Prévia do material em texto
Modelagem de Sistemas Discretos Universidade Veiga de Almeida – UVA Curso de Engenharia de Produção Profª Izabel Saldanha Matsuzaki, MSc. 1) Simulação 1.1) Definição Representar com semelhança; aparentar. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki “É a técnica de solução de um problema pela análise de uma modelo que descreve o comportamento do sistema usando um computador digital.” (PRADO, 2017) OBJETIVO = SIMULAÇÃO DE SISTEMAS 1) Simulação 1.1.1) Conceitos importantes Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki SISTEMAS: é uma agregação de objetos que tem alguma interação ou interdependência. MODELOS: termo empregado para significar a representação de um sistema. EX: Modelos icônicos: maquetes Modelos analógicos: sistema econômico x sistema hidráulico Modelo simbólico: simulação (conceitual) Modelo Matemático: Teoria das Filas/ Programação Linear; Modelo Diagramático: simulação (diagramas) 1) Simulação 1.2) Justificativas para o uso da simulação Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki a) Inviabilidade da interferência com o sistema real. Trata‐se daquela situação em que tentar alterar o sistema existente, sem ter uma certeza de que a alteração vai dar certo, pode significar um alto risco de prejuízo. Por exemplo, podemos citar o caso de alterar o layout de uma fábrica ou o fluxo do trânsito de uma cidade. b) O sistema em estudo não existe, por exemplo, quando se estuda a construção de uma nova fábrica. 1) Simulação 1.3) Metodologia Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki ETAPA 1: Construção do modelo da situação atual Nesta etapa tenta‐se reproduzir em um modelo computacional as situações existentes no sistema atual. Trata‐ se de construir um modelo, fornecer alguns dados e obter outros que sejam idênticos ao sistema atual em estudo. ETAPA 2: Inclusão de alterações no modelo da situação atual para refletir a situação futura desejada Nesta etapa efetuam‐se alterações no modelo da etapa 1, por exemplo, ao se estudar o processo de mineração cuja produção deve ser aumentada. “Colocar em funcionamento” algumas máquinas de escavação e verificar a necessidade de outros equipamentos. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki “Uma maneira de transformar um conjunto de números aleatórios em outro conjunto de números (variáveis aleatórias), com a mesma distribuição da variável considerada.” (PRADO, 2017) 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki “Atualmente, o Método de Monte Carlo pode ser descrito como método de simulação estatística que utiliza sequências de números aleatórios para desenvolver simulações. Em outras palavras, é visto como método numérico universal para resolver problemas por meio de amostragem aleatória (aproximação da solução).” 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.1) Números aleatórios ‐ O método de Monte Carlo faz uso de números aleatórios. O processo é semelhante ao sorteio de bolas numeradas em uma urna, com a qual pode‐se fazer diversos sorteios com reposição da bola tirada. ‐ Embora pareça simples o processo é delicado, pois precisa satisfazer critérios de aleatoriedade. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.1) Números aleatórios 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.1) Números aleatórios 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.1.1) Fazendo uso manual da tabela: a) Seleciona‐se arbitrariamente um ponto de partida; b) Faz‐se a escolha dos números aleatórios percorrendo a tabela segundo a sequência por colunas. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.1.1) Fazendo uso manual da tabela: Do exemplo, faz‐se a extração de 10 números de 3 dígitos Logo, escolhe‐se como ponto de partida o número 597 e, a partir da leitura da tabela, os números desejados são: 597, 096, 331, 742, 303, 750, 096, 202, 998, 526 A tabela funcionou como se fosse uma urna com pedras numeradas de 000 a 999 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.2) Frequência relativa e frequência cumulativa Considere o seguinte exemplo: É possível coletar os valores obtidos para as frequências de atendimento de clientes em um posto de pedágio. Neste registro consta que foram atendidos 100 clientes, com uma duração média de 20 segundos por cliente, ou seja, um ritmo de 3 clientes por minuto. Os valores podem ser observados na tabela a seguir: 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.2) Frequência relativa e frequência cumulativa Agrupando as informações para que os dados possam ser interpretados, apresentam‐se as frequências absoluta, relativa e acumulada 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.2) Frequência relativa e frequência cumulativa Agrupando as informações para que os dados possam ser interpretados, apresentam‐se as frequências absoluta, relativa e acumulada 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.2) Frequência relativa e frequência cumulativa Plotadas as informações graficamente, tem‐se Como interpretá‐las? 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.2) Frequência relativa e frequência cumulativa Para o caso do atendimento estar compreendido entre 16 e 20 segundos? Como interpretá‐las? Frequência relativa: existe uma probabilidade de 32% de que o atendimento de um cliente dure entre 16 e 20 segundos. Frequência acumulada: existe uma probabilidade de 65% de que o atendimento de um cliente dure até 20 segundos. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método ‐ Suponha que desejamos simular o sistema de pedágio, e essa simulação deve fornecer resultados semelhantes aos obtidos na vida real. ‐ Considerando, do exemplo anterior, o gráfico da função cumulativa do processo de atendimento. O eixo das abscissas é o valor máximo de cada classe. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método ‐ Suponha que desejamos simular qual será a duração do atendimento do próximo cliente. a) Sorteia‐se um número aleatório (por exemplo, 452); b) Localiza‐se o nº no eixo das ordenadas; c) Por meio da curva cumulativa, encontra‐se o valor correspondente no eixo das abscissas (17 seg); 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Conclusão: por este processo de sorteio, o atendimento do próximo cliente levará 17 segundos. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Atenção: A garantia que o Método de Monte Carlo nos dá é que, quando esse processo é realizado com uma grande massa de dados, os valores obtidos da simulação guardam uma estreita semelhança com os valores reais no que se refere a variáveis randômicas (𝐿 ,𝑊 etc) 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo 2: Simulação da chegada de clientes ao pedágio Trabalhando com o exemplo do pedágio, considere que o ritmo de chegada segue uma distribuição de Poisson. Imaginemosque o ritmo de chegada seja de 2 chegadas por minuto 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação da chegada de clientes ao pedágio Apresenta‐se a Função Cumulativa para o ritmo de chegada 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação da chegada de clientes ao pedágio A seguir apresenta‐se a montagem de uma simulação para a chegada de 10 clientes. Lembrando‐se que foram sorteados nº aleatórios e depois foi realizada a leitura do gráfico anterior (Funç. cumulativa). 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação da chegada de clientes ao pedágio A seguir apresenta‐se a montagem de uma simulação para a chegada de 10 clientes. Lembrando‐se que foram sorteados nº aleatórios e depois foi realizada a leitura do gráfico anterior (Funç. cumulativa). 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação da chegada de clientes ao pedágio A seguir apresenta‐se a montagem de uma simulação para a chegada de 10 clientes. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação da chegada de clientes ao pedágio A seguir apresenta‐se a montagem de uma simulação para a chegada de 10 clientes. Neste exemplo, a coluna “relógio” representa assim o momento em que cada cliente chega, pois foi obtida da acumulação sucessiva da coluna “intervalo”. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação da chegada de clientes ao pedágio A partir disso, tem‐se que, pela simulação, o tempo total para a chegada de 10 clientes foi de 364 s, o que dá uma média de 36,4 s para o intervalo entre chegadas. Lembrando que a informação do cenário real foi λ= 2 clientes/ min, logo Intervalo entre chegadas de 30 s. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação da chegada de clientes ao pedágio A partir disso, tem‐se que, pela simulação, o tempo total para a chegada de 10 clientes foi de 353 s, o que dá uma média de 35,3 s para o intervalo entre chegadas. Lembrando que a informação do cenário real foi λ= 2 clientes/ min, logo Intervalo entre chegadas de 30 s. A diferença se prende ao tamanho da amostra: se a nossa simulação tivesse abrangido uma amostra muito maior (digamos 1000 clientes) a média obtida seria praticamente idêntica ao valor real. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo 1 (cont.): Simulação do atendimento de clientes no pedágio Considerando novamente o modelo indicado para o processo de atendimento, em que o servidor tem capacidade para atender 3 clientes por minuto, ou seja, uma duração média de 20 segundos por atendimento. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação do atendimento de clientes no pedágio Resgatando as informações da função cumulativa para o processo de atendimento, tem‐ se: 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação do atendimento de clientes no pedágio Da tabela de números aleatórios, selecionamos os 10 nº e montamos a tabela simulada de maneira similar ao exemplo anterior. 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação do atendimento de clientes no pedágio 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação do atendimento de clientes no pedágio 2) O método de Monte Carlo Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 2.3) Aplicando o método Exemplo: Simulação do atendimento de clientes no pedágio Pelos dados tabelados, encontramos que a duração média simulada do atendimento foi de 19,1 segundos. O valor real fornecido é 20 segundos, e a razão dessa diferença também se prende ao tamanho da amostra. Referências • CHWIF, Leonardo; MEDINA, Afonso C. Modelagem e simulação de eventos discretos: teoria & aplicações. 4. ed. São Paulo: Elsevier/Campus, 2015 • PRADO, Darci Santos do;. Teoria das Filas e da Simulação. Nova Lima: FALCONI Editora, 2017. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki