Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIDADE 1 MODELAGEM E SIMULAÇÃO DE PROCESSOS Docente: Maraiza de Freitas Silva E-mail: 100106411@tutor.uniasselvi.com.br CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS • TÓPICO 1 – TEORIA DAS FILAS; • TÓPICO 2 – MÉTODO DE MONTE CARLO; • TÓPICO 3 – CADEIAS DE MARKOV. TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 1 INTRODUÇÃO A Teoria das Filas é uma das técnicas da Pesquisa Operacional, que trata de problemas de congestionamentos de sistemas, onde clientes solicitam alguns tipos de serviços. Esses serviços são limitados por restrições intrínsecas do sistema, que, devido a isso, podem causar filas. TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 1 INTRODUÇÃO ❖ As filas são um evento do cotidiano de qualquer sistema; Outras formas de filas: ❖ um produto que fica aguardando para ser processado; ❖ um arquivo aguardando para ser impresso; ❖ um dado esperando para ser processado pelo computador. TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 2 TERMOS E CONCEITOS SOBRE FILA Para modelagem das filas, alguns termos e conceitos precisam ser elucidados: 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. TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 2 TERMOS E CONCEITOS SOBRE FILA a) Tamanho da população: quantidade de usuários (clientes que precisam ser atendidos); TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 2 TERMOS E CONCEITOS SOBRE FILA b) processo de chegada: padrão de chegada dos clientes no sistema. ✓ Taxa de chegada constante: Determinístico; ✓ Taxa de chegada aleatório : Estocástico. λ = Taxa média de chegadas de clientes na fila por unidade de tempo IC = Intervalo de Chegadas (entre um cliente e outro) TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 2 TERMOS E CONCEITOS SOBRE FILA c) Processo de atendimento: tem como principal fator medido, o tempo de atendimento. μ = Taxa média de atendimentos por unidade de tempo TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 2 TERMOS E CONCEITOS SOBRE FILA d) quantidade de atendentes: número de servidores que estão em uma fila para realizar o atendimento aos usuários do sistema. e) organização da fila: resultado do modo como o processo de atendimento ao cliente é realizada. ✓ FIFO (First In, First Out) Mais comum. ✓ LIFO (Last In, First Out) CD´s e Armazéns ✓ Por prioridades de um cliente com relação a outro. TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 2 TERMOS E CONCEITOS SOBRE FILA f) tamanho médio da fila: quantidade média de clientes em uma fila por uma unidade de tempo. g) tamanho máximo da fila: funciona como limitador do tamanho da fila. h) tempo médio de espera na fila: tempo total gasto para que todos os clientes sejam atendidos dividido pelo número de clientes atendidos no sistema. TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 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. DINÂMICA BÁSICA DO SISTEMA DE FILAS TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 3 MODELAGEM DAS FILAS 3.1 MODELO DE FILA (M/M/1) O modelo de filas mais empregado no estudo da teoria das filas é o MM1. ✓ Representa um sistema com fila de um único atendente; ✓ Tempos entre chegadas de clientes e de atendimentos obedecem à distribuição exponencial. ✓ Organização da fila é do tipo FIFO. A distribuição exponencial é um tipo de distribuição contínua de probabilidade, TAXA DE DISTRIBUIÇÃO EXPONENCIAL NEGATIVA TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 3 MODELAGEM DAS FILAS 4 APLICAÇÕES DE MODELOS DE FILAS 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. *Melhorar o Lead Time TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 3 MODELAGEM DAS FILAS 4 APLICAÇÕES DE MODELOS DE FILAS 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. TÓPICO 1 CONCEITOS DE MODELAGEM MATEMÁTICA PARA PROCESSOS INDUSTRIAIS TEORIA DAS FILAS 3 MODELAGEM DAS FILAS 4 APLICAÇÕES DE MODELOS DE FILAS 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 • 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? 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). µ = 15 peças/hora. Obs.: para resolver este problema utilizaremoso 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. Taxa média de chegadas de clientes na fila Taxa média de atendimentos por unidade de tempo A probabilidade do posto de trabalho estar livre é de aproximadamente 33%. b) Qual o número médio de peças esperando na fila? Para resolver essa questão é preciso calcular o número médio de clientes na fila de espera. Taxa média de chegadas de clientes na fila Taxa média de atendimentos/unidade de tempo 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. c) Qual o tempo médio que uma peça gasta no sistema (tempo na fila mais o tempo de atendimento)? Para resolver essa questão é preciso calcular o tempo médio gasto no sistema pelo cliente. Taxa média de chegadas de clientes na fila Taxa média de atendimentos/um. de tempo Resposta: O tempo médio que uma peça fica no sistema é de 12 minutos (o tempo na fila mais o tempo de processamento). 1-0,33 d) Quantas peças serão processadas em média por hora? Ocupação Média: (1-0,33)= 0,67 (0,67*15) ~ 10 peças/hora Não deixe de responder o exercício na página 14 do seu módulo. TÓPICO 2 MÉTODO DE MONTE CARLO 1 INTRODUÇÃO 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. TÓPICO 2 MÉTODO DE MONTE CARLO 1 INTRODUÇÃO MMC: 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 determinística; O MMC é um método relativamente simples mas é necessário um conhecimento prévio sobrevariáveis aleatórias. TÓPICO 2 MÉTODO DE MONTE CARLO 1 INTRODUÇÃO Geralmente na engenharia, as variáveis aleatórias estão associadas à realização de experimentos. Uma variável aleatória pode ser compreendida como uma variável quantitativa, cujo resultado (VALOR) depende de fatores aleatórios. TÓPICO 2 MÉTODO DE MONTE CARLO 2 VARIÁVEIS ALEATÓRIAS Os estudos baseados em experimentos aleatórios são considerados não determinísticos (não se pode saber dos resultados com antecedência) e são usados também para desenvolver algorítmos de criptografia. por exemplo, com o lançamento de um dado para o alto, sua queda é previsível devido ao TÓPICO 2 MÉTODO DE MONTE CARLO 2 VARIÁVEIS ALEATÓRIAS Valores contínuos: Tempo, distância, peso... Conforme apresentado na figura, as variáveis aleatórias contínuas são valores que assumem 3.1 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO CONGRUENTE LINEAR (MCL); 3.2 GERAÇÃO DE NÚMEROS ALEATÓRIOS PELO MÉTODO CONGRUENTE LINEAR MULTIPLICATIVO (MCLM); 3.3 UTILIZAÇÃO DO EXCEL PARA GERAÇÃO DE NÚMEROS ALEATÓRIOS. (para experimentos ou simulações mais simples). TÓPICO 2 MÉTODO DE MONTE CARLO 3 GERAÇÃO DE NÚMEROS ALEATÓRIOS 3.1 O Método Congruente Linear é considerado o mais conhecido, entre tantos outros métodos 3.3 UTILIZAÇÃO DO EXCEL PARA GERAÇÃO DE NÚMEROS ALEATÓRIOS. • =(ALEATÓRIO( )), que fornece números aleatórios entre 0 e 1. • =(ALEATÓRIOENTRE (limite – inferior; limite – superior)), que fornece números inteiros aleatórios entre os limites definidos. TÓPICO 2 MÉTODO DE MONTE CARLO 3 GERAÇÃO DE NÚMEROS ALEATÓRIOS por exemplo, com o lançamento de um dado para o alto, sua queda é previsível devido ao Essa forma de geração de números aleatórios possui a distribuição uniforme como padrão É aceito como método numérico universal para resolver problemas por meio de amostragem aleatória, também chamada de aproximação da solução. TÓPICO 2 MÉTODO DE MONTE CARLO 4 MÉTODO MONTE CARLO A simulação por meio do Método de Monte Carlo pode ser empregada em problemas de tomada de decisão em que envolvam riscos e incertezas. TÓPICO 2 MÉTODO DE MONTE CARLO 4 MÉTODO MONTE CARLO 4.1 SIMULAÇÃO POR MEIO DO MÉTODO DE MONTE CARLO 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 4 MÉTODO MONTE CARLO TÓPICO 2 MÉTODO DE MONTE CARLO 4 MÉTODO MONTE CARLO 4.1 SIMULAÇÃO POR MEIO DO MÉTODO DE MONTE CARLO PAG. 32 Não deixe de responder o exercício na página 39 e 40 do seu módulo. As Cadeias de Markov são uma derivação específica do “Processo de Markov”. Este é um processo em que as distribuições de probabilidade para o seu desenvolvimento futuro dependem apenas do estado atual, sem considerar como o processo atingiu tal estado. Se o período de estados é discreto, isto é, quantitativo, então o modelo de Markov é chamado TÓPICO 3 CADEIAS DE MARKOV 1 INTRODUÇÃO Uma empresa fabricante de sucos controla 20% do mercado de sucos. Com o intuito de aumentar sua fatia de mercado, a empresa realizou uma análise do efeito de uma campanha de publicidade. Os resultados obtidos foram: a) alguém usando a Marca da empresa (Marca A) continuará usando a marca com probabilidade de 90%; b) alguém não usando a Marca A irá migrar para a Marca A com probabilidade de 70%. A partir dos dados apresentados, calcular qual será o ganho de mercado do fabricante de sucos após o período de um mês de campanha de marketing. Após um mês de campanha de marketing, a empresa fabricante de sucos passará a ter uma fatia Não deixe de ler a LEITURA COMPLEMENTAR: CÁLCULO E ANÁLISE DA CAPACIDADE PRODUTIVA UTILIZANDO O PROCESSO DE MARKOV: ESTUDO DE CASO DE UMA EMPRESA TÊXTIL, disponível nas páginas 49 à 58 do seu módulo. Não deixe de responder o exercício na página 60 do seu módulo. FIM DA UNIDADE 1
Compartilhar