Baixe o app para aproveitar ainda mais
Prévia do material em texto
2018 ModelageM e SiMulação de ProceSSoS Prof. Diego Milnitz Copyright © UNIASSELVI 2018 Elaboração: Prof. Diego Milnitz Revisão, Diagramação e Produção: Centro Universitário Leonardo da Vinci – UNIASSELVI Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri UNIASSELVI – Indaial. Impresso por: M659m Milnitz, Diego Modelagem e simulação de processos. / Diego Milnitz. – Indaial: UNIASSELVI, 2018. 182 p.; il. ISBN 978-85-515-0240-2 1.Engenharia de materiais. – Brasil. 2.Simulação de Processos. – Brasil. II. Centro Universitário Leonardo Da Vinci. CDD 620.11 III aPreSentação Caro acadêmico! Bem-vindo ao Livro de Estudos da disciplina de Modelagem e Simulação de Processos. Ele está dividido em três unidades: Unidade 1 – Conceitos de modelagem matemática para processos industriais; Unidade 2 – Modelos e métodos numéricos para a otimização dos processos industriais e recursos produtivos; e Unidade 3 – Simulação. Na Unidade 1 são apresentados os principais modelos e técnicas relacionados aos processos estocásticos. Estudaremos a Teoria das Filas, que é um ramo da probabilidade que estuda a formação de filas através de análises matemáticas precisas e propriedades mensuráveis das filas; o Método de Monte Carlo, que tem sido utilizado há bastante tempo como forma de obter aproximações numéricas de funções complexas em que não é viável, ou mesmo impossível, obter uma solução analítica ou, pelo menos, determinística; e por fim, as Cadeias de Markov, que é um caso particular de processo estocástico com estados discretos e com a propriedade de distribuição de probabilidade do próximo estado que depende apenas do estado atual e não na sequência de eventos que precederam. Na Unidade 2 são apresentados os principais métodos relacionados aos processos determinísticos aplicados em processos industriais, como a Programação Linear, que é utilizada para otimizar (maximizar ou minimizar) uma função linear de variáveis, chamada de função objetivo, sujeita a uma série de equações (ou inequações) lineares, chamadas restrições; a programação linear geométrica, ou seja, a interpretação geométrica de problemas de programação linear, e um método para solução de programação linear por inspeção do gráfico. Este método somente é viável para problemas com duas variáveis e poucas restrições, entretanto, é útil para aprofundar a compreensão do que é um problema de programação linear e quais são suas soluções; por fim, é abordada a análise de redes, discutindo sobre a Teoria dos Grafos e PERT/COM. Na Unidade 3 são apresentados os conceitos básicos sobre simulação. Após a abordagem dos principais conceitos, métodos e técnicas de modelagem matemática tanto para processos estocásticos como determinísticos, você aprenderá a realizar a simulação após o desenvolvimento dos modelos matemáticos. Para isso, será apresentada uma breve introdução sobre simulação na pesquisa operacional; os tipos de simulações que podem ser realizadas e, por fim, são apresentados alguns softwares utilizados na simulação, como Excel®, Matlab e Arena. Bons estudos! Prof. Diego Milnitz IV Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto para você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há novidades em nosso material. Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é o material base da disciplina. A partir de 2017, nossos livros estão de visual novo, com um formato mais prático, que cabe na bolsa e facilita a leitura. O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova diagramação no texto, aproveitando ao máximo o espaço da página, o que também contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo. Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente, apresenta também este livro no formato digital. Assim, você, acadêmico, tem a possibilidade de estudá-lo com versatilidade nas telas do celular, tablet ou computador. Eu mesmo, UNI, ganhei um novo layout, você me verá frequentemente e surgirei para apresentar dicas de vídeos e outras fontes de conhecimento que complementam o assunto em questão. Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa continuar seus estudos com um material de qualidade. Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de Desempenho de Estudantes – ENADE. Bons estudos! NOTA V VI VII UNIDADE 1 - CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS ......................................................................1 TÓPICO 1 - TEORIA DAS FILAS .....................................................................................................3 1 INTRODUÇÃO ..................................................................................................................................3 2 TERMOS E CONCEITOS SOBRE FILA........................................................................................4 3 MODELAGEM DAS FILAS.............................................................................................................7 3.1 MODELO DE FILA (M/M/1) .......................................................................................................10 3.2 MODELO DE FILA (M/M/S) .......................................................................................................10 4 APLICAÇÕES DE MODELOS DE FILAS.....................................................................................11 4.1 APLICAÇÃO DA MODELAGEM DAS FILAS EM PROCESSOS INDUSTRIAIS .............12 4.2 APLICAÇÃO DA MODELAGEM DAS FILAS EM TRANSPORTES ...................................14 RESUMO DO TÓPICO 1.....................................................................................................................17 AUTOATIVIDADE ..............................................................................................................................18 TÓPICO 2 - MÉTODO DE MONTE CARLO ..................................................................................19 1 INTRODUÇÃO ..................................................................................................................................19 2 VARIÁVEIS ALEATÓRIAS .............................................................................................................19 3 GERAÇÃO DE NÚMEROS ALEATÓRIOS .................................................................................23 3.1 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO CONGRUENTE LINEAR (MCL) ................................................................................................25 3.2 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO CONGRUENTE LINEAR MULTIPLICATIVO (MCLM) ......................................................................................26 3.3 UTILIZAÇÃO DO EXCCEL PARA GERAÇÃO DE NÚMEROS ALEATÓRIOS ................27 4 MÉTODO MONTE CARLO ............................................................................................................29 4.1 SIMULAÇÃO POR MEIO DO MÉTODO DE MONTE CARLO ...........................................31 RESUMO DO TÓPICO 2.....................................................................................................................38 AUTOATIVIDADE ..............................................................................................................................39 TÓPICO 3 - CADEIAS DE MARKOV ..............................................................................................41 1 INTRODUÇÃO ..................................................................................................................................41 2 DEFINIÇÕES SOBRE ASCADEIAS DE MARKOV ..................................................................42 2.1 CADEIAS ABSORVENTES DE MARKOV................................................................................46 LEITURA COMPLEMENTAR ............................................................................................................49 RESUMO DO TÓPICO 3.....................................................................................................................59 AUTOATIVIDADE ..............................................................................................................................60 UNIDADE 2 - MODELOS E MÉTODOS NUMÉRICOS PARA A OTIMIZAÇÃO DOS PROCESSOS INDUSTRIAIS E RECURSOS PRODUTIVOS ................61 TÓPICO 1 - PROGRAMAÇÃO LINEAR .........................................................................................63 1 INTRODUÇÃO ..................................................................................................................................63 2 ASPECTOS GERAIS SOBRE MODELAGEM MATEMÁTICA E PROGRAMAÇÃO LINEAR .........................................................................................................64 SuMário VIII 2.1 DESENVOLVIMENTO DE MODELOS DE PROGRAMAÇÃO LINEAR ............................65 3 APLICAÇÕES PRÁTICAS ...............................................................................................................67 3.1 PROBLEMA DE TRANSPORTE .................................................................................................68 3.2 PROBLEMA DE COMPOSIÇÃO ................................................................................................70 3.3 PROBLEMA DE PRODUÇÃO ....................................................................................................72 LEITURA COMPLEMENTAR ............................................................................................................78 RESUMO DO TÓPICO 1.....................................................................................................................84 AUTOATIVIDADE ..............................................................................................................................85 TÓPICO 2 - PROGRAMAÇÃO LINEAR GEOMÉTRICA ...........................................................87 1 INTRODUÇÃO ..................................................................................................................................87 2 SOLUÇÃO GEOMÉTRICA PARA PROBLEMAS DE PROGRAMAÇÃO LINEAR ............87 3 APLICAÇÃO PRÁTICA DA SOLUÇÃO GEOMÉTRICA.........................................................91 3.1 PROBLEMA DE COMPOSIÇÃO ................................................................................................91 3.2 SOLUÇÃO GRÁFICA ..................................................................................................................93 3.2.1 Vetor Gradiente ...................................................................................................................96 LEITURA COMPLEMENTAR ............................................................................................................99 RESUMO DO TÓPICO 2.....................................................................................................................102 AUTOATIVIDADE ..............................................................................................................................103 TÓPICO 3 - ANÁLISE DE REDES.....................................................................................................105 1 INTRODUÇÃO ..................................................................................................................................105 2 DEFINIÇÕES SOBRE A TEORIA DOS GRAFOS ......................................................................106 2.1 PROBLEMA DO CAIXEIRO VIAJANTE (PCV) ......................................................................109 LEITURA COMPLEMENTAR ............................................................................................................113 RESUMO DO TÓPICO 3.....................................................................................................................117 AUTOATIVIDADE ..............................................................................................................................118 UNIDADE 3 - SIMULAÇÃO ..............................................................................................................119 TÓPICO 1 - SIMULAÇÃO NA PESQUISA OPERACIONAL .....................................................121 1 INTRODUÇÃO ..................................................................................................................................121 2 SIMULAÇÃO .....................................................................................................................................121 2.1 VANTANGENS E DESVANTAGENS DO PROCESSO DE SIMULAÇÃO ..........................122 3 A MODELAGEM MATEMÁTICA NA SIMULAÇÃO ..............................................................124 3.1 ABORDAGEM TRADICIONAL .................................................................................................126 3.2 ABORDAGEM ATUAL ................................................................................................................127 4 ETAPAS DA SIMULAÇÃO .............................................................................................................128 5 ÁREAS DE APLICAÇÃO DA SIMULAÇÃO ..............................................................................133 5.1 SIMULAÇÃO DE PROJETO E OPERAÇÕES DE SISTEMAS ORGANIZADOS POR FILA ......................................................................................................134 5.2 SIMULAÇÃO NA GESTÃO DE SISTEMA DE ESTOQUE E DISTRIBUIÇÃO DE PRODUTOS ...............................................................................................135 LEITURA COMPLEMENTAR ............................................................................................................138 RESUMO DO TÓPICO 1.....................................................................................................................143 AUTOATIVIDADE ..............................................................................................................................144 TÓPICO 2 - TIPOS DE SIMULAÇÃO ..............................................................................................147 1 INTRODUÇÃO ..................................................................................................................................147 2 SIMULAÇÃO DISCRETA ................................................................................................................148 2.1 COMPONENTES DA SIMULAÇÃO DE EVENTOS DISCRETOS .......................................151 2.2 SIMULAÇÃO ORIENTADA POR EVENTO ............................................................................152 IX 2.3 SIMULAÇÃO ORIENTADA POR PROCESSO ........................................................................154 RESUMO DO TÓPICO 2.....................................................................................................................155 AUTOATIVIDADE ..............................................................................................................................156 TÓPICO 3 - SOFTWARES DE SIMULAÇÃO .................................................................................159 1 INTRODUÇÃO ..................................................................................................................................159 2 LINGUAGEM DE PROGRAMAÇÃO PARA SIMULAÇÃO ....................................................159 3 SOFTWARES EMPREGADOS NA SIMULAÇÃO .....................................................................163 3.1 PROMODEL ..................................................................................................................................1633.2 AUTOMOD ....................................................................................................................................164 3.3 SIMFACTORY II.5 .........................................................................................................................165 3.4 TAYLOR II (FLEXSIM) .................................................................................................................166 3.5 WITNESS ........................................................................................................................................167 3.6 ARENA ...........................................................................................................................................169 LEITURA COMPLEMENTAR ............................................................................................................171 RESUMO DO TÓPICO 3.....................................................................................................................176 AUTOATIVIDADE ..............................................................................................................................177 REFERÊNCIAS ......................................................................................................................................179 https://en.wikipedia.org/wiki/Flexsim X 1 UNIDADE 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS OBJETIVOS DE APRENDIZAGEM PLANO DE ESTUDOS A partir do estudo desta unidade, você deverá ser capaz de: • compreender o estudo da Teoria das Filas e conhecer as aplicações desta análise junto ao embasamento teórico do tema, como a estrutura básica de uma fila e seus principais elementos; • identificar os principais modelos baseados em Teoria das Filas, que são MM/1 e M/M/S, e suas características; • entender que o Método de Monte Carlo é uma poderosa ferramenta de simulação, que considera a presença de dados de entrada caracterizados por distribuições de probabilidade; • perceber que os geradores de números aleatórios são importantes ferramen- tas utilizadas na simulação, sendo que sua aplicação vai desde a criação de jogos até a criação e desenvolvimento de algoritmos de criptografia; • entender que as Cadeias de Markov são uma derivação específica do “Pro- cesso de Markov”. Esta unidade está dividida em três tópicos. No decorrer da unidade você encontrará autoatividades com o objetivo de reforçar o conteúdo apresentado. TÓPICO 1 – TEORIA DAS FILAS TÓPICO 2 – MÉTODO DE MONTE CARLO TÓPICO 3 – CADEIAS DE MARKOV 2 3 TÓPICO 1 UNIDADE 1 TEORIA DAS FILAS 1 INTRODUÇÃO As filas são um evento do cotidiano de qualquer sistema, seja para uma pessoa, processo de manufatura ou prestação de algum tipo de serviço, por exemplo, é comum para uma pessoa enfrentar filas no atendimento bancário, na compra de ingressos para assistir ao jogo do seu time favorito, quando é atendido no supermercado etc. Outras formas de filas temos quando um produto fica aguardando para ser processado no centro de trabalho ou quando um arquivo aguarda para ser impresso na impressora, ou, ainda, de uma forma mais abstrata, como no caso de um dado ou arquivo esperando para ser processado pelo servidor de computador. De maneira geral, a formação de filas parece inevitável e comum para qualquer tipo de sistema, contudo, o problema das filas não se limita somente aos aborrecimentos e esperas que um indivíduo ou objetivo são submetidos. O tempo aguardado nas filas está relacionado com a própria ineficiência do atendimento ou processo que, por conseguinte, pode gerar prejuízos enormes. Segundo Hillier e Lieberman (2013), Agner Kendall Erlang é considerado o precursor dos estudos sobre filas, tendo realizado modelos matemáticos para tentar resolver problemas da empresa telefônica onde trabalhava em Copenhagen, na Dinamarca. No ano de 1908, a empresa enfrentava dificuldades com questões de espera de chamadas telefônicas e Erlang criou modelos para estudar as filas geradas pelas ligações, com o intuito de redimensionar as ligações para outras centrais telefônicas. Entretanto, foi somente a partir de 1939 que esta teoria realmente começou a ser estudada e melhorada, sendo empregada nos processos industriais e principalmente na prestação de serviços, em específico, para atendimentos. Apesar dos avanços em relação aos estudos sobre a teoria das filas, há certas situações de filas que são muito complexas de serem representadas pelos modelos matemáticos de filas que atualmente se têm conhecimento. Neste sentido, a teoria das filas ainda é um tema a ser explorado pela comunidade científica e por profissionais da área, possibilitando que sejam estudadas melhores formas de aplicação e adequação às situações vigentes. UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 4 Para Hillier e Lieberman (2013), o tempo que as pessoas de uma determinada região perdem em filas é um importante indicador tanto para qualidade de vida como para a eficiência econômica desta região. Os autores citam a situação da antiga União Soviética, em que era comum para a população enfrentar filas enormes para comprar produtos de necessidades básicas. Igualmente, Hillier e Lieberman (2013) comentam que nos Estados Unidos da América os americanos perdem bilhões de horas por ano, esperando em filas. Do contrário, se esse tempo fosse convertido em tempos produtivos, resultaria em milhões de pessoas por ano de trabalhado realizado. 2 TERMOS E CONCEITOS SOBRE FILA Para modelagem das filas, alguns termos e conceitos precisam ser elucidados, dentre eles estão: a) tamanho da população; b) processo de chegada; c) processo de atendimento; d) quantidade de atendentes; e) organização da fila; f) tamanho médio da fila; g) tamanho máximo da fila; h) tempo médio de espera na fila. a) Tamanho da População O tamanho da população está relacionado com a quantidade de usuários, neste caso os usuários são denominados de clientes que precisam ser atendidos, para isso, serão organizados numa fila para possibilitar este atendimento. Para Hillier e Lieberman (2013), se a população de clientes a ser atendida for muito grande, ela pode ser considerada infinita. Do mesmo modo, caso a chegada de novos clientes à fila não afetar a chegada de outros clientes que, eventualmente, possam compor a fila, o processo de chegada dos clientes é considerado independente. De outra forma, quando o tamanho da população de clientes é pequeno, a chegada de novos clientes pode afetar a chegada de outros e alterar a dinâmica da fila. b) Processo de Chegada O processo de chegada indica qual é o padrão de chegada dos clientes no sistema. Este processo de chegada de clientes à fila pode acontecer de maneira constante, isto é, a taxa de chegada de clientes na fila por unidade de tempo é sempre a mesma. Deste modo, o modelo é denominado de determinístico. Por TÓPICO 1 | TEORIA DAS FILAS 5 outro lado, quando o processo de chegadas de clientes à fila não respeita um tempo determinado, ou seja, chegam clientes na fila em uma taxa por unidade de tempo diferentes, esta variável, logo, é aleatória. Portanto, o modelo é denominado de estocástico. Nesta última situação, quando o tempo de chegada dos clientes é aleatório, o modelo segue uma distribuição de probabilidade, permitindo a realização da modelagem do processo. O comportamento estatístico dos clientes, para terem acesso ao sistema de filas, pode ser descrito por uma distribuição de probabilidades empírica que pode ser representada por um modelo analítico (MORAES; SILVA; REZENDE, 2011). Geralmente o modelo utilizado, neste caso, é a distribuição de Poisson, que permite representar a forma como os clientes são gerados pela fonte. Para demonstrar esse comportamento é necessário ter somente a taxa média de chegadas. Para isso, a taxa de chegadas de cliente por unidade de tempo à fila é representada por “λ”, conforme pode-se verificar a seguir:λ = Taxa média de chegadas de clientes na fila Além da taxa média de chegadas de clientes na fila, outro fator importante no processo de chegadas é o IC (intervalo de chegadas), que retrata a taxa de chegada entre um cliente e outro em um sistema de filas. c) Processo de Atendimento O processo de atendimento, também chamado de modelo de serviço, tem como principal fator medido, o tempo de serviço, ou de atendimento, que é o tempo em que o atendente utiliza para realizar o atendimento necessário ao cliente e é representado pelo símbolo “μ”, conforme pode-se verificar a seguir: μ = Taxa média de atendimentos por unidade de tempo Igualmente como acontece no processo de chegada, o atendimento pode ser determinístico (constante) ou estocástico (aleatório). No caso do processo de atendimento aleatório, a distribuição que representa os tempos de atendimento é a distribuição exponencial negativa. Essa distribuição é fundamental para os estudos sobre filas, pois ela geralmente é usada para representar tempos de atendimento através de uma distribuição contínua. d) Quantidade de Atendentes A quantidade de atendentes nada mais é do que o número de servidores e estão em uma fila para realizar o atendimento aos usuários do sistema. Neste sentido, em um sistema pode-se deparar com um ou mais atendentes que estão ou não disponíveis para o atendimento aos usuários na fila. UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 6 e) Organização da Fila A organização da fila é o resultado do modo como o processo de atendimento ao cliente é realizada, geralmente também pode ser denominada de disciplina de atendimento, por exemplo, a organização mais comum é quando o primeiro cliente que chega ao sistema é o primeiro que é atendido e, consequentemente, é o primeiro que sai desse sistema. Essa organização denomina-se, em inglês, FIFO (First In, First Out), que significa “o primeiro que chega é o primeiro que sai”. Existe também a organização de fila, que é muito empregada em centros de distribuição (CD) e armazéns, em que o último cliente a chegar, neste caso, o último produto, é o primeiro a ser atendido. A essa organização dá-se o nome de LIFO (Last In, First Out), que significa “o último a chegar é o primeiro a sair”. Também existem tipos de organização de fila por prioridades. Os casos mais utilizados são quando os clientes possuem uma prioridade para serem atendidos em relação a outro cliente que está sendo atendido no momento, neste caso, o atendimento ao cliente com menor prioridade é interrompido para que seja dado o atendimento prioritário o outro cliente. Depois, o atendimento interrompido pode continuar do ponto em que foi interrompido ou mesmo ter seu atendimento reiniciado. Outra forma de organização da fila a partir da prioridade é quando o cliente, que possui a prioridade, de acordo com a regra, é colocado em primeiro lugar na fila de atendimento, mesmo que o atendimento que esteja sendo realizado seja para o cliente com menor prioridade, entretanto, ele não é interrompido, como no caso anterior. Um exemplo de aplicação dessa forma de organização pode ser observado no atendimento de caixas de bancos, onde pessoas idosas, pessoas com deficiência e gestantes possuem prioridade para serem atendidas quando solicitam atendimento. f) Tamanho Médio da Fila O tamanho médio da fila é a quantidade média de clientes em uma fila por uma unidade de tempo. Uma fila nem sempre possui a mesma quantidade de clientes, logo, se for realizada uma medida do número de clientes ou usuários presentes em uma fila, em um determinado período de tempo, é possível obter o tamanho médio da fila. g) Tamanho Máximo da Fila Geralmente o tamanho máximo de uma fila funciona como limitador do tamanho da fila, neste caso é quando ela está muito grande, a ponto de se evitar novos clientes, sendo que eles são desviados para outros atendentes. Isso pode ser observado, por exemplo, quando ocorre a redução do preço de combustível TÓPICO 1 | TEORIA DAS FILAS 7 em um dia determinado, gerando grandes filas formadas por motoristas que desejam abastecer seus automóveis e aproveitar a promoção. Neste caso, se a fila de um determinado posto estiver muito grande, o motorista vai verificar se outro posto está com uma fila menor, para tentar ser atendido mais rapidamente. h) Tempo Médio de Espera na Fila O tempo médio de espera na fila depende inicialmente do tipo de organização da fila. Portanto, se um cliente chega em um fila com oito usuários a sua frente, o tempo médio de espera na fila será o tempo total gasto para que todos os clientes sejam atendidos dividido pelo número de clientes atendidos no sistema. Nesse caso, se o tempo total de atendimento for de 16 minutos, o tempo médio de espera na fila será de 2 minutos. 3 MODELAGEM DAS FILAS Segundo Hillier e Lieberman (2013), a estrutura básica de um modelo de filas se baseia em usuários que precisam ser atendidos e chegam ao longo do tempo por uma fonte de entradas. Esses usuários entram no sistema de filas e são alocados para a fila. Em algum momento, um usuário na fila é selecionado para atendimento segundo uma regra de organização da fila. O atendimento é então realizado pelo mecanismo de atendimento e, após isso, o usuário deixa o sistema de filas. Essa dinâmica é representada na Figura 1: FIGURA 1 – ESTRUTURA ELEMENTAR PARA MODELAGEM DE FILAS FONTE: Adaptado de Hillier e Lieberman (2013) UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 8 Veremos mais adiante, neste tópico, as derivações desta estrutura básica de modelo de filas em que podemos variar o número de filas e o número de servidores, também chamados de canais por alguns autores. ESTUDOS FU TUROS O comportamento do sistema de filas ocorre conforme apresentado na Figura 1. Os clientes surgem de uma população e se encaminham para uma fila para serem atendidos. Estes são organizados na fila segundo uma regra definida, aguardam pelo atendimento de algum serviço específico, por exemplo, quando uma pessoa aguarda para comprar seu ingresso na fila do cinema. Na sequência, os clientes recebem o atendimento dos atendentes, ou também chamados de servidores, e após o atendimento saem do sistema de filas. Com relação ao atendente, ele pode ser um vendedor de uma loja específica, um guarda de portaria de um prédio etc. Ainda que a Figura 1 apresente a estrutura básica para um sistema de filas, seus elementos, regras de operação e o comportamento das variáveis aleatórias podem apresentar variações e outras combinações, por exemplo, alguns sistemas podem apresentar-se com mais de um atendente para atender a uma determinada fila, ou ainda, em outros sistemas, um único atendente pode ser responsável por mais de uma fila. Além da quantidade de filas de servidores, ainda pode-se ter regras de organização das filas para o atendimento, por exemplo, as filas tipo FIFO – First In, First Out –, isto é, o primeiro a chegar é o primeiro a ser atendido. A Figura 2 apresenta um sistema de filas com uma estrutura de fila única com mais de um atendente. Neste caso, é possível reduzir consideravelmente o tempo médio de permanência na fila com o aumento de atendentes para realizar o atendimento. Geralmente esse sistema funciona em supermercados por meio do sistema de caixa rápido, em que uma única fila é atendida por vários atendentes. TÓPICO 1 | TEORIA DAS FILAS 9 FIGURA 2 – SISTEMA DE FILAS COM UMA ÚNICA FILA E VÁRIOS ATENDENTES FONTE: Adaptado de Kawano e Kawano (2014) Outra possibilidade de estrutura de um sistema de filas pode ser por meio de várias filas para vários atendentes. Neste caso, para ser atendido o cliente escolhe a fila, geralmente ele leva em consideração a quantidade de clientes que estão na fila para definir em qual vai se posicionar, entretanto, na maioria das vezes, somente a quantidade de pessoas na fila não é o único parâmetro que deve ser considerado, por exemplo, seconsiderar que o atendimento leva sempre o mesmo tempo, como no caso de um pedágio rodoviário, se existir duas filas para escolher, uma com seis carros de passeio e outra com três caminhões, considerando que a velocidade de saída é igual para todos os veículos, qual fila seria a escolhida? Bom, geralmente a fila escolhida é a dos seis carros, e o motivo é simples: o comprimento desta fila é consideravelmente menor que a fila ocupada pelos três caminhões, entretanto, diante das restrições do sistema, se o próximo cliente que chegar ao sistema escolher a fila dos seis carros, este esperará mais tempo do que se estivesse escolhido a fila com três caminhões. Entrada Saída Clientes Sistema de Filas Fila 2 Atendente 1 Cliente A Atendente 2 Cliente B Atendente 3 Cliente C Fila 1 Fila 3 FIGURA 3 – SISTEMA DE FILAS COM VÁRIAS FILAS E VÁRIOS ATENDENTES FONTE: Adaptado de Kawano e Kawano (2014) UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 10 3.1 MODELO DE FILA (M/M/1) O modelo de filas mais empregado no estudo da teoria das filas é o M/M/1, que representa um sistema com fila de um único atendente, em que se considera que os tempos entre as chegadas de clientes e os tempos de atendimentos obedecem à distribuição exponencial. Nesse modelo também não há limitações no tamanho da fila em relação ao atendente, e a organização da fila é do tipo FIFO (o primeiro que chega é o primeiro a ser atendido). Para o modelo M/M/1 tem-se algumas fórmulas que seguem as delimitações, conforme definidas no parágrafo anterior, e que conduzem o comportamento deste modelo. As variáveis presentes nas fórmulas são “λ”, que representa a taxa média de chegadas de clientes na fila; “μ”, que representa a taxa média de atendimentos por unidade de tempo; e “ρ”, que representa a probabilidade de que o sistema esteja ocupado. Elas são apresentadas a seguir: Descrição Fórmula Probabilidade que o sistema esteja ocupado Probabilidade que "n " clientes encontrem-se no Sistema Probabilidade que o sistema esteja desocupado Número médio de clientes no sistema de atendimento Número médio de clientes na fila de espera Tempo médio gasto no sistema pelo cliente Tempo médio de espera na fila por cliente 𝑳 = 𝝀 𝝁− 𝝀 FIGURA 4 – FÓRMULAS DO MODELO M/M/1 FONTE: Pinto (2011, p. 15) 3.2 MODELO DE FILA (M/M/S) Também é um modelo baseado num processo de vida e morte que difere do anterior apenas no número de atendentes disponíveis “S”. Tem-se assim um modelo em que o número de servidores é S, o sistema tem uma distribuição das chegadas de Poisson e dos tempos de atendimento exponencial, a capacidade do TÓPICO 1 | TEORIA DAS FILAS 11 Descrição Fórmula Probabilidade que o sistema esteja ocupado Probabilidade que "n " clientes encontrem-se no Sistema Probabilidade que o sistema esteja desocupado Número médio de clientes no sistema de atendimento Número médio de clientes na fila de espera Tempo médio gasto no sistema pelo cliente Tempo médio de espera na fila por cliente sistema e da população são infinitas e a organização da fila é tipo FIFO, quem entra primeiro no sistema será o primeiro a ser atendido. As fórmulas para o modelo M/M/S são apresentadas a seguir: FIGURA 5 – FÓRMULAS DO MODELO M/M/S FONTE: Pinto (2011, p. 16) 4 APLICAÇÕES DE MODELOS DE FILAS O estudo das filas é um assunto que abrange vários setores. Muitas vezes, elas são consideradas como a ineficiência de um sistema de atendimento. Contudo, para uma organização que deseja reduzir a zero suas filas, por exemplo, terá que envolver e gastar uma quantidade muito alta de recursos, que pode tornar a atividade insustentável do ponto de vista financeiro. Logo, os estudos efetivados nessa área têm como objetivo descobrir um ponto ótimo, em que uma organização consiga atender a seus clientes de forma adequada, sem que precise consumir recursos que impossibilitem seu funcionamento. UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 12 No decorrer das atividades cotidianas existem muitas ineficiências que ocorrem por diversos tipos de espera, por exemplo, deixar equipamentos esperando para serem consertados pode resultar em perdas produtivas. Caminhões que precisam aguardar para serem descarregados podem atrasar carregamentos posteriores. Aviões esperando para decolar ou pousar podem afetar horários de voos seguintes. Ordens de produção esperando para serem processadas pode afetar a produção aumentado os leads times produtivos (HILLIER; LIEBERMAN, 2013). Diante do contexto, fica claro que a teoria das filas pode ser aplicada em diversas áreas e situações, como: a) processos industriais; b) atendimento comercial; c) transporte; d) serviço social; entre outros. 4.1 APLICAÇÃO DA MODELAGEM DAS FILAS EM PROCESSOS INDUSTRIAIS Os processos industriais apresentam o maior número de aplicações da teoria das filas. Pode-se empregar esta teoria tanto para um processo de produção da área metalmecânica como para a indústria que manufatura produtos alimentícios. Além disso, a teoria das filas pode ajudar um gerente a definir o layout de uma fábrica nova, de forma que ela opere com a menor taxa de espera nas linhas de produção. Isso poderia otimizar os recursos alocados para o projeto afim de torná-lo mais assertivo e viável economicamente. Outro exemplo poderia ser a simulação por meio da modelagem das filas para melhorar o processo produtivo da empresa. Nesse caso, poderia ser uma simulação que visa à troca de algumas máquinas que atualmente não apresentam a eficiência esperada devido à defasagem tecnológica do equipamento, simulando os produtos produzidos do sistema atual e como a empresa ficaria após as modificações. • Exemplo 1 O número médio de peças que chegam a um posto de trabalho é igual a 10 peças/hora. Assumir que o tempo médio de processamento (atendimento) por peça seja de 4 minutos, e ambas as distribuições de intervalos entre chegadas e tempo de serviço sejam exponenciais, responder às seguintes questões: a) Qual a probabilidade do posto de trabalho estar livre? b) Qual o número médio de peças esperando na fila? c) Qual o tempo médio que uma peça gasta no sistema (tempo na fila mais o tempo de atendimento)? d) Quantas peças serão processadas em média por hora? TÓPICO 1 | TEORIA DAS FILAS 13 Resolução: Dados do Problema: Chegada: λ = 10 peças/hora. Atendimento: em média, 1 peça a cada 4 minutos, ou seja, 15 peças/hora (60/4). Sendo assim, μ = 15 peças/hora. Obs.: para resolver este problema utilizaremos o modelo M/M/1. a) Para saber a probabilidade do posto de trabalho estar livre, deve-se calcular a probabilidade que n clientes encontram-se no sistema, nesse sentido, n=0. ( ) 01 *nP ρ ρ= − Em que, ρ µ = ë Então, 0 0 1 *P λ λ µ µ = − Logo, 0 0 10 101 * 15 15 P = − ( )0 1 0,6667 *1 0,3333P = − = Resposta: A probabilidade do posto de trabalho estar livre é de aproximadamente 33%. b) Para resolver essa questão é preciso calcular o número médio de clientes na fila de espera. ( ) 2 *q L λ µ µ λ = − Logo, ( ) 210 1,33 15* 15 10q L peças= = − Resposta: O número médio de peças aguardando para serem processadas é de 1,33 peças. Nesse caso, é adequado considerar que é possível encontrar, em média, 2 peças na fila. UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 14 c) Para resolver essa questão é preciso calcular o tempo médio gasto no sistema pelo cliente. 1W µ λ = − Logo, 1 0,2 1 2 15 10 W horas ou minutos= = − Resposta: O tempo médio que uma peça fica no sistema é de 12 minutos, isto é, o tempo na fila mais o tempo de processamento. d) Se a ocupação média do posto de trabalho fosse 100%, então o número médio de peças processadas por hora seria de 15 peças, Entretanto, a ocupação média será (1 - P(0)), ou seja, igual a 2/3, portanto, 15 * 2/3 = 10 peças por hora. 4.2 APLICAÇÃO DA MODELAGEM DAS FILAS EM TRANSPORTES A utilização damodelagem das filas em sistema de transporte é realizada de forma muito acentuada, por exemplo, no trânsito, um pedestre pode ser considerado um cliente e um semáforo da faixa de pedestre, o atendente. Deste modo, pode-se modelar o sistema para que o semáforo seja regulado de forma a permitir que o fluxo de pedestres seja realizado de forma correta, evitando excessivas esperas para atravessar uma avenida. No transporte ferroviário, pode-se analisar, por meio da modelagem de filas, os pontos mais adequados para que sejam colocados desvios nas vias férreas, ou mesmo a quantidade de estações e tempos de parada de cada trem nessas estações. O cálculo de tempo de espera, localização e atendimento pode ser realizado por meio da modelagem de filas. Além dos modelos voltados para otimizar os modais de transporte, pode- se também utilizar a modelagem das filas para situações comuns do cotidiano, por exemplo, quando alguém está esperando pelo elevador. Pode-se considerar as pessoas como sendo os clientes e o elevador como sendo o atendente. Nesse sentido, pode-se verificar qual é o percurso que o elevador deve executar, com o objetivo de atender às demandas (pessoas que chamam o elevador) no menor tempo possível, fazendo com que cada pessoa fique esperando o menor tempo. • Exemplo 2 Supondo-se que a chegada de um navio ao berço portuário siga a distribuição de Poisson, com uma taxa de 6 navios por dia, e que a duração TÓPICO 1 | TEORIA DAS FILAS 15 média de atendimento dos navios seja de 3 horas, seguindo-se a distribuição exponencial, responder às seguintes questões: a) Qual é a probabilidade de um navio chegar ao porto e não esperar para atracar? b) Qual é a quantidade média de navios na fila do porto? c) Qual é a quantidade média de navios no sistema portuário? d) Qual é a quantidade média de navios utilizando o porto? Resolução: Dados do Problema: Chegada: λ = 6 navios/dia. Atendimento: em média, 1 navio a cada 3 horas, ou seja, 8 navios/dia (24/3). Sendo assim, μ - 8 navios/dia. Obs.: para resolver este problema utilizaremos o modelo M/M/1. a) Para saber a probabilidade de um navio chegar ao porto e não esperar para atracar, deve-se calcular a probabilidade que n clientes encontram-se no sistema, nesse sentido, n=0. ( ) 01 *nP ρ ρ= − Em que, ρ µ = ë Então, 0 0 1 *P λ λ µ µ = − Logo, 0 0 6 61 * 8 8 P = − ( )0 1 0,75 *1 0,25P = − = Resposta: A probabilidade de um navio chegar ao porto e não esperar para atracar é de aproximadamente 25%. b) Para resolver essa questão é preciso calcular o número médio de clientes na fila de espera. ( ) 2 *q L λ µ µ λ = − Logo, ( ) 26 2, 25 8* 8 6q L navios= = − UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 16 Resposta: A quantidade média de navios na fila do porto é de 2,25 navios. c) Para resolver essa questão é preciso calcular o número médio de clientes no sistema de atendimento: L λ µ λ = − Logo, 6 3 8 6 L navios= = − Resposta: A quantidade média de navios no sistema portuário é de 3 navios. d) Navios no porto = Lq – L, logo, a quantidade de navios utilizando o porto é = 3 – 2,25 = 0,75 navios. 17 Neste tópico, você aprendeu que: • Para compreender o estudo de teoria das filas foi necessário conhecer as aplicações desta análise, junto ao embasamento teórico do tema, como a estrutura básica de uma fila e seus principais elementos. • As características de uma fila são: tamanho da população, processo de chegada, processo de atendimento, número de atendentes, organização de uma fila. • Os principais modelos baseados em teoria das filas são MM/1 e M/M/S, conforme os detalhes e as fórmulas de cada modelo. RESUMO DO TÓPICO 1 18 Questão única – Com base no Exemplo 2 do seu livro de estudos, responda à questão a seguir: Qual deve ser a taxa de chegada de um navio para que o tempo médio na fila seja de 3 horas? Dados do problema: Chegada: λ = 6 navios/dia. Atendimento: em média, 1 navio a cada 3 horas, ou seja, 8 navios/dia (24/3). Sendo assim, μ - 8 navios/dia. AUTOATIVIDADE 19 TÓPICO 2 MÉTODO DE MONTE CARLO UNIDADE 1 1 INTRODUÇÃO O Método de Monte Carlo (MMC) pode ser definido como uma técnica para representar a solução de um problema como um parâmetro de uma população hipotética, e que usa uma sequência aleatória de números para estabelecer uma amostra da população da qual estimativas estatísticas do parâmetro em estudo possam ser realizadas. Os precursores na aplicação do Método de Monte Carlo foram Jon Von Neuman e Stanislaw Ulam, no ano de 1947. Esses autores sugeriram a utilização do MMC para simulação computacional em uma etapa do projeto Manhattan, na Segunda Guerra Mundial. No projeto de construção da bomba atômica, Ulam e Neumann admitiram a possibilidade de aplicar o método, que abrangia a simulação direta de problemas de natureza probabilística associados com o coeficiente de difusão do nêutron de alguns tipos específicos de materiais. O nome do método tem relação com o uso da aleatoriedade e da natureza repetitiva das atividades realizadas em cassinos em Monte Carlo, Mônaco. O MMC tem sido empregado desde a Segunda Guerra Mundial como forma de alcançar aproximações numéricas de funções complexas. Essas técnicas normalmente estão relacionadas com a construção e observação de alguma distribuição de probabilidades e o uso da amostra obtida para aproximar a função de interesse do estudo. O MMC é também denominado como simulação estocástica e é um método relativamente simples e fácil de implementar. Entretanto, é necessário um conhecimento prévio sobre variáveis aleatórias, principalmente variáveis aleatórias discretas, além disso, como a aplicação do Método de Monte Carlo necessita da geração de números aleatórios, o conhecimento sobre este assunto também se faz necessário. 2 VARIÁVEIS ALEATÓRIAS Uma variável aleatória pode ser compreendida como uma variável quantitativa, cujo resultado (valor) depende de fatores aleatórios. Geralmente na engenharia, as variáveis aleatórias estão associadas à realização de experimentos. Uma grande parcela de experimentos, sejam eles realizados em instituições de pesquisa ou mesmo por empresas de diversos setores industriais, proporcionam resultados numéricos, que permitem posteriormente a tomada de decisões a partir das simulações realizadas, por exemplo, o número de um determinado UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 20 item que deve ser mantido no estoque de um supermercado para atender a uma demanda dos clientes. Além de experimentos que geram resultados quantitativos, existem experimentos que geram resultados quantitativos, por exemplo, quando se tenta determinar se uma moeda lançada para o alto será cara ou coroa quando atingir o chão. No caso de experimentos puramente qualitativos, como no exemplo da determinação sobre cara ou coroa, pode-se empregar um artifício para contornar esse problema. No caso do exemplo apresentado, pode-se relacionar o resultado esperado com um valor numérico e a partir dessa relação realizar as análises estatísticas necessárias. Uma forma seria transpor, conforme o quadro a seguir, em que cara é associada ao valor numérico “1” e coroa é associada ao valor numérico “0”: QUADRO 1 – TRANSPOSIÇÃO DE VALORES QUALITATIVOS PARA QUANTITATIVOS Evento X Cara X (cara) = 1 Coroa X (coroa) = 0 FONTE: O autor Os estudos baseados em experimentos aleatórios são considerados, de modo geral, de não determinísticos, dessa forma não se pode saber dos resultados com antecedência, por exemplo, com o lançamento de um dado para o alto, sua queda é previsível devido ao efeito da gravidade (este é um experimento determinístico). Entretanto, não é possível saber qual é a face do dado que vai ficar virada para cima quando ele estiver no chão, neste caso, trata-se de um experimento aleatório. Uma variável aleatória é uma variável quantitativa, cujo resultado (valor) depende de fatoresaleatórios. Um exemplo de uma variável aleatória é o resultado do lançamento de um dado que pode dar qualquer número entre 1 e 6. Embora possamos conhecer os seus possíveis resultados, o resultado em si depende de fatores de sorte (álea). IMPORTANT E A variável aleatória se denomina desta forma porque o termo variável está relacionado ao fato de que é possível conseguir valores numéricos distintos e aleatórios, pois os valores observados em um experimento aleatório dependem fundamentalmente dos resultados possíveis do próprio experimento. TÓPICO 2 | MÉTODO DE MONTE CARLO 21 Alguns exemplos de variáveis aleatórias encontradas no cotidiano são, conforme apresentam Barbetta, Reis e Bornia (2004): • Número de caras obtidas ao lançar para o alto duas moedas. • Número de produtos defeituosos retirados de forma aleatória de um centro de produção. • Quantidade de pessoas que acessam um site em um determinado período de tempo. • Volume de água perdido por dia em um sistema de abastecimento de água em um bairro. • Resistência ao desgaste de um certo tipo de aço em um determinado teste. • Número de acidentes em uma rodovia num determinado período de tempo. • Tempo de resposta de um sistema computacional. • Grau de empenamento de uma tábua de madeira que sai de uma serraria. As variáveis aleatórias na maioria das vezes são representadas pelas letras maiúsculas, como X, Y, Z, sendo as letras minúsculas a representação dos valores a elas associadas (BARBETTA; REIS; BORNIA, 2004), por exemplo, uma determinada variável aleatória X(S) = x, sendo o valor de “x” pertencente ao espaço amostral “S”. O espaço amostral é a região que abrange todos os resultados possíveis de um determinado experimento, que neste caso, se trata dos experimentos aleatórios. Portanto, para um dado espaço amostral S de um determinado experimento, uma variável aleatória é qualquer regra que associe um determinado valor a cada resultado de S, isto é, uma variável aleatória é uma função cujo domínio é espaço amostral e o contradomínio é um conjunto de números reais (DEVORE, 2006). A Figura 6 apresenta um esquema que representa essa definição: FIGURA 6 – ESPAÇO AMOSTRAL E VALORES ATRIBUÍDOS (VARIÁVEIS ALEATÓRIAS) FONTE: O autor UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 22 Para facilitar o entendimento sobre o conceito apresentado sobre variável aleatória, imagine um caso prático a partir de uma determinada situação quando uma pessoa em um sistema de atendimento ao consumidor realiza uma ligação para a central e pode se deparar com duas situações: a primeira é quando a pessoa consegue uma linha disponível para falar com um atendente, já a outra situação é quando esta não consegue a linha disponível no momento que solicita o atendimento. Para transformar esse vento qualitativo em quantitativo, e por conseguinte em variável aleatória, pode-se determinar a notação (N) quando a linha não está disponível e (S) quando a linha está disponível. Neste sentido, o espaço amostral para os eventos possíveis pode ser representado por: S = {N, S}. Além disso, quando a ligação não está disponível pode-se atribuir o valor de 0 e quando está disponível atribuir o valor 1. Portanto: X(N) = 0 – Situação em que a linha não está disponível X(S) = 1 – Situação em que a linha está disponível Assim, por meio dessa representação pode-se executar experimentos aleatórios, transformando situações qualitativas em valores quantitativos e representáveis do evento a ser simulado. Além da definição sobre a variável aleatória, existe a possibilidade de classificá-la como sendo uma variável aleatória discreta ou contínua. Na Figura 7 é apresentado um esquema que representa os dois tipos de variáveis aleatórias: FIGURA 7 – ESQUEMA REPRESENTATIVO DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS E DISCRETAS FONTE: Adaptado de Barbetta, Reis e Bornia (2004) TÓPICO 2 | MÉTODO DE MONTE CARLO 23 Conforme apresentado na figura, as variáveis aleatórias contínuas são valores que assumem características de valores contínuos como tempo, distância, peso etc., sendo que a eles não são atribuídos valores e distribuições de probabilidade. Estas variáveis geralmente são associadas à Física, sendo que as variáveis aleatórias discretas são comumente mais utilizadas em experimentação na área de simulação computacional. O termo “aleatório”, conforme já apresentado, indica que os valores a serem obtidos de um experimento, por exemplo, estão sujeitos a uma distribuição de probabilidade, pelo fato de não ser possível prever os valores a serem obtidos do experimento. De tal modo, para cada valor “x” a ser obtido tem-se um valor de probabilidade de ocorrência que pode ser representado da seguinte forma: P(X=x) Em que: P = probabilidade de obtenção do valor; X = evento; x = valor atribuído ao evento. Além disso, outro fator a ser respeitado em se tratando de variáveis aleatórias discretas é que as probabilidades devem ser maiores ou igual a zero “0” e menores ou iguais a 1. ( )0 1P X xi≤ = ≥ Também a soma dos valores de probabilidade para um determinado experimento deve resultar em valor igual a 1 ou 100%. ( ) 1 1 n i P X xi = = =∑ 3 GERAÇÃO DE NÚMEROS ALEATÓRIOS A geração de números aleatórios é um elemento fundamental para a realização de experimentos de simulação. Um exemplo dessa importância é a sua aplicação no Método de Monte Carlo para simulação de experimentos em processos industriais. Entretanto, o processo de geração de números aleatórios não é algo tão simples. O propósito dos geradores de números aleatórios é gerar uma sequência de números que parecem ser gerados aleatoriamente de uma distribuição de probabilidade específica (L’ECUYER, 2001). Geralmente, um gerador de números aleatórios básico uniforme gera números que imitam valores aleatórios UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 24 independentes da distribuição uniforme sobre o intervalo [0, 1] (independentes e uniformemente distribuídas sobre o intervalo [0, 1]) (VIEIRA; RIBEIRO; SOUZA, 2004). A técnica mais comum utilizada para geração de números aleatórios faz uso de uma relação cíclica na qual o próximo número na sequência é uma função do último ou dois últimos números gerados, um exemplo é a função: 1 3* 1 13n nx x mod+ = + Iniciando a série com 0 1x = , obtém-se 1x da forma que segue: 0 1 05* 1 16x x mod+ = + 1 5*1 1 16 6x mod= + = Os primeiros 19 números gerados através desta técnica são: x0=1; x1=6; x2=15; x3=12; x4=13; x5=2; x6=11; x7=8; x8=9; x9=14; x10=7; x11=4; x12=5; x13=10; x14=3; x15=0; x16=1; x17=6; x18=15; x19=12. A partir dos valores gerados é possível constatar que estes são números inteiros entre 0 e 15. Se fizer a razão de cada valor por 16, obtém-se uma sequência de números aleatórios com valores entre 0 e 1. Para o exemplo anterior os números serão: 0,6250; 0,1875; ... 0,7500. Portanto, é evidente que ao se conhecer a função xf é possível gerar uma nova sequência de números aleatórios, somente fornecendo o valor inicial para 0x . Este valor, utilizado para iniciar a geração dos números aleatórios, é denominado de semente. Ainda que estes valores sejam classificados como aleatórios, por serem convencionados em testes estatísticos de aleatoriedade, por certo são pseudoaleatórios. Mesmo que isso seja verdadeiro, o desígnio de qualquer técnica de geração é gerar uma sequência de números aleatórios entre “0” e “1”, que tenha características semelhantes àquelas dos verdadeiros números aleatórios. Apesar de não serem verdadeiramente aleatórios, os números pseudoaleatórios podem apresentar vantagens sobre os aleatórios. Um exemplo é quando são realizadas simulações nas quais é necessário repetir o experimento simulado, e desse modo, a sequência de números pseudoaleatórios, da maneira exata como foi realizada anteriormente. Da mesma forma, se for necessário obter sequências novas, isso somente é possível quando for modificado o valorda semente. Assim, os geradores de números aleatórios permitem um controle adicional sobre a possibilidade de reproduzir os resultados. Diante do exemplo realizado, que apresenta como gerar números aleatórios a partir de uma função conhecida, é possível observar que somente TÓPICO 2 | MÉTODO DE MONTE CARLO 25 os dezesseis primeiros números são únicos. O décimo sétimo é igual ao 0x e o restante da sequência é apenas uma repetição cíclica dos primeiros dezesseis números. Logo, o gerador empregado tem um comprimento de ciclo igual a 16 valores. Determinados geradores não reproduzem uma parte inicial do ciclo, chamada de cauda. Neste caso, o comprimento de seu período é dado pela soma do comprimento “L” da cauda mais o comprimento “C” do ciclo, conforme segue: FIGURA 8 – COMPRIMENTO DO CICLO, CAUDA E PERÍODO DE GERADOR DE NÚMEROS ALEATÓRIOS FONTE: Vieira, Ribeiro e Souza (2004, p. 168) Quando se fala sobre a geração e aplicação de números aleatórios é necessário que estes tenham algumas características: • Deve ser eficiente quando utilizado em computadores: visto que experimentos e simulações podem precisar de quantidades muito grandes de números aleatórios para cada execução, o tempo de processamento para a geração dos números deve ser mínimo. • A sequência precisa ser longa: uma sequência curta gera um novo ciclo de números aleatórios, que tem como resultado uma repetição da sequência de números gerados. Desta forma, pode limitar o período útil de uma rodada de simulação ou experimento. • A sequência de valores deve ser independente e uniformemente distribuída: a correlação entre os vários valores gerados também precisa ser pequena. Se a correlação for significativa, isso pressupõe dependência entre os valores. 3.1 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO CONGRUENTE LINEAR (MCL) O Método Congruente Linear é considerado o mais conhecido, entre tantos outros métodos empregados para gerar números pseudoaleatórios. Este método, também denominado de método congruente misto, foi inicialmente publicado no trabalho desenvolvido por Lehmer, em 1951, em experimentos realizados no primeiro computador totalmente eletrônico, o ENIAC (Electronic Numerical Integrator and Computer) no MIT (L’ECUYER, 2001). Em seus estudos, Lehmer identificou que restos de consecutivas potências de um número apresentam características apropriadas de aleatoriedade. Segundo UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 26 Vieira, Ribeiro e Souza (2004), Lehmer obtinha o n-ésimo valor de uma sequência, adotando o resto da razão da n-ésima potência de um inteiro “a” por um outro inteiro “m”. Uma equação análoga empregada para o cálculo de xn após calcular xn+1 é dada por: ( )1 )* (n nx a x b mod m+ = + O parâmetro “a” é denominado de multiplicador, enquanto o “m” é chamado de módulo. Além disso, para Vieira, Ribeiro e Souza (2004), as definições de Lehmer para estes parâmetros foram (a = 23) e (m = 108 + 1). Esta escolha estava relacionada com a simplicidade de operacionalização do ENIAC, que era uma máquina de oito dígitos decimais. A popularidade dos geradores fundamentados neste método tem relação com o fato de serem analisados com facilidade e de determinadas propriedades serem garantidas pela teoria das congruências (DUDEWICZ; KARIAN, 1985). Entretanto, a definição dos valores de “a”, “b” e “m” influencia o período e a autocorrelação da sequência. Algumas determinações sobre essas influências são descritas na sequência, sob a ótica de Dudewicz e Karian (1985): • O módulo de “m” precisa ser grande, isto é, maior que a necessidade de valores para realização do experimento ou simulação, pois os valores de x serão gerados entre “0” e “m-1”, a sequência de valores jamais terá um valor maior do que “m”. • Para que o valor gerado de “mod m” seja eficiente, “m” deve ser uma potência de 2, isto é, 2k. • Se “b” for diferente de “0”, a máxima sequência sem repetir o ciclo possível para “m” é alcançado se, e somente se: o Os inteiros “m” e “b” forem primos, um em relação ao outro, isto é, não tenham qualquer outro fator além de 1. o Todo número primo que é um fator de “m” é também um fator de “a-1”. o (a-1) é um múltiplo de “4”, se o inteiro “m” é múltiplo de “4”. • Se “b” for igual a ”0”, e “m” potência de 2, a maior sequência possível será “m/4”. 3.2 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO CONGRUENTE LINEAR MULTIPLICATIVO (MCLM) Uma das variações do método congruente linear é o Método Congruente Linear Multiplicativo (MCLM). Neste, o valor do incremento “b” é igual a “0”. Portanto, o gerador fica sintetizado à seguinte equação: 1 )* (n nx a x mod m+ = TÓPICO 2 | MÉTODO DE MONTE CARLO 27 Levando em consideração o processamento computacional, os geradores fundamentados no método congruente linear multiplicativo são melhores do que aqueles com base no MCL, pois não há o envolvimento de operações de adição, ou seja, o tempo de processamento necessário fica reduzido. 3.3 UTILIZAÇÃO DO EXCCEL PARA GERAÇÃO DE NÚMEROS ALEATÓRIOS Além da aplicação de fórmulas para geração de números aleatórios, atualmente existem vários programas e aplicativos que possibilitam a geração de números aleatórios. Nesse livro será apresentada a utilização do software Microsoft Excel. Ainda que não seja um método de geração de números verdadeiramente aleatórios, emprega-se esta possibilidade para aplicação de experimentos ou simulações mais simples (KAWANO; KAWANO, 2014). A seguir é apresentado como gerar números aleatórios utilizando o Excel®. Basicamente, as duas funções que geram números aleatório no Excel® são: • (=ALEATÓRIO( )), que fornece números aleatórios entre 0 e 1. • (=ALEATÓRIOENTRE (limite – inferior; limite – superior)), que fornece números inteiros aleatórios entre os limites definidos. Na sequência é apresentado um passo a passo para a geração de números aleatórios no Excel®: FIGURA 9 – GERAÇÃO DE NÚMEROS ALEATÓRIOS EMPREGANDO A FUNÇÃO “ALEATÓRIO” NO EXCEL® FONTE: O autor Inicialmente, em qualquer célula do programa Excel® deve-se digitar “=” e pelo menos as três primeiras letras da palavra aleatório. Ex.: = ale, automaticamente o Excel® irá sugerir as funções existentes e liberadas. Neste caso, irão aparecer as possibilidades de “aleatório” e “aleatórioentre”. UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 28 Para gerar números aleatórios entre “0” e “1”, é necessário somente selecionar a primeira opção, isto é, aleatório ( ), e efetivar a operação, logo será apresentado na célula escolhida um número aleatório entre “0” e “1”: FIGURA 10 – NÚMERO ALEATÓRIO GERADO NO EXCEL POR MEIO DA FUNÇÃO ALEATÓRIO ( ) FONTE: O autor Caso seja necessário gerar uma sequência de números aleatórios, é necessário arrastar a célula para baixo, conforme segue a imagem: FIGURA 11 – GERAÇÃO DE UMA SEQUÊNCIA DE NÚMEROS ALEATÓRIOS NO EXCEL® POR MEIO DA FUNÇÃO ALEATÓRIO ( ) FONTE: O autor TÓPICO 2 | MÉTODO DE MONTE CARLO 29 Caso seja necessário gerar valores aleatórios inteiros dentro de um certo intervalo de valores, deve-se utilizar a função “=ALEATÓRIOENTRE( )” e informar o intervalo desejado, por exemplo, na Figura 12 é apresentada a geração de número aleatórioentre (0; 100): FIGURA 12 – GERAÇÃO DE UMA SEQUÊNCIA DE NÚMEROS ALEATÓRIOS NO EXCEL® POR MEIO DA FUNÇÃO ALEATÓRIOENTRE ( ; ) FONTE: O autor Essa forma de geração de números aleatórios possui a distribuição uniforme como padrão utilizado pelo Excel®. Caso seja necessário gerar números aleatórios com uma outra distribuição de probabilidade, é preciso utilizar a ferramenta “Análise de Dados”, que necessita ser ativada na lista de suplementos do Excel® (KAWANO; KAWANO, 2014). 4 MÉTODO MONTE CARLO Um conceito formal sobre o Método de Monte Carlo foi realizado por Halton no ano de 1970. Para o autor, este método possibilita conceber a solução de um problema como um parâmetro de uma população hipotética, e que utilizauma série de números pseudoaleatórios para estabelecer uma amostra da população da qual estimativas estatísticas possam ser realizadas (PAULA, 2014). UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 30 Entretanto, o método de Monte Carlo começou a ser desenvolvido em 1946 por John Von Neumann e Stanislav Ulam. Seu surgimento se deu por Ulam quando, durante um jogo de cartas, buscou calcular as probabilidades de sucesso de uma determinada jogada empregando a clássica análise combinatória. Depois de investir muito tempo, realizando os cálculos, constatou que uma alternativa mais viável seria somente executar uma certa quantidade de jogadas, algo em torno de cem ou mil, e contabilizar os resultados para cada jogada. Ulam sugeriu a aplicação de técnicas de amostragem estatística para solucionar o problema da difusão de nêutrons em material sujeito à fissão nuclear, difundindo assim suas ideias sobre o método desenvolvido. Mais tarde, esse método foi denominado de Método de Monte Carlo, nome motivado por um tio de Ulam, que jogava frequentemente no famoso cassino de Monte Carlo, cuja característica aleatória de suas roletas também está fortemente ligada ao método. O Método de Monte Carlo foi formalizado em 1949, por meio do artigo intitulado “Monte Carlo Method”, publicado por John Von Neumann e Stanislav Ulam (PAULA, 2014). A partir das suas diversas aplicações, o Método de Monte Carlo pode ser compreendido como método de simulação estatística que emprega um conjunto de números aleatórios para realizar simulações e experimentos. De outro modo, é aceito como método numérico universal para resolver problemas por meio de amostragem aleatória, também chamada de aproximação da solução. O método dispensa a necessidade de desenvolver equações diferenciais para descrever o comportamento de sistemas complexos. Entretanto, o sistema físico ou matemático deve ser modelado, considerando as Funções de Densidade de distribuição de Probabilidade (FDP). Tendo conhecimento das distribuições, a simulação ou experimento por meio da aplicação do Método de Monte Carlo pode ser realizado, obtendo as amostragens aleatórias a partir das mesmas. Este processo é repetido várias vezes e o resultado esperado é alcançado por meio de técnicas estatísticas como média, desvio padrão etc. Segundo Paula (2014), atualmente o Método de Monte Carlo é empregado em diversas áreas, como em: • Finanças: na modelagem e simulação de um mercado de opção. • Engenharia: na gestão de portfólio de uma empresa de seguros, na análise de um problema de estoque. • Biologia: usado para a biologia de sistemas de tratamento de câncer, para estratégias de otimização e paralelização para a simulação de Monte Carlo de uma infecção pelo HIV. Dentre inúmeras aplicações na Física, Química e Medicina. TÓPICO 2 | MÉTODO DE MONTE CARLO 31 A simulação de Monte Carlo (SMC) envolve o uso de números aleatórios e probabilidades para analisar e resolver problemas (SARAIVA JÚNIOR et al., 2011). Além das áreas de aplicação apresentadas anteriormente, o Método de Monte Carlo tem aplicação muito importante na simulação de processos em Pesquisa Operacional (KAWANO; KAWANO, 2014). A simulação pelo Método de Monte Carlo consiste em um método que emprega a geração de números aleatórios para atribuir valores às variáveis do sistema que se deseja investigar (LUSTOSA; PONTE; DOMINAS, 2004). Os números são obtidos de artifícios aleatórios (por exemplo: tabelas, roletas, sorteios) ou diretamente de softwares, através de funções específicas (SARAIVA JÚNIOR et al., 2011). A cada iteração, o resultado é armazenado e, ao final de todas as repetições, a sequência de resultados gerados é transformada em uma distribuição de frequência que permite calcular estatísticas descritivas, como média (valor esperado), valor mínimo, valor máximo e desvio padrão, cabendo ainda ao responsável das simulações a vantagem de projetar cenários futuros de operação do sistema em análise (SARAIVA JÚNIOR et al., 2011). A simulação por meio do Método de Monte Carlo pode ser empregada em problemas de tomada de decisão em que envolvam riscos e incertezas, muitas vezes nessas condições o comportamento das variáveis envolvidas com o problema não é de natureza determinística, o que possibilita a utilização do método (LUSTOSA; PONTE; DOMINAS, 2004). A Figura 13 apresenta um esquema com as etapas para a aplicação do Método de Monte Carlo: 4.1 SIMULAÇÃO POR MEIO DO MÉTODO DE MONTE CARLO UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 32 FIGURA 13 – ETAPAS PARA REALIZAÇÃO DA SIMULAÇÃO PELO MÉTODO DE MONTE CARLO FONTE: Lustosa, Ponte e Dominas (2004, p. 153) Para ilustrar a aplicação do Método de Monte Carlo, por meio das etapas da Figura 13, será apresentado um exemplo adaptado de Andrade (2008). • Exemplo Uma distribuidora de água mineral atua no centro de uma cidade, comercializando água em galões de 20 litros realizando inclusive a entrega Passo Descrição Definir as variáveis envolvidas no sistema em análise com base em dados passados ou em estimativas subjetivas dos administradores Construir as distribuições de frequência (absoluta, relativa e acumulada) para cada uma das variáveis definidas Incidir números aleatórios gerados nos intervalos de classe de cada variável Gerar números aleatórios Simular os experimentos Definir, para cada variável considerada, os intervalos de classe/de Incidência dos números aleatórios, com base nas distribuições de frequência acumulada projetadas 1 2 5 4 6 3 TÓPICO 2 | MÉTODO DE MONTE CARLO 33 dos galões de água em domicílio. Sua clientela é formada basicamente por consumidores regulares, os quais foram conquistados com grandes esforços em atendimento e prazo de entrega. De acordo com dados históricos, a demanda de galões de 20 litros se distribui entre: 250 galões (5%); 300 galões (5%); 350 galões (30%); 400 galões (40%); 450 galões (15%); 500 galões (10%); 550 galões (5%). Além disso, o fornecedor da distribuidora está tendo problemas na máquina envasadora e tem feito suas entregas semanais com atraso de 1 a 3 dias, isto é, com atraso de 1 dia (50%); 2 dias 30%; e 3 dias (20%). O fornecedor entrega 2400 galões de água por semana e a distribuidora funciona de segunda-feira a sábado. O custo de armazenagem e do capital parado de cada galão de água é de R$ 0,50 por dia e o custo da falta é de R$ 2,10 por unidade, uma vez que, quando há demanda e a distribuidora não possui nenhum galão de água, para não perder o cliente, ela adquire galões de água no distribuidor concorrente e arca com o prejuízo do custo maior e do transporte extra. Neste caso, deve-se simular o comportamento dos seus custos para os próximos 30 dias. Solução por meio da Simulação de Monte Carlo A solução do exemplo apresentado será realizada por meio da aplicação do esquema apresentado na Figura 13. Passo 1 Inicialmente é necessário definir as variáveis envolvidas no sistema (passo 1). Neste caso, as variáveis envolvidas são: • demanda por galões de água; • atraso na entrega dos galões de água. Passo 2 Após a identificação das variáveis envolvidas no processo, deve-se construir as distribuições de frequência (absoluta, relativa e acumulada) para cada variável definida. Para demanda de galões de água foram verificados os seguintes percentuais: UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 34 FIGURA 14 – DISTRIBUIÇÃO PERCENTUAL PARA A DEMANDA DE GALÕES DE ÁGUA Demanda Percentual 250 5% 300 5% 350 20% 400 40% 450 15% 500 10% 550 5% FONTE: O autor Demanda Percentual Percentual Acum. 250 5% 5% 300 5% 10% 350 20% 30% 400 40% 70% 450 15% 85% 500 10% 95% 550 5% 100% Demanda Percentual Percentual Acum. Intervalo de Classes 250 5% 5% 1 à 5 300 5% 10% 6 à 10 350 20% 30% 11 à 30 400 40% 70% 31 à 70 450 15% 85% 71 à 85 500 10% 95% 86 à 95 550 5% 100% 96 à 100 Passo 3 O terceiro passo é a definiçãopara cada variável considerada dos intervalos de classe para alocação dos números aleatórios com base nas distribuições de frequência acumulada projetadas, conforme segue: A partir dessa distribuição percentual é possível realizar a frequência acumulada, conforme apresentada a seguir: FIGURA 15 – DISTRIBUIÇÃO PERCENTUAL PARA A DEMANDA DE GALÕES DE ÁGUA COM FREQUÊNCIA ACUMULADA FONTE: O autor FIGURA 16 – DISTRIBUIÇÃO PERCENTUAL PARA A DEMANDA DE GALÕES DE ÁGUA COM FREQUÊNCIA ACUMULADA E INTERVALO DE CLASSES FONTE: O autor TÓPICO 2 | MÉTODO DE MONTE CARLO 35 Dias de Atraso Percentual Percentual Acum. Intervalo de Classes 1 50% 50% 1 à 50 2 30% 80% 51 à 80 3 20% 100% 81 à 100 Utilizando o mesmo raciocínio, deve-se realizar a distribuição do percentual, frequência acumulada e intervalo de classes para o atraso nas entregas, neste caso, a Figura 17 apresenta o resultado total para essa variável: Passo 4 Após a realização das distribuições percentuais, frequência acumulada e definição dos intervalos de classes, no passo 4 são gerados os números aleatórios. Neste caso, será utilizado o software Excel® para geração da sequência de números aleatórios. Para geração dos números aleatórios será empregada a função “=ALEATÓRIOENTRE( ; )”, com um intervalo de 1 a 100 para uma sequência de trinta números aleatórios, conforme demandado pelo exemplo apresentado. A seguir está a sequência de números aleatórios para os trinta dias de serviço: FIGURA 17 – DISTRIBUIÇÃO PERCENTUAL PARA O ATRASO NA ENTREGA DE ÁGUA COM FREQUÊNCIA ACUMULADA E INTERVALO DE CLASSES FONTE: O autor FIGURA 18 – SEQUÊNCIA DE NÚMEROS ALEATÓRIOS PARA OS TRINTA DIAS DE SIMULAÇÃO dias Números Aleatórios dias Números Aleatórios dias Números Aleatórios dias Números Aleatórios dias Números Aleatórios 1 10 7 7 13 7 19 7 25 3 2 4 8 10 14 7 20 5 26 3 3 9 9 3 15 9 21 6 27 1 4 5 10 9 16 7 22 2 28 8 5 3 11 5 17 3 23 10 29 1 6 10 12 9 18 8 24 4 30 1 FONTE: O autor Passos 5 e 6 Para realização das simulações será utilizada a mesma sequência de números aleatórios, isto é, tanto para simular os atrasos como as demandas de galões de água. Portanto, como o funcionamento da distribuidora é de segunda- feira a sábado, cada semana é composta de 6 dias. Ao longo dos 30 dias (de funcionamento) da simulação, as entregas de água pelo fornecedor deveriam ocorrer no 6º, 12º, 18º, 24º e 30º dia, considerando que no 1º dia, o estoque está completo (2400 galões). UNIDADE 1 | CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS 36 A partir da sequência de números aleatórios (Figura 18) é possível simular os atrasos de entrega, conforme os intervalos definidos na Figura 17. Neste caso, os atrasos de entrega serão conforme apresentados a seguir: FIGURA 19 – SIMULAÇÃO DOS ATRASOS NAS ENTREGAS DE GALÕES DE ÁGUA FONTE: O autor Data Prevista para Entrega Número Aleatório Atraso (dias) Nova Data de Entrega 6 10 1 7 12 9 1 13 18 8 1 19 24 4 1 25 30 1 1 31 dia Número Aleatório Demanda Entrega Estoque Inicial Estoque Final Custo Armazenagem Custo da Falta 1 10 300 2400 2100 R$ 1.050,00 R$ - 2 4 250 2100 1850 R$ 925,00 R$ - 3 9 300 1850 1550 R$ 775,00 R$ - 4 5 250 1550 1300 R$ 650,00 R$ - 5 3 250 1300 1050 R$ 525,00 R$ - 6 10 300 1050 750 R$ 375,00 R$ - 7 7 300 2400 3150 2850 R$ 1.425,00 R$ - 8 10 300 2850 2550 R$ 1.275,00 R$ - 9 3 250 2550 2300 R$ 1.150,00 R$ - 10 9 300 2300 2000 R$ 1.000,00 R$ - 11 5 250 2000 1750 R$ 875,00 R$ - 12 9 300 1750 1450 R$ 725,00 R$ - 13 7 300 2400 3850 3550 R$ 1.775,00 R$ - 14 7 300 3550 3250 R$ 1.625,00 R$ - 15 9 300 3250 2950 R$ 1.475,00 R$ - 16 7 300 2950 2650 R$ 1.325,00 R$ - 17 3 250 2650 2400 R$ 1.200,00 R$ - 18 8 300 2400 2100 R$ 1.050,00 R$ - 19 7 300 2400 4500 4200 R$ 2.100,00 R$ - 20 5 250 4200 3950 R$ 1.975,00 R$ - 21 6 300 3950 3650 R$ 1.825,00 R$ - 22 2 250 3650 3400 R$ 1.700,00 R$ - 23 10 300 3400 3100 R$ 1.550,00 R$ - Com a simulação dos atrasos nas entregas é possível realizar a simulação e cálculo das demandas e os custos para os trinta dias de serviço da empresa: FIGURA 20 – SIMULAÇÃO DA DEMANDA E CUSTOS TÓPICO 2 | MÉTODO DE MONTE CARLO 37 FONTE: O autor Com esta simulação foi possível obter os valores dos custos de armazenagem + capital de R$ 42.825,00 e como custo de falta de R$ 0,00. De posse desta planilha, o administrador pode simular, por exemplo, diferentes quantidades de compra e avaliar o impacto em seus custos. A partir desse exemplo prático da aplicação do Método de Monte Carlo para simulação de processos é possível aplicar em outras situações práticas do dia a dia. 24 4 250 3100 2850 R$ 1.425,00 R$ - 25 3 250 2400 5250 5000 R$ 2.500,00 R$ - 26 3 250 5000 4750 R$ 2.375,00 R$ - 27 1 250 4750 4500 R$ 2.250,00 R$ - 28 8 300 4500 4200 R$ 2.100,00 R$ - 29 1 250 4200 3950 R$ 1.975,00 R$ - 30 1 250 3950 3700 R$ 1.850,00 R$ - TOTAL R$ 42.825,00 38 RESUMO DO TÓPICO 2 Neste tópico, você aprendeu que: • Uma variável aleatória é quando conseguimos atribuir valores a uma determinada situação qualitativa. Por meio das variáveis aleatórias, podemos realizar experimentos aleatórios muito úteis em pesquisas e experimentos dirigidos a empresas. • Os geradores de números aleatórios são importantes ferramentas utilizadas na simulação, sendo que sua aplicação vai desde a criação de jogos até a criação e desenvolvimento de algoritmos de criptografia. • O Método de Monte Carlo é uma poderosa ferramenta de simulação, que considera a presença de dados de entrada caracterizados por distribuições de probabilidade. Para tanto, o método utiliza a geração de números aleatórios como sua essência. 39 AUTOATIVIDADE 1 A geração de números aleatórios é uma importante ferramenta para aplicação em processos de simulação. Existem algoritmos específicos para cada sequência que se queira criar. Por definição, um número aleatório pertence a uma série numérica cuja previsibilidade não pode ser obtida através dos seus membros anteriores na série. O objetivo da obtenção de números aleatórios é o de simular o comportamento de sequências numéricas, sendo utilizados, por exemplo, no Método Monte Carlo. Com relação à geração de números aleatórios, classifique V para as sentenças verdadeiras e F para as falsas: ( ) A geração de números aleatórios apresenta diversas aplicações. Dentre elas, podemos citar a simulação de sistemas de filas, as quais são um tema recorrente e de vasta aplicação na Engenharia de Produção. ( ) A geração de números aleatórios que obedecem a um sistema binário [0,1], apesar de considerada válida conceitualmente, não apresenta aplicação prática, visto que existem infinitos números entre 0 e 1. ( ) Podemos utilizar o software Microsoft Excel para a geração de números aleatórios. Um das possibilidades é a utilização da função ALEATÓRIOENTRE( ), especificando, para isso, o intervalo de valores desejado. ( ) A função ALEATÓRIOENTRE( ) permite aplicar qualquer tipo de distribuição de probabilidade, bastando indicar na tela de geração da função o tipo de distribuição e o número de caudas. Assinale a alternativa que apresenta a sequência CORRETA: a) ( ) V – F – V – F. b) ( ) F – V – V – V. c) ( ) V – V – F – F. d) ( ) V – F – V – V. 2 O Método de Monte Carlo tem uma produção da função da distribuição para os valores calculados, podendo ter um grande número de variáveis e não depende da natureza do modelo. Com relação às etapas de preparação para aplicação do Método de Monte Carlo, analise
Compartilhar