simulação Nesta seção, vamos continuar aprendendo sobre teoria das fi las. Aprenderemos sobre as etapas no processo de simulação e começaremos com os seguintes passos: formulando o problema e planejando o estudo, coletando dados e defi nindo um modelo, analisando se o modelo é válido, construindo um programa computacional e verifi cando, rodando simulações no projeto piloto, projetos experimentais, rodando simulações novamente para analisar o modelo, analisaremos as saídas e documentando e fi nalmente apresentando os resultados (PRADO, 2004). Conforme a fi gura 01, abaixo. Figura 01: Etapas da simulação. Fonte: Wiston, 2004. Então, seguindo o passo 1, vamos formular o problema e planejar o estudo, mas como podemos fazer isso? Determinando o impacto do tempo de atendimento da caixa sobre o tamanho da fi la podemos levantar alguns pontos como: tempo de atendimento, tempo de espera na fi la e tamanho da fi la. Vamos imaginar um cenário exploratório com clientes em geral, que tenha um caixa multifuncional, como mercado, lojas, feiras, dentre outros. Dependendo do cenário que vamos analisar precisa então haver sistemas alternativos a serem estudados e precisamos levar em consideração alguns critérios para avaliar as alternativas como por exemplo, suponhamos que temos uma alternativa A, nessa alternativa a atendente usa um software de apoio para notas fi scais e na alternativa B a atendente usa somente a calculadora. Obviamente, vai nos mostrar alguns cenários diferentes em relação ao tempo de atendimento, o tempo de redução da fi la e a perda de fl exibilidade. Os recursos disponibilizados nestas alternativas seriam as pessoas envolvidas, custos, tempo, e alguma restrição que aparece na formulação do problema a ser estudado. O segundo passo é coletar dados e defi nir o modelo e quais recursos são necessários para que tenhamos um sistema conexo? Precisamos coletar as informações dos procedimentos operacionais, os tempos de atendimento, os tempos de chegadas, os tempos de espera nas fi las (WISTON, 2004). Uma dica é que na defi nição do modelo, comece com um modelo moderadamente detalhado e aumente a sofi sticação do modelo somente se necessário, assim você pode ir adaptando os dados até chegar no seu objetivo. Para modelarmos os processos de chegada e atendimento, podemos ter uma modelagem determinística ou podemos utilizar as distribuições de probabilidade que aprendemos na aula 4. Algumas dessas distribuições são muito conhecidas na teoria das fi las e são elas: Exponencial conhecida como M, Uniforme conhecida como U e Geral ou Binária conhecida como G. Figura 02: Defi nições de modelo. Fonte: Adaptado Wiston, 2004. Olhando a fi gura 2, vemos que o foco está exatamente na chegada e no atendimento. Automaticamente de acordo com o modelo que escolhermos, vamos analisar parâmetros diferentes, seguindo a distribuição estatística mais propicia para o nosso modelo. As distribuições M, U e G são as mais comuns dentro da teoria das fi las. Devem estar se perguntando qual a distribuição de probabilidade adequada para representar os tempos entre chegadas? As modelagens entre tempos de chegadas podem ser representadas assim como na fi gura 3 a seguir: Figura 3: Modelagens entre tempos de chegadas. Fonte: Adaptado de Wiston, 2004. Usamos a vaiável aleatória A para representar os tempos estipulados entre as chegadas. Na fi gura 2, vimos as defi nições de modelo. Vimos 41 também alguns parâmetros que precisamos seguir para defi nição do nosso modelo. Vamos continuar naquele exemplo para dar continuidade nas informações, observem a fi gura 4. Figura 4: Exemplo de modelo de chegadas e saídas. Fonte: Adaptado de Wiston, 2004. Logo após, nossa primeira simulação, vamos nos fazer uma pergunta, o modelo é válido (WISTON, 2004)? Se sim, vamos para o próximo passo, se não volta ao primeiro passo, formula o problema e o estudo. Lembrando que se o modelo é valido, determinar o quanto o modelo conceitual é uma representação razoável do sistema real que está sendo modelado. Então, antes de expor o modelo devemos estar cientes que o modelo está correto, completo e consistente e que irá auxiliar no nosso objetivo. Para ter uma maior abrangência, pode-se testar diversas distribuições de probabilidade, até que uma se enquadre mais com o objetivo estudado. O próximo passo é construir um programa computacional voltado para o modelo e verifi car, verifi car as variáveis inseridas, verifi car a distribuição escolhida e a codifi cação, a transcrição se o modelo é comunicativo para programa, se está escrito em linguagem de programação e o principal testar o código do programa (WISTON, 2004). Atenção para a fi gura a seguir 5, com os tipos de linguagens disponíveis nessa teoria. Figura 5: Tipos de Linguagens. Fonte: Adaptado de Wiston, 2004. Temos vários tipos de linguagens dentre eles, Fortran, C, Pascal, essas linguagens reforçam o esforço para construção de modelos, conhecimentos profundos de programação e uma maior fl exibilidade nos modelos e simulação. Algumas linguagens são específi cas da simulação da produção GPSS, SIMSCRIPT, SIMAN, SLAM, dentre outras, o que essas linguagens trazem? Elas, facilitam a tarefa do desenvolvedor, as rotinas de simulação prontas, os blocos de códigos são similares aos comandos, além de serem facilmente reutilizáveis e também programa de forma rápida (WISTON, 2004). Mas, além dessas linguagens existem softwares? Sim, existem vários tipos de softwares específi cos como, ARENA, AUTOMOD, PROMODEL, além de poderem utilizar também o Excel como ferramenta de simulação sendo mais acessível também. Com esses softwares, temos a construção de modelos através de uma forma gráfi ca e de fácil manuseio e uma menor fl exibilidade do que as linguagens de programação. As características gerais num software são: fl exibilidade, fácil desenvolvimento de modelo, rápida execução, que seja compatível com vários tipos de hardware, que tenha capacidade de “interagir” com outros softwares. Dentro da capacidade estatística o que se espera de um software é que comporte vários tipos de variedades de distribuições probabilísticas como: exponencial, normal, triangular, etc., que gere número aleatórios, que faça replicações usando diferentes números aleatórios, dentre outros. Espera-se um pacote com indicadores estatísticos comumente usados como tempo de fi la, possibilidade de personalizar e ampliar relatórios, visualizações gráfi cas, que tenha facilidade em exportar gráfi cos, enfi m, tem vários requisitos que devem ser verifi cados antes de se escolher um software de simulação, depois de escolhido o software, vamos para o próximo passo. O próximo passo então é rodar o modelo novamente, simular o cenário no programa escolhido com as diretrizes corretas. Rodando as simulações piloto, vamos ter um resultado prévio, o modelo é válido? Se for válido damos sequência aos nossos passos, se não, temos quevoltar e planejar novamente. Nessa segunda etapa de validação, rodando o modelo podemos testar quantitativamente os pressupostos assumidos como: análise de sensibilidade, representatividade, teste turing e testes de campo. Na análise de sensibilidade vamos analisar a variação do parâmetro de entrada e observar a saída; na representatividade, vamos analisar a saída esperada do processo real e observar a saída simulada; no teste turing vamos analisar a saída esperada do processo real ou a saída simulada conjuntamente e chegar a um questionamento que é: especialistas conseguem diferenciar os dois processos? No teste de campo analisamos o modelo de simulação e os cenários específi cos se questionando se há convergência ou não. Após fazer todas essas análises, vamos seguir nos passos a passos da nossa simulação. O passo seguinte é projetos experimentos que é uma técnica desenvolvida que permite auxiliar no planejamento de experimentos que apoia fortemente na teoria estatística, por exemplo, tem infl uência no efeito de um fator como a temperatura, pressão, tipo de material, essas características sobre uma determinada resposta. Os experimentos podem variar mais de um fator por vez, 42Simulação da Produção esse passo permite um menor número de ensaios, confi ança estatística determinada, identifi cação de interações entre os efeitos, dentre outros. Na simulação da produção ainda auxilia a economizar tempo no computador, e além de permitir comparar diversos cenários diferentes utilizados em economia. Vemos algumas vantagens em relação ao procedimento normal e tradicional como o menor número de ensaios, confi ança estatística determinada e a identifi cação de interações entre os efeitos. Com essas vantagens, acabamos otimizando a simulação, tendo um parâmetro maior. Economizamos tempo de experimento também, além conseguir utilizar e comparar diferentes cenários. Um exemplo prático é que um atendente de supermercado deseja investigar o efeito do tipo de fi la em relação ao tempo médio de atendimento. Vejam a fi gura a seguir: Figura 6: Tempo de fi la de um supermercado. Fonte: Adaptado de Wiston, 2004. Aplicando o projeto de experimentos como funcionaria? Primeiro vamos medir os tempos de atendimento para cada uma das combinações, observando os seguintes valores, analisados na fi gura abaixo 7, abaixo. Figura 7: Tempos de atendimento em fi las únicas e múltiplas. Observando o tempo estimado, temos que a diferença entre a fi la múltipla e a fi la única para ambos os gêneros seria de 21 minutos ((40+52) /2 – (20+30) /2). Observando o efeito do gênero do atendente separado por gênero seria ((30+52) /2 – (20+40) /2), com resultado de 11 minutos. Com todos esses exemplos, podemos descobrir interações, diversas maneiras de se analisar uma fi la. Outro exemplo é: em um supermercado, vamos analisar o tempo médio de atendimento em relação a idade e o gênero do atendente. Observem a fi gura 8 a seguir. Figura 8: Tempo médio de fi la entre gêneros. Possíveis interações: começaremos com a terceira idade menos adulto jovem ((50+12) / 2) – (20+40) / 2), totalizando uma diferença de um minuto. Outra interação mulher menos homem ((40+12) / 2- (20+50) / 2), totalizando -9 minutos, ou seja, poderia aparecer que a idade não afeta o tempo de atendimento, mas o que vemos é que a idade tem efeitos diferentes sim, tanto para homens quanto para mulheres. Vejamos: para mulheres (12 – 40), uma diferença de – 28 minutos, homens, (50-20), uma diferença de 30 minutos, ou seja, há uma interação entre idade e gênero, o efeito da idade sobre o tempo de atendimento é diferente para ambos os gêneros. Depois desses exemplos, vamos lembrar sempre de que existem nossos parâmetros de processo, que são aqueles que podemos variar no processo, podem ser controláveis ou fi xos. Ainda precisamos defi nir as condições iniciais da simulação, que são os valores das variáveis de estados, os nossos medidores estatísticos, todos esses passos vão gerar impacto sobre o resultado fi nal. Caso desejamos estimar o tempo médio de espera na fi la de um banco, em um horário de pico das 12:00 as 13:00. Se não estruturarmos certo nossos dados, podemos dar falsa condições especiais ao nosso modelo, neste caso devemos observar se os valores estão voltados no tempo de espera somente entre 12:00 e 13:00, somente os atendimentos neste período serão contabilizados. Estará rodando a simulação em vários horários, mas somente o que nos interessa servira para estimarmos atrasos. Podemos coletar os dados sobre o número de clientes presentes no banco ao 12:00 durante vários dias, encontramos a melhor distribuição de probabilidade, assumimos que os clientes começam o atendimento ao 12:00, enfi m, sempre lembrando que quanto mais exato a simulação melhor os valores apontados. O número de vezes que rodamos as simulações também são importantes. De acordo com as rodadas conseguimos capturar a aleatoriedade e validar o comportamento das variáveis através da variabilidade. Enfi m, análise: o tempo e a duração de cada rodada. As simulações geram os dados de desempenho do sistema, as técnicas de estatística são utilizadas para analisar os dados de saída e documentar as premissas do modelo da programação computacional, pois sabemos que existe mais uma simulação. 43 2- Construindo modelos Depois de voltarmos e aprendermos mais um pouco sobre a teoria das fi las, vamos fechar essa teoria com algumas dicas importantes para minimizar os erros na hora de fi nalizar os experimentos/simulações (PRADO, 2004). Fazer um mapeamento da atividade ajuda a identifi car alguns tipos de imprevistos, realizar as seguintes perguntas nos faz pensar mais em como agir, por exemplo, sempre levantar O que é feito? Quem faz? Essas perguntas sempre nos levam a melhores resultados, porque está diretamente associada ao nosso objetivo e ao fl uxo de produção, que leva em consideração os possíveis gargalos, tempo de resposta do sistema e a possível identifi cação de gargalos (HARREL, 2002). Para fazer um mapeamento que interaja e que seja claro utiliza-se um fl uxograma de processo, o que está demonstrado na fi gura a seguir. Figura 9: Fluxograma de processos. Fonte: Adaptado de Prado, 2004. O fl uxograma de processos é uma representação gráfi ca que descreve os passos e etapas sequenciais de um determinado processo. Esta ferramenta pode ser utilizada para abordar os processos de qualquer organização em qualquer situação. Serve para trazer clareza ao processo que está sendo desenvolvido, com o fl uxograma de processos podemos identifi car gargalos, pontos a melhorar e que visualizando podemos otimizar. Veja na fi gura 10 a seguir como é demonstrado um fl uxograma de processo na sua atividade. Figura 10: Demonstração do fl uxograma de processos. A utilização dessa ferramenta permite ir muito mais além do que descrever passo a passo das atividades, como mostrar o fl uxo da produção, incluindo esperar, omitindo esperar, relacionando layout, não relacionando o layout, nos traz uma gama infi nita de possibilidades. 3- Check-in da simulação 1) Delimite a extensão do sistema que você vai estudar. 2) Descreva o sistema (como ele ocorre na empresa). 3) Enuncie o objetivo prático da simulação. 4) Cite os eventos que você irá considerar na modelagem e o grau de detalhamento. 5) Explicite os pressupostos da sua modelagem. 6) Liste todos os elementos que você irá considerar no modelo (locais, entidades, recursos, atributos, processamentos) e descreva a modelagem de cada um. Faça considerações sobre as simplifi cações e pressupostos sobre cada um deles. 7) Sobre a coleta de dados: i) Quais as fontes usadas? ii) Qual o horizonte de tempo que você considerou na coleta? Ele é sufi ciente? Contempla mesmo os eventos mais raros? iii) De quanto em quanto tempo ocorrem estes eventos mais raros? Quais são eles? 8) Sobre a validação? i) Descreva, passo a passo, o que vocêfez para validar o seu modelo. ii) Quem foi consultado? 9) Qual o tempo que você propõe para as rodadas? Por quê? 10) Qual o tempo de warm up? Por quê? 11) Observar a variabilidade natural do seu sistema. Fale a respeito dela em relação a cada um dos elementos que você usou no sistema. 12) Quais medidores estatísticos você vai usar? Por quê? De que modo eles contribuem para alcançar o objetivo proposto. 13) Foi necessário reavaliar o objetivo da simulação, ao longo do caminho? Sim? Não? Por quê? O que foi modifi cado. 14) Você aprendeu algo a respeito do seu sistema, ao longo do esforço de modelagem? Caso sim, o que aprendeu e em que passo(s) da simulação isso ocorreu. 15) Faça um exercício de criatividade e imagine um ponto do seu sistema onde você muda drasticamente uma característica (velocidade, tempo de execução, tempo de atendimento, capacidade do recurso, número de recursos, taxa de chegadas, etc). Proponha algo que seja impossível hoje, tecnologicamente. Analise os resultados. O que você observou? 44Simulação da Produção Chegamos ao fi nal de mais uma aula. Tudo certo até aqui? Vamos recordar! Retomando a aula 1- Etapas da Simulação Nesta seção, aprendemos as principais etapas de um processo de simulação: o que devemos levar em consideração, o devemos priorizar, quais os parâmetros devemos seguir, além de ver muitos exemplos práticos para concretizar nosso conhecimento. 2- Construindo modelos Nesta seção, construímos modelos e aprendemos alguns parâmetros importantes com fi nalidade da comunicação ser mais efi caz, como o fl uxograma d e processos e mapeamento de processos. O fl uxograma é uma linguagem mais profi ssional e tem por fi nalidade a interação entre as atividades realizadas, a simulação e o simulador. 3- Check-in da simulação Nesta seção fi zemos um check-list dos 15 passos para não se perder na hora de simular, assim nossos erros fi cam minimizados e conseguimos realizar a simulação com sucesso. Levantamos alguns pontos de modelos, entidades, fontes, medidores estatísticos, o sistema, dentre outros. Até a próxima aula! Disponível em: https://www.sigecloud.com.br/ funcionalidades/gestao-de-producao/simulador ( Se cadastrem, testem tem 15 dias grátis). Vale a pena acessar https://www.youtube.com/watch?v=ukjRRnw5oX0. Vale a pena assistir http://www.abepro.org.br/biblioteca/enegep2009_ tn_sto_091_615_13480.pdf. Vale a pena ler Vale a pena Minhas anotações
Compartilhar