Escolar Documentos
Profissional Documentos
Cultura Documentos
ANLISE DE DECISES
Decises sob certeza. Neste tipo de deciso sabe-se o que acontecer quando eleita uma alternativa,
consistindo o problema em escolher a melhor alternativa. Nesta categoria encontram-se os problemas
determinsticos como os encontrados na programao linear e inteira, nos modelos EOQ, etc.
Decises sob risco. Nestes casos so conhecidas as probabilidades associadas escolha de cada
alternativa. Nesta categoria encontram-se os problemas estocsticos.
Decises sob incerteza. Supe-se que o decisor no conhece as probabilidades associadas a cada
alternativa, deixando disponvel alguns critrios para a tomada de deciso que funcionam sem a
necessidade de especificar probabilidades (Gould et al, 1992) como: Maximin/Minimax, Mtodo de
Laplace e Mtodo de Hurwicz.
a) Critrio do Valor Esperado: Esse critrio busca a maximizao do ganho (mdia) esperado ou a
minimizao do custo esperado. Nesse caso, se supe que o ganho (ou o custo) associado a cada
alternativa de deciso probabilstica. O caso da arvore de deciso, usada em esse tipo de
problemas pode ser mostrado com um exemplo.
Exemplo: Suponha que deseja investir 10.000 reais no mercado de valores, comprando aes de
uma de dois companhias: A e B. As aes da companhia A so arriscadas, mas poderiam produzir
um rendimento de 50% sobre o investimento durante o prximo ano. Se as condies do mercado
de valores no so favorveis (isto , o mercado est em baixa), as aes podem perder 20% do
seu valor. A empresa B proporciona utilidades seguras, de 15% num mercado em alta e s 5%
num mercado em baixa. Todas as publicaes que consultou predizem que h 60% de
probabilidade que o mercado esteja em alta e 40% de que esteja em baixa. Onde deveria
investir seu dinheiro?.
Soluo:
O problema tambm pode ser representado mediante uma arvore de deciso. Um quadrado
representa um ponto de deciso e um crculo representa um evento:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 4
1
Mercado em alta (0,6)
$ 1500
3
Investir em Mercado em baixa (0,4)
aes de B $ 500
Em geral, diz-se que necessrio conhecer os estados da natureza (em alta e em baixa do
problema anterior), isto implica conhecer suas probabilidades e seus possveis resultados. A deciso
ser o mximo valor esperado (quando a deciso implica utilidade) ou o mnimo valor esperado
(quando a deciso implica perda). Note que o somatrio das probabilidades igual a 1 e cada
probabilidade deve ser 0.
com p1 + p2 + ..... + pn = 1
onde:
a i j o retorno da alternativa idado o estado da natureza j
p i a probabilidade de ocorrncia do estado da natureza j, sendo p j > 0
Problema: O fazendeiro McCoy pode plantar milho ou soja. Se as probabilidades dos preos da
prxima safra desses gros subirem, permanecem os mesmos e se baixarem so 0,25; 0,30 e 0,45,
respectivamente. Se os preos subirem, a safra de milho gerar 30.000 reais lquidos e a soja 10.000. Se
os preos permanecerem os mesmos, McCoy (mal) conseguir equilibrar a receita e despesa. Mas, se
os preos baixarem, as safras de milho e soja daro prejuzos de 35.000 e 5.000 reais respectivamente.
a) Represente o problema de McCoy como uma rvore de deciso.
b) Qual dos gros McCoy deve plantar?
Soluo: b) EV(milho) = - 8.250; EV (soja) = 250. Selecionar soja.
Problema: Voc tem a oportunidade de investir seu dinheiro em um ttulo que rende 7,5% e vendido
pelo valor de face, ou em uma ao de crescimento agressivo que paga somente 1% de dividendos. Se
houver ameaa de inflao, a taxa de juros subir at 8%, caso em que o valor principal do ttulo cair
10% e o valor da ao cair 20%. Caso uma recesso venha a ocorrer, a taxa de juros cair para 6%.
Sob essa condio, espera-se que o valor principal do ttulo suba 5% e o valor da ao subir 20%. Se a
economia permanecer inalterada, o valor da ao subir 8% e o valor principal do ttulo permanecer
o mesmo. Economistas estimam uma chance de 20% de elevao da inflao e uma chance de 15% de
recesso. Considere que voc est baseando sua deciso de investimento nas condies econmicas do
prximo ano.
a) Represente o problema como uma rvore de deciso.
b) Voc investir em aes ou ttulos?
Soluo:
Usando os seguintes smbolos:
v1 = voto a favor
v2 = voto em contra
m1 = mercado em alta
m2 = mercado em baixa
As novas informaes permitem descrever as seguintes probabilidades condicionais:
P (v1|m1) = 0,9; P (v2|m1) = 0,1
P (v1|m2) = 0,5; P (v2|m2) = 0,5
A nova deciso implicaria responder as seguintes perguntas:
a) Se a pesquisa feita por voc indica a favor, investiria voc nas aes de A ou em B?
b) Se a pesquisa feita por voc indica em contra, investiria voc nas aes de A ou em B?
Esse problema poderia ser resolvido com um arvore deciso como segue:
P(A B)
P(B \ A) , para P(A) 0
P(A)
Supondo que E1, E2, ........, Ek sejam k conjuntos mutuamente excludentes e exaustivos, ento:
E1 E2 S
E3
B E1
B E2 E4
B E3
BE4
B
O teorema de Bayes indica que se E1, E2, ......, Ek forem eventos mutuamente excludentes e exaustivos e
B for qualquer evento, ento:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 6
P(B \ E 1 ) P(E 1 )
P(E 1 \ B) , para P(B) 0
P(B \ E 1 ) P(E 1 ) P(B \ E 2 ) P(E 2 ) ......... P(B \ E k ) P(E k )
P (m1|v1) ; P (m1|v2)
P (m2|v1) ; P (m2|v2)
Assim:
P( v1 \ m1) P(m1) P( v1 \ m1) P(m1)
P (m1|v1) = , para P( v1) 0
P( v1 \ m1) P(m1) P( v1 \ m2) P(m2) P( v1)
(0 ,9) (0 ,6)
P(m1|v1) 0 ,730 , para P( v1) 0
(0 ,9) (0 ,6) (0 ,5) (0 ,4)
(0 ,1) (0 ,6)
P(m1|v2 ) 0 ,231, para P( v2 ) 0
(0 ,1) (0 ,6) (0 ,5) (0 ,4)
( 0 , 5) ( 0 , 4 )
P(m2|v1) 0 ,270, para P( v1) 0
(0 ,5) (0 ,4) (0 ,9) (0 ,6)
( 0 , 5) ( 0 , 4 )
P(m2| v2) 0,769, para P( v2) 0
(0,5) (0,4) (0,1) (0,6)
Agora estamos prontos para avaliar as alternativas com base nos retornos esperados:
Problema: A Elektra recebe 75% de seus componentes eletrnicos do fabricante A e os 25% restantes do
fabricante B. A porcentagem de componentes defeituosos dos fabricantes A e B so 1% e 2%,
respectivamente. Quando foi realizada a inspeo de uma amostra aleatria de tamanho 5 retirada de
um lote recebido, somente um item defeituoso foi encontrado. Determine a probabilidade de o lote ter
sido recebido do fabricante A. Repita o mesmo para o fabricante B. (Sugesto: a probabilidade de um
item defeituoso em um amostra binomial).
Soluo: Seja z o evento que representa um item defeituoso em uma amostra de tamanho 5,
ento P(A|z) = 0,6097; P(B|z) = 0,3903
Em vez de expedir lotes com base exclusivamente em probabilidades a priori, utilizada uma
amostra de teste composta por dois itens, o que d origem a trs resultados possveis: os itens so bons
(z1), um item bom (z2) e os dois itens so defeituosos (z3).
a) Determine as probabilidades posteriores P(i|zj), para i = 1, 2; j = 1, 2, 3.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 7
b) Suponha que o fabricante despache lotes a dois clientes, A e B. Os contratos especificam que
as quantidades de itens defeituosos para A e B no devem passar de 5% e 8%,
respectivamente. O fabricante incorre em uma multa de 100 reais por ponto porcentual acima
do limite mximo. O fornecimento de lotes com qualidade melhor do que a especificada por
contrato custa ao fabricante 50 reais por ponto porcentual. Desenvolva a respectiva rvore de
deciso e determine a estratgia de prioridade para o envio de lotes.
Resposta:
b) Despache o lote para B se ambos itens forem ruins; caso contrrio, despache o lote para A.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 8
Da mesma forma que nas decises sob risco, as decises sob incerteza dependem dos estados
da natureza (aleatrios). Em geral o problema consiste de ter m aes alternativas e n estados da
natureza, os quais podem ser representados da seguinte forma:
s1 s2 ....... sn
a1 v (a1, s1) v (a1, s2) ....... v (a1, sn)
a2 v (a2, s1) v (a2, s2) ....... v (a2, sn)
. . . . .
. . . . .
. . . . .
an v (an, s1) v (an, s2) ....... v (an, sn)
Dado que o retorno v(ai, sj) representa o ganho, a melhor alternativa a que d:
1 n
max v(a i , s j )
n
ai
j1
b) Critrio Maximin (ou Minimax): baseado na atitude conservadora de obter o melhor das piores
condies possveis. Se v(ai, sj) for prejuzo, ento escolhemos a ao que corresponde ao critrio
minimax:
min max v(a i , s j )
ai sj
max min v(a i , s j )
ai j
s
d) Critrio de Hurwicz: Elaborado para refletir atitudes da tomada de deciso que vo da mais
otimista mais pessimista (ou conservadora). Defina-se 0 < 1 e se considere que v(ai, sj)
representa ganho. Ento, a ao selecionada deve ser associada com:
max max v(a i , s j ) (1 ) min v(a i , s j )
ai s j s j
min min v(a i , s j ) (1 ) max v(a i , s j )
ai sj sj
Problema: Hank um aluno inteligente e normalmente tira boas notas, contando que possa revisar o
material do curso na noite anterior ao teste. Para o teste de amanha, Hank enfrenta um pequeno
problema: seus companheiros de repblica vo dar uma festa durante a noite, da qual ele gostaria de
participar. Ele tem trs opes:
a1 = divertir-se a noite inteira
a2 = dividir a noite em partes iguais para estudar e participar da festa
a3 = estudar a noite inteira
O teste de amanha pode ser fcil (s1), moderado (s2) ou difcil (s3), dependendo do humor imprevisvel
do professor. Hank antecipa as seguintes:
s1 s2 s3
a1 85 60 40
a2 92 85 81
a3 100 88 82
a) Recomende um curso de ao para Hank, com base nos critrios de Laplace, Maximin (ou
Minimax), de Savage e de Hurwicz (use = 0,5).
b) Suponha que Hank esteja mais interessado na nota alfabtica que conseguir (A = 90, B = 80, C
= 70 ou D 60). Essa atitude em relao s notas exige uma mudana no curso de ao de
Hank?
Soluo:
a) Segundo o princpio de Laplace teramos:
Como temos 3 estados da natureza (sj, j = 1, 2, 3), P(sj) = 1/3
O valor esperado para cada uma das 3 possveis aes ser:
E(a1) = 1/3 (85 + 60 + 40) 61,67
E(a2) = 1/3 (92 + 85 + 81) = 86
E(a3) = 1/3 (100 + 88 + 82) = 90
Portanto, em funo do critrio de Laplace a melhor ao seria a 3.
Segundo o critrio Maximin/Minmax, temos que os valores v(ai, sj) representam ganho,
portanto, o princpio a ser usado Maximin:
s1 s2 s3 Min da linha
a1 85 60 40 40
a2 92 85 81 81
a3 100 88 82 82 Maximin
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 10
Segundo o critrio de Savage, primeiro faramos max [ v(a k , s j ] v(a i , s j ) , j que as notas
ak
representam ganho:
s1 s2 s3
a1 100 - 85 = 15 88 60 = 28 82 40 = 42
a2 100 - 92 = 8 88 85 = 3 82 81 = 1
a3 100 100 = 0 88 88 = 0 82 82 = 0
s1 s2 s3 Max da linha
a1 15 28 42 42
a2 8 3 41 41
a3 0 0 0 0 Minimax
Nesse caso, por ser uma matriz de ganho, a melhor alternativa seria a de maior valor, ou
seja, a alternativa a3.
importante observar que a companhia no deseja, neste estado de anlise do problema, realizar
anlises mais detalhadas de custo e mercado, como por exemplo entrar em contato com revendedores
e fornecedores, para no gerar expectativas. Assim, deseja examinar o problema em carter
preliminar, de forma a obter elementos para discutir, mais tarde, com os demais interessados.
Para cada um dos eventos, os lucros esperados de cada modelo so fornecidos na tabela abaixo.
Recomende que tipo de auto-rdio a empresa deve fabricar com base em cada um dos critrios de
deciso sob incerteza.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 11
Problema: Um empresrio de shows tem que organizar um concerto e o pode faze-lo ao ar livre ou
num campo coberto. Os benefcios vo depender da prescena do pblico, e ela (a assistncia) por sua
vez do clima, que pode ser com chuva, nublado ou ensolarado. Os resultados esperados caso o show
seja ao ar livre so 10.000, 50.000 e 65.000 euros se o tempo for chuvoso, nublado ou ensolarado
respectivamente. Se o concerto se realiza em campo coberto, os resultados seriam 45.000, 40.000 e
35.000 euros para cada estado climtico respectivamente. Pede-se:
a) Determinar a matriz de deciso.
b) Qual deciso deve tomar o empresrio se utiliza o critrio de Laplace?
c) Qual seria a opo mais adequada se fosse aplicado o critrio de arrependimento de Savage?
d) Qual deciso deve tomar o empresrio se utiliza o critrio de Hurwicz para = 0,35?
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 12
TEORIA DE FILAS
Esperar por um servio faz parte de nossa vida diria. Aparecem filas nos bancos, nos cinemas,
no correio, em processos de produo, nos semforos, etc. Embora a espera geralmente no possa ser
complemente eliminada (principalmente por questes de custos), possvel reduzir o impacto adverso
a nveis tolerveis (Taha, 2008).
A teoria de filas visa quantificar o fenmeno da espera em filas (mas no visa otimizar a espera na
fila), usando medidas representativas de desempenho como o comprimento mdio da fila, o tempo
mdio de espera em fila e a mdia de utilizao da instalao (Taha, 2008). Em geral, um processo
bsico de filas seria o seguinte:
Sistemas de filas
Clientes
Fonte de Clientes Mecanismo atendidos
Fila
entrada de servio
A figura anterior mostra que os clientes que requerem um servio se geram ao longo do tempo
numa fonte de entrada. A sequncia com que os clientes so gerados vm de uma distribuio
probabilstica (pode ser normal, exponencial, de Poisson, etc). Os clientes entram no sistema e se unem
a uma fila. Em determinado momento se seleciona um membro da fila para lhe proporcionar o servio,
mediante alguma regra conhecida como disciplina da fila. Logo, se realiza o servio ao cliente em um
mecanismo de servio, depois o cliente sai do sistema de filas (Hillier e Lieberman, 2006).
Fonte de entrada:
Uma caracterstica da fonte de entrada seu tamanho. O tamanho o nmero total de clientes
potenciais que podem requerer servio em algum momento. A populao a partir da qual surgem as
unidades (os clientes) que chegam ao sistema se conhece como populao de entrada. Pode-se supor que
o tamanho infinito ou finito (ou seja, a fonte de entrada ilimitada ou limitada).
Frequentemente se considera que os cliente se geram de acordo com uma distribuio de
Poisson. Esse caso corresponde quando o cliente chega de forma aleatria, mas com uma taxa mdia
fixa () sem importar quantos cliente j esto na fila. Uma suposio equivalente considerar que a
distribuio de probabilidade do tempo que transcorre entre duas chegadas consecutivas seja
exponencial. Esse tempo entre duas chegadas se conhece simplesmente como tempo entre chegadas.
Qualquer outro suposto sobre o comportamento dos clientes tambm deve ser considerado. Um
suposto muito comum o de desistncia, o qual implica que o cliente desiste de entrar na fila devido a
que a fila est muito grande ou abandonar uma fila porque esto esperando h muito tempo.
Fila:
A fila onde os clientes esperam antes de receber o servio. A fila se caracteriza pelo nmero
mximo permitido de clientes que podem ser admitidos. As filas podem ser finitas ou infinitas,
segundo se esse nmero mximo finito ou infinito. Como os clculos so muito mais simples no caso
de tamanho infinito, esse suposto se faz quando o tamanho real seja um nmero fixo relativamente
grande, e se considerar implcito, em qualquer modelo que no especifique outra coisa.
O caso finito mais difcil devido a que o nmero de clientes que formam a fila afeta o nmero
potencial de clientes fora do sistema em qualquer momento; mas deve-se supor o caso finito se a taxa
com que a fonte de entrada gera clientes novos afetada de alguma forma significativa pelo nmero
de clientes no sistema de linhas de espera.
Disciplina da fila:
Refere-se ordem em que seus membros se selecionam para receber o servio. Embora a
disciplina primeiro que chega primeiro a ser servido (FCFS first come, first served) a mais comum,
existem outras disciplinas como ltimo a chegar primeiro a ser servido (LCFS last come, first served),
servio em ordem aleatria (SIRO service in ramdom order) ou alguma outra disciplina baseada em
alguma prioridade de atendimento (por exemplo, servios urgentes em uma oficina so processados
antes dos servios comuns).
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 13
Mecanismo de servio:
Refere-se ao nmero de estaes de servio, cada uma delas com um ou mais canais de servios
paralelos, chamados de servidores. Se existe mais de uma estao de servio, o cliente pode receber o
servio de uma sequncia delas, ou numa rede (sistemas de filas interligados). Os mecanismos mais
comum so:
1 fila e 1 servidor
1 fila e n servidores
m filas e n servidores
Filas especiais (caixas expressos de supermercados)
Filas que seguem alguma alterao dinmica do sistema de atendimento
Exerccio: Em cada uma das seguintes situaes identifique o cliente e o servidor, alm disso,
discuta a possibilidade de um cliente trocar, desistir ou abandonar a fila:
No estudo das filas essencial uma condio: Que a chegada dos clientes seja totalmente
aleatria. Nesse contexto, a aleatoriedade significa que a ocorrncia de um evento no influenciada
pelo tempo transcorrido desde a ocorrncia do ltimo evento. Essa condio totalmente preenchida
pela distribuio exponencial, explicitamente pela sua propriedade de falta de memria. A
importncia da propriedade de falta de memria da distribuio exponencial e que permite simplificar o clculo
dos principais modelos da teoria de filas, como ser visto mais na frente. Tambm, considerando que a
distribuio exponencial pode descrever a distncia entre eventos, nesse caso um evento poderia ser
uma falha, a chegada de um cliente ou a concluso de um servio.
Em geral, se diz que X tem uma distribuio exponencial com parmetro ( > 0) se a funo de
densidade de probabilidade de X (Devore, 2008):
e x para x 0
f( x ; )
0 caso contrrio
1
0 x e
x
E( x) dx
Para obter o valor esperado se requer integrar por partes. A varincia se calcula usando o fato de
que V(X) = E(X2) [ E(X) ]2. O clculo de E(X2) requer integrar por partes, duas vezes. Os clculos do
como resultado:
1
2 2
A falta de memria consiste do seguinte: Se agora for 08:20 horas da manh e a ltima chegada
de um cliente ocorreu s 08:03 horas, a probabilidade de a prxima chegada ocorrer s 08:29 horas
uma funo do intervalo entre 08:20 e 08:29, e totalmente independente do tempo que transcorreu
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 14
desde a ocorrncia do ltimo evento (de 08:03 a 08:20). Esse resultado chamado de falta de memria.
Em smbolos matemticos uma probabilidade condicional, da seguinte forma:
P(X t0 + t | X t0).
P[ (X t 0 t) (X t 0 ) ]
P( X t 0 t|X t 0 )
P( X t 0 )
P (X t 0 t) 1 F( t 0 t ; ) e ( t t 0)
e t e t 0
P( X t 0 t|X t 0 ) e t
P( X t 0 ) 1 F( t 0 ; ) e t 0
e t 0
Problema: Se uma mquina quebra a cada 40 minutos em mdia, com distribuio exponencial,
determine:
a) A taxa mdia de quebra da mquina
b) Se o tcnico que conserta a mquina afirma-se: essa mquina sempre quebra por volta das
08:30 horas, voc aceitaria essa afirmao?
c) Se agora so 08:20 horas, qual a probabilidade de que a prxima quebra seja s 08:30?
d) Se agora so as 07:00 horas, qual a probabilidade de que a prxima quebra seja s 08:30?
e) Se o tcnico que conserta a mquina afirma-se: essa mquina sempre quebra por volta das
08:30 horas, qual seria sua resposta tomando como referncia os resultados dos itens c e
d?
Soluo:
a) Como 60 min = 1 hora, ento a taxa mdia = = 60/40 = 1,5 quebra/hora
b) Desde o ponto de vista terico, a afirmao deve ser considerada errada pois como a
distribuio das quebras exponencial, consequentemente a probabilidade de que acontea
totalmente aleatria.
c) P (t 10/60) = 1 e(-1,5)(10/60) 0,22
d) P(t 150/60) = 1 e(-1,5)(90/60) 0,89
e) Pela resposta em b sabemos que a afirmao est errada. Mas se agora fossem as 08:20
horas, a afirmao poderia se considerar errada, pois a probabilidade de que isso acontea
0,22, a qual pequena.
Pela resposta em b sabemos que a afirmao est errada. Mas se agora fossem as 07:00
horas, a afirmao poderia ser considerar certa, pois a probabilidade de que isso acontea
0,89, a qual alta.
Problema: O tempo (em horas) requerido para reparar uma mquina distribudo exponencialmente
com = 1.
a) Qual a probabilidade de que o tempo de reparo exceda de 2 horas?
b) Qual a probabilidade de que o tempo de reparo exceda de 30 minutos?
c) Qual a probabilidade condicional de que o tempo de reparo tome pelo menos 3 horas, dado
que sua durao excedeu de 2 horas?
Problema: Joo imagina que o nmero total de milhares de quilmetros que um carro usado ainda
pode percorrer antes que ele vire sucata uma varivel aleatria distribuda exponencialmente com
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 15
parmetro = 1/20. Daniel tem um carro usado e afirma que foi conduzido por 10.000 quilmetros.
Se Joo compra-se o carro de Daniel, qual seria a probabilidade de que ele consiga percorrer 20.000
quilmetros adicionais pelo menos?
As propriedades do chamado Processo de Poisson se ajustam muito bem aos modelos bsicos
de filas. Este fato fez com que as solues analticas para modelos de filas pudessem ser obtidas para
queles modelos. A obteno de solues analticas para modelos que no seguem o Processo de Poisson so,
quando viveis, matematicamente complexas e extremamente trabalhosas. Vejamos as propriedades
fundamentais do Processo de Poisson, j adaptando-as para sistemas de filas, lembrando que estas
propriedades esto provadas matematicamente:
4) A probabilidade de 1 chegada (ou trmino de servio) ocorrer em uma unidade de tempo muito
pequena, t, sempre a mesma independente do instante de t. Desta forma se a probabilidade
de 1 chegada em 1 segundo de 0,0013, esta probabilidade ser a mesma em qualquer segundo
escolhido.
Na teoria de filas criou-se uma conveno em que se diz que as chegadas seguem a Poisson (claro
se passar no teste de aderncia), ou seja, se trabalha com a taxa mdia de chegadas (discreta) enquanto
que para o servio, trabalha-se com a sua durao (contnua), ou seja, se diz que ela segue a
Exponencial. Mas como vimos acima, est correto dizer exatamente o inverso. uma mera conveno.
Problema (Taha, 2008, p. 250): O interessante deste problema destacar a relao entre a distribuio
Exponencial e a de Poisson. Olhe que a mesma resposta pode ser encontrada com ambas as
distribuies. O resultado vai mostrar que se o tempo entre chegadas segue uma distribuio
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 16
exponencial com mdia 1/, ento o nmero de chegadas durante um perodo especfico t segue uma
distribuio de Poisson com mdia t. O inverso tambm vlido.
A taxa de nascimentos de bebs em um estado esparsamente povoado de um nascimento a
cada 12 minutos. O tempo entre nascimentos segue uma distribuio exponencial. Determine:
a) O nmero mdio de nascimentos por ano
b) A probabilidade de no ocorrer nenhum nascimento em qualquer dia determinado
c) A probabilidade de se emitir 50 certides de nascimento em 3 horas dado que 40 certides
foram emitidas durante as 2 primeiras horas do perodo de 3 horas.
d) A probabilidade de ter 20 nascimentos em um dia determinado.
e) A probabilidade X 20 nascimentos em um dia determinado.
Soluo:
a) A taxa mdia de nascimentos por dia e calculada da seguinte forma:
= (24 h/d) (60 min/h)/(12 min/nascimento) = 120 nascimentos/dia
O nmero mdio de nascimentos por ano :
t = (120 nascimentos/dia) (365 dias/ano) = 43.800 nascimentos/ano
e x
p( x ; ) f( x) , x = 0, 1, 2, .....
x!
e) Para calcular uma p(X 20 nascimentos em um dia determinado) usando Poisson teramos
20
e x
que fazer p( x 20) 0
x0 x!
Essa mesma probabilidade no pode ser calculada usando a Exponencial. Lembre que a
exponencial visa determinar a probabilidade de que um evento ocorra num intervalo de
tempo. Nesse problema o que se esta tentando encontrar a probabilidade de que menos de
n eventos (nascimentos) aconteam num intervalo de tempo [ 0, t ], com t = 1 dia. Claro a
pergunta agora : qual o modelo adequado para saber como calcular a probabilidade de
ocorrerem menos de 20 nascimentos no intervalo [ 0, t ] = [ 0, 1 ]?
Pra este fim, seja Y a varivel aleatria que representa o tempo necessrio para ocorrerem n
nascimentos, com mdia de = 120 nascimentos por dia. A funo de densidade desta
varivel a distribuio de probabilidade Gamma, Y (n , ) . A funo de densidade da
distribuio Gamma :
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 17
n
t n 1 e t , se t 0
g( t ) P ( Y t ) ( n 1) !
0 , se t 0
1 1 1
n
P ( Y 1) G (t 1) 0 g(t ) dt 0 (n 1) !
t n 1 e t dt 0 e t dt 0,00833
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 18
O professor D. G. Kendall criou, em 1953, uma notao para sistemas de filas que hoje
largamente usada. Ela tem, na sua forma simplificada, o seguinte formato: (a/b/c) onde, a representa a
distribuio das chegadas, b representa a distribuio do servio e c indica o nmero de estaes
de servio.
Um processo Markoviano se representa com a letra M. Como a distribuio de Poisson inclui as
propriedades do processo Markoviano, cuja notao M usada para a e b quando temos um
processo de Poisson. Assim um modelo de fila em que a distribuio das chegadas segue a Poisson, a
distribuio da durao do servio segue a Exponencial e com 1 estao de servio, teria a notao
M/M/1.
a/ b / c / d / e / f
c = nmero de servidores
d = capacidade do sistema
e = tamanho da populao
f = disciplina da fila
Antes de entrarmos em detalhes, devemos observar que todos os modelos (as frmulas dos
modelos sero vistas mais na frente) a serem apresentados tem como pr-requisito o sistema de fila
estar em estado de equilbrio (ou de regime, ou estacionrio), ou seja, estar com o seu processo de
chegadas e atendimento dentro de condies normais. Esse estado atingido aps o sistema ter estado
em operao por um tempo suficientemente longo.
Por exemplo, numa agencia bancria com grande movimento, o fluxo de pessoas (entrando e
saindo) s vai-se a normalizar depois de um perodo relativamente longo de estar em funcionamento.
Chegado a esse ponto de normalizao pode-se dizer que o atendimento esta em equilbrio.
O estado anterior ao estado de equilbrio denomina-se estado transiente (ou em aquecimento, ou
de aquecimento). No caso da agncia bancria com grande movimento, quando a agncia abre pela
manh, j existe normalmente uma grande aglomerao na porta e, obviamente, as chegadas no
obedecem a qualquer padro. Da mesma forma no incio do trabalhos o atendimento no atinge sua
velocidade normal pois, de certa forma, os funcionrios que fazem o atendimento ainda esto em
aquecimento.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 19
No exemplo anterior implicaria que at o fluxo de pessoas na agncia se normalizar dizemos que
o sistema est em regime transiente, aps se normalizar o fluxo de pessoas o sistema se encontraria em
estado de equilbrio.
O estado transiente no ser estudado nesta matria. Uma razo que o estudo de grande parte
das situaes de filas ocorre sob condies de estado de equilbrio. Outra razo para no estudar o
comportamento do regime transiente que ele de extrema complexidade.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 20
A maior parte dos modelos elementares de filas supem que as entradas (chegadas dos clientes)
e as sadas (clientes que vo embora depois de serem atendidos) no sistema ocorrem de acordo com
um processo de nascimento e morte. Esse processo de teoria de probabilidade tem aplicaes em vrias
reas, porm no contexto da teoria de filas, o termo nascimento refere-se chegada de um novo cliente
e o termo morte refere-se sada do cliente atendido.
Basicamente um processo de nascimento e morte visa descrever em termos probabilsticos como muda o
estado do sistema [ N(t) ] ao aumentar o tempo (t, com t 0). Em geral, os nascimentos e as mortes ocorrem
de forma aleatria, entanto, suas mdias de ocorrncia dependem do estado atual do sistema.
Dado que o intervalo de tempo entre chegadas segue uma distribuio exponencial e que a taxa
de chegadas clientes por unidade de tempo, ento:
Para um intervalo de tempo suficientemente pequeno com h > 0, e usando a expanso de Taylor
temos:
(h ) 2 ( 0 2 ) (2 )
p 0 ( h ) e h 1 h ...... 1 h ..... = 1 - h
2! 2!
p1(h) = 1 p0(h) h
p n (t h) p n (t)
p'n (t ) lim h0 p n (t ) p n 1 (t ) para n 0
h
p 0 (t h) p 0 (t)
p'n (t ) lim h0 p 0 (t ) para n 0
h
Resolvendo as equaes diferenciais geradas a partir dos limites encontra-se a soluo das
equaes diferencias, dando:
(t ) n e t
p n (t) , com n 0 , 1, 2 , ........
n!
Sendo essa soluo encontrada acima, basicamente uma distribuio de Poisson com mdia de
chegadas E[n|t] = t durante o tempo t. O resultado mostra que, se o tempo entre chegadas segue
uma distribuio exponencial com mdia 1/, ento o nmero de chegadas durante um perodo
especfico t segue uma distribuio de Poisson com mdia t. O inverso tambm vlido.
Exponencial Poisson
Varivel aleatria Tempo entre chegadas Nmero de chegadas, n, durante o perodo
sucessivas, t especificado T
Faixa t0 n = 0, 1, 2, .....
Funo de densidade f(t) = et, t 0 (T ) n e T
p n (T ) , com n 0 , 1, 2 , ........
n!
Valor mdio 1/ unidade de tempo T chegadas durante T
Probabilidade acumulada P(t A) = 1 eA pn N (T) = p0(T) + p1(T) + ...... + pN(T)
P(nenhuma chegada no P(t A) = eA p0(A) = eA
perodo A)
Problema: Um colecionador de arte viaja uma vez no ms, em mdia, para assistir a leiles. Em cada
viagem se garante uma compra. O tempo entre as viagens tem distribuio exponencial. Determine:
a) A probabilidade de que o colecionador no compre obras de arte em um perodo de 3 meses.
b) A probabilidade de que o colecionador no compre mais de 8 obras de arte por ano.
c) A probabilidade de que o tempo entre viagens sucessivos seja maior que 1 ms.
pN(t + h) = pN(t) [ 1 - h ]
PN' (t ) PN (t )
Pn' (t ) Pn (t ) Pn 1 (t ) 0nN
P0' (t ) P1 (t )
Resolvendo as equaes diferenciais anteriores geradas a partir dos limites encontra-se a soluo
das equaes diferencias, resultando a seguinte distribuio de Poisson truncada:
(t )N n e t
p n (t ) , com n 1, 2 , ........, N
(N n ) !
N
p n (t) 1 p n (t)
n 1
Problema: A seo de flores de uma loja tem um estoque de 18 dzias de rosas no incio de cada
semana. Na mdia, a seo vende trs dzias por dia (uma dzia por vez), mas a demanda
propriamente dita segue uma distribuio de Poisson. Sempre que o nvel do estoque chega a 5 dzias
emitido um novo pedido de 18 dzias para entrega no incio da semana seguinte. Devido natureza
do item, todas as rosas que sobram no final da semana so descartadas. Determine:
a) A probabilidade de emitir um pedido em qualquer dia da semana
b) O nmero mdio de dzias de rosas que sero descartadas no final da semana
Soluo:
a) Nota-se que = 3 dzias/dia; onde a probabilidade de emitir um pedido no final do dia t
dada por:
5
(3t )18n e 3 t
= p0(t) +
n1 (18 n ) !
, com t 1, 2 , ......, 7
t (dias) 1 2 3 4 5 6 7
t 3 6 9 12 15 18 21
pn 5(t) 0,0000 0,0088 0,1242 0,4240 0,7324 0,9083 0,9755
18
E [ n|t = 7 ] = n p n (7 ) 0 ,664 1 dzia
n 0
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 24
O MODELO M/M/1
Daqui em diante, a maioria dos modelos de fila esto baseados no trabalho de Dos Santos (2003).
Este o modelo mais simples da teoria de filas, ou seja, tamanho de populao infinito, tamanho
permitido para a fila infinito, chegadas seguindo a distribuio de Poisson, durao do servio
seguindo a distribuio Exponencial, fila nica com seleo FIFO e 1 estao de servio.
Vamos desenvolver a seguir, as frmulas que permitem medir as caractersticas principais deste
tipo de modelo. Fazendo:
= taxa de chegada
= taxa de servio
t = unidade de tempo muito pequena
t = probabilidade de ocorrer 1 chegada durante t
t = probabilidade de ocorrer o fim de 1 servio durante t
A condio bsica para que um sistema de fila seja estvel que a taxa de chegada seja menor do
que a taxa de servio, ou seja, / tem que ser menor do que 1. Caso isto no acontea a fila tende ao
infinito. Veremos mais adiante que necessrio na verdade que seja razoavelmente menor que ,
pois mesmo sendo menor, se tiver um valor muito prximo de , a fila tender ao infinito.
Existem 3 eventos possveis durante t: a entrada de 1 unidade no sistema, a sada de 1 unidade
do sistema ou nenhuma alterao, ou seja, nenhuma chegada ou nenhum trmino de servio. Se t
a probabilidade de 1 chegada durante t, ento (1t) a probabilidade de nenhuma chegada. De
forma semelhante se t a probabilidade de fim de 1 servio, ento (1 t) a probabilidade de
que nenhum servio seja completado. A probabilidade conjunta de nenhuma chegada e nenhum
trmino de servio, durante t, dada por:
[1 t][1 t] = 1 t t + (t)2
como t muito pequeno podemos considerar (t)2 como 0 e desta forma a probabilidade de
nenhuma alterao 1 (t + t). Os estados do sistema nos instantes t e (t + t) com os 3
eventos possveis durante t so mostrados na tabela a seguir, onde k o nmero de unidades no
sistema e Pn a probabilidade de existirem n usurios no sistema:
P0 k=0 1 t k=0 P0 (1 t)
t k=1 P0 (t)
t k=0 P1 (t)
P1 k=1 1 (t + t) k=1 P1 (1 t t)
t k=2 P1 (t)
t k=1 P2 (t)
P2 k=2 1 (t + t) k=2 P2 (1 t t)
t k=3 P2 (t)
. . . . .
. . . . .
. . . . .
t k=n1 Pn (t)
Pn k=n 1 (t + t) k=n Pn (1 t t)
t k=n+1 Pn (t)
Voltando tabela ns vemos que existem 2 maneiras de se ter zero unidades no sistema no
instante (t + t): Quando k = 0 no instante t e nenhuma chegada ocorre e quando k = 1 no instante
t e uma sada ocorre. A probabilidade de termos zero unidades no instante (t + t) a probabilidade
de ter zero unidades no instante (t + t) multiplicada pela probabilidade de nenhuma chegada, ou seja
P0(1 t), mais a probabilidade de termos uma unidade no instante t multiplicada pela
probabilidade de uma sada, ou seja P1(t). Isto d:
P0 ( t )
P1 P1 P0 (Eq. 4)
t
A tabela tambm pode ser entendida por meio de um diagrama de transio de filas de Poisson,
como mostrado a seguir:
0 1 n-1 n+1
1 2 n n+1
Sob condies de estado de equilbrio, para n > 0, as taxas de fluxo esperadas de entrada no estado
n o da taxa de sada no estado n, devem ser iguais. Com base no fato de que o estado n s pode
ser mudado para os estados (n 1) e (n + 1), obtemos:
De forma semelhante:
Consequentemente: P1 P0 , que igual Eq. 4 encontrada anteriormente. Logicamente quando
a taxa de chegadas constante em todos os estados 0 = e quando a taxa de sadas tambm
constante em todos os estados 0 = .
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 26
Voltando tabela e resolvendo a equao (3) para Pn+1 em funo de Pn e Pn1, temos:
Pn+1(t) = Pn t + Pn t Pn1(t)
t t t
Pn 1 Pn Pn
t _ Pn 1 t Pn 1 Pn 1 _ Pn 1
t
Pn 1 Pn _ Pn 1
Substituindo n por 1, temos: P2 P1 _ P0
Substituindo o valor de P1 da equao (4) temos: P2 P0 _ P0
Fatorando P0 do segundo termo: P2 P0 1
2
Finalmente temos: P2 P0
3
Se seguirmos os mesmos passos para P3, temos: P3 P0
n
Por induo se infere que: Pn P0 (Eq. 5)
Da teoria da probabilidade ns sabemos que a soma de todas as probabilidades igual a 1. Logo,
n 1
Pn 1 , portanto, da Eq. 5, temos: Pn P0 1 P0
n
n 0 n 0 n 0
n 0
1
O denominador desta expresso uma srie geomtrica infinita que converge para , se
1
1
Temos ento: P0 P0 1 (Eq. 6)
1
1
n
Das equaes (5) e (6) temos: Pn 1 (Eq. 7 )
A mdia de uma varivel x definida como xP(x), logo o nmero mdio de unidades no sistema
(representado por L) dado por:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 27
L
n 0
n Pn
n n
L n 1
1 n
n 0 n 0
n
O somatrio n da equao acima, quando for menor que 1, uma srie geomtrica
n 0
infinita que converge para
2
1
Logo temos: L 1
2
1
Que finalmente se reduz a: L
(Eq. 8)
Nosso propsito determinar vrias medidas do desempenho de um sistema de filas tais como:
L = W (Eq. 9)
O mesmo raciocnio pode ser inferido para a relao do nmero mdio de usurios na fila e o
tempo que eles passam na fila:
Lq = Wq (Eq. 10)
O tempo mdio gasto no sistema (W) deve ser igual ao tempo mdio gasto na fila mais o tempo
de servio esperado (1/). Temos ento:
1
W = Wq + (Eq. 11)
Logo uma vez que tenhamos obtido o valor de L da equao (8) podemos, da equao (9), tirar o
valor de W:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 28
L 1
W
1 1 1
Wq W
( )
2
L q Wq
( ) ( )
As demais frmulas no s deste modelo como dos demais que veremos a seguir so
desenvolvidas de forma anloga ao que vimos at aqui, apesar de que para algumas, a matemtica
envolvida seja bem mais complexa.
Probabilidade de 0 unidades no sistema, ou seja, a probabilidade do sistema estar vazio: P0 1
n
Probabilidade de existirem n unidades no sistema: Pn 1
k1
Probabilidade de existirem mais de k unidades no sistema: P ( n k )
Nmero mdio (esperado) de unidades no sistema: L = W =
2
Nmero mdio (esperado) de unidades na fila: L q Wq
( )
L 1
Tempo mdio (esperado) que cada unidade permanece no sistema: W
1
Tempo mdio (esperado) que cada unidade permanece na fila: Wq W
( )
Fator de utilizao da estao de servio:
Lq L Wq
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 29
L Lq W
1 Lq
Wq W
1 L
W Wq
Problema: Clientes chegam a uma barbearia, de um nico barbeiro, com uma durao mdia entre
chegadas de 20 minutos. O barbeiro gasta em mdia 15 minutos com cada cliente.
a) Qual a probabilidade de um cliente no ter que esperar para ser servido (atendido)?
b) Qual o n esperado de clientes no salo de barbeiro? na fila?
c) Quanto tempo, em mdia, um cliente permanece no salo?
d) Quanto tempo, em mdia, um cliente espera na fila?
e) Qual a probabilidade de que um cliente tenha que ficar mais de 30 minutos no salo?
f) O barbeiro est estudando a possibilidade de colocar outro barbeiro desde que o tempo de
permanncia mdio de cada cliente no salo passe a 1,25 horas. Para quanto deve aumentar a taxa
de chegada de modo que este segundo barbeiro fique justificado?
Soluo:
a) Temos que:
= 1 cliente/20 minutos = 3 clientes/h
= 1 cliente/15 minutos = 4 cliente/h
A probabilidade de no esperar equivale a dizer que no haja ningum na fila, ou seja:
3
P0 1 1 0,25
4
3
b) O n esperado de clientes no salo L = 3 clientes
43
3
O n esperado de clientes na fila L q L 3 = 2,25 clientes
4
Algum atento resposta anterior poderia afirmar que a diferena entre L e Lq , o nmero
mdio de clientes no sistema (L) e o nmero mdio de clientes na fila (Lq) deveria ser 1, ou
seja, o fregus que est sendo atendido pelo barbeiro. Na verdade (L Lq) representa o
percentual mdio de clientes atendidos por unidade de tempo e o resultado menor que 1 porque as
vezes o barbeiro fica ocioso.
c) O tempo que em mdia um cliente permanece no salo :
1 1
W 1 hora
43
d) O tempo que em mdia um cliente permanece na fila :
3
Wq 0 ,75 hora
( ) 4 ( 4 3)
e) A probabilidade de um cliente ficar mais de 30 minutos no salo :
P(T t) e ( 1 ) t e 4 ( 1 3 / 4 ) 0 , 5 0,61 61%
f) Para encontrar a taxa de chegadas que justificariam um segundo barbeiro, considerando que
um cliente passe 1,25 horas no salo, teramos que fazer:
1 1
W 1,25 3,2 clientes / hora
4
Assim, se a taxa de chegada fosse maior igual que 3,2 clientes/hora se justificaria a
contratao de um outro barbeiro.
Problema: Pessoas chegam para comprar ingressos para um jogo taxa de uma por minuto. Cada
pessoa gasta em mdia 20 segundos para comprar um ingresso.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 30
a) Se uma determinada pessoa chega 2 minutos antes do jogo comear e se ela gasta exatamente 1,5
minutos para chegar ao seu lugar aps comprar o seu ingresso, ela estar sentada antes do jogo
comear?
b) Qual a probabilidade da pessoa do item a estar sentada antes do jogo comear?
c) Com que antecedncia deve a pessoa chegar para ter 99% de certeza de estar sentada antes do jogo
comear?
Soluo:
= 1/min; = 3/min
1 1
a) W 0 ,5 min utos
31
Logo o tempo mdio para comprar o ingresso e achar o lugar (0,5 + 1,5) = 2 minutos, ou
seja, a pessoa dever estar sentada antes do jogo comear.
b) igual a probabilidade do ingresso ser comprado em tempo menor ou igual a 0,5 minutos.
P(T 0, 5) = 1 P(T > 0, 5) = 1 e (1)t = 1 e3(11/3)(0,5) = 0, 63 = 63%
b) Queremos achar t de modo que P(T > t) = 0,01
e(1)t = 0,01 e3(1 1/3)t t = 2,3 minutos
Logo: P(T > 2,3) = 0,01 P(T 2,3) = 0,99
Como a pessoa gasta 1,5 minutos para achar seu lugar ela deve chegar (1,5 + 2,3) = 3,8
minutos antes do jogo comear para ter 99% de certeza de estar sentado antes do jogo
comear.
Problema: Fregueses chegam aleatoriamente a uma padaria taxa mdia de 12 clientes/hora. O nico
empregado da padaria pode servir fregueses taxa mdia de 20 clientes/hora. O empregado recebe
$3/hora enquanto que o custo do tempo que os fregueses perdem na padaria est estimado em $
8/hora. O dono da padaria est considerando a instalao de um equipamento de auto-servio que
far com que a taxa de atendimento aos fregueses passe para 42 fregueses/hora. O custo do
equipamento de auto-servio de $ 30/dia. Considerando que a padaria funciona 12 horas/dia,
justifique economicamente se o equipamento de auto-servio deve ou no ser comprado?
Soluo:
= 12/hora
Situao Atual:
= 20/hora
Custo do empregado = $3/hr 12 hr/dia = $36/dia Custo do servio
W = tempo mdio que um fregus permanece na padaria
1 1
W 0 ,125 h
20 12
Custo de espera na padaria de um fregus = 0, 125 horas $8/hr = $1
Custo da fila = $1 12 fregueses/hr 12 hr/dia = $144
Custo total = $36 + $144 = $180/dia
Situao Proposta:
= 42/hora
1 1
W = 0,0333 horas
42 12
Custo de espera na fila de um fregus = 0, 0333 horas $8/hr = $ 0,266
Custo da fila = $0,266 12 fregueses/hr 12 hr/dia = $ 38,40/dia
Custo do equipamento = $30/dia
Custo do servio = $ 36 + $ 30 = $ 66/dia
Custo total = $ 66 + $38,40 = $ 104,40/dia
1
P0
s1 1 n 1 s
n 0 n! s ! ( 1 )
1 n
P0 para n 1, 2 , 3, ..... , s 1
n!
Pn
1 n
para n s
s ! s n s P0
s1
P0
Lq
( s ) ( s ! ) ( 1 ) 2
L Lq
L
W
Lq
Wq
s t s 1
P0 1 e
P ( T t ) e t 1 se s 1 0
s ! (1 ) s 1
s
P0 ( t )
P ( T t ) e t 1 se s 1 0
s ! ( 1 )
Problema: Um escritrio tem 3 datilgrafas e cada uma pode datilografar, em mdia, 6 cartas por hora.
As cartas chegam para serem datilografadas a taxa mdia de 15 por hora.
a) Qual o n mdio de cartas esperando para serem datilografadas?
b) Quanto tempo, em mdia, uma carta demora para ficar pronta?
c) Qual a probabilidade de que uma carta demore mais de 20 minutos para ficar pronta?
d) Vamos supor que cada datilgrafa receba individualmente 5 cartas por hora, em mdia, para
datilografar. Quanto tempo em mdia uma carta demora para ficar pronta?
Soluo:
15
Modelo M/M/3 com = 15/hr; = 6/hr; s = 3; ento 0 ,8333
s ( 3) ( 6 )
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 32
a) Lq ?
1 1
P0
s1
1 n 1 s s1
1 15 n 1 15 3
s ! ( 1 )
6 3 ! (1 15 /18)
6
n 0 n! n 0 n!
P0 0, 04598
s1 15 4
P0 6 (0 ,04598)
Lq ento Lq 3,592 cartas
( s ) ( s ! ) ( 1 ) 2 ( 3) ( 3 ! ) (1 15 / 18) 2
b) W = ?
L
W
15
L Lq 3,592 6 ,092 cartas, ento W = 6,092/15 0, 406 horas
6
Este exemplo serve para exemplificar a vantagem em se ter uma fila nica quando temos vrias
estaes de servio prestando o mesmo tipo de atendimento. Como podemos ver, com uma nica
fila, cada carta demora, em mdia, 0, 40 horas (24 minutos) para ficar pronta. Com fila individual
demorar, em mdia, 1 hora.
Problema: Deseja-se determinar o n timo de caixas em uma agncia bancria. O tempo que cada
cliente perde dentro da agncia est estimado em $5/hora e o custo de funcionamento de um caixa
de $4/hora. Os clientes chegam a taxa mdia de 40 por hora e os caixas podem atender, em mdia, 30
clientes por hora.
Soluo:
= 40/hr; = 30/hora
s = 1 = 1, 333 > 1, a fila tenderia ao infinito.
Para se resolver este tipo de problema tem que se ir por tentativa, incrementando o nmero de
estaes de servio de 1. Como j vimos, a curva de custo total vem diminuindo, passa por um
mnimo e volta a crescer. No nosso exemplo o mnimo s = 3.
Problema: A taxa de chegada a uma oficina de reparos de 180 por dia. A oficina tem 3 setores de
atendimento com uma taxa de 100 por dia. Qual a probabilidade de que:
a) A oficina esteja sem clientes?
b) Um fregus tenha que esperar?
c) Somente 2 setores estejam ociosos?
d) Somente um setor esteja ocioso?
e) Que proporo mdia do tempo um setor est ocioso?
f) Qual o tempo mdio de espera de um fregus que chega?
g) Qual o comprimento mdio da linha de espera?
Soluo:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 33
= ()/(S ) = (180)/(3100) = 0, 6
1 1
a) P0
s1
1 n 1 s 2
1 2 1 3
s ! ( 1 )
1,8 1,8
n 0 n! n 0 n! 3 ! (1 0 ,6)
P0 = 0,145985 = 14,5985%
s1 4
P0 1,8 (0,145985)
f) L q 0 ,53212 clientes
( s ) ( s ! ) ( 1 ) 2 ( 3) ( 3 ! ) (1 0 ,6) 2
Tempo mdio de espera de um fregus que chega:
Wq = (Lq/) = 0,53212/180 = 0,002956 dias
1
para
M1
P0 1
1
para
M 1
n
P para
Pn 0
P0 para
M1
(M 1)
para
M1
L 1
M
para
2
Lq = L (1 P0)
ef = (1 P0) = (1 PM)
L
W
ef
Lq
Wq
ef
ef
Problema: Uma barbearia com 1 barbeiro tem 6 cadeiras para acomodar fregueses esperando
atendimento. Os fregueses que chegam quando as 6 cadeiras esto cheias, vo embora sem esperar. Os
fregueses chegam a taxa mdia de 3/hr e ficam em mdia 15 minutos na cadeira do barbeiro.
a) Qual a probabilidade de um fregus chegar e ir direto para a cadeira do barbeiro?
b) Qual o n mdio de fregueses esperando atendimento?
c) Qual a taxa de chegada efetiva?
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 35
Problema: Em uma barbearia de um nico barbeiro a taxa mdia de chegadas de 3 fregueses por hora.
A barbearia s tem lugar para acomodar 2 pessoas esperando e os eventuais fregueses que chegam
quando o salo est cheio, tem de ir embora. O barbeiro capaz de atender em mdia 2 fregueses por
hora e cobra $7 por cada corte de cabelo. Como muitos fregueses esto indo embora sem poder serem
atendidos, o barbeiro est pensando em mudar o seu mtodo de trabalho. Aps alguns estudos ele
identificou 2 alternativas:
a) Trabalhar um pouco mais rpido do que atualmente, diminuindo um pouco a qualidade do corte de
cabelo mas diminuindo o preo do corte para $6 para evitar reclamaes. Com esta alternativa a sua
taxa de servio mdia iria para 3 fregueses por hora.
b) Trabalhar bem mais rpido do que atualmente, cobrando somente $5 por corte de cabelo pois
haveria uma queda acentuada na qualidade. Neste caso sua taxa de servio mdia passaria a 4
fregueses por hora.
O barbeiro deseja fazer uma avaliao econmica entre a situao atual e as 2 alternativas
estudadas. O tempo perdido pelos fregueses na fila de espera est estimado em $2/hora e como o
servio feito pelo barbeiro muito cansativo, ao tempo que ele pode descansar (por no ter nenhum
fregus esperando) foi atribudo o valor de $4/hora, ou seja, cada hora que ele descansa como se
tivesse ganho $4. Considerando que o dia tem 8 horas de trabalho, faa a anlise econmica para o
barbeiro.
Soluo
Situao atual
= 3/hr; = 2/hr; M = 3
Receita com os cortes = N mdio de fregueses atendidos/dia $7/corte
= ef 8hr/dia $7 = 98, 21/dia
$ Equivalente do tempo ocioso = P0 8hr/dia $4 = $3, 94/dia
$ Equivalente do tempo perdido = Wq ef 8hr/dia $2/hr = $17, 73
Rendimento lquido = $98, 21 + $3, 94 $17, 73 = $ 84, 42/dia
Alternativa a:
= 3/hr; = 3/hr; M = 3
P0 = 0, 250; Wq = 0, 333 hr; ef = 2, 25 fregueses/hr
Rendimento lquido = $104/dia
Alternativa b:
= 3/hr; = 4/hr; M = 3
P0 = 0, 3657; Wq = 0, 20209 hr; ef = 2, 537 fregueses/hr
Rendimento lquido = $104, 96/dia
A alternativa b a melhor soluo.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 36
a c
s
Temos ento:
1
P0
s
1 1 s M
an a cn s
n 0 n! s!
n s1
1
a n P0 para n s
n!
a n P0
Pn para s n M
s! s n s
0 para n M
Lq
P0 a s c
s ! ( 1 c) 2
1 c Ms
( M s ) c M s ( 1 c)
s1
L Lq s (s n ) Pn
n 0
s1
ef s (s n ) P n
n 0
L
W
ef
Lq
Wq
ef
ef
Problema: Uma barbearia com 2 barbeiros tem 5 cadeiras de espera. Os fregueses que chegam quando
as 5 cadeiras esto ocupadas, vo embora. Os fregueses chegam a uma taxa mdia de 6/hora e ficam
em mdia 15 minutos na cadeira de barbeiro.
a) Qual a probabilidade de um fregus chegar e ir direto para a cadeira de barbeiro?
b) Qual o n mdio de fregueses esperando para serem atendidos?
c) Qual a taxa de chegada efetiva?
d) Quanto tempo, em mdia, um fregus fica na barbearia?
e) Que percentual de fregueses vai embora?
Soluo:
M = 7; = 6/hr; = 4/hr; s = 2
a) P0 + P1 = 0, 4032 = 40, 32%
b) Lq = 1, 014 fregueses
c) ef = 5, 741 fregueses/hr
d) W = 0, 426 horas
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 37
Problema: Uma oficina mecnica tem 4 mecnicos sendo que cada carro necessitando conserto
atendido por um nico mecnico. Alm dos carros sendo consertados s cabem mais 6 automveis no
ptio da oficina e quando ele est cheio os fregueses tem que procurar outra oficina. A taxa mdia de
chegadas de carros para conserto de 3 por dia. Cada mecnico conserta, em mdia, 1 carro por dia.
a) Qual a probabilidade da oficina estar vazia?
b) Qual o n mdio de carros esperando conserto?
c) Qual o n mdio de carros na oficina?
d) Dos automveis que procuram a oficina, quantos em mdia ficam?
e) Quanto tempo em mdia um carro espera na fila?
f) Quanto tempo em mdia um carro fica na oficina?
g) Qual a probabilidade de um carro chegar e ter vaga na oficina?
Soluo:
M = 10; = 3/dia; = 1/dia; s = 4
a) P0 = 0, 040 = 4%
b) Lq = 0, 91 carros
c) L = 3, 83 carros
d) ef = 2, 92 carros/dia
e)Wq = 0, 31 dias
f) W = 1, 31 dias
g) Pvaga = P(X 9) = 1 P10 = 1 0, 02 = 0, 98 = 98%
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 38
X Fator de servio
S n de estaes de servio
M Tamanho da populao
F Fator de Eficincia.
Temos ento:
Lq = M (1 F)
ef = M F X
1
W Wq
L = ef W
Lq
Wq
ef
MFX
s
1
P0 s1
M! n M
M! n
(M n )! n !
(M n )! s ! s n s
n 0 n s
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 39
M! n
P0 para 1 n s
(M n ) ! n !
M! n
Pn P0 ns
para s n M
(M n )! s ! s
0 para n M
Problema: Uma companhia pesqueira tem 2 estaleiros para conserto de seus barcos. Cada barco quebra,
em mdia, de 4 em 4 semanas. Cada estaleiro gasta, em mdia, 1 semana para consertar cada barco. A
frota atual da companhia de 10 barcos.
a) Qual a probabilidade do estaleiro estar vazio ?
b) Em mdia quantos barcos quebrados ficam aguardando conserto ?
c) Em mdia quantos barcos esto parados no estaleiro ?
d) Qual a taxa de chegada de barcos no estaleiro ?
e) Quanto tempo, em mdia, um barco aguarda para comear a ser consertado ?
f) Quanto tempo, em mdia, um barco fica parado ?
Soluo:
= 0,25/semana; = 1/semana; s = 2; M = 10
0 ,25
X 0 ,2
0 ,25 1
F = 0,854 (ver tabela no final da apostila)
a) P0 = 0,065 = 6, 5%
b) Lq = 1,46 barcos
c) L = 3,16 barcos
d) ef = 1,708 barcos/semana
e) Wq = 0,85 semanas
f) W = 1,85 semanas
Problema: Dois mecnicos tema tarefa de consertar 5mquinas. Cada mquina quebra a uma taxa
mdia de uma vez a cada hora. Cada mecnico pode reparar as mquinas a taxa mdia de 4/hora.
a) Qual o n mdio de mquinas esperando reparo?
b) Qual o n mdio de mquinas que esto fora do servio?
c) Qual a taxa de chegada quando consideramos as 5 mquinas?
d) Quanto tempo, em mdia, uma mquina quebrada espera na fila?
e) E no sistema?
Soluo:
M = 5; = 1/hr; = 4/hr; s = 2
1
X 0 ,2
14
Da tabela: F = 0, 976
a) Lq = 0, 12 mquinas
b) L = 1, 093 mquinas
c) ef = 3, 904 mquinas/hr
d) Wq = 0, 03 horas
e) W = 0, 28 horas
Problema: Uma empresa de frete areo tem 20 terminais (buferizados) em uma linha de comunicao.
Os terminais so usados para entrada de dados no sistema central de computao. O tempo mdio
necessrio pra digitar uma entrada no buffer do terminal 80 segundos e este tempo de digitao
exponencialmente distribudo. Cada mensagem enviada de um terminal, consome, em mdia 2
segundos de CPU (exponencial). Calcule quantas requisies dos terminais so enviadas para a CPU e
qual o tempo de resposta mdio para cada requisio.
Soluo
M = 20; s = 1; = 0, 75/min; = 30/min
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 40
0 ,75
X 0 ,0244 0 ,024
0 ,75 30
Da tabela F = 0, 982
Requisies enviadas para a CPU: (eff) = eff = M F X = (20)(0, 982)(0, 024)(30) = 14, 14/min
Tempo mdio de resposta: (W)
Lq = M(1 F) = 20(1 0, 982) = 0, 36
Wq = 0, 36/14, 14 = 0, 0255 minutos
W = Wq + (1/) = 0,0255 + (1/30) = 0, 0558 minutos = 3, 53 segundos
Problema: Considere um sistema de time sharing com 20 terminais ativos. Cada terminal submete um
job ao processador a cada 3 segundos (seguindo uma distribuio exponencial). O processador central
tem capacidade de processar 500.000 instrues por segundo e cada job, em mdia (exponencial),
necessita do processamento de 100.000 instrues. Determine quantos jobs, em mdia, esto no
processador central e qual o tempo mdio de resposta para cada job submetido.
Soluo:
M = 20; s = 1; = 20/min; = 500.000/100.000 = 5/segundo = 300/minuto
20
X 0 ,0625 0 ,062
20 300
Da tabela F = 0, 768
eff = MFX = (20)(0, 768)(0, 062)(300) = 285, 196/min = 4, 7533/segundo
Lq = M(1 F) = 20(1 0, 768) = 4, 64
Wq = Lq/eff = 4, 64/285, 196 = 0, 0163 minutos
Tempo de resposta mdio: (W)
W = Wq + (1/) = 0,0163 + (1/300) = 0, 0196 minutos = 1, 1762 segundos
Jobs no processador: (L)
L = eff W = (4, 7533)(1, 1762) = 5, 59 jobs
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 41
O MODELO M/G/1:
Nesse modelo a distribuio das chegadas segue a distribuio de Poisson mas a distribuio do
servio segue uma distribuio qualquer (G de Geral) da qual se conhece a mdia (1/) e a varincia
2. As frmulas para o modelo so:
P0 = 1
2 2 2
Lq
2 ( 1 )
L = Lq +
Lq
Wq
1
W Wq
Observaes:
a) Como j citamos, a anlise matemtica de modelos de filas com distribuies diferentes da
Poisson (Exponencial) muito difcil e poucos modelos tem soluo analtica.
b) As equaes para Pn (n > 0) so muito complexas.
c) Quando 2 = (1/2), ou equivalentemente = (1/), a distribuio a exponencial e camos
no modelo M/M/1.
d) Quando 2 = 0, temos o chamado modelo com durao do servio constante.
Problema: Pessoas chegam a um pequeno posto do correio taxa de 30 por hora. O servio executado
por apenas 1 funcionrio e o tempo de servio normalmente distribudo, ou seja, segue uma
distribuio normal com mdia de 1 minuto e = 0, 30 minutos.
a) Quanto tempo, em mdia, uma pessoa espera na fila?
b) Quanto tempo, em mdia, uma pessoa fica no posto do correio?
c) Qual o n mdio de pessoas na fila?
d) Qual o n mdio de pessoas no posto de servio?
e) Qual a probabilidade do funcionrio estar ocioso?
f) Repetir o problema, supondo a durao do servio constante, ou seja, 2 = 0.
Soluo
= 0, 5/minuto; = 1/minuto; 2 = (0, 30)2 = 0, 09; = 0, 5
a) Wq = 0, 545 minutos
b) W = 1, 545 minutos
c) Lq = 0, 2725 pessoas
d) L = 0, 7725 pessoas
e) P0 = 0, 5 = 50%
f) = 0,5
P0 = 0,5 = 50% (e)
Lq = 0,25 pessoas (c)
L = 0,75 pessoas (d)
Wq = 0,5 minutos (a)
W = 1,5 minutos (b)
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 42
O MODELO M/Ek/1:
Neste tipo de modelo, a distribuio da durao do servio segue uma distribuio de Erlang
com parmetro k. No ltimo exemplo do modelo anterior supomos uma variao igual a zero para a
durao do servio ( = 0) enquanto que a distribuio exponencial tem um alto grau de variabilidade
( = 1/). Entre estes 2 casos extremos temos uma rea intermediria (0 < < 1/) onde cai uma boa
parte das distribuies reais da durao do servio. Uma distribuio que preenche este intervalo
a chamada distribuio de Erlang. Sua mdia e desvio padro so:
1
x
1 1
onde k 0 e inteiro
k
Pode-se ver que k o parmetro que especifica o grau de variabilidade das duraes de servio
em relao a mdia. Na verdade para cada k temos uma distribuio e por isto podemos considerar a
distribuio de Erlang como uma famlia de distribuies. Assim a constante ( = 0) e a exponencial (
= 1/) so elementos desta famlia com k = e k = 1, respectivamente.
A distribuio de Erlang tambm muito importante em teoria das filas pela seguinte
propriedade: Suponha que T1, T2, ... ,Tk so k variveis aleatrias independentes com uma distribuio
exponencial idntica cuja mdia 1/(k). Ento a soma T = T1 + T2 + ... + Tk segue uma distribuio de
Erlang com parmetros e k.
muito comum que o servio prestado a uma unidade em um sistema de filas seja constitudo de
k tarefas consecutivas onde a durao de cada uma delas segue a mesma distribuio exponencial,
com mdia 1/(k). Ento a durao total (ou seja a execuo das k tarefas) segue uma distribuio de
Erlang com parmetros k e . Para este modelo temos:
(1 k ) 2
Lq
2 k ( )
(1 k )
Wq
2 k ( )
1
W Wq
L=W
Problema: Uma oficina de manuteno de uma linha area s tem meios para fazer a manuteno de
um motor de cada vez. Por isso, para fazer com que os avies regressem ao servio to logo seja
possvel, a poltica adotada tem sido de alternar a manuteno dos 4 motores de cada avio ou seja s
se faz a manuteno de 1 dos motores cada vez que o avio vai para a oficina. Sob esta poltica os
avies tem chegado segundo um Processo de Poisson a taxa mdia de 1 por dia. O tempo necessrio
para reparar um motor (uma vez que se tenha iniciado o trabalho) tem uma distribuio exponencial
com mdia de 0,5 dia. Existe uma proposio de se trocar a poltica de maneira que se reparem os 4
motores, consecutivamente, cada vez que o avio for a oficina. Embora isto quadruplicasse o tempo
esperado de servio, a freqncia com que os avies necessitariam ir a oficina seria 1/4 da atual. Deve-
se implantar a nova proposta ?
Soluo:
Situao atual
Modelo M/M/1: = 1/dia; = 2/dia
W = 1/( ) = 1 dia
Como temos 4 motores para cada avio temos: W = 4 1 = 4 dias
Situao proposta
Modelo M/Ek/1: = 0, 25/dia; T = T1 + T2 + T3 + T4 Erlang com k = 4.
1/k = 0, 5; 1/4 = 0, 5; = 0, 5/dia
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 43
Wq = 1, 25 dias; W = 3, 25 dias
A situao proposta melhor (3, 25 < 4).
Problema: Um alfaiate faz ternos sob medida. Cada terno, para ser feito, implica na execuo de 4
tarefas distintas. O alfaiate faz as 4 tarefas de cada terno antes de comear outro. O tempo para
executar cada tarefa segue uma distribuio exponencial com mdia de 2 horas. Os pedidos chegam a
taxa mdia de 5,5 por semana (8 horas por dia, 6 dias por semana). Quanto tempo em mdia um terno
demora para ficar pronto?
Soluo:
k = 4; 1/k = 2; 1/4 = 2; = 0, 125/hora
= 5, 5/semana= 0, 11458/hr
Wq = 55 horas
W = Wq + 1/ = 63 horas
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 44
SIMULAO
Esse captulo de Simulao est baseado inteiramente no trabalho de Dos Santos (2003). Uma
simulao a imitao, durante determinado perodo de tempo, da operao de um sistema ou de um processo do
mundo real. Feita a mo (raramente) ou em um computador (quase sempre), a simulao envolve a
gerao de uma histria artificial do sistema, e a partir desta histria artificial a inferncia de como o
sistema real funcionaria. O comportamento do sistema estudado pela construo de um Modelo de
Simulao. Este modelo normalmente toma a forma de um conjunto de consideraes relacionadas a
operao do sistema. Estas consideraes so expressas atravs de relaes matemticas, lgicas e
simblicas entre as entidades, ou objetos de interesse, do sistema. Uma vez construdo e validado, um
modelo pode ser usado para investigar uma grande quantidade de questes do tipo e se... sobre o
sistema do mundo real. Alteraes no sistema podem ser inicialmente simuladas para se prever as
consequncias no mundo real. A Simulao tambm pode ser usada para estudar sistemas no estgio
de projeto, ou seja antes do sistema ser construdo. Assim, a Simulao pode usada tanto como uma
ferramenta de anlise para prever o efeito de mudanas em sistemas j existentes, quanto como uma
ferramenta para prever a performance de novos sistemas sobre as mais variadas circunstncias.
reas de aplicao:
Existem inmeras reas de aplicao da simulao. A seguir esto listadas algumas das mais
importantes:
Simulao das operaes de uma companhia area para testar alteraes em seus procedimentos
operacionais.
Simulao da passagem do trfego em um cruzamento muito grande, onde novos sinais esto
para ser instalados.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 45
Componentes de um Sistema:
Um Sistema definido como um grupo de objetos que esto juntos em alguma interao ou
interdependncia, objetivando a realizao de algum objetivo. Um exemplo poderia ser um sistema de
produo de automveis. As mquinas, componentes, peas e trabalhadores operam em conjunto, em
uma linha de montagem, visando a produo de veculos de qualidade. De forma a entender e
analisar um sistema, alguns termos precisam ser definidos:
Tipos de Modelos:
Segundo Render et al (2010), quando um sistema contm elementos que exibem comportamentos
aleatrios, o mtodo Monte Carlo de simulao pode ser aplicado.
A idia bsica na simulao Monte Carlo gerar valores das variveis que se comportem como o modelo
sendo estudado. Existem muitas variveis em sistemas reais que so probabilsticas por natureza e so
elas que desejamos simular. Alguns exemplos dessas variveis so:
A base da simulao Monte Carlo a experimentao com os elementos probabilsticos por meio
de amostras aleatrias. A tcnica pode ser decomposta em cinco etapas:
Verificao e Validao:
Render et al (2010) ressalta que no desenvolvimento de um modelo de simulao, importante
que o modelo seja verificado para confirmar se ele est funcionando corretamente e fornecendo uma
boa representao da situao real. O processo de verificao envolve determinar se o modelo
computacional internamente consistente e se segue a lgica do modelo conceitual.
A validao o processo de comparar o modelo com o sistema real que ele representa para
assegurar que ele acurado. As suposies do modelo devem ser verificadas para conferir se as
distribuies apropriadas de probabilidade esto sendo utilizadas. Uma anlise das entradas e sadas
deve ser feita para ver se os resultados so razoveis. Se soubermos quais so os resultados para um
conjunto especfico de valores de entrada, podemos usar esses valores no modelo computacional para
verificar se os resultados do modelo de simulao so consistentes com o sistema real sendo
modelado.
Tem sido dito que a verificao responde a questo ns construmos o modelo corretamente?.
Por outro lado, a validao responde a questo ns construmos o modelo certo?. Somente aps
estarmos convencidos de que o modelo bom, que devemos utilizar os seus resultados.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 48
Para entender como funciona a simulao Monte Carlo, vamos ver alguns exemplos simples:
Uma grande mquina industrial tem 3 rolamentos diferentes que quebram de tempos em
tempos. A probabilidade da vida til (em horas de operao) de um rolamento est dada na tabela
abaixo:
Quando um rolamento quebra, a mquina para e um mecnico chamado para instalar um novo
rolamento no lugar do que quebrou. O tempo que o mecnico demora para chegar ao rolamento
quebrado tambm uma varivel aleatria, com a distribuio dada na tabela abaixo:
Cada minuto que a mquina fica parada custa $5 e o custo do mecnico de $1/minuto
trabalhado substituindo rolamento. O mecnico demora 20 minutos para trocar 1 rolamento, 30
minutos para trocar 2 e 40 minutos para trocar os 3. Cada rolamento novo custa $20. Algum sugeriu
que ao quebrar um dos rolamentos, se fizesse logo a troca dos 3. Deseja-se avaliar a situao do ponto
de vista econmico.
Soluo:
Temos que comparar o custo da alternativa atual e da alternativa proposta. Precisamos
estabelecer um horizonte de tempo para fazer esta comparao. Considerando que a menor vida
til de um rolamento 1.000 horas (mais de 1 ms), vamos estabelecer um horizonte de 20.000
horas (um pouco mais de 2 anos) para fazer a comparao.
Como a vida til dos rolamentos e a espera pelo mecnico so variveis aleatrias que seguem as
distribuies vistas anteriormente, temos que relacionar quelas distribuies com uma tabela de
nmeros aleatrios. Assim sendo, vamos imaginar que temos um gerador de nmeros aleatrios
capaz de gerar qualquer inteiro entre 0 e 99, ou seja 100 nmeros. Vamos atribuir a cada durao
de vida til uma faixa destes nmeros que me garanta que a distribuio probabilstica seja
mantida.
Como a 1a vida til (1.000 horas) tem 10% de probabilidade de ocorrer, vamos atribuir a esta
durao a faixa de 0 a 9 inclusive, ou seja 10 nmeros (10% dos 100 nmeros). Para a 2a durao
provvel (1.100 horas), com 13% de probabilidade de ocorrncia, vamos atribuir a faixa de 10 a 22
inclusive, ou seja 13 nmeros. Podemos continuar para as demais duraes provveis dos
rolamentos como pode ser visto na tabela a seguir, ressaltando que a probabilidade acumulada
d o limite das faixas escolhidas.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 49
Tabela semelhante pode ser construda para a espera pela chegada do mecnico.
Com os dados das tabelas acima, podemos executar a simulao que, neste caso, foi realizada
numa planilha EXCEL, apresentando os seguintes resultados para o rolamento 1:
Rolamento 1
Sequncia N Vida Vida Acumulada N Espera
aleatrio (horas) (horas) aleatrio (minutos)
1 62 1.400 1.400 61 10
2 85 1.700 3.100 10 5
3 89 1.700 4.800 46 5
4 24 1.200 6.000 28 5
5 99 1.900 7.900 55 5
6 27 1.200 9.100 64 10
7 89 1.700 10.800 63 10
8 12 1.100 11.900 75 10
9 2 1.000 12.900 54 5
10 34 1.200 14.100 67 10
11 7 1.000 15.100 90 15
12 75 1.500 16.600 14 5
13 22 1.100 17.700 80 10
14 97 1.900 19.600 84 10
15 37 1.200 20.800 9 5
= 120
Podemos observar na planilha que para cada seqencia ou seja, rolamento novo, gerado um
nmero aleatrio que indica qual a vida til daquela rolamento. Tendo quebrado, aps esta vida
til, o mecnico chamado e um 2 nmero aleatrio gerado para definir o tempo de espera at
a troca do rolamento ser iniciada.
Quando a vida acumulada ultrapassa 20.000 horas, ou seja a durao da simulao, paramos a
execuo do processo. Processos semelhantes foram executados para os outros 2 rolamentos,
como visto a seguir.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 50
Rolamento 2
Sequncia N Vida Vida Acumulada N Espera
aleatrio (horas) (horas) aleatrio (minutos)
1 89 1.700 1.700 58 5
2 47 1.200 2.900 88 10
3 60 1.300 4.200 20 5
4 3 1.000 5.200 98 15
5 40 1.200 6.400 26 5
6 64 1.400 7.800 97 15
7 9 1.000 8.800 41 5
8 30 1.200 10.000 79 10
9 32 1.200 11.200 0 5
10 8 1.000 12.200 3 5
11 94 1.800 14.000 58 5
12 66 1.400 15.400 84 10
13 53 1.300 16.700 61 10
14 17 1.100 17.800 43 5
15 72 1.500 19.300 15 5
16 0 1.000 20.300 97 15
= 130
Rolamento 3
Sequncia N Vida Vida Acumulada N Espera
aleatrio (horas) (horas) aleatrio (minutos)
1 49 1.300 1.300 44 5
2 26 1.200 2.500 45 5
3 2 1.000 3.500 72 10
4 83 1.600 5.100 87 10
5 21 1.100 6.200 19 5
6 20 1.100 7.300 81 10
7 60 1.300 8.600 56 5
8 34 1.200 9.800 74 10
9 63 1.400 11.200 93 15
10 69 1.400 12.600 36 5
11 44 1.200 13.800 71 10
12 76 1.500 15.300 97 15
13 55 1.300 16.600 59 5
14 85 1.700 18.300 81 10
15 21 1.100 19.400 21 5
16 5 1.000 20.400 1 5
= 130
Custo da mquina parada esperando pelo mecnico = (120 + 130 + 130) $5 = $1.900
Como no exemplo anterior, temos que construir tabelas relacionando as probabilidades com
nmeros aleatrios gerados:
Tempo mdio de espera (min) = Tempo total dos clientes na fila (min)/Nmero total de clientes
= 56/20 = 2,8 minutos
A probabilidade de que um cliente tenha que esperar na fila 65%. Isto vem de:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 53
Este resultado pode ser comparado com o tempo de servio esperado achando-se a mdia da
distribuio do tempo de servio usando a equao:
E(s) s p(s)
s0
Temos ento:
1(0,10) + 2(0,20) + 3(0,30) + 4(0,25) + 5(0,10) + 6(0,05) = 3,2 minutos
At agora d para reparar nos anteriores que a chave para simular eventos aleatrios discretos
a gerao de nmeros aleatrios. Como se usa o computador para fazer a simulao, precisamos de
mtodos rpidos e eficientes para ger-los.
Os nmeros aleatrios, gerados em computador, no so realmente aleatrios pois veremos mais
adiante que eles so gerados em seqncias que podem ser reproduzidas, o que viola o princpio
bsico da aleatoriedade. Como contornar este fato ? Se os nmeros passam por uma srie de testes
estatsticos de aleatoriedade ento, para efeitos prticos, podemos consider-los como se fossem
realmente aleatrios. Por este fato eles so conhecidos como nmeros Pseudo-aleatrios. comum se
usar, em simulao, a expresso nmeros aleatrios mas considere isto, sempre, como um sinnimo
de nmeros pseudo-aleatrios.
1. Aleatoriedade
essencial que a seqncia gerada exiba as propriedades dos nmeros verdadeiramente
aleatrios. Este comportamento aleatrio deve ser confirmado por testes estatsticos.
2. Grande Perodo
Todos os geradores de nmeros aleatrios so baseados no uso de frmulas determinsticas
precisas. Estas frmulas fazem com que, a partir de um valor inicial chamado semente, seja
gerada uma srie de nmeros aleatrios (pseudo-aleatrios). Em um determinado ponto da srie,
voltamos a semente
e como a srie gerada por uma frmula, a srie, obviamente, se repete. A quantidade de
nmeros gerados at a seqencia comear a se repetir chamada de Perodo. Sempre desejamos
o maior perodo possvel. Para propsitos prticos o perodo deve ser, no mnimo, grande o
suficiente para no se repetir durante uma simulao.
3. Eficincia Computacional
Como alguns modelos de simulao podem necessitar de que um grande nmero de variveis
aleatrias sejam geradas, o gerador de nmeros aleatrios deve gerar estes nmeros gastando o
mnimo de tempo de computador. Alm disto o gerador no deve usar muita memria. Com a
evoluo dos computadores esta ltima propriedade est perdendo um pouco de sua
importncia.
Exemplo: Gerar uma seqncia de nmeros aleatrios de 4 dgitos. Seja 3187 a semente normalmente
rotulada como x0.
Soluo:
x0 = 3187
(3187)2 = 10 | 1569 | 69 x1 = 1569
(1569)2 = 02 | 4617 | 61 x2 = 4617
(4617)2 = 21 | 3166 | 89 x3 = 3166
(3166)2 = 10 | 0235 | 56 x4 = 235
(235)2 = 00 | 0552 | 25 x5 = 552
(552)2 = 00 | 3047 | 04 x6 = 3047
e assim por diante...
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 55
Exemplo: Gerar, pelo mtodo dos quadrados mdios, nmeros pseudo aleatrios de 2 dgitos tendo 44
como semente.
Soluo:
x0 = 44
(44)2 = 1 | 93 | 6 x1 = 93
(93)2 = 8 | 64 | 9 x2 = 64
(64)2 = 4 | 09 | 6 x3 = 9
(9)2 = 0 | 08 | 1 x4 = 8
(8)2 = 0 | 06 | 4 x5 = 6
(6)2 = 0 | 03 | 6 x6 = 3
(3)2 = 0 | 00 | 9 x7 = 0
(0)2 = 0 | 00 | 0 x8 = 0
Mtodos Congruentes
A maioria dos mtodos usados hoje em dia so variaes do chamado Mtodo Congruente
Linear, cujos pontos bsicos foram propostos por Lehmer em 1951. Neste mtodo os nmeros
aleatrios, gerados sucessivamente, so obtidos da relao recursiva:
O Mtodo da Congruncia Linear (c 0), por gerar nmeros aleatrios que tendem a ter mais
dificuldades em passar nos testes estatsticos de aleatoriedade dos que os gerados pelo mtodo da
Congruncia Multiplicativa (c = 0), menos usado hoje em dia.
Exemplo: Gerar nmeros aleatrios, usando o mtodo congruente multiplicativo, tendo os seguintes
valores: x0 = 3 , a = 2 e m = 10.
Soluo:
x0 = 3
x1 = (2 3) mod 10 = 6
x2 = (2 6) mod 10 = 2
x3 = (2 2) mod 10 = 4
x4 = (2 4) mod 10 = 8
x5 = (2 8) mod 10 = 6
Como podemos observar o perodo desta gerao foi muito curto (=4). Ficou claro tambm, neste
pequeno exemplo, que o nmero aleatrio gerado o resto inteiro da diviso por m, ou seja um
nmero inteiro entre 0 e (m 1).
Observao: A frmula congruente necessria para se gerar nmeros aleatrios, mas no suficiente. A
seleo dos valores de a, c e m afeta drasticamente as propriedades estatsticas da gerao bem
como o tamanho do perodo.
Alguns geradores dividem por (m1) o que d uma distribuio [0, 1]. Na verdade como m
sempre um nmero muito grande, dividir por m ou (m1) irrelevante.
Este aspecto, identificado claramente na RANDU, fez com que esta rotina fosse abandonada
como geradora de nmeros aleatrios. A partir da apareceram diversas alternativas como veremos a
seguir.
O gerador RAND1
Foi apresentado pela IBM para substituir a RANDU e est baseado na relao:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 57
Observao: O nome RAND1, assim como outros nomes que usaremos mais adiante, foram dados no
sentido de facilitar o entendimento da matria. No entanto, deve ficar claro que, exceto a RANDU,
nenhum outro gerador tem, na literatura tcnica, nome prprio.
O gerador RAND2
Este gerador est baseado na seguinte relao: xi+1 = (630360016 xi) mod 2147483647, ou seja, a =
630360016 e m = 231 1.
Nesse caso so necessrias 6 sementes. A implementao do mtodo permite que sejam geradas
1019 sries diferentes, cada uma delas com 1038 nmeros aleatrios !!
O gerador do Excel
O uso de planilhas, principalmente o Excel que tem mais de 90% do mercado, largamente
utilizada na simulao de modelos de pequeno e mdio porte. Desta forma, o gerador embutido do
Excel tem sido objeto de muitos estudos de avaliao da sua qualidade estatstica.
At a verso 2003 o Excel usava um gerador baseado na seguinte frmula congruente:
Usar mod 1 equivalente a se pegar a parte fracionria da conta (9821 xi + 0,211327). Inmeros
trabalhos, j publicados mostram que este gerador, embora no to ruim como a RANDU, tambm
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 58
Uma vez que temos uma rotina para gerar nmeros uniformemente distribudos no intervalo
[0,1], fcil ger-los com outras distribuies uniformes.
Suponha que X uma varivel aleatria contnua, uniformemente distribuda dentro do intervalo
(a, b), onde a < b. Seja U uma varivel aleatria uniformemente distribuda no intervalo [0, 1].
0 U 1
a X b
Xa U0
, ou X = a + (b a) U
ba 10
Agora suponha que a e b sejam quantidades inteiras, a < b, e X uma varivel aleatria discreta
(s valores inteiros) uniformemente distribuda no intervalo [a, b]. Assim X s pode tomar valores
iguais a a, a + 1, a + 2, ..., b 1, b.
Se U contnua e uniformemente distribuda no intervalo [0, 1], ento:
X = a + INT[(b a + 1)U ]
Observe que como 0 U < 1, a quantidade INT{(ba+1)U} toma os valores inteiros 0, 1, 2, .., (b a).
Logo X s pode tomar valores a, a + 1, a + 2, ..., b.
X = 1 + INT[ (6 1 + 1)U ]
X = 1 + INT[ 6 U) ]
Como U s pode estar entre 0 e 0,99999, (6 U) s pode ficar entre 0 e 5,9999. Logo, X = 1 + um
valor de 0 a 5, inteiro, ou seja, 1, 2, 3, 4, 5 ou 6.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 59
TESTES ESTATSTICOS
Existem numerosos testes estatsticos para garantir que os nmeros pseudos-aleatrios esto
sendo gerados aleatoriamente. Depois do que aconteceu com a RANDU, existe, hoje em dia, uma
cobrana muito maior na execuo de testes estatsticos rigorosos nos novos geradores publicados.
A gerao de nmeros aleatrios em computador, no s em funo do crescimento do uso das
tcnicas de Simulao mas tambm em funo do crescimento da criptografia, uma das reas em que
h mais pesquisas hoje em dia. O conceito importante a se guardar que s devemos usar geradores
de nmeros aleatrios que tenham sido amplamente testados. Tambm, a no ser em aplicaes mais
simples, devemos fugir de geradores cuja frmula de gerao seja desconhecida, como acontece com
muitos geradores embutidos.
b
I a f( x) dx
onde f(x) representa uma curva contnua no intervalo a x b. Para uso do mtodo, precisamos
conhecer tambm o valor mximo (Fmax) da funo no intervalo (a, b).
4
Exemplo: Considere a seguinte integral: 0 1 x 2 dx 0 ,785398
O valor desta integral pode ser obtida pelo clculo e igual 0,785398. A usaremos para mostrar
que a simulao produz resultados consistentes. O grfico da funo e da integral pode ser visto a
seguir:
F(x)
Fmx = 1
F(Ux)
Uy
-1 0 Ux 1 x
a b
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 60
Na verdade o Mtodo de Monte Carlo mais um dos mtodos numricos para a soluo de
integrais definidas que no tem soluo analtica.
A integral usada no ltimo exemplo apropriada para se reforar a regra bsica do uso da
simulao: problemas que tem soluo analtica nunca devem ser resolvidos por meio da simulao. Solues
analticas daro sempre respostas mais exatas que as respostas fornecidas pela simulao. Quando,
no entanto, no se tem soluo analtica, a simulao pode dar respostas bastante aproximadas.
F(x)
U = y0
0 x0 x
x / 4 em 1 x 3
f( x)
0 caso contrrio
Use o mtodo para gerar 6 valores sucessivos para X, dados os seguintes valores aleatrios
uniformemente distribudos em [0, 1]: 0,35; 0,97; 0,22; 0,15; 0,60; 0,43.
Soluo:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 61
i Ui xi
1 0,35 1,95
2 0,97 2,96
3 0,22 1,66
4 0,15 1,48
5 0,60 2,41
6 0,43 2,11
= (0,30555)0,5 = 0,552
Veremos a seguir como aplicar o mtodo da transformao inversa para vrias distribuies bem
conhecidas. Entretanto bom esclarecer que este mtodo no pode ser aplicado para todas as
distribuies. Existem algumas, como a normal, cuja funo de distribuio probabilstica no pode
ser integrada analiticamente e, logicamente, no se pode achar a sua inversa. H casos ainda em que
no possvel obter uma equao explcita para x mesmo se tendo uma expresso analtica para a
funo cumulativa. Existem outras tcnicas para estes casos.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 62
A Distribuio Exponencial
Muitos problemas de simulao necessitam usar a distribuio exponencial. Isto verdadeiro nos
problemas que envolvem chegadas e partidas (filas), como a simulao de uma agncia bancria, da
sada (caixas) de um supermercado, de um aeroporto, etc...
A funo de densidade probabilstica da exponencial igual a:
f(x) = e x
F(x) 1 e x
De modo a se fazer uso do mtodo da transformao inversa devemos resolver para x. Assim
temos:
x = (1/) ln [ 1 F(x) ]
Como a funo acumulada, F(x), uniformemente distribuda em [0, 1], a quantidade [ 1 F(x) ]
tambm ser uniformemente distribuda em [0, 1]. Assim podemos escrever
x = (1/) ln (U)
x = x0 (1/) ln (U)
= x0 + (1/)
= 1/( x0)
Exemplo: Gerar 6 variveis exponencialmente distribudas maiores que 2 e com mdia igual a 6,
usando os seguintes nmeros uniformemente distribudos em [0, 1]: 0,35; 0,97; 0,22; 0,15; 0,60; 0,43.
Soluo:
Temos ento: x0 = 2 e = 6.
Calculando o valor de = 1/(6 2) = 0,25
Podemos ento calcular as variveis da distribuio exponencial:
X1 = 2 (1/0,25) ln(0,35) = 6,20
X2 = 2 (1/0,25) ln(0,97) = 2,12
i Ui xi
1 0,35 6,20
2 0,97 2,12
3 0,22 8,06
4 0,15 9,59
5 0,60 4,04
6 0,43 5,38
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 63
A Distribuio Triangular
A distribuio Triangular tem um uso bastante difundido em Simulao, principalmente quando
os dados disponveis so poucos ou mesmo inexistentes. Sua forma permite que dados no
conclusivos sejam a ela adaptados, e seus limites, ou seja A (limite inferior), C (moda) e B (limite
superior) sejam interpretados como os parmetros mais otimista (A), mais provvel (C) e mais
pessimista (B) de uma determinada varivel, como pode ser visto na figura a seguir.
f(x)
A C B x
2( x A )
(C A ) (B A ) para A x C
f( x) f
2(B x)
para C x B
(B C ) (B A )
Podemos usar o Mtodo da Transformao Inversa mas a descontinuidade da funo faz com
que seja necessrio desenvolver 2 geradores separados: um para x C e um para x C. Inicialmente
vamos desenvolver um para x C. A funo de distribuio acumulada F(x) igual a:
x 2 (x A) x2 2 A x A2
F( x) A (C A ) (B A )
dx
(C A ) (B A )
Como F(x) e U gerados por um gerador bsico, variam em [0 , 1], podemos escrever:
x2 2 A x A2
U
(C A ) (B A )
xA U (C A ) (B A )
Esta frmula pode ser usada se U < (C A)/(B A), pois a razo (C A)/(B A) proporcional
a rea sob o tringulo de x = A at x = C. Para x C temos:
x 2 (B x) x2 2 B x B2
F(x) U C (B C ) (B A )
dx U
(B C ) (B A )
1
xB (1 U ) (B C) (B A )
ABC
x
3
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 64
A 2 + B 2 + C 2 - AB - AC - BC
18
Exemplo: Gerar 3 variveis aleatrias seguindo a Distribuio Triangular com limite inferior (A) igual a
2, moda (C) igual a 4 e limite superior (B) igual a 8. Use os seguintes nmeros aleatrios
uniformemente distribudos em [0, 1]: 0,35; 0,97; 0,22.
Soluo:
A frmula a ser usada depende de se o valor de U maior ou menor que (C A)/(B A) ou seja
(4 2)/(8 2) = 0,3333.
x1 8 (1 0,35) (8 4) (8 2) 4,050
x2 8 (1 0,97 ) (8 4) (8 2) 7 ,151
x3 2 0,22 ( 4 2) (8 2) 3,624
SIMULAO DIRETA
O mtodo da Transformao Inversa s pode ser usado se uma expresso analtica puder ser
obtida para a funo de distribuio acumulada e ela possa ser resolvida explicitamente para x.
Existem muitas situaes onde isto no possvel, como para a distribuio normal, por exemplo.
Uma tcnica alternativa para estes casos o uso da simulao direta do processo sob considerao.
A distribuio de Poisson
E1 E2 E3 E4
0 Tempo
t
Seja Ei uma varivel aleatria exponencialmente distribuda com mdia (1/t), ou seja, o
intervalo entre as chegadas.
k
Fazendo S k E i , ento para o intervalo onde se localiza t, temos que Sk t < Sk+1, onde k
i 1
Ei = (1/) lnUi
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 65
k k
1
i1
Ei t ou
i 1
ln U i t
i 1
ln U i t
i 1
ln U i t
k k
i 1
Ui e ou e
i 1
Ui
ou seja, a varivel poisson igual a (k 1) quando a relao acima passa a ser verdadeira.
Exerccio: Gerar 5 variveis aleatrias seguindo a distribuio de Poisson com mdia = 1,5. Faa os
clculos usando o seguinte conjunto de nmeros aleatrios uniformemente distribudos: 0,35; 0,97;
0,22; 0,15; 0,60; 0,43; 0,79; 0,52; 0,81; 0,65; 0,20; 0,57; 0,10.
Soluo:
Como = 1,5 temos e = 0,223
De maneira a obter a primeira varivel aleatria, 3 nmeros aleatrios uniformemente
distribudos so necessrios como podemos ver a seguir:
k = 1 0,223 < 0,35
k = 2 0,223 < 0,340(= 0,35 0,97)
k
k = 3 0,223 > 0,075(= 0,35 0,97 0,22), note que aqui se cumpriu a condio e
i 1
Ui
Logo X1 = (k 1) = 2
k
Comeando de novo: k = 1 0,223 > 0,15, aqui novamente se cumpriu a condio e
i 1
Ui
Logo X2 = (k 1) = 0
A distribuio Normal
Muitos tipos de eventos aleatrios so governados pela distribuio Normal. Esta distribuio
caracterizada por uma densidade probabilstica dada por:
2
1 x
1
2
f( x) e onde x
2
onde a mdia e o desvio padro. A funo de densidade normal no pode ser integrada
analiticamente e desta forma no podemos usar o mtodo da transformao inversa. Podemos,
entretanto, uma vez mais, gerar a varivel aleatria desejada por simulao direta.
Para fazer isto considere o caso especial onde = 1 e Z = (x )/. Temos ento:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 66
Z2
1
f( x) e 2
2
N
N
i 1
Ui
2
Z
N
12
Como esta considerao vlida para N > 10, podemos fazer N = 12 para facilitar o
procedimento computacional, obtendo ento:
12
Z
i 1
Ui 6
Temos agora um procedimento simples para gerar uma varivel aleatria normalmente
padronizada. Simplesmente somamos 12 nmeros aleatrios uniformemente distribudos em [0, 1] e
ento subtramos 6, obtendo um valor para Z. Se desejarmos gerar uma varivel normal com mdia
e desvio padro , geramos primeiro Z e ento calculamos a varivel aleatria desejada X usando: X =
+ Z.
Exemplo: Gerar uma varivel aleatria que siga a distribuio normal com mdia 5 e desvio padro 2.
Use o seguinte conjunto de variveis aleatrias uniformemente distribudas em [0, 1]: 0,35; 0,97; 0,22;
0,15; 0,60; 0,43; 0,79; 0,52; 0,81; 0,65; 0,20; 0,57.
Soluo:
12
A soma dos 12 nmeros d:
i 1
U i 0,35 0,97 ......... 0,57 6,26
A varivel aleatria normal pode ento ser obtida por: X = 5 + (2)(0,26) = 5,52
Z ( 2 ln U 1 ) Sin (2U 2 ), ou
Z ( 2 ln U 1 ) Cos (2U 2 )
Ambas as expresses geram variveis aleatrias normais padronizadas. Observe que o mtodo
anterior necessita de 12 valores de Ui para cada valor de Z enquanto que este ltimo s necessita de 2.
Assim aparenta ser mais eficiente do ponto de vista computacional mas o clculo de logartmico, raiz
quadrada e seno (ou co-seno) muito mais demorado que uma soma. Na verdade os 2 mtodos se
equivalem em termos de tempo computacional.
Exemplo: Gere 2 nmeros aleatrios que sigam uma distribuio normal com mdia 5 e desvio padro
2. Use o seguinte conjunto de nmeros aleatrios uniformemente distribudos em [0, 1]: 0,35; 0,97;
0,22; 0,15.
Soluo:
Temos ento:
X1 = 5 + (2)(0,27) = 4,46
Problema: Use o Excel para determinar 5 nmeros aleatrios normalmente distribudo usando as
frmulas mostradas acima.
O Mtodo da Rejeio
O Mtodo da Rejeio um procedimento geral para gerar variveis aleatrias (va) para
qualquer distribuio cuja densidade probabilstica f(x) contnua e limitada dentro de uma regio
finita, isto , necessitamos que 0 f(x) fmax dentro do intervalo a x b.
f(x) f(x)
fmx fmx
f(K) Y
f(K)
Y
0 a K b x 0 a K b x
5. Comparar Y com f(K). Se Y no maior que f(K) ento o ponto (Y, K) cair em cima ou abaixo
da curva de densidade probabilstica como indicado na primeira figura acima. Neste caso ns
aceitamos K como a varivel aleatria desejada, ou seja, fazemos X = K. Se Y maior que f(K),
rejeitamos o ponto.
6. As etapas de 1 a 5 so repetidas sucessivamente at ser encontrado um ponto que satisfaa a
condio.
Embora o mtodo da rejeio possa ser usado com muitas distribuies diferentes, ele
ineficiente por causa das diversas tentativas que se tem que fazer para se obter uma varivel aleatria
desejada. Por esta razo s deve ser usado se no existir outro mtodo.
A distribuio Beta
Para ilustrar o uso do mtodo da rejeio, vamos considerar a distribuio Beta. Esta distribuio
tem a densidade probabilstica dada por:
( 1 2 1)! x ( 1) (1 x) (
1 2 1)
f( x)
( 1 1)! ( 2 1)!
Pode ser mostrado que a mdia e a varincia para esta distribuio so:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 68
1 2
2
( 1 2 ) ( 1 2 ) ( 1 2 1)
Exemplo: O modo mais fcil de gerar uma varivel aleatria Beta usar simulao direta. Vamos no
entanto, como exemplo, usar o mtodo da rejeio. Em particular vamos gerar vrias variveis beta
com 1 = 2 e 2 = 3, baseado na seguinte sequncia de nmeros aleatrios uniformemente distribudos
em (0,1): 0,35; 0,97; 0,22; 0,15; 0,60; 0,43; 0,79; 0,52; 0,81; 0,65; 0,20; 0,57.
Soluo:
K = a + (b a) U1 = 0 + (1 0) U1 = U1
K = U1
U1 U2 K f(K) Y Y f(K) ? X
0,35 0,97 0,35 1,77 1,73 Sim 0,35
0,22 0,15 0,22 1,61 0,27 Sim 0,22
0,60 0,43 0,60 1,15 0,77 Sim 0,60
0,79 0,52 0,79 0,42 0,93 No
0,81 0,65 0,81 0,35 1,16 No
0,20 0,57 0,20 1,54 1,01 Sim 0,20
Assim com 6 pares de nmeros aleatrios em [0, 1], ns geramos 4 variveis beta cujos valores
so 0,35; 0,22; 0,60 e 0,20.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 69
1) Usando o mtodo dos quadrados mdios, calcule os 12 primeiros nmeros gerados, com 4 dgitos,
a partir de uma semente igual a 7308.
2) Use o mtodo congruente linear para gerar uma seqencia de 3 nmeros aleatrios de 2 dgitos.
Use x0 = 27, a = 8, c = 47 e m = 100.
5) Pesquise na internet para descobrir qual a frmula usada pela planilha Excel no seu gerador de
nmeros aleatrios padro.
2x
e , x0
f( x) 2 x
e , 0x
7) Idem para:
1
3 , 0x2
1
f( x) , 2 x 10
24
0 , x 10
8) Com uma calculadora que tenha a funo para gerar nmeros aleatrios uniformemente
distribudos em [0, 1], gere 10 nmeros seguindo a distribuio de Poisson com mdia = 2, 5.
[Sugesto: Tambm pode ser utilizada uma tabela de nmeros aleatrios].
Compare o valor obtido pela simulao com o valor obtido da tabela normal.
10) A gerente de uma loja de eletros-domsticos est desconfiada que o seu estoque de foges est
acima do que seria necessrio. Antes de modificar a poltica de estoques, ela registrou o nmero
de foges vendidos, diariamente, nos ltimos 25 dias. Os dados encontrados esto mostrados a
seguir:
Foges vendidos 2 3 4 5 6
Nmero de dias 4 7 8 5 1
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 70
a) Use os dados para estimar a distribuio de probabilidade das vendas dirias de foges.
b) Calcule a mdia da distribuio obtida na parte (a).
c) Descreva como nmeros aleatrios uniformemente distribudos em [0, 1] podem ser usados
para simular as vendas dirias.
d) Usando os nmeros aleatrios 0,4475; 0,9713 e 0,0629, simule as vendas dirias de 3 dias.
e) Usando uma planilha eletrnica (Excel, por exemplo), faa um modelo para simular as
vendas dirias. Realize 300 replicaes e obtenha a mdia de vendas dirias.
11) Utilizando como sementes os valores 1234; 76545; 88787; 77712; 564783 e 5434 encontre os 3
primeiros nmeros gerados pela RAND4.
12) Pesquise e descubra os comandos para a gerao de nmeros aleatrios no Turbo Pascal, inclusive
com a escolha da semente.
13) Utilizando uma planilha eletrnica (Excel, por exemplo), construa um modelo para a seguinte
situao: Um posto de gasolina do governo, que tem somente uma bomba de gasolina, est
sempre aberto e tem 2 tipos de clientes. Uma ambulncia chega, exatamente, a cada 30 minutos,
com o 1o carro chegando no instante, 15 minutos. Carros de outras reparties pblicas, que no
so ambulncias, chegam com um intervalo mdio entre chegadas, exponencial, de 5, 6 minutos,
com o 1o carro chegando no instante 0. O tempo de servio, para todos os tipos de carros, tem
uma mdia de 4,8 minutos (exponencial).
Um carro que chega e encontra a bomba vazia vai ser atendido imediatamente enquanto que os
que chegam com a bomba ocupada, formam uma fila nica. Isto s no vale para as ambulncias
que, ao chegar, vo imediatamente para o incio da fila (assuma que, se j tem uma ou mais
ambulncias no incio da fila, esta nova chegada passa a ser a 1a da fila). Considere que no incio
da simulao (instante 0), o posto est vazio. Execute a simulao at que 500 carros, no total,
tenham sido atendidos. Estime o tempo de espera mdio na fila para os 2 tipos de carro, o nmero
mdio de carros na fila para os 2 tipos de carro e a taxa de ocupao da bomba de gasolina.
14) Desenvolva um modelo para um sistema com 2 processos consecutivos (I e II). Os itens chegam ao
sistema com intervalo, mdio, entre chegadas de 10 minutos. Assim que chegam, os itens so
imediatamente enviados para o processo I que Tem uma fila ilimitada e um recurso simples com
uma durao, mdia, do servio de 9 minutos. Aps terminar o 1o processo, os itens so enviados
para o processo II que idntico ao processo I. Aps o servio do processo II ser completado, os
itens deixam o sistema. As medidas de interesse no sistema so o nmero mdio de itens na fila,
em cada processo, e o tempo total, mdio, que um item permanece no sistema. Usando 10.000
minutos como a durao a ser estudada, faa as 4 simulaes a seguir e compare os resultados.
a) Intervalo entre chegadas exponencial e durao do servio exponencial.
b) Intervalo entre chegadas exponencial e durao do servio constante.
c) Intervalo entre chegadas constante e durao do servio exponencial.
d) Intervalo entre chegadas constante e durao do servio constante.
15) Peas chegam a uma estao de trabalho com um intervalo, mdio, entre chegadas de 21 segundos
(exponencial). Aps a chegada, as peas so processadas. O tempo de processamento segue uma
distribuio triangular com parmetros 16, 19 e 22. Existem caractersticas visuais que determinam
se uma pea tem um eventual problema de qualidade. Esto peas, que so cerca de 10% do total,
so enviadas para outra estao onde sofrem uma rigorosa inspeo. As demais (90%) so
enviadas para a expedio e consideradas boas.
A distribuio do tempo de inspeo rigorosa , em mdia, igual a 95 segundos mais uma varivel
aleatria que segue uma distribuio de Weibull com parmetros iguais a 48,5 e 4,04. Em torno de
14% das peas que sofrem inspeo, so reprovadas e viram sucata. As demais vo para a
expedio.
Execute a simulao para 10.000 segundos para determinar o nmero de peas boas, o nmero de
peas sucateadas e o nmero de peas que so inspecionadas parcialmente e rigorosamente.
16) Clientes chegam a uma caixa com um intervalo, mdio, entre chegadas igual a 10 minutos
(exponencial). Um nico funcionrio recebe o pagamento alm de conferir o pedido. Ele demora,
em mdia, entre 8 a 10 minutos para fazer estas tarefas, variando a durao uniformemente
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 71
naquele intervalo. Aps esta atividade estar completada, o cliente , aleatoriamente, atribudo a
um de 2 funcionrios do estoque que separam e embalam a mercadoria para entregar ao cliente. O
tempo desta atividade tambm uniformemente distribudo entre 16 e 20 minutos. Cada um dos 2
funcionrios do estoque s podem atender clientes que foram designados para ele. Aps receber
sua mercadoria, o cliente vai embora.
Desenvolva um modelo e rode a simulao para 5.000 minutos. H uma sugesto de que os 2
funcionrios possam atender qualquer cliente que ficariam em uma fila nica esperando
atendimento. Rode a simulao tambm para 5.000 minutos e compare os resultados.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 72
CADEIAS DE MARKOV
Neste captulo sero tratados modelos de probabilidade para processos que evoluem no tempo
de maneira probabilstica. Tais processos so denominados Processos Estocsticos.
Processos Estocsticos
Um Processo Estocstico definido como uma coleo de variveis aleatrias {X(t)} indexadas
por um parmetro t pertencente a um conjunto T. Freqentemente T tomado para ser o conjunto
dos inteiros no-negativos (porm, outros conjuntos so perfeitamente possveis) e X(t) representa
uma caracterstica mensurvel de interesse no tempo t. Exemplificando, X(t) pode representar o nvel de
estoque de um produto no fim da semana t.
Processos Estocsticos so de interesse para descrever o procedimento de um
sistema operando sobre algum perodo de tempo, com isso, em termos formais, a varivel
randmica X(t) representa o estado do sistema no parmetro (geralmente tempo) t.
Portanto, pode-se afirmar que X(t) definido em um espao denominado Espao de
Estados.
a) Em relao ao Estado
Estado Discreto (cadeia): X(t) definido sobre um conjunto enumervel ou finito.
Estado Contnuo (seqncia): X(t) caso contrrio.
Exemplos:
Nmero de usurios em uma fila de banco em um determinado instante: Estado Discreto e
Tempo Contnuo.
ndice pluviomtrico dirio: Estado Contnuo e Tempo Discreto.
Nmero de dias chuvosos: Estado Discreto e Tempo Discreto.
Existem vrios "tipos" de Processos Estocsticos, porm, neste captulo ser apenas abordado um
tipo de Processo Estocstico denominado Processo Markoviano.
P{X t x n |X t
n n 1
x n1 , ....., x 0 x 0 } P{X t x n |X t
n n 1
x n 1 }
p 11 p 12 ..... p 1 n
p 21 p 22 ..... p 21
. . . .
P=
. . . .
. . . .
p pn2 ..... p nn
n1
A matriz P (em notao matricial, qualquer letra maiscula em negrito representa uma matriz)
define a denominada cadeia de Markov. Uma propriedade dessa matriz que todas as suas
probabilidades de transio p i j so fixas (estacionrias) e independentes ao longo do tempo. Embora
uma cadeia de Markov possa incluir um nmero infinito de estados, neste captulo as cadeias de
Markov sero limitadas a apenas cadeias finitas.
0,4
0,4 Nub
Sol 0,3
0,5 lado
0,1 0,5
0,2
0,2
Chu
va
0,4
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 74
a(1) = a(0)P
A matriz Pn conhecida como matriz de transio em n etapas. Pelos clculos anteriores, temos:
Pn = Pn - 1 P,
ou de forma geral:
Pn = Pn - m Pm, 0<m<n
Problema (Pg. 288, Taha, 2008): Todo ano, no incio da estao de plantio de mudas (maro a
setembro), um jardineiro usa um teste qumico para verificar a condio do solo. Dependendo do
resultado do teste, a produtividade para a nova estao cai em um de trs estados: 1 bom; 2
razovel; 3 ruim. Ao longo dos anos, o jardineiro observou que a condio do solo no ano anterior
causava um impacto sobre a produtividade no ano corrente e que a situao podia ser descrita pela
seguinte cadeia de Markov:
Estado do sistema
no ano seguinte
1 2 3
Estado do sistema 1 0,2 0,5 0,3
P = neste ano 2 0 0,5 0,5
3 0 0 1
Na matriz mostrada acima, se observa que as probabilidades de transio neste ano mostram que
a condio do solo pode se deteriorar ou se manter, mas nunca melhorar. Se a condio do solo neste
ano for boa (estado 1), h 20% de chances de no mudar no ano seguinte, 50% de chance de se tornar
razovel (estado 2) e 30% de chance de deteriorar at uma condio ruim (estado 3). Se a condio do
solo neste for razovel (estado 2), a produtividade no ano seguinte pode permanecer razovel com
probabilidade 0,5 ou tornar-se ruim (estado 3), tambm com probabilidade 0,5. Por fim, uma condio
ruim neste ano (estado 3) s pode resultar em igual condio no prximo ano (com probabilidade 1).
O jardineiro pode alterar as probabilidades de transio P usando fertilizante para melhorar a
condio do solo. Nesse caso, a matriz de transio se torna:
1 2 3
1 0,30 0,60 0,10
P= 2 0,10 0,60 0,30
3 0,05 0,40 0,55
a) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 1 ano usando fertilizantes.
b) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 4 anos usando fertilizantes.
c) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 1 ano sem usar fertilizantes.
d) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 4 anos sem usar fertilizantes.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 75
Soluo:
a) Usando fertilizantes, as probabilidade absolutas aps 1 ano sero:
1 2 3
1 0,30 0,60 0,10
P= 2 0,10 0,60 0,30
3 0,05 0,40 0,55
Os estados de uma cadeia de Markov podem ser classificado com base na probabilidade de
transio p i j de P.
1. Um estado j absorvente se retornar para ele mesmo, com certeza, em uma transio, isto ,
p i j = 1.
2. Um estado j transiente se puder alcanar outro estado mas no puder voltar ao mesmo
estado em que estava com base em outro estado. Matematicamente, isso acontecer se
lim p(inj ) 0 para todo i.
n
4. Um estado j peridico com perodo t > 1 se um retorno s for possvel em t, 2t, 3t, .... etapas.
Isso significa que p(inj ) 0 sempre que n no for divisvel por t.
Com base nas definies dadas, uma cadeia de Markov finita no pode consistir em estados que
sejam todos transientes porque, por definio, a propriedade transiente requer entrar em outros
estados capturadores e, portanto, nunca pode voltar ao estado transiente. O estado capturador
no precisa ser um nico estado absorvente. Por exemplo, na cadeia:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 76
0 1 0
0
0 0 1
0
P=
0 0 0 ,3 0 ,7
0 0 0 , 4 0 ,6
os estados 1 e 2 so transientes porque no podem ser entrados novamente uma vez que o sistema
esteja capturado nos estados 3 e 4. Os estado 3 e 4 que, de certo modo, desempenham o papel de um
estado absorvente, constituem um conjunto fechado. Por definio, todos os estados de um conjunto
fechado devem se comunicar, o que significa que possvel ir de qualquer estado a qualquer outro
estado do conjunto em uma ou mais transies, ou seja, p(inj ) 0 para todo i j e n 1. Observe que os
dois estados, 3 e 4, podem ser estados absorventes se p 33 = p44 = 1. Nesse caso, cada estado forma um
conjunto fechado.
Diz-se que uma cadeia de Markov fechada ergdica se todos os seus estados forem recorrentes e
aperidicos (no peridicos). Nesse caso, as probabilidades absolutas aps n transies, a(n) = a(0)Pn,
sempre convergem exclusivamente para uma distribuio-limite (estado de equilbrio) medida que n
, que independente das probabilidades iniciais a(0), como ser demonstrado mais na frente.
0 ,2 0 ,5 0 ,3
P = 0 0 ,5 0 ,5
0 0 1
Os estados 1 e 2 so transientes porque alcanam o estado 3 mas nunca podem voltar ao estado
anterior. O estado 3 absorvente porque p33 = 1. Essas classificaes tambm podem ser vistas
quando lim p(inj ) 0 calculado. Como:
n
0 0 1
P(100) = 0 0 1
0 0 1
consequentemente, isso mostra que, no longo prazo, a probabilidade de alguma vez voltar ao
estado transiente 1 ou 2 zero, ao passo que a probabilidade de ser capturado no estado
absorvente 3 certa.
0 0 ,6 0 ,4
P= 0 1 0
0 ,6 0 ,4 0
temos:
Continuando com n = 6, 7, . , Pn mostra que p11 e p33 so positivos com valores pares de n, e
valor zero, caso contrrio. Isso significa que o perodo para os estado 1 e 3 2.
Problema: Classifique os estados das seguintes cadeias de Markov. Se um estado for peridico,
determine seu perodo.
0 1 0 0 ,1 0 0 ,9
a) 0 0 1 b) 0 ,7 0 ,3 0
1 0 0 0 ,2 0 ,7 0 ,1
CADEIAS ERGDICAS
j lim a( nj ) , j 0, 1, 2 , ........
n
essas probabilidades, que so independentes de { a ( 0j ) }, podem ser determinadas com base nas
equaes:
= P
j j 1
O que = P diz que as probabilidades permanecem inalteradas aps uma transio e, por
essa razo, representam a distribuio do estado no equilbrio. Como ser vista mais na frente, uma
das equaes em = P redundante.
Um subproduto direto das probabilidades de estado no equilbrio a determinao do nmero
esperado de transies antes de os sistemas retornarem a um estado j pela primeira vez. Isso
conhecido como tempo mdio do primeiro retorno ou tempo mdio de recorrncia, e calculado em
uma cadeia de Markov de n estados por:
1
i j , j 1, 2 , ......,n
j
Lembrando que uma (qualquer uma) das trs primeiras equaes redundante, a soluo 1 =
0,1017; 2 = 0,5254 e 3 = 0,3729. O que essas probabilidades dizem que, no longo prazo, a condio
do solo ser boa aproximadamente 10% das vezes, razovel 52% das vezes e ruim 37% das vezes.
Os tempos mdios do primeiro retorno so calculados por:
1 1 1
11 9 ,83 ; 2 2 1,9 ; 3 3 2 ,68
0 ,1017 0 ,5254 0 ,3729
Isso significa que, dependendo do estado atual do solo, levar aproximadamente 10 estaes de
plantio de mudas para o solo voltar a um estado bom, aproximadamente 2 estaes para voltar a um
estado razovel e aproximadamente 3 estaes para voltar a um estado ruim. Esses resultados indicam
uma perspectiva mais sombria do que promissora para a condio do solo sob o programa de
fertilizante proposto. Um programa mais agressivo deve melhorar o quadro. Por exemplo, considere a
seguinte matriz de transio na qual as probabilidades de passar para um estado bom sejam mais altas
do que a matriz anterior:
Nesse caso, 1 = 0,31; 2 = 0,58 e 3 = 0,11; o que resulta em 11 = 3,2; 22 = 1,7 e 33 = 8,9; uma
inverso da perspectiva sombria dada anteriormente.
Problema: Considere o problema do jardineiro com fertilizante. Suponha que o custo do fertilizante seja
$ 50 por saco e que o jardim precise de dois se o solo estiver bom. A quantidade de fertilizante 25%
maior se o solo estiver razovel e 60% maior se o solo estiver ruim. O jardineiro estima que o
rendimento anual ser de $ 250 se no for utilizado fertilizante e $ 420 se ele for aplicado. Vale a pena
utilizar o fertilizante?
Soluo:
Usando as probabilidades de estado no equilbrio, temos,
Custo anual esperado fertilizante = (2)($50)(1) + [(1,25)(2)] )($50)(2) + [(1,60)(2)] )($50)(3)
= $ 135,51
Aumento no valor do rendimento = $420 - $250 = $170
Os resultados mostram que, na mdia, a utilizao de fertilizante d um rendimento lquido de
170 135,31 = $34,49. Portanto, a utilizao de fertilizante recomendada.
Problema: Em um domingo ensolarado de primavera, o Minigolf pode obter $2.000 de receita bruta. Se
o dia estiver nublado, a receita cai 20%. Um dia chuvoso reduz a receita em 80%. Se o dia de hoje
estiver ensolarado, h 80% de chance que amanha o tempo tambm vai estar ensolarado, sem
nenhuma chance de chuva. Se o dia estiver nublado, h 20% de chance de chover amanha e 30% de
chance de fazer sol. A chuva continuar no dia seguinte com uma probabilidade de 0,8, mas h 10% de
chance de fazer sol.
a) Determine a receita diria esperada para o Minigolf
b) Determine o nmero mdio de dias em que o tempo no estar ensolarado.
Respostas:
a) Receita esperada: $1.500
b) Dias ensolarados retornaro a cada ss = 2 dias; o qual significa 2 dias seguidos sem sol.
Problema: H 3 categorias de contribuintes do Imposto de Renda nos Estados Unidos: os que nunca
sonegam impostos, os que sonegam s vezes e os que sempre sonegam. Um exame de auditorias de
declaraes de Imposto de Renda de um ano para o ano seguinte mostra que 95% dos que no
sonegaram impostos no ano anterior continuam na mesma categoria no ano corrente, 4% passam para
a categoria as vezes e o restante passa para a categoria sempre. No caso dos que sonegam s
vezes, 6% passam para nunca, 90% continuam na mesma categoria e 4% passam para sempre.
Quanto aos que sempre sonegam, as porcentagens respectivas so 0%, 10% e 90%.
a) Expresse o problema como uma cadeia de Markov
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 79
0 ,2 0 ,5 0 ,3
P = 0 0 ,5 0 ,5
0 0 1
N A
P =
0 I
O arranjo requer que todos os estados absorventes ocupem o canto sudeste da nova matriz. Por
exemplo, considere a seguinte matriz de transio:
1 2 3 4
1 2 3 4
0 ,2 0 , 4 0 ,3 0 ,1 1 0
N = A = I =
0 ,5 0 0 ,3 0 ,2 0 1
Problema: Um produto processado em duas mquinas seqenciais I e II. A inspeo ocorre aps uma
unidade do produto ser concluda em uma mquina. H 5% de chance de a unidade ser descartada
antes da inspeo. Aps a inspeo, h 3% de chance de a unidade ser descartada e 7% de chance de
ser devolvida mesma mquina para retificao. Caso contrrio, uma unidade que passa pela
inspeo nas duas mquinas boa.
a) Determine o nmero mdio de passagens em cada estao para uma pea que comea na
mquina 1.
b) Se um lote de 1.000 unidades for iniciado na mquina I, quantas unidades boas sero
produzidas.
Soluo:
Para a cadeia de Markov, o processo de produo tem 6 estados: Incio em I (s1), inspeo aps I
(i1), incio em II (s2), inspeo aps II (i2), descarte aps inspeo em I ou II (J) e boa aps II (G).
Unidade que entram em J ou G so terminais e, em consequncia, J e G so estados absorventes. A
matriz de transio dada por:
s1 i1 s2 i2 J G
s1 0 0,95 0 0 0,05 0
i1 0,07 0 0,9 0 0,03 0
P =
s2 0 0 0 0,95 0,05 0
i2 0 0 0,7 0 0,03 0,9
J 0 0 0 0 1 0
G 0 0 0 0 0 1
Portanto,
s1 i1 s2 i2 J G
s1 0 0,95 0 0 0,05 0
i1 0,07 0 0,9 0 0,03 0
N = A =
s2 0 0 0 0,95 0,05 0
i2 0 0 0,7 0 0,03 0,9
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 81
-1
1 -0,95 0 0 1,07 1,02 0,98 0,93
-0,7 1 -0,9 0 0,07 1,07 1,03 0,98
(I N)-1 = =
0 0 0 0,95 0 0 1,07 1,02
0 0 0,07 0 0 0 0,07 1,07
A linha superior de (I N) 1 d o nmero mdio de passagens em cada estao para uma pea
que comea na mquina I. Especificamente, uma pea passa pela I 1,07 vezes; pela inspeo I,
1,02 vezes; pela mquina II, 0,98 vezes; e pela inspeo II 0,93 vezes. A razo por que o nmero
de passagens na mquina I e na inspeo I maior do que 1 se deve retificao e nova
inspeo.
Por outro lado, os valores correspondentes para a mquina II so menores do que 1 porque
algumas peas so descartadas antes de chegar maquina II. De fato, sob perfeitas condies
(nenhuma pea descartada e nenhuma retificao), a matriz (I N) 1 mostrar que o nmero de
vezes que uma pea passa em cada estao exatamente 1 (experimente designando uma
probabilidade de transio 1 para todas as estaes). Claro que a durao da estadia em cada
estado pode ser diferente. Por exemplo, se os tempos de processamento nas mquinas I e II so
20 e 30 minutos, e se os tempos de inspeo em I e II so 5 e 7 minutos, ento uma pea que
comea na mquina I ser processada (isto , descartada ou concluda) em
(1,07)(20)+(1,02)(5)+(0,98)(30)+(0,93)(7)=62,41 minutos.
Para determinar o nmero de peas concludas em um lote inicial de 1.000 peas, a linha superior
de (I N) 1 nos mostra que:
Isso significa que (1.000)(0,84) = 840 sero concludas de um lote inicial de 1.000.
Problema: Uma faculdade administra exames de competncia computacional todos os anos. Esses
exames permitem que os estudantes sejam liberados da disciplina de Introduo Informtica. Os
resultados dos exames so apresentados em um dos seguintes 4 estados:
Estado 1: passa em todos os exames e fica isento da disciplina
Estado 2: no passa em todos os exames na terceira tentativa e precisa fazer a disciplina
Estado 3: no passa nos exames na primeira tentativa
Estado 4: no passa nos exames na segunda tentativa
O coordenador do curso para os exames registrou a seguinte matriz de probabilidades de transio:
Para
De 1 2 3 4
1 1 0 0 0
2 0 1 0 0
3 0,8 0 0,1 0,1
4 0,2 0,2 0,4 0,2
Atualmente, existem 200 estudantes que no passaram em todos os exames na primeira tentativa.
Alm disso, existem 50 estudantes que no passaram na segunda tentativa. No longo prazo:
a) quantos estudantes sero liberados da disciplina porque passaram nos exames?.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 82
0 ,8 0 0 ,1 0 ,1
N = A =
0 ,2 0 ,2 0 , 4 0 ,2
0 ,9 0 ,1 1 1,176 0 ,147
(I N)1 =
0 ,4 0 ,8 0 ,588 1,324
0 ,971 0 ,029
M (I N)1A = ( 200 50) ( 231 19)
0 ,735 0 ,265
Assim, o nmero de estudantes que sero dispensados da disciplina 231 e os que tero que
curs-la 19.
Problema: Quando eu tomo emprestado um livro da biblioteca Municipal, em geral tento devolv-lo
aps uma semana. Dependendo do tamanho do livro e de meu tempo livre, h 30% de chance de eu
conserv-lo por mais uma semana. Se eu ficar com o livro por duas semanas, h 10% de chance de eu
conserv-lo por mais uma semana. Sob nenhuma condio eu fico com o livro por mais do que trs
semanas.
a) Expresse a situao como uma cadeia de Markov.
b) Determine o nmero mdio de semanas que eu fico com um livro antes de devolv-lo
biblioteca.
Soluo:
a)
Para
De 1 2 3 Biblioteca
1 0 0,3 0 0,7
2 0 0 0,1 0,9
3 0 0 0 1
Biblioteca 0 0 0 1
REFERNCIAS BIBLIOGRFICAS
CHANGKONG V.; HAIMES Y. Y. Multiobjective Decision Making, New York, USA: Elsevier Science
Publishing Co, Inc., 1983.
DOS SANTOS, MAURCIO. Apostila de Pesquisa Operacional da Universidade Estadual de Rio de Janeiro
(UERJ), R. J., Brasil, 2003.
GOULD F.; EPPEN G.; SCHMIDT C. Investigacin de Operaciones en la ciencia Administrativa, Mxico:
Prentice-Hall Hispanoamericana S.A, 1992.
HILLIER, F.; LIEBERMAN, G. Introduo Pesquisa Operacional, Brasil: Bookman, 8 edicin,
2010.
KLEINROCK, L. Queueing Systems, Volume 1, Theory. USA: John Wiley & Sons, 1975.
KLEINROCK, L. Queueing Systems, Volume 2, Computers Aplications, USA: John Wiley & Sons, 1976.
MOORE, J.; WHEATHERFORD, L. Tomada de Deciso em Administrao com planilhas eletrnicas, Brasil:
Bookman, 6 edicin, 2005.
NAHMIAS, S. Anlisis de la produccin y las Operaciones, Mxico: McGraw-Hill Interamericana, 5
edicin, 2007.
RENDER, B.; STAIR, R.; HANNA, M. Anlise Quantitativa para Administrao, Brasil: Bookman, 10
edio, 2010.
TAHA, H. Pesquisa Operacional, So Paulo, Brasil: Pearson Prentice-Hall Inc., 8 edio, 2008.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 84
FORMULRIO
P(A B)
P(B \ A) , para P(A) 0
P(A)
E1 E2 S
E3
B E1
B E2 E4
B E3
BE4
B
O teorema de Bayes indica que se E1, E2, ......, Ek forem eventos mutuamente excludentes e exaustivos e
B for qualquer evento, ento:
P(B \ E 1 ) P(E 1 )
P(E 1 \ B) , para P(B) 0
P(B \ E 1 ) P(E 1 ) P(B \ E 2 ) P(E 2 ) ......... P(B \ E k ) P(E k )
Critrio de Laplace: Usa-se a hiptese otimista de que todos os estados da natureza so igualmente
provveis. Assim:
Dado que o retorno v(ai, sj) representa o ganho, a melhor alternativa a que d:
1 n
max v(a i , s j )
n
ai
j1
Critrio Maximin (ou Minimax): Se v(ai, sj) for prejuzo, ento escolhemos a ao que corresponde ao
critrio minimax:
min max v(a i , s j )
ai sj
max min v(a i , s j )
ai s j
Critrio de Hurwicz: Defina-se 0 < 1 e se considere que v(ai, sj) representa ganho, ento, a ao
selecionada deve ser associada com:
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 85
max max v(a i , s j ) (1 ) min v(a i , s j )
ai sj sj
min min v(a i , s j ) (1 ) max v(a i , s j )
ai s j s j
r r
e x
P(r ; ) p(x; )
x0
x0 x!
Em geral a mdia de uma distribuio de Poisson e a varincia 2 so iguais a:
= e 2 =
E( x) x f( x)
Distribuio Exponencial: A fdp exponencial fcil de integrar para obter a funo de densidade
acumulativa F(X):
x 0 para x 0
F( x ; ) P( X x) 0 e x
1 e
x
para x 0
1
0 x e
x
E( x) dx
O modelo M/M/1:
Probabilidade de 0 unidades no sistema, ou seja, a probabilidade do sistema estar vazio: P0 1
n
Probabilidade de existirem n unidades no sistema: Pn 1
k1
Probabilidade de existirem mais de k unidades no sistema: P ( n k )
Nmero mdio (esperado) de unidades no sistema: L = W =
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 86
2
Nmero mdio (esperado) de unidades na fila: L q Wq
( )
L 1
Tempo mdio (esperado) que cada unidade permanece no sistema: W
1
Tempo mdio (esperado) que cada unidade permanece na fila: Wq W
( )
Fator de utilizao da estao de servio:
Lq L Wq
L Lq W
1 Lq
Wq W
1 L
W Wq
1
P0
s1 1 n 1 s
n 0 n! s ! ( 1 )
1 n
P0 para n 1, 2 , 3, ..... , s 1
n!
Pn
1 n
para n s
s ! s n s P0
s1
P0
Lq L Lq
( s ) ( s ! ) ( 1 ) 2
L Lq
W Wq
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 87
s t s 1
P0 1 e
P ( T t ) e t 1 se s 1 0
s ! (1 ) s 1
s
P0 ( t )
P ( T t ) e t 1 se s 1 0
s ! ( 1 )
1
para
M1
P0 1
1
para
M1
n
P para
Pn 0
P0 para
M1
(M 1)
para
M1
L 1
M
para
2
Lq = L (1 P0)
ef = (1 P0) = (1 PM)
L
W
ef
Lq
Wq
ef
ef
a c
s
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 88
Temos ento:
1
P0
s 1 1 s M
an a cn s
n 0 n! s!
n s1
1
a n P0 para n s
n!
a n P0
Pn para s n M
s! s n s
0 para n M
Lq
P0 a s c
s ! ( 1 c) 2
1 c Ms
( M s ) c M s ( 1 c)
s1
L Lq s (s n ) Pn
n 0
s1
ef s (s n ) P n
n 0
L
W
ef
Lq
Wq
ef
ef
X Fator de servio
S = n de estaes de servio
M = Tamanho da populao
F = Fator de Eficincia.
Temos ento:
Lq = M (1 F)
ef = M F X
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 89
1
W Wq
L = ef W
Lq
Wq
ef
MFX
s
1
P0 s1
M!
n M
M! n
(M n )! n !
(M n )! s ! s n s
n 0 n s
M! n
P0 para 1 n s
(M n ) ! n !
M! n
Pn P0 ns
para s n M
(M n )! s ! s
0 para n M
O MODELO M/G/1:
P0 = 1
2 2 2
Lq
2 ( 1 )
L = Lq +
Lq
Wq
1
W Wq
O MODELO M/Ek/1:
Para a chamada distribuio de Erlang, a mdia e o desvio padro so:
1
x
1 1
onde k 0 e inteiro
k
(1 k ) 2
Lq
2 k ( )
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 90
(1 k )
Wq
2 k ( )
1
W Wq
L=W
Mtodos Congruentes
xn+1 = (axn + c) mod m
Alguns geradores dividem por (m1) o que d uma distribuio [0, 1]. Na verdade como m
sempre um nmero muito grande, dividir por m ou (m1) irrelevante.
O gerador RANDU
xn+1 = (65539 xn) mod 2147483648
O gerador RAND1
xi+1 = (16807 xi) mod 2147483647
O gerador RAND2
xi+1 = (630360016 xi) mod 2147483647
Um gerador bom
Uma vez que temos uma rotina para gerar nmeros uniformemente distribudos no intervalo
[0,1], fcil ger-los com outras distribuies uniformes.
Suponha que X uma varivel aleatria contnua, uniformemente distribuda dentro do intervalo
(a, b), onde a < b. Seja U uma varivel aleatria uniformemente distribuda no intervalo [0, 1].
0 U 1
a X b
Xa U0
, ou X = a + (b a) U
ba 10
Agora suponha que a e b sejam quantidades inteiras, a < b, e X uma varivel aleatria discreta
(s valores inteiros) uniformemente distribuda no intervalo [a, b]. Assim X s pode tomar valores
iguais a: a, a + 1, a + 2, ..., b 1, b.
Se U contnua e uniformemente distribuda no intervalo [0, 1], ento:
X = a + INT[(b a + 1)U ]
F(x)
U = y0
0 x0 x
A Distribuio Exponencial
Muitos problemas de simulao necessitam usar a distribuio exponencial. Isto verdadeiro nos
problemas que envolvem chegadas e partidas (filas), como a simulao de uma agncia bancria, da
sada (caixas) de um supermercado, de um aeroporto, etc...
A funo de densidade probabilstica da exponencial igual a:
f(x) = e x
F(x) 1 e x
De modo a se fazer uso do mtodo da transformao inversa devemos resolver para x. Assim
temos:
x = (1/) ln [ 1 F(x) ]
Como a funo acumulada, F(x), uniformemente distribuda em [0, 1], a quantidade [ 1 F(x) ]
tambm ser uniformemente distribuda em [0, 1]. Assim podemos escrever
x = (1/) ln (U)
x = x0 (1/) ln (U)
= x0 + (1/)
= 1/( x0)
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 93
SIMULAO DIRETA
O mtodo da Transformao Inversa s pode ser usado se uma expresso analtica puder ser
obtida para a funo de distribuio acumulada e ela possa ser resolvida explicitamente para x.
Existem muitas situaes onde isto no possvel, como para a distribuio normal, por exemplo.
Uma tcnica alternativa para estes casos o uso da simulao direta do processo sob considerao.
A distribuio de Poisson
E1 E2 E3 E4
0 Tempo
t
Seja Ei uma varivel aleatria exponencialmente distribuda com mdia (1/t), ou seja, o
intervalo entre as chegadas.
k
Fazendo S k E i , ento para o intervalo onde se localiza t, temos que Sk t < Sk+1, onde k
i 1
Ei = (1/) lnUi
k k
1
i1
Ei t ou
i 1
ln U i t
i 1
ln U i t
i 1
ln U i t
k k
i 1
Ui e ou e
i 1
Ui
ou seja, a varivel poisson igual a (k 1) quando a relao acima passa a ser verdadeira.
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 94
A distribuio Normal
Muitos tipos de eventos aleatrios so governados pela distribuio Normal. Esta distribuio
caracterizada por uma densidade probabilstica dada por:
2
1 x
1
2
f( x) e onde x
2
onde a mdia e o desvio padro. A funo de densidade normal no pode ser integrada
analiticamente e desta forma no podemos usar o mtodo da transformao inversa. Podemos,
entretanto, uma vez mais, gerar a varivel aleatria desejada por simulao direta.
Para fazer isto considere o caso especial onde = 1 e Z = (x )/. Temos ento:
Z2
1
f( x) e 2
2
N
N
i 1
Ui
2
Z
N
12
Como esta considerao vlida para N > 10, podemos fazer N = 12 para facilitar o
procedimento computacional, obtendo ento:
12
Z
i 1
Ui 6
Temos agora um procedimento simples para gerar uma varivel aleatria normalmente
padronizada. Simplesmente somamos 12 nmeros aleatrios uniformemente distribudos em [0, 1] e
ento subtramos 6, obtendo um valor para Z. Se desejarmos gerar uma varivel normal com mdia
e desvio padro , geramos primeiro Z e ento calculamos a varivel aleatria desejada X usando: X =
+ Z.
Z ( 2 ln U 1 ) Sin (2U 2 ), ou
Z ( 2 ln U 1 ) Cos (2U 2 )
Ambas as expresses geram variveis aleatrias normais padronizadas. Observe que o mtodo
anterior necessita de 12 valores de Ui para cada valor de Z enquanto que este ltimo s necessita de 2.
Assim aparenta ser mais eficiente do ponto de vista computacional mas o clculo de logartmico, raiz
quadrada e seno (ou co-seno) muito mais demorado que uma soma. Na verdade os 2 mtodos se
equivalem em termos de tempo computacional.
O Mtodo da Rejeio
O Mtodo da Rejeio um procedimento geral para gerar variveis aleatrias (va) para
qualquer distribuio cuja densidade probabilstica f(x) contnua e limitada dentro de uma regio
finita, isto , necessitamos que 0 f(x) fmax dentro do intervalo a x b.
f(x) f(x)
fmx fmx
f(K) Y
f(K)
Y
0 a K b x 0 a K b x
5. Comparar Y com f(K). Se Y no maior que f(K) ento o ponto (Y, K) cair em cima ou abaixo
da curva de densidade probabilstica como indicado na primeira figura acima. Neste caso ns
aceitamos K como a varivel aleatria desejada, ou seja, fazemos X = K. Se Y maior que f(K),
rejeitamos o ponto.
6. As etapas de 1 a 5 so repetidas sucessivamente at ser encontrado um ponto que satisfaa a
condio.
Embora o mtodo da rejeio possa ser usado com muitas distribuies diferentes, ele
ineficiente por causa das diversas tentativas que se tem que fazer para se obter uma varivel aleatria
desejada. Por esta razo s deve ser usado se no existir outro mtodo.
A distribuio Beta
Para ilustrar o uso do mtodo da rejeio, vamos considerar a distribuio Beta. Esta distribuio
tem a densidade probabilstica dada por:
( 1 2 1)! x ( 1) (1 x) (
1 2 1)
f( x)
( 1 1)! ( 2 1)!
Pode ser mostrado que a mdia e a varincia para esta distribuio so:
1 2
2
( 1 2 ) ( 1 2 ) ( 1 2 1)
CADEIAS DE MARKOV
p 11 p 12 ..... p 1 n
p 21 p 22 ..... p 21
. . . .
P=
. . . .
. . . .
p pn2 ..... p nn
n1
A matriz P (em notao matricial, qualquer letra maiscula em negrito representa uma matriz)
define a denominada cadeia de Markov.
a(1) = a(0)P
A matriz Pn conhecida como matriz de transio em n etapas. Pelos clculos anteriores, temos:
Pn = Pn - m Pm, 0<m<n
CADEIAS ERGDICAS
j lim a( nj ) , j 0, 1, 2 , ........
n
essas probabilidades, que so independentes de { a ( 0j ) }, podem ser determinadas com base nas
equaes:
= P
j j 1
1
i j , j 1, 2 , ......,n
j
UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 97
A anlise de cadeia de Markov com estados absorventes pode ser executada convenientemente
usando matrizes. Em primeiro lugar, a cadeia de Markov repartida da seguinte maneira:
N A
P =
0 I