Você está na página 1de 166

Simulao de Sistemas

Simulao de Sistemas
Aprimorando processos de logstica,
servios e manufatura

Robert E. Bateman
Royce G. Bowden
Thomas J. Gogg
Charles R. Harrell
Jack R. A. Mott
Jos Arnaldo B. Montevechi
Belge Engenharia (organizador)

Reviso tcnica: Raphael Ambrico


Traduo: Alain de Norman et dAudenhove (coordenao),
Denise Barnab Abackerli, Edni de Castro Paranhos,
Emilson Antnio Martinez Roveri (principal executor),
Luis Fernando Gesteira, Maria Helena de O. Richards,
Victor Rubens Svoll
Do original: System Improvement Using Simulation 5th edition.
2013, Elsevier Editora Ltda.
Direitos da edio na lngua portuguesa 2013 IST Corporation, JMI Consulting Group, PROMODEL
Corporation e Belge Engenharia e Sistemas Ltda.
Todos os direitos reservados. Este material no pode, nem mesmo parcialmente, ser:
Reproduzido, distribudo ou transmitido de qualquer maneira (como fotocpias, scanerizao ou
redigitao), sem que haja autorizao expressa da BELGE.
Marcas Registradas: ProModel, ServiceModel e MedModel so marcas da PROMODEL Corporation.
Windows uma marca da Microsoft Corporation.
Todos os direitos reservados e protegidos pela Lei 9.610 de 19/02/98. Nenhuma parte deste livro, sem
autorizao prvia por escrito da editora, poder ser reproduzida ou transmitida sejam quais forem os
meios empregados: eletrnicos, mecnicos, fotogrficos, gravao ou quaisquer outros.
Copidesque: Iara Arakaki
Editorao Eletrnica: Thomson Digital
Reviso Grfica: Gabriel Pereira
Traduo: Alain de Norman et dAudenhove (coordenao), Denise Barnab Abackerli, Edni de Castro
Paranhos, Emilson Antnio Martinez Roveri (principal executor), Luis Fernando Gesteira, Maria Helena
de O. Richards, Victor Rubens Svoll
Revisor Tcnico: Raphael Ambrico
Elsevier Editora Ltda.
Conhecimento sem Fronteiras
Rua Sete de Setembro, 111 16 andar
20050-006 Centro Rio de Janeiro RJ Brasil
Rua Quintana, 753 8 andar
04569-011 Brooklin So Paulo SP
Servio de Atendimento ao Cliente
0800-0265340 sac@elsevier.com.br
ISBN: 978-85-352-7162-1
ISBN (verso eletrnica): 978-85-352- 7163-8
Nota: Muito zelo e tcnica foram empregados na edio desta obra. No entanto, podem ocorrer erros de
digitao, impresso ou dvida conceitual. Em qualquer das hipteses, solicitamos a comunicao ao nosso
Servio de Atendimento ao Cliente, para que possamos esclarecer ou encaminhar a questo.
Nem a editora nem o autor assumem qualquer responsabilidade por eventuais danos ou perdas a pessoas
ou bens, originados do uso desta publicao.

CIP-BRASIL. CATALOGAO-NA-FONTE
SINDICATO NACIONAL DOS EDITORES DE LIVROS, RJ

S
Simulao de sistemas : aprimorando processos de logstica, servios e manufatura
/ Robert E. Bateman ... [et al.] ; [organizao Belge Engenharia e Sistemas ; traduo
Alain de Norman et dAudenhove ... etal.]. - 1. ed. - Rio de Janeiro : Elsevier, 2013.
200p. : il. ; 23cm.
Traduo de: System improvement using simulation
ISBN 978-85-352-7162-1
1. ProModel. 2. Simulao (Computadores). 3. Mtodos de simulao. I. Bateman, Robert E. II. Belge
Engenharia e Sistemas. III. Ttulo.
13-00515 CDD: 003.35369
26/04/2013 26/04/2013
Sobre os autores

Robert E. Bateman diretor internacional da PROMODEL Corporation e desen-


volvedor do programa educacional original da PROMODEL. Interessa-se profis-
sionalmente por poltica tecnolgica e aplicao de transferncia tecnolgica para o
desenvolvimento de indstrias nas naes em desenvolvimento. Rob viveu e trabalhou
na Europa, Amrica do Sul e Central e na sia. Ph.D. pela Universidade de Utah,
graduado pela Brigham Young University (BYU) e MBA pela American University
em Washington DC.

Royce O. Bowden Professor-Associado de Engenharia Industrial na Universidade


Estadual do Mississippi e diretor do laboratrio de simulao e computao avanada.
Antes de ingressar como docente nessa universidade foi engenheiro de manufatura na
Martin Marietta Aerospace e na Texas Instruments. autor de numerosas publicaes
e com frequncia tem sido convidado por lideranas industriais e governamentais a
ministrar palestras sobre simulao e otimizao. Royce Ph.D. em Engenharia pela
Universidade do Mississippi.

Thomas J. Gogg diretor de engenharia no JMI Consulting Group, em Palos Verdes,


Califrnia. Trabalhou por 11 anos em funes tcnicas na rea de operaes da
manufatura da Xerox Corporation e da Hughes Aircraft Company. Nos ltimos
cinco anos esteve focado em aplicaes de simulao em manufatura e em sistemas
de movimentao de materiais. Palestrante em vrios seminrios sobre simulao e
coautor em publicaes da revista Industrial Engineering. graduado em Engenharia
Industrial pela Universidade do Estado de Iowa.

Charles R. Harrell proprietrio e fundador da ProModel Corporation, em Orem,


Utah. Professor-Associado de Engenharia de Manufatura na BYU foi tambm de-
senvolvedor do software original de simulao da ProModel. Atuou em simulao e
desenvolvimento de sistemas na Ford Motor Company e na Eaton Kenway. graduado
em Engenharia de Manufatura pela BYU, mestre em Engenharia Industrial pela Uni-
versidade de Utah e Ph.D. em Engenharia de Manufatura pela Universidade Tcnica
da Dinamarca.

Jack R. A. Mott presidente da JMI Consulting Group. Anteriormente trabalhou na


Arthur Andersen & Co., na Levi Strauss Inc. e na Xerox Corp. Jack graduado em
Contabilidade e Economia pela Universidade de Loyola e mestre pela Universidade
de Loyola Marymount. Seu foco de atuao na rea de integrao de finanas dentro
da engenharia e das operaes da manufatura. Dirigiu empresas no Japo, Europa,
Amrica do Sul e Mxico.

v
vi Sobre os autores

Jos A. B. Montevechi o atual diretor do Instituto de Engenharia de Produo e


Gesto (IEPG) da Universidade Federal de Itajub (UNIFEI). Ps-doutorado pela
Universidade do Texas (EUA). Doutor pela Escola Politcnica da Universidade de
So Paulo. Mestre pela Universidade Federal de Santa Catarina. Engenheiro pela
Escola Federal de Engenharia de Itajub. Professor-Titular da UNIFEI. Autor de
vrios artigos em eventos e revistas. Apresentou vrios trabalhos no Brasil e exterior.
orientador de vrias dissertaes de mestrado, no programa de Ps-Graduao em
Engenharia de Produo da UNIFEI. Consultor e instrutor em empresas como Petro-
bras, BR Distribuidora, PADTEC, Banco do Brasil, CEMIG, Metr, entre outras. Tem
como reas de atuao: Risco e Incertezas em Projetos de Viabilidade Econmica,
Pesquisa Operacional e Simulao a Eventos Discretos.
Prefcio edio brasileira

A principal pretenso desta publicao ajudar no ensino de Pesquisa Operacional


no pas, mais precisamente no que diz respeito ao tema Simulao a Eventos Discretos.
Esta ferramenta, amplamente usada na Amrica do Norte e Europa, tem auxiliado na
tomada de decises em reas como manufatura, logstica, servios e sade, trazendo
a seus usurios a oportunidade de usarem os recursos por ela oferecidos de forma
maiseficiente. Os resultados fazem com que seus beneficirios tragam melhorias
s mais diversas instituies de seus pases. No Brasil, o uso da Simulao a Eventos
Discretos encontra-se em plena evoluo, principalmente nas reas de Engenharia de
Produo, Administrao, Informtica e Computao, tanto em cursos de graduao
como de ps-graduao. Com os formados nesses cursos, as empresas comeam a
constituir quadros profissionais com uma competncia diferenciada, que permite
melhorias significativas em sua produtividade e em diversos indicadores. Entretanto,
ainda h muito que fazer para que a simulao seja uma ferramenta de uso cotidiano
em nosso pas, como observado em pases desenvolvidos.
O texto apresenta tanto os conceitos principais para o uso da Simulao a Eventos
Discretos, quanto uma introduo ao uso do ProModel, software muito difundido
em nosso pas. Salienta-se que esta obra a nica em lngua portuguesa que aborda
seu processo de utilizao. Empregando tcnicas de ensino a distncia, pretende-se
abreviar o perodo de aprendizagem da utilizao desse software, podendo o leitor
iniciar projetos reais rapidamente. A disponibilizao de uma verso para estudantes
permite, alm do desenvolvimento dos modelos propostos no livro, um acesso a todos
os recursos disponveis nesse software. Assim, quando diante de problemas de maiores
dimenses, o uso de uma verso profissional imediata, sem maiores complicaes.
Outro destaque a descrio de como fazer modelos conceituais. Normalmente
essa etapa, esquecida por muitas obras e publicaes, importante no processo de
modelagem, e, quando bem realizada, permite um reduo no tempo de desenvol-
vimento de modelos computacionais. Um software desenvolvido na Universidade
Federal de Itajub (UNIFEI), para esta etapa, apresentado e disponibilizado aos
leitores desta obra.
Ter sido convidado a ser coautor da reedio deste livro, alm de ser uma grande
honra, me permite contribuir para a divulgao desta consagrada ferramenta, ajudando
tanto no seu ensino, nas mais diversas universidades, como nas melhores prticas
de tomada de decises nas empresas de nosso pas. Destaca-se que uma viso mais
acadmica permitiu uma obra pensada de tal forma a poder ajudar ao ensino da
Simulao a Eventos Discretos.
Finalizando, no poderia deixar de agradecer aos rgos de fomento pesquisa:
FAPEMIG, CAPES e CNPq, financiadores das pesquisas que desenvolvo, e tambm
a todos os pesquisadores do NEAAD, Ncleo de Estudos Avanados para Auxlio
Deciso, grupo de pesquisa do IEPG, Instituto de Engenharia de Produo e Gesto

vii
viii Prefcio edio brasileira

da UNIFEI, do qual atualmente sou coordenador e cujos trabalhos me influenciam


diretamente.

Prof. Dr. Jos Arnaldo Barra Montevechi


Universidade Federal de Itajub
montevechi@unifei.edu.br

Simulao uma ferramenta poderosa no desenvolvimento de sistemas mais


eficientes. Atualmente construmos modelos e reconfiguramos sistemas reais em
questo de dias ou semanas em dcadas passadas, seriam necessrios vrios meses
de esforo. O conhecimento em tecnologia de simulao ganhou muita importncia
na formao de engenheiros e administradores, para sua plena atuao profissional.
Escolhemos trabalhar com o simulador ProModel porque ele foi desenvolvido com
o intuito de permitir aos prprios engenheiros e administradores (conhecedores de
seus negcios) a rpida construo e anlise de modelos focados em seus processos.
Desde 1995, a BELGE Consultoria vem atuando como agente facilitador no
processo de implantao dessa nova tecnologia em nosso pas.
No evento anual da SOBRAPO (Sociedade Brasileira de Pesquisa Operacional) em
2009, apresentei um trabalho que resumia os segmentos em que mais se tem aplicado
simulao por eventos discretos nos ltimos 15 anos.
As aplicaes em logstica so as mais corriqueiras (destaque para centros de dis-
tribuio, portos, ferrovias, supplychain e material handling), seguidas pela manufatura
(destaque para otimizao de linhas e clulas produtivas, projetos lean e 6 sigma e
aplicaes em siderurgia) e, por fim, pelo setor de servios (destaques para correios,
bancos, hospitais e call centers).
No cenrio internacional, o Brasil ocupa hoje uma posio de certo destaque no
uso de simulao. Claro que o volume continua sendo bem menor quando comparado
aos pases do primeiro mundo, principalmente aos Estados Unidos.
At o final dos anos 1980, ainda era raro o uso de simulao, restrito a institutos
de pesquisa (como, por exemplo, o Instituto de Pesquisas Tecnolgicas de So Paulo,
IPT), ou a algumas poucas empresas (como a Petrobrs).
Nos anos 1990 chegaram ao Brasil os principais pacotes de simulao internacio-
nais, os quais permitiram maior agilidade na modelagem e popularizaram cada vez
mais esta tecnologia.
Alguns dos marcos importantes (no caso, sempre relacionados ao simulador
ProModel):
1997: Correios finalizam edital de investimento em plataforma de simulao.
1998: Petrobras (setor de pesquisa operacional) investe pela primeira vez na compra
de um software especfico para simulao.
Prefcio edio brasileira ix

1999: primeiro evento de simulao na Amrica do Sul: Innovation 99 1 Confe-


rncia Internacional de Simulao e Usurios Promodel.
2003: VALE promove grande licitao para simular suas operaes de mina /
ferrovia / portos, e compra licenas do simulador.
2005: lanado o primeiro simulador com verso em portugus.
2010: lanado o primeiro portal acadmico focado no assunto: <www.simulacao.net>.

Muitos desafios atuais de nosso pas ainda podem (e devem!) ter um grande apoio
na simulao, tais como: melhoria dos portos e aeroportos; otimizao do Supply
Chain; estudo de diferentes modais de transporte (alm do rodovirio); melhoria na
qualidade dos servios hospitalares, entre outros.

Eng. Alain de Norman et dAudenhove


Scio-fundador da BELGE Consultoria
www.belge.com.br
Instale o software de simulao
ProModel que voc tem
direito na compra deste livro

Alguns captulos deste livro so baseados em mdias virtuais. Ao compr-lo, voc tem
direito de acessar a Central de Download desse livro atravs do link:

www.simulacao.net/livro.php
Cdigo de Acesso: ASD32

L voc encontra disponvel:


Licena completa da verso Student do software de simulao ProModel for
Windows, verso em portugus necessrio para que voc realize os exerccios
propostos neste livro
Curso multimdia de utilizao do software ProModel for Windows

Software Dia para mapeamento de processos, tambm utilizado em um captulo

deste livro
Caso tenha alguma dvida, entre em contato pelo e-mail suporte@simulacao.net,
ou pelo telefone (11) 5561-5353 (digite a opo de suporte tcnico na mensagem de
atendimento).

xi
Captulo 1

O que Simulao?
Simulao a experimentao de um sistema real atravs de modelos. A pos-
sibilidade de criar e simular fenmenos desejados permite conferir quo representativas
seriam as mudanas, colaborando, dessa forma, com a tomada de decises. O incio
da Simulao incerto, mas evidente sua importncia e crescimento.

O CRESCIMENTO DA MODELAGEM
Ningum tem certeza da data em que o primeiro modelo foi desenvolvido, mas o
princpio sobre o uso de representaes simblicas para melhor entender as interaes
de vrias partes de um sistema provavelmente to velho quanto o mtodo cientfico.
O modelo coloca os componentes do sistema de uma forma tal que somos capazes
de compreender a realidade baseados em fenmenos conhecidos, e isso nos permite
realizar experimentos que nos ajudam a prever o comportamento do sistema real. Se
o modelo apresenta um desempenho dentro das expectativas, ficamos satisfeitos por
vermos confirmados o nosso entendimento sobre o sistema em estudo. Se o modelo
no se comporta como esperado, efetuamos mudanas, na esperana de desenvolver
um modelo que demonstrar que o nosso entendimento, agora melhorado, refletir a
realidade.
O uso crescente de modelos um bom indicador de que a ideia de sua construo
vem nos servindo bem. Hoje, quase todo estudo de mrito srio usa algum tipo de
modelo para ajudar a facilitar o entendimento. O mundo da empresa moderna certa-
mente no uma exceo e o nmero de modelos projetados para explicar negcios
e princpios de Engenharia cresce diariamente.
No passado, os modelos quantitativos eram relativamente pequenos. Seus tamanhos
eram limitados pela habilidade e pela vontade dos pesquisadores em manusear um
volume de clculo que expandiam geometricamente na medida em que o nmero de
elementos do modelo era incrementado. Se cada novo elemento causava impacto em
um nmero significativo de outros parmetros do sistema, o potencial para clculos
adicionais se tornava ingerencivel muito rapidamente. A reao em cadeia nuclear
estudada pelos participantes do governo norte-americano no Projeto Manhattan um
exemplo conhecido e, certamente, no isolado.
Os pesquisadores foram rpidos em perceber as vantagens da modelagem de
computadores mais modernos. As novas mquinas no executavam apenas os clculos
em uma frao do tempo demandado pelo homem, mas tambm resultavam em
modelos mais precisos e com menores custos de execuo, j que os computadores
eram apropriados para gerenciar grandes volumes de interaes.
1
2 Simulao de Sistemas

A capacidade do computador proporcionou significativos avanos em modelagem.


De incio, a flexibilidade do software habilitou pesquisadores a construir modelos
mais complexos do que antes e que de fato representavam o sistema e as suas
interaes em estudo, ao contrrio de utilizar abstraes muito simplificadas. Em
sequncia, a habilidade do computador em manipular grandes volumes de dados com
velocidade e preciso incentivou a modelagem dinmica, na qual milhares de eventos
so processados em uma pequena frao de tempo, se comparado ao tempo real. O
computador pode manter cada evento na sua sequncia apropriada e considerar pre-
viamente interdependncias identificadas, com muito mais eficcia. Alm do mais,
modelos puderam ser desenvolvidos a partir de sistemas que aliavam complexidade e
dinamicidade. E assim, puderam ser avaliados em tempo muito curto.

SIMULAO UMA FERRAMENTA PARA A TOMADA DE DECISO


Simulao um processo de experimentao com um modelo detalhado de um
sistema real para determinar como o sistema responder a mudanas em sua estrutura,
ambiente ou condies de contorno. Um sistema, para os nossos propsitos, pode
ser definido como uma combinao de elementos que interagem para cumprir um
objetivo especfico (Blanchard e Fabrycky, 1981). Um grupo de mquinas em que
cada uma desempenha alguma funo na produo de uma pea constituiria um sis-
tema de manufatura. Cada combinao de elementos compreende um subsistema de
um sistema maior. As instalaes fsicas de um hospital, seu corpo de enfermeiros,
pessoal administrativo e fisioterapeutas seriam um exemplo de um sistema de sade
relativamente autnomo em um nvel e, em um nvel mais amplo, parte de um sistema
de sade maior, como o de sade municipal ou regional.
O construtor dos modelos de simulao nunca deve esquecer que esta uma
ferramenta para soluo de problemas. Se entendermos que um modelo bem cons-
trudo ir nos ajudar a responder a questes importantes, a simulao poder ser uma
tcnica til e poderosa. Com muita frequncia, entretanto, o modelo em si torna-se o
objeto do estudo, superando a necessidade de respostas a questes importantes. Em
algumas situaes, outros mtodos podem propiciar respostas mais rpidas e com
custo mais baixo.
Dois dos mais importantes desafios enfrentados por um modelador so: 1) Qual
deve ser o escopo do modelo? e 2) Que nvel de detalhe deve ser considerado?.
Para responder primeira questo, simplesmente essencial incluir aqueles fatores
que apresentem impacto significativo no comportamento do modelo, que devem estar
em consonncia com o propsito da simulao. A resposta segunda questo se apoia
no entendimento sobre o que no simulao. Simulao no uma ferramenta de
imitao do real com a qual o modelador se esfora em criar uma rplica exata do
sistema. Mesmo que se tenha um computador capaz de manipular todos os detalhes
que afetam cada elemento do sistema em estudo, o tempo e o custo exigidos para
construir o modelo no justificariam os resultados. Embora muitas vezes os novos
modeladores sejam vtimas da sndrome de modelar as moscas do cho de fbrica,
a isca de incluir muitos detalhes em um modelo mordida com frequncia at mesmo
pelos modeladores mais experientes. Avanos na tecnologia da simulao tm tornado
Captulo | 1 O que Simulao? 3

o uso de modelos mais aplicvel s decises de rotina, especialmente no projeto de sis-


temas de projeo de possveis estados futuros baseados nos dados atuais. Entretanto,
existem ferramentas mais eficientes para o controle em nvel de cho de fbrica.
A simulao apresenta excelente performance na avaliao de mudanas propostas
a um sistema existente ou no projeto de um novo sistema. Um modelo bem construdo
poder gerar estimativas do desempenho em termos de tempo de passagem, utilizao
de recursos, dimensionamento de filas e tempos produtivos. Se provida da capacidade de
animao do modelo em tela de computador, a simulao pode tambm apresentar
uma representao grfica, ilustrando o fluxo das peas, pessoas e outras entidades
do sistema.
Na sua forma mais pura, a simulao uma ferramenta para avaliar ideias. Nesse
contexto, em que gerentes, engenheiros e outros responsveis pela tomada de deciso
procuram formas de analisar o impacto de mudanas potencialmente positivas em
sistemas extremamente complexos, o estudo de simulao vm se tornando cada vez
mais comuns.

AS FERRAMENTAS DA SIMULAO
obvio que os modelos devam ser construdos em uma forma na qual os compu-
tadores possam entender. As primeiras simulaes em computador foram escritas em
linguagens de programao de propsito geral, sendo a FORTRAN a mais comum.
Embora essas linguagens permitissem a modelagem em vrias aplicaes diferentes, o
tempo e as habilidades de programao necessrios desencorajavam muitos modelado-
res em potencial. Linguagens de programao ainda so usadas em algumas aplicaes,
com a tendncia do uso de linguagens de ltima gerao, tais como Pascal e C.
Um esforo para simplificar o processo de construo de modelos iniciou-se com
a introduo das linguagens de simulao. Introduzidas em 1960, essas linguagens
oferecem sentenas de programao especificamente projetadas para gerenciar a
lgica das filas e outros fenmenos comuns aos sistemas. O SIMSCRIPT e o GPSS
so exemplos de linguagens pioneiras desenvolvidas especificamente para simulao.
Embora estivessem em um nvel acima das linguagens de programao de propsito
geral, em termos de facilidade de uso, essas linguagens ainda necessitavam de um
modelador com experincia em programao e com substancial dedicao de tempo
no caso de um grande modelo. O SIMAN e o SLAM so os mais recentes exemplos
de linguagens de simulao.
Na medida em que engenheiros, gerentes e outros tomadores de deciso comeavam
a perceber o poder da simulao, concentrava-se o esforo para se ofertar ao mercado
pacotes de simulao ou simuladores projetados para facilitar a modelagem rpida
em um ambiente especfico. Via de regra, esses pacotes proporcionam ao modelador
a opo de selecionar vrias construes preestabelecidas para aplicaes especficas,
ao contrrio de descrever as aplicaes com sentenas de programao. Um simulador
de manufatura deve possuir construes para filas, esteiras, empilhadeiras e gruas,
por exemplo. Embora as construes prescindam dos requerimentos de programao
impostos pelas linguagens de simulao, elas normalmente tm aplicao limitada,
4 Simulao de Sistemas

se comparadas a outros tipos de sistemas, e podem no oferecer a habilidade de lidar


com lgicas complexas. Entretanto, para muitas aplicaes comuns, a economia de
tempo proporcionada pela facilidade de uso compensada pela perda de flexibilidade.
O SIMFACTORY e o XCELL so exemplos de simuladores de manufatura.
Um desenvolvimento subsequente em software de simulao foi o esforo de
integrar em um pacote nico a flexibilidade das linguagens com a facilidade
de uso dos simuladores. Telas de entrada de dados orientadas por menu e construes
direcionadas a aplicaes especficas proporcionaram a modelagem rpida. O uso de
sentenas lgicas similares s da programao, a capabilidade de atributos especiais
e a habilidade de importar subrotinas externas aumentaram a gama e a complexidade
de sistemas passveis de modelagem, de tal forma que no incomum encontrar
esses tipos de pacote fora do ambiente para o qual foram originalmente projetados. O
ProModel um exemplo desse tipo de pacote, assim como o AutoMod e o WITNESS.
Um dos mais recentes avanos nas ferramentas de simulao foi a introduo
de simuladores projetados para aproveitar as vantagens do ambiente operacio-
nal Microsoft Windows. Esses simuladores de quarta gerao apresentam a
vantagem de interfaces grficas com o usurio, animao grfica customizada,
transferncias de dados entre aplicaes e outras facilidades proporcionadas pelo
Windows. ProModel for Windows, MedModel e ServiceModel so exemplos
desse tipo de pacote. Embora ainda classificados como simuladores, esses novos
produtos incluem uma ampla variedade de construes preestabelecidas para
aplicaes especficas e capacidade de programao assistida. Os produtores de
algumas linguagens tiveram uma abordagem similar ao optar por utilizar as suas
prprias interfaces grficas e por criarem templates pr-definidos para aumentar
a velocidade de construo em certas aplicaes.
As ferramentas de simulao atuais tm reduzido significativamente o esforo
necessrio ao processo de construo de um modelo. Habilidades em programao de
computadores, embora benficas, no so mais imprescindveis. A simulao em produ-
tos projetados para PC eliminou os custos de operao incorridos em computadores de
grande porte, e as facilidades decorrentes da animao grfica ajudaram no processo
de verificao de modelos. A comunicao entre fluxos e padres dos sistemas e,
consequentemente, os resultados para tomadores de deciso tm se tornado mais fcil.
Qualquer pessoa determinada a se responsabilizar por um projeto de simulao deveria
dedicar ateno especial na seleo da ferramenta a ser utilizada. Embora o preo do
software de simulao possa ser maior em alguns pacotes que em outros, as diferenas
de custo sero normalmente menores se comparadas com o tempo dedicado ao projeto
pelo construtor do modelo e outros membros da equipe de projeto. Um pacote deve
ser de fcil compreenso ao modelador e deve ser bem ajustado aplicao a que se
prope. Outro importante fator a ser considerado o hardware necessrio para rodar
a simulao. Uma organizao que usa computadores pessoais no pode querer levar
em considerao softwares que necessitem de estaes de trabalho de engenharia,
por exemplo. Embora todos os pacotes ofeream algum tipo de capacidade de sada
estatstica, a possibilidade de acessar rapidamente informaes relevantes ser sempre
uma considerao importante.
Captulo | 1 O que Simulao? 5

desejvel que se tenha fcil acesso a informaes estatsticas produzidas pelo


modelo de simulao. Entretanto, tambm muito importante que os tomadores de
deciso saibam como utilizar corretamente as sadas estatsticas. Por muitos anos houve
um gap entre o nvel de habilidade necessrio para construir um modelo de simulao
e o nvel de habilidade necessrio para usar corretamente as sadas estatsticas de
um modelo. Felizmente, os mais avanados pacotes de modelagem e simulao vm
oferecendo ferramentas amigveis que ajudam os tomadores de deciso a processar e
apresentar as sadas dos modelos de simulao. O SimRunner e o AutoStat so exem-
plos desse tipo de ferramenta de apoio deciso. Alm disso, o SimRunner contm
tcnicas sofisticadas que automaticamente procuram por uma linha de ao que ir
otimizar a performance do sistema simulado, incrementando significativamente, dessa
forma, a capacidade de resoluo de problemas da simulao.
O crescente papel da simulao na resoluo de problemas inevitvel e o nmero
de reas de aplicao continua a se expandir. Grandes empresas de manufatura, qu-
mica, alimentos, sistemas de distribuio, transportes, servios industriais, sade e o
exrcito j esto usando modelos de simulao. A lista de outras aplicaes potenciais
quase sem fim. Infelizmente, a tecnologia da simulao avanou mais rpido que
a comunicao do seu valor como uma ferramenta para resoluo de problemas. A
efetivao dos seus benefcios depender da eliminao de medos e incertezas daqueles
que no esto familiarizados com poder e a capacidade informativa da simulao.

Questes para reviso


1. Quais efeitos tiveram os avanos tecnolgicos dos computadores pessoais na simu-
lao? Por qu?
2. Defina o que simulao e explique seu potencial de uso na soluo de problemas
complexos. Explique como a simulao pode melhorar seu conhecimento sobre um
sistema ao qual voc est familiarizado.
3. O que linguagem de simulao? Como ela difere de uma linguagem de programa-
o tradicional? O que um simulador? Quais as vantagens e desvantagens de um
simulador quando comparado a uma linguagem de programao?
4. Quais fatores podem inibir o uso de simuladores numa indstria? Como esses fatores
podem ser superados?
Captulo 2

Por que simular?


Provavelmente voc j se perguntou como seria aumentar um sistema fabril, ampliar
a frota de veculos de uma empresa ou trabalhar com mais clientes e fornecedores.
Com a simulao, possvel avaliar hipteses sem ter que implement-las.

A SIMULAO PODE ADICIONAR CRIATIVIDADE


AOPROCESSODE RESOLUO DE PROBLEMAS
Muitas empresas possuem recursos disponveis, os quais, quando corretamente
empregados, podem trazer significativa melhoria tanto em produtividade quanto em
qualidade. Com muita frequncia, entretanto, o medo de falhar impede os funcionrios
de oferecerem sugestes embasadas nos seus conhecimentos, ideias e criatividade. A
simulao uma excelente ferramenta para superar esse preconceito. A possibilidade
de analisar uma nova proposta por um modelo de simulao permite testar o impacto
das sugestes. O uso dessa ferramenta, portanto, importante para se vender a ideia de
mudanas aos tomadores de deciso, podendo incentivar uma atitude do tipo vamos
experimentar para ver.

A SIMULAO PODE PREVER RESULTADOS


O gerenciamento de um sistema uma ao baseada em previso. A previso
racional requer aprendizado e comparaes sistemticas das previses dos resultados
de curto e longo prazo das alternativas de ao (Deming, 1989). A simulao educa as
pessoas no que se refere ao modo como os sistemas operam e como estes respondem
s mudanas. Alternativas de ao podem ser prontamente testadas para se determinar
os efeitos no desempenho do sistema.
O teste um pr-requisito natural para uma implementao. Embora a realizao
de testes com o sistema real seja ideal, nem sempre isso possvel. O custo associado
mudana de um sistema pode ser muito alto, tanto em termos do capital necessrio
quanto em termos da perda resultante da interrupo da operao. Tentar sucessivas
mudanas no sistema existente praticamente impossvel. medida que aumenta o
custo de uma soluo proposta, aumenta proporcionalmente o custo da experimentao
fsica com variaes. Suponhamos que uma nova e grande esteira transportadora esteja
sendo considerada como uma alternativa para o aumento da produtividade, atravs
da movimentao mais rpida dos produtos em uma fbrica. A instalao do equipa-
mento em carter de teste provavelmente poderia no ser financeiramente vivel e a
experimentao com configuraes alternativas seria praticamente impossvel. Nesse
caso, faria mais sentido a experimentao com um modelo representativo do sistema.
7
8 Simulao de Sistemas

A maioria dos sistemas atuais so dinmicos e estocsticos por natureza. Um


sistema dinmico implica em aes com fatores de influncia que mudam ao longo
do tempo. Um sistema de sade, por exemplo, est sujeito a mudanas nas taxas de
chegada dos pacientes, disponibilidade de equipamentos e pessoal de apoio etc. O es-
tocstico sugere que essas mudanas podem variar indiscriminadamente. Encontrar
e testar melhorias potenciais para os problemas de sistemas dinmicos e estocsticos
vai muitas vezes ao encontro de um dos trs tipos de modelos: 1) modelos de opinio,
2) modelos matemticos estticos, ou 3) modelos de simulao.
Modelos de opinio so compostos basicamente de palpites. As crenas e ideias de
um indivduo ou um grupo servem como representao do sistema. Em decorrncia do
fato de que dados, pouco ou nada quantificveis, so utilizados para avaliar alternativas,
este tipo de modelagem pode degenerar em um teste de egos em vez de solues.
Modelos matemticos estticos delineiam aritmeticamente um sistema. As carac-
tersticas operacionais de um sistema so descritas em termos de equaes numricas
e os efeitos potenciais de uma alternativa so derivados de um simples clculo de
equaes. Para a maioria dos modelos, os valores variveis usados soconstantes
baseadas em mdias. O comportamento e o desempenho do sistema so determina-
dos pela soma de efeitos individuais. Planilhas analticas so exemplos de modelos
matemticos estticos.
Modelos de simulao so tambm matemticos por natureza e empregam o uso
de equaes numricas para descrever as caractersticas operacionais do sistema. A
simulao difere de modelos estticos porque guiada pelos eventos. O evento algo
que acontece em certo instante, como, por exemplo, a chegada de uma pea em uma
mquina. A ocorrncia de um evento pode mudar o valor da varivel utilizada no
clculo. O comportamento e a performance do sistema so derivados da mdia das
respostas observadas em relao s ocorrncias de uma grande quantidade de eventos.

A SIMULAO CONSIDERA AS VARINCIAS DO SISTEMA


Nos sistemas do mundo real, muitas coisas no acontecem exatamente da mes-
ma forma a cada vez em que ocorrem. Mesmo na maioria dos processos altamente
automatizados, o impacto das paradas de mquina, quebras de transportadores e outras
situaes indesejadas conjugam-se para criar um ambiente de incerteza. Na medida
em que o fator humano inserido no sistema, claro que a possibilidade de variao
drasticamente potencializada. A simulao a nica dentre as ferramentas de deciso
capaz de lidar de maneira eficaz com essas variaes e proporcionar estimativas das
influncias destas sobre a performance do sistema.
Captulo | 2 Por que simular? 9

Problemas que so inerentes a sistemas dinmicos e estocsticos (aqueles que con-


tm eventos ocorrendo aleatoriamente), via de regra, se tornam mais difceis de analisar
na medida em que a quantidade de variveis estocsticas e de inter-relacionamentos
se multiplica (a Figura2.1 ilustra essa correlao). Abstraindo-se a essncia do pro-
blema e a sua estrutura fundamental, a dificuldade cresce na proporo do nmero de
variveis adicionais. A possibilidade de se chegar a novas e importantes concluses
sobre as relaes de causa e efeito pode ser uma tarefa gratificante. Esses insights,
que podem ser obtidos a partir do uso da simulao, normalmente aumentam na razo
direta da quantidade de variveis do sistema e da escalada da interdependncia entre
os elementos do sistema.

FIGURA 2.1 Dificuldade de analisar o problema x quantidade de variveis estocsticas.

Os benefcios advindos do uso de um modelo esto intimamente relacionados sua


capacidade de imitao, que pode ser medida pelo grau de adequao das respostas
reais de um sistema existente ou hipottico com as respostas que o modelo fornece
quando submetido aos mesmos estmulos experimentados ou esperados pelo sistema
em estudo. Modelos de simulao so imitadores dos sistemas dinmicos e estocs-
ticos, geralmente muito superiores, quando comparados a modelos matemticos es-
tticos ou a modelos de opinio.
A simulao pode levar em conta os efeitos da ocorrncia de varincias em um
sistema (a varincia implica em que alguma coisa mudou de um incidente para ou-
tro). Os mtodos analticos convencionais, tais como modelos matemticos estticos,
no resolvem efetivamente esta questo porque a performance dos seus clculos
geralmente derivada de valores constantes baseados em mdias. Uma taxa mdia de
produo de 400 peas por ms, um tempo mdio entre falhas de 60 horas e um ciclo
mdio de montagem de duas horas so exemplos tpicos. Clculos de desempenho
baseados somente nesses valores mdios negligenciam o efeito dessas varincias. No
prestar ateno nesse fator pode levar a concluses errneas.
Modelos matemticos estticos desprezam o impacto dos processos estocsticos que
existem em quase todos os sistemas porque eles no incluem o papel do tempo quando da
10 Simulao de Sistemas

anlise do sistema. Quando algo ocorre, qual o impacto em relao a outros incidentes?
E se uma mquina funcionar mal quando no houver um tcnico para consert-la? O fato
de uma mquina estar em um estado no produtivo durante 10% do seu tempo total de
operao, no considera as repercusses que podem ocorrer com relao ao momento em
que ela no est produzindo. As consequncias de uma quebra so, obviamente, maiores
durante um pico de produo do que durante um perodo de relativa ociosidade.
Um ndice de performance muito utilizado em muitos sistemas de manufatura
fundamentado na taxa das horas efetivamente gastas em relao ao tempo-padro
agregado. Em um sistema utpico essa taxa ser sempre igual a um. Entretanto, essa
situao ideal raramente ou nunca ocorre. A performance apresenta flutuao ao longo
do tempo, subindo e descendo continuamente. Quando ela cai abaixo de um limite
especificado, so iniciadas anlises para descobrir as causas da discrepncia. Os pro-
blemas revelados so usualmente associados com a ocorrncia de eventos aleatrios
(por exemplo, peas defeituosas, defeitos, quebras, mudanas de programao etc.).
Nveis de estoque em processo (work in process, WIP) so outro exemplo de critrio
que pode ser fortemente influenciado por varincias. Flutuaes nos tempos de ciclo
das operaes podem aumentar os nveis de WIP e prolongar o tempo de espera em
filas, tempo esse que no agrega valor ao produto.
A simulao pode ser muito eficaz ao se revelarem solues que minimizem o im-
pacto das varincias, se no ao elimin-lo completamente. Ela apoia a investigao das
consequncias da variao e promove o acesso a ocorrncias de alteraes aleatrias
em um sistema em relao a um objetivo. As caractersticas inter-relacionais e a in-
terdependncia de pessoas, equipamentos, mtodos e materiais podem ser examinadas
na medida em que elas evoluem ao longo do tempo.
Os profissionais que resolvem problemas no podem controlar a ocorrncia de
eventos aleatrios. Entretanto, eles podem prever as consequncias desses eventos
e a probabilidade deles ocorrerem. Com essa informao, podem concentrar es-
foros para maximizar a eficincia de um sistema 1) pela reduo da probabilidade de
eventos aleatrios e 2) pela minimizao do impacto deles proveniente. A simulao
proporciona, a quem resolve problemas, uma ferramenta para medir a efetividade das
solues criadas por esses esforos.

A SIMULAO PROMOVE SOLUES TOTAIS


Muitas abordagens para a soluo de problemas envolvem um esforo para analisar
situaes atravs da diviso em subproblemas. Os subproblemas so frequentemente
categorizados de acordo com os departamentos organizacionais afins com cada assunto.
Assim, problemas de qualidade, problemas de processos e problemas de engenharia
so exemplos desses assuntos que cada respectivo departamento deve se dedicar a
resolver independentemente.
O processo de desenvolvimento de um modelo de simulao pode melhorar a soluo
do problema de forma cooperativa, entre vrias partes de uma organizao com interesses
diversos. Quando executado apropriadamente, o processo de simulao traz consigo uma
ampla gama de conhecimento, informao e especializao de uma grande variedade
Captulo | 2 Por que simular? 11

de fontes. Questes, problemas e preocupaes so encaminhados de mltiplos pontos


de vista. Uma melhor compreenso do sistema como um todo alcanada porque as
interdependncias de todos os componentes so compartilhadas e entendidas por todas as
partes envolvidas que colaboram para as entradas do sistema. Pessoas so frequentemente
foradas a reconsiderar crenas e palpites pessoais que podem ou no ser vlidos.
Esse compartilhamento de informaes entre diversos grupos um importante
e necessrio componente de todas as organizaes competitivas. Um bom nvel de
comunicao e cooperao entre as pessoas essencial, se o ambiente favorece a
melhoria contnua da qualidade e da produtividade. A simulao pode promover
acomunicao ao permitir a todos os envolvidos a visualizao dos resultados de seus
palpites e o impacto de suas decises sobre o trabalho dos outros.
Os modeladores deveriam entender que a simulao sozinha no apresenta neces-
sariamente uma soluo tima para quem est resolvendo o problema. Os resultados
da simulao podero sugerir, entretanto, reas de investigao e possveis solues
para avaliao experimental adicional. Em vez de proporcionar uma nica e melhor
soluo, a simulao pode guiar o modelador a uma soluo total, uma soluo ou
sries de solues que considerem a sinergia total do sistema. Quando se combina
simulao com tcnicas avanadas de otimizao, so descobertas solues quase
timas ou, em muitos casos, timas. Um benefcio extra obtido por essa abordagem
que o otimizador identifica um conjunto compreensvel de boas solues, melhorando
significativamente a soluo total.
Ao se utilizar a opo de otimizao que alguns pacotes avanados de simulao
oferecem, o usurio deve definir quais mudanas no modelo so possveis e qual a
faixa de valores que cada uma delas pode assumir. Por exemplo, as mudanas podem
incluir a quantidade de recursos disponveis, a capacidade dos equipamentos, variveis
e outras restries do sistema. O otimizador avalia, ento, as diferentes combinaes
de mudanas no sentido de determinar qual delas vai maximizar ou minimizar alguma
funo do objetivo. A possibilidade de os otimizadores reconfigurarem o sistema
limitada, se as solues potenciais envolverem alterao do fluxo do processo ou da
sequncia de eventos.

A SIMULAO PODE SER FINANCEIRAMENTE VIVEL


A simulao vem se tornando cada vez mais vivel financeiramente. A simulao basea-
da em PC vem conseguindo eliminar os altos custos de processamento em computador, e a
mais nova gerao de softwares vem apresentando redues considerveis no tempo neces-
srio para a construo do modelo. O esforo para a obteno de dados tem a mesma ordem
de grandeza que o requerido pelos modelos matemticos estticos ou por outras tcnicas
analticas. Na medida em que as organizaes tentam responder rapidamentesmudanas
dos seus mercados, um modelo de simulao validado pode ser uma excelente ferramenta
para a avaliao de respostas rpidas. Ele contm ainda a estrutura bsica para processar
informaes em termos de critrios de desempenho do sistema. O tempo, o esforo e os
custos associados com o restabelecimento dessa estrutura no so incorridos novamente,
caso haja futuras reavaliaes de alternativas.
12 Simulao de Sistemas

A simulao vem provando tambm ser uma excelente ferramenta educacional.


Atuando como um vaso comunicante, ela cria experincia e permite ao empregado
visualizar rapidamente a operao como um todo e como o seu trabalho se insere
no panorama geral. As caractersticas operacionais de um sistema podem ser com-
preendidas mais rapidamente com um modelo de simulao do que com uma filosofia
de aprender medida que se explora esse sistema. Da mesma forma que uma compa-
nhia area deve utilizar um simulador de voo para ajudar os pilotos a entenderem os
controles e os inter-relacionamentos de uma nova aeronave, os setores de servios
e de manufatura podem empregar a simulao para demonstrar as interaes de um
sistema dinmico.
O tempo e o custo necessrios para tornar as ideias compreendidas podem tambm
ser reduzidos pela simulao. O ditado uma imagem fala mais que mil palavras um
bom exemplo para enfatizar a diferena existente entre a capacidade de comunicao
das anlises estticas e a simulao. Se o propsito ajudar os tomadores de deciso
a absorverem informaes em curto tempo, uma planilha cheia de nmeros no pode
competir com a animao visual de figuras coloridas.
Um investimento em software de simulao e o comprometimento da engenharia ou
de recursos em uma pesquisa operacional para a construo de um modelo, geralmente
requer justificativa financeira. As economias obtidas e o faturamento gerado por me-
lhorias no processamento devem ser maiores que o custo para obt-las. Na medida em
que a simulao vem se tornando uma ferramenta aceita e extremamente til, mais
esforos vm sendo concentrados para propiciar estimativas razoveis dos custos e
benefcios envolvidos em um estudo de simulao.

Questes para reviso


1. Defina os termos dinmico e estocstico.
2. Quais so as vantagens da simulao sobre os mtodos matemticos de anlise es-
ttica? Qual importante fator a anlise esttica no abrange?
3. Como a simulao pode proporcionar uma soluo total? O que o modelador pode
fazer para facilitar esse tipo de soluo?
4. A simulao pode causar desconforto queles que possuem muitos paradigmas em
relao ao sistema. Por qu?
5. Quais caractersticas podem fazer o custo da simulao praticvel?
Captulo 3

A Terminologia e o Funcionamento
da Simulao
A arte e a cincia da simulao tm um vocabulrio singular de termos que ajudam
seus usurios a comunicar conceitos especficos. Embora no esteja totalmente com-
pleta, a lista que segue contm palavras-chave e conceitos que todo modelador deve
conhecer para entender o funcionamento da simulao.

SISTEMA E ESTADO DO SISTEMA


Um sistema, como definido anteriormente, um conjunto organizado de entidades,
tais como pessoas, equipamentos, mtodos e peas, que trabalham juntas em direo
a um objetivo especfico. Um modelo de simulao caracteriza matematicamente um
sistema atravs da descrio de respostas que podem resultar da interao entre as
entidades.
O estado do sistema um conjunto de variveis estocsticas (podem mudar
aleatoriamente) e determinsticas (no influenciadas pela probabilidade), que contm
toda a informao necessria para descrever um sistema em determinado instante
(Smith, 1989).

MODELOS A EVENTOS DISCRETOS E CONTNUOS


Um evento discreto uma ao instantnea que ocorre em um nico momento. Um
avio aterrissando em um aeroporto, um caminho chegando numa doca deentrega,
um cliente entrando em um banco e uma mquina terminando um ciclo so exemplos
de eventos discretos. A ocorrncia desses eventos pode causar mudanas no estado
do sistema.
Na simulao de modelos a eventos discretos, o computador mantm um dis-
positivo temporal conhecido por relgio de simulao que avana medida que
cada evento acontece num determinado instante. Se um evento representa o incio
de uma atividade que ser concluda no futuro, a simulao adicionar o tempo de
concluso a uma lista de futuros eventos e avanar o clock para a prxima vez em
que o evento ocorrer.
Um evento contnuo uma ao que no cessa. Ele continua ininterruptamente
em relao ao tempo. A temperatura da gua em um lago subindo e caindo durante
um dia, o fluxo de leo em um tanque e converses qumicas so exemplos simples.

13
14 Simulao de Sistemas

Eventos contnuos envolvem uma taxa temporal de mudana, normalmente represen-


tadas por equaes diferenciais.
A simulao contnua permite que variveis do modelo mudem continuamente ao
longo do tempo, com a taxa de mudana definida e amarrada ao relgio de simulao.
Em decorrncia do fato de que muitos processos contnuos podem sofrer aproximaes
atravs da diviso de grandes lotes em elementos menores, os mtodos de modelagem
a eventos discretos podem ser empregados em muitos (mas no em todos) estudos de
simulao de processos contnuos.

MODELOS DINMICOS E ESTTICOS


Um modelo esttico aquele que no influenciado pelo tempo. No h relgio
de simulao envolvido. Segundos, horas e dias no desempenham nenhum papel no
modelo. O estado do modelo no muda em relao ao tempo. Um modelo de simulao
que imita o jogo de um dado um exemplo. A sada do modelo (1, 2, 3, 4, 5 ou 6) no
afetada pelo tempo.
Um modelo dinmico uma representao que influenciada pelo tempo. O es-
tado do modelo decorrente de segundos, horas, dias e meses simulados no relgio
da simulao. A manufatura e muitos sistemas de servios so geralmente modelados
usando a abordagem dinmica. Nveis de fila, taxas de entrada e grau de utilizao de
equipamentos so exemplos de variveis dinmicas.

MODELOS DE LOOP ABERTO E DE LOOP FECHADO


Uma simulao cujas sadas do sistema deixam-no sem proporcionar nenhuma
retroalimentao a este mesmo sistema chamado de modelo de loop aberto. Se,
por outro lado, os resultados da operao do sistema so reenviados simulao para
a modificao da operao subsequente, o modelo do tipo loop fechado. A retro-
alimentao em um modelo de loop fechado pode causar impacto apenas nas pequenas
decises de rotina, ou podem criar mudanas de lgica significativas na operao do
sistema como um todo.

SIMULAES STEADY-STATE E TERMINATING


Uma simulao steady-state implica que o sistema independente das condies
de partida iniciais. A anlise desses modelos baseada nos dados de sada gerados
depois que as condies steady-state (aps a entrada em regime) so alcanadas.
Depois de certo nmero de jogadas, a mdia cumulativa de mltiplos dados vai tender
a ser aproximadamente 3, 5. O ponto em que isso ocorre exemplifica uma condio
Captulo | 3 A Terminologia e o Funcionamento da Simulao 15

steady-state. Este conceito ilustrado no Figura3.1, onde a mdia cumulativa de mil


jogadas de dados mostrada. A condio de regime para o valor mdio do jogo de
dados ocorre aproximadamente aps 500 jogadas.

FIGURA 3.1 Mdia cumulativa de mil jogadas do dado.

Uma simulao terminating roda por um perodo predeterminado ou at que


um evento especfico ocorra. Anlises e concluses so baseadas nos valores de
sada produzidos no ponto de parada. Os resultados de uma simulao terminating
so usualmente dependentes dos valores iniciais e das quantidades especificadas no
incio da simulao. Por essa razo, as condies de partida em modelos terminating
devem refletir com preciso as circunstncias de partida exibidas no mundo real do
sistema em estudo.
A deciso de se empregar uma simulao steady-state ou terminating tomada
durante os estgios de planejamento preliminar do projeto de simulao. A escolha
depende do tipo de sistema que se modela. Uma planta que opera 24 horas por dia
ser provavelmente analisada por uma simulao steady-state. Para outros tipos de
sistema isso pode no ser aplicvel.
Muitos sistemas do mundo real podem nunca vir a entrar em regime. Consideremos
um sistema de armazenamento e entrega que consista de seis carrossis de funciona-
mento independente. Os carrossis contm recipientes que armazenam peas de um
processo de produo. Cada carrossel est sujeito a requisies aleatrias para arma-
zenamento e entrega de peas durante o processo de produo. Todos os recipientes
retornam ao carrossel ao final de cada troca de produo, de tal forma que o carrossel
comea uma nova troca quando no houver nenhuma pendncia de requisies.
16 Simulao de Sistemas

Suponhamos que o objetivo do estudo de simulao seja a determinao do tempo


mdio de espera e de requisies de pedido ocorridos num nico turno de produo.
(Note que muitos sistemas, como bancos e fbricas, podem ser modelados e simulados
como sistemas no terminating se assumirmos que as condies finais de um dia ou
turno representa as condies iniciais do prximo dia ou do prximo turno). A condio
de entrada em regime para os tamanhos das filas de pedido pode no ocorrer durante
a durao desse turno. Dadas essas circunstncias, uma simulao terminating seria
provavelmente a utilizada para analisar o sistema.

PERODO DE AQUECIMENTO
Um perodo de aquecimento a quantidade de tempo que o modelo necessita rodar
para que sejam removidos os vestgios decorrentes da inicializao, antes que a coleta de
dados estatsticos seja iniciada. O tamanho do perodo depende do tipo do modelo em uso.
Perodos de aquecimento para simulaes steady-state podem ser encontrados atravs
de experimentaes com mdias mveis e outras tcnicas. Um modelo terminating pode
usar um perodo de aquecimento igual ao tempo requerido para que o modelo atinja um
estado do sistema equivalente s condies de partida pr-determinadas. Essas condies
de partida representam o estado inicial do sistema em estudo (por exemplo, a mquina
A comea a simulao com dez peas enfileiradas em frente a ela, a mquina B com
trinta, e assim por diante).

CICLOS E SEMENTES DE NMEROS ALEATRIOS


Num ciclo de nmeros aleatrios, cada nmero subsequente calculado a partir
de um valor preliminar. O nmero inicial chamado de semente de nmero aleatrio
e determina o ponto de partida do gerador de nmeros aleatrios em seu algoritmo.
Nmeros aleatrios com valores entre zero e um desempenham um importante papel
na extrao de valores das distribuies de probabilidade usadas para gerar o compor-
tamento estocstico na simulao.

RODADA DO MODELO E REPLICAES INDEPENDENTES


DOMODELO
Uma rodada do modelo envolve operar a simulao por um perodo de tempo
especificado com um nico conjunto de valores aleatrios. O tamanho da rodada
de simulao a quantidade de tempo simulado durante a rodada de um modelo. Se
muito curta, uma rodada pode propiciar estatsticas tendenciosas, ao passo que, rodadas
demasiadamente longas desperdiaro tempo computacional.
Para uma replicao independente do modelo (ou simplesmente replicao), faz-se
necessrio operar o mesmo modelo pelo mesmo perodo de tempo, com um ou mais
valores diferentes de semente aleatria. Mltiplas replicaes de modelo so essenciais
para a anlise de resultados de simulaes terminating e so tambm frequentemente
utilizadas em simulaes steady-state. vital que se reconhea o seguinte: os resultados
de uma nica replicao de modelo de uma simulao estocstica so em si mesmos
Captulo | 3 A Terminologia e o Funcionamento da Simulao 17

estocsticos. O exemplo a seguir pode ajudar a ilustrar essa questo. Imagine um saco
contendo 100 bolas de pingue-pongue, cada uma marcada com um nico nmero.
Suponha que algum sorteie desse saco uma bola marcada com o nmero 35. Ns,
obviamente, no poderamos concluir que todas as bolas no saco estivessem marcadas
com o nmero 35. Os resultados de uma replicao independente do modelo so re-
presentativos de uma nica bola de pingue-pongue no saco.

OTIMIZAO DA SIMULAO
Em matemtica, uma funo um processo atravs do qual um conjunto de entradas
se transforma em um conjunto correspondente de sadas. Poderia ser til pensar
que uma funo uma caixa-preta em que entram variveis de entrada e que
produz uma resposta de sada (o valor da funo). O modelo de simulao pode ser
visto como uma caixa-preta contendo a lgica necessria para estimar a sada de um sis-
tema real. Otimizao o termo usado para se referir ao processo de se estabelecer valores
para as variveis de entrada, de tal forma que estes produzam a sada mais desejada, ou
tima, da caixa-preta. Os valores das variveis de entrada que produzem a sada tima
representam a soluo tima. A Figura3.2 mostra o relacionamento do algoritmo de
simulao com o modelo de simulao.

FIGURA 3.2 Relao entre o algoritmo de otimizao e o modelo de simulao.

Para facilitar o processo de otimizao, uma funo-objetivo criada para avaliar


quantitativamente a performance do modelo de simulao. Por meio da combinao de
vrias respostas de sada do modelo de simulao, uma funo-objetivo uma medio
nica de quo bem o sistema funciona. Por exemplo, se um modelador desejasse uma
funo-objetivo que inclusse uma medio de todas as entidades processadas e a
utilizao dos recursos, este poderia medir o quo bem um determinado cenrio de
simulao rodou medindo F, onde:
F=(total de entidades processadas)+(utilizao do recurso)
Avaliando-se todas as combinaes de diferentes valores de variveis de entrada
e plotando-se os valores correspondentes da funo-objetivo, pode-se criar uma
superfcie de respostas do modelo de simulao para aquela funo-objetivo. Nor-
malmente, a superfcie de resposta se parece com uma regio montanhosa comvrios
picos e vales. No caso de um problema de maximizao, o objetivo encontrar
18 Simulao de Sistemas

opico mais alto. No caso de um problema de minimizao, o objetivo encontraro


vale mais profundo.
A natureza estocstica da sada gerada por um modelo de simulao torna os
problemas de otimizao da simulao de muito difcil soluo e extremamente
demorados para serem resolvidos de uma maneira otimizada. Felizmente, existem
algoritmos que encontram solues consideravelmente boas, ou quase timas, em
tempo razovel. Em muitos casos, esses algoritmos heursticos localizam a melhor
soluo; entretanto, no h garantia de que esta seja a tima.

COMO A SIMULAO FUNCIONA


As quantificaes so o componente mais importante da maioria dos estudos
analticos. Pertencem descrio do problema, do processo ou do sistema em
termos de medies. Variveis matemticas podem ser utilizadas para quantificar
as caractersticas de um sistema. Por exemplo, os elementos de um sistema muitas
vezes podem ser descritos em termos de variveis quantificveis. O tempo de ci-
clo de uma pea em uma determinada mquina pode ser representado por uma
varivel chamada TCICLO. A varivel TPEA pode representar o total de peas
produzidas em 2.000 horas de trabalho. Pode-se expressar matematicamente que
TPEA=2.000/TCICLO.
As variveis podem assumir qualquer valor especfico ou uma gama de valores.
Esses valores podem mudar de acordo com um conjunto de regras ou instrues. Uma
instruo pode ser simples como: se TPEA maior que 1.000, ento uma varivel
chamada EXCESSO igual a TPEA menos 1.000. Em termos de instruo mate-
mtica pode-se descrever como: se TPEA>1.000, ento EXCESSO=TPEA
- 1.000. Suponhamos que TPEA=1.500. O valor de EXCESSO seria 500. Ele seria
calculado como EXCESSO=1.500 - 1.000.
A simulao a eventos discretos um processo repetitivo de um conjunto de ins-
trues que podem incluir elementos estocsticos ou determinsticos. As instrues
definem como os valores das variveis podem mudar em relao s mudanas nas
condies. As condies mudam devido ocorrncia de eventos. O fato de uma pea
chegar a uma mquina ou uma pea deixar uma mquina pode ser considerado um
evento. A quebra de uma mquina outro exemplo de evento. Assim que cada evento
ocorre, um consequente conjunto de aes (clculos) efetuado.
Um modelo de simulao de eventos dinmicos (que mudam em relao ao tempo)
e discretos (em que as mudanas ocorrem em instantes distintos) efetua iterativamente
uma sequncia de instrues parecidas com o que segue: 1) determina que tipo de
evento ocorrer na sequncia, 2) ajusta uma varivel temporal de simulao num valor
igual ao tempo do evento em questo, 3) atualiza, onde necessrio, todas as variveis
estatsticas, 4) efetua aes (clculos) associados ao evento atual, e 5) programa um
tempo para a prxima ocorrncia daquele tipo de evento.
Atualmente possvel construir modelos com pouco ou nenhum conhecimen-
to da lgica e da codificao escrita normalmente associada simulao. Ainda
Captulo | 3 A Terminologia e o Funcionamento da Simulao 19

assim, a aquisio de conhecimentos elementares sobre os princpios que governam


os fundamentos e os clculos usados em simulao ainda traz benefcios aos seus
usurios, aos gerentes e participantes do projeto. Os resultados podem ser mal inter-
pretados quando as suas premissas no so bem compreendidas. Suponha que um
funcionrio analise um problema e d ao seu gerente uma folha de papel com as
solues recomendadas. O gerente, provavelmente, ser mais suscetvel a aceitar a
soluo se possuir um entendimento bsico sobre as premissas das quais esta soluo
derivou. O mesmo princpio se aplica s pessoas que esto envolvidas no projeto de
simulao e queles que sero afetados pelos resultados.
Uma razo frequentemente alegada para no se utilizar a simulao a sua suposta
complexidade. Na verdade, isso perfeitamente compreensvel, pois preciso: definir
o problema; coletar dados pertinentes ao problema; construir um modelo baseado
nos dados; analisar os resultados do modelo; buscar solues; avaliar e selecionar
uma soluo; e implementar a soluo. A tarefa mais formidvel da simulao est
normalmente associada a educar os outros sobre as metodologias e os benefcios da
tcnica.
Consideremos um sistema simples que consiste de trs elementos diferentes: 1)
peas, 2) uma mquina, e 3) um pulmo ou fila onde as peas podem ser acumuladas
antes de serem processadas pela mquina. Existem dois tipos de eventos: 1) uma
pea chega fila e 2) a pea deixa a mquina. O tempo entre as chegadas de pea na
fila varia aleatoriamente: pode ser 1, 2, 3, 4, 5 ou 6 minutos com uma probabilidade
igual de ocorrncia de cada um dos valores. As peas so processadas individual-
mente na mquina. O tempo de ciclo por pea da mquina tambm aleatrio: os
valores possveis so novamente 1, 2, 3, 4, 5 ou 6 minutos, cada qual com a mesma
probabilidade.
Suponhamos que necessitemos estimar o nmero mdio de peas armazenadas na
fila durante um dado perodo. Como voc resolveria esse problema? Uma abordagem
poderia ser recriar fisicamente o cenrio e manualmente registrar o tempo mdio que
cada pea gasta na fila. Outra abordagem seria recriar a sequncia de eventos ex-
perimentados no sistema por meio de um algoritmo matemtico. O segundo mtodo
seria provavelmente menos custoso que o primeiro.
Determinar a mdia do contedo da fila em longo prazo exigiria milhares de
clculos repetitivos. Efetuar essas aes repetitivas manualmente no econmico
em termos de tempo e custo. Felizmente, os computadores eliminaram esse pro-
blema. Embora no passado houvesse uma desvantagem relativa ao esforo necessrio
para traduzir as aes ou instrues numa linguagem de computador, o processo de
traduo (cdigo de escrita) tem sido substancialmente simplificado. Ademais, esto
disponveis agora novas ferramentas de anlise que ajudam a tirar maior proveitodos
resultados produzidos pelos modelos de simulao. Essas ferramentas de apoio
deciso, presentes nos modelos de simulao, automatizam boa parte do entediante
processo de conduo de experimentos do tipo E SE, uma vez que consolidam
as sadas da simulao de mltiplos experimentos em uma nica tabela de dados,
facilitando a manipulao e a elaborao de relatrios.
20 Simulao de Sistemas

Questes para reviso


1. Defina os termos sistema e estado de sistema.
2. Explique as diferenas entre simulao a eventos discretos e simulao contnua.
3. Quais as diferenas entre a simulao steady-state e a simulao terminating?
4. Quais fatores influenciam a construo de um modelo, seja ele steady-state ou
terminating?
5. O que um perodo de aquecimento? Por que especificamos um perodo de
aquecimento?
6. O que uma sequncia de nmeros aleatrios?
7. Defina os termos rodada e replicao associados simulao.
8. Em relao a um sistema qualquer, quais so as possveis funes-objetivas para
medir a performance deste?
9. Qual a diferena entre a soluo tima global e a soluo tima aproximada?
10. O que so mtricas? Como as variveis so utilizadas na simulao?
11. Durante a simulao a eventos discretos quais so as cinco diretrizes que devem
ser executadas seguidamente?
12. Por que os responsveis pelas decises devem compreender a simulao e a forma
como as solues so geradas? De que maneira essa compreenso pode ser til?
13. Qual a importncia de se utilizar ferramentas de suporte s decises durante a fase
experimental de um projeto de simulao?
Captulo 4

Uma introduo
aosoftwareProModel
Bons resultados no dependem apenas dos dados de entrada, mas tambm de um
software que processe bem as informaes, tornando-as factveis para o sistema. O
ProModel, alm de possuir uma interface amigvel e ser de fcil utilizao, se encaixa
em todos esses quesitos.

UM HISTRICO DO PROMODEL
Por oferecerem a convenincia de um ambiente de simulao direcionado por menus
e no necessitarem de programao, os primeiros simuladores se tornaram populares
para aplicaes que no requeriam muito trato com lgica complexa. Assim que foram
adicionadas essas facilidades que favoreciam a flexibilidade das linguagens de simulao
de propsito geral, alguns simuladores permitiram que mesmo sistemas relativamente
complexos fossem modelados rapidamente. O ProModelPC, introduzido em 1988, estava
sintonizado com a tendncia em direo a simuladores que fossem fceis de usar. A definio
do modelo estava usando a terminologia e a lgica familiar maioria dos engenheiros e
gerentes de produo. A velocidade com que esses simuladores mais avanados podiam ser
compreendidos tornou-os, tambm, populares nas salas de aula, especialmente em cursos nos
quais a simulao era apenas uma das tcnicas de pesquisa ensinadas. Embora direcionado
para sistemas de manufatura (da PROduction MODELer), a flexibilidade do ProModelPC
tambm o levou sua adoo em disciplinas distantes do mundo da manufatura, mais
notadamente no sistema de sade e em outras empresas de servios.
A adoo generalizada do Microsoft Windows nos computadores pessoais, no incio
dos anos 1990, levou ao desenvolvimento de softwares projetados para utilizarem a
capacidade de compartilhamento de grficos e informaes desse flexvel e moderno
ambiente operacional. O ProModel para Windows pode compartilhar muitas das caracters-
ticas do ProModelPC (construdo em DOS) com a mesma orientao de modelagem.
Entretanto, ele se utilizava de convenes do Windows (como clicar e arrastar) para reduzir
sensivelmenteo tempo necessrio para se construir modelos, usando interfaces em DOS.
O MedModel e o ServiceModel so tambm aplicaes baseadas em Windows e foram
criadas para ir ao encontro das necessidades especficas do sistema de sade e outras em-
presas de prestao de servios que, no passado, usavam linguagens de propsito geral.
Embora o ProModel (for Windows), o MedModel e o ServiceModel mantenham muitas
das caractersticas populares do ProModelPC, as diferenas podero ser prontamente per-
cebidas por algum que tenha usado o software anteriormente. Embora as verses anterio-
res do ProModel for Windows no contenham algumas das mais avanadas f erramentas
21
22 Simulao de Sistemas

para manuseio de material do ProModelPC, tudo foi incorporado na verso 3.0, em


conjunto com muitas outras ferramentas. Uma descrio mais detalhada do ambiente de
modelagem do ProModel, do MedModel e do ServiceModel ser fornecida mais adiante.
Assim que o software de simulao se tornou de uso mais fcil, as tendncias no mundo
dos negcios incentivaram o crescimento da popularidade da simulao. O conceito da
melhoria contnua e a Gesto da Qualidade Total (TQM) tornaram-se paradigmas populares
para a concentrao de esforos no sentido de se apoiar a evoluo contnua dos mtodos
de gerenciamento e da qualidade dos produtos. A simulao propicia um meio conveniente
para se testar as melhorias potenciais antes da implementao. A popularidade do conceito de
Michael Hammer e James Champy a respeito de reengenharia contribuiu, provavelmente
em grande escala, para a crescente popularidade da simulao, bem como para avanos
na interface do software. A reengenharia exige uma reviso radical da maneira como as
organizaes desempenham seus negcios. Mtodos vigentes, fronteiras departamentais e
outras tradies existentes so expostos ateno dos negcios, no s com o objetivo de
simplificar radicalmente a manufatura dos produtos, como tambm a proviso dos servios,
incluindo transaes internas como contas a pagar, preenchimento dos pedidos e proces-
samento de informaes. O objetivo obter um processo enxuto que ir gerar produtividade
e reduo de custos em uma dimenso maior que as pequenas melhorias incrementais
buscadas no passado. Entretanto, mudanas desse tipo incorporam certos riscos e muitos
gerentes optaram por testar as propostas previamente, utilizando a simulao.
Depois que os simuladores facilitaram a construo de modelos, o prximo passo
foi tornar mais fcil a correta conduo de experimentos com modelos. Isso foi feito
em 1996, com a sute de Otimizao ProModel (Promodel Otimization Suite). O
SimRunner, um elemento-chave nesse pacote, uma ferramenta de apoio tomada
de deciso que ajuda os usurios a projetar experimentos estatisticamente vlidos. O
SimRunner tambm automatiza o processo tedioso de busca por solues timas e
consolida a sada da simulao de mltiplos experimentos em uma nica tabela de
dados de fcil manipulao e interpretao. O SimRunner proporciona esse apoio para
os usurios do ProModel, do MedModel, ou do ServiceModel, alm de facilitar o teste
de solues propostas e a busca por melhores solues.
claro que a simulao no a nica maneira de testar mudanas propostas. A
possibilidade de se incluir variaes, interdependncias e mudanas dinmicas ainda
contrabalanada por algum tempo extra, necessrio para a construo de um modelo.
Muitos gerentes gostariam de ter a vantagem da simulao, mas falta tempo ou pes-
soal. Essa necessidade tem sido tradicionalmente suprida por fluxogramas, planilhas
ou outras formas de anlise. Essas tcnicas abandonam parte da preciso de simulao
do mundo real em troca de respostas numa base de tempo aceitvel.

UMA VISO GERAL DO PROMODEL,


DOSERVICEMODELEDOMEDMODEL
O ProModel, o ServiceModel e o MedModel so verdadeiros produtos para Win-
dows, aproveitando todas as vantagens do popular ambiente operacional da Microsoft.
Alm do mais, eles oferecem todos os benefcios associados a outras aplicaes
Captulo | 4 Uma introduo aosoftwareProModel 23

projetadas para rodar nessa plataforma. Multitarefas, recortes e colagens entre as


aplicaes, acionadores perifricos de construo e operao com um clique do mouse
so apenas poucas das facilidades disponveis.
O material que segue descreve as facilidades de modelagem proporcionadas e os termos
utilizados no ProModel, ServiceModel e MedModel. Embora esses pacotes sejam muito
parecidos, a diferena reside nos cones grficos propiciados e em algumas facilidades
direcionadas para apoiar a aplicao da simulao a indstrias especficas. O suporte
tcnico oferecido por esses pacotes tambm diferenciado; desse modo, os profissionais
da rea mdica, ao usarem o MedModel, por exemplo, podem discutir as suas neces-
sidades de aplicao com especialistas experientes em modelagem de hospitais e clnicas.
As caractersticas nicas de cada pacote so abordadas com maior cobertura de detalhes nas
respectivas documentaes e manuais. Uma vez que a mecnica de construo do modelo
muito parecida para todos os trs, eles sero discutidos em conjunto.
Em geral, a terminologia utilizada nos primeiros simuladores era orientada para
a manufatura. Qualquer entidade se movendo atravs de um sistema, por exemplo,
uma pea no ProModelPC, independente dela representar uma pea manufaturada
em uma linha de montagem, ou um paciente em uma sala de emergncia. O ProModel,
o ServiceModel e o MedModel usam uma abordagem geral com termos genricos
tais como entidade e recurso. Os ltimos trs pacotes tambm proporcionam
mais flexibilidade por meio de uma ampla variedade de construes para representar
elementos lgicos comuns, e, ao mesmo tempo, permitem uma transio fcil para a
lgica de programao, se necessrio. Esses pacotes de simulao tambm garantem
flexibilidade na determinao dos dados de sada desejados de um modelo. O maior
inconveniente para essa flexibilidade adicional proporcionada para Windows, en-
tretanto, a necessidade de um processador mais poderoso e de mais memria do que
a necessria para software baseado em DOS.
A animao grfica desempenha papel fundamental na construo de modelos
com esses pacotes, e os modelos grficos so definidos medida que o modelo
criado. Clicar com o mouse no cone desejado pode ajudar a definir locais, recursos ou
entidades, por exemplo. O mouse pode tambm ser empregado para definir sequncias
de rotas, para mostrar caminhos entre os locais e para construir a lgica de operao.
Compatvel com a orientao grfica, uma janela de layout est geralmente disponvel
durante o processo de construo do modelo para facilitar a definio grfica do sis-
tema e para proporcionar uma referncia visual.
O ProModel, o ServiceModel e o MedModel compartilham um mesmo construtor
de modelo, estruturado e projetado para se mover sequencialmente atravs de uma
srie de mdulos usados para definir um modelo completo. Entretanto, o uso dessas
facilidades no necessrio, e a maioria dos usurios rapidamente se move sem grandes
dificuldadesentre os mdulos. Cada um dos pacotes emprega um verificador de erros de
construo para determinar quando a construo do modelo est incompleta ou inconsis-
tente. Telas de entrada oferecem ajuda online sensvel ao contexto, com dicas formatadas
e explicaes simples. Uma facilidade o tutorial online que demonstra muitas tcnicas
especficas. O nvel de detalhe proporcionado nos relatrios de sada, tanto grfico como
tabulado, tambm definido medida que o modelo construdo.
24 Simulao de Sistemas

Os modelos so definidos pelos mdulos necessrios contidos no menu de cons-


truo (menu construir). Esses mdulos consistem de tabelas de edio e caixas de
dilogo usadas para estruturar os parmetros necessrios ao modelo. Embora todas as
informaes subsequentes possam fazer parte do modelo, apenas os cinco primeiros
elementos so obrigatrios.

Informaes Gerais
Ajustes default para unidades de tempo e de distncia so designados em Informa-
o Geral, assim como a biblioteca de cones grficos para propsitos de animao.
Muitas bibliotecas contendo cones grficos esto disponveis, mas novos arquivos
contendo outros cones ou combinaes especficas de cones existentes tambm
podem ser usados. Esse mdulo tambm permite notas explicativas para detalhar os
objetivos do estudo, a data de reviso, parmetros especficos de cenrio e outros
detalhes relevantes. A lgica formadora a ser executada no incio ou no final da rodada
de simulao tambm pode ser includa.

Locais
Pontos fixos atravs dos quais as entidades se movem so definidos como Locais.
Estes pontos podem estar em qualquer lugar onde uma entidade processada. Eles
podem ser tambm reas para enfileiramento, locais de armazenamento ou esteiras.
Uma fresa ou um torno poderiam ser definidos como Locais em um modelo orientado
para a produo; uma mesa de operao em um centro cirrgico poderia ser um Local
num estudo de hospital. A capacidade, definida como a quantidade de entidades que
podem estar presentes em um Local ao mesmo tempo, deve ser especificada. A quanti-
dade de Locais similares, ou unidades, tambm so aqui definidas. O tempo de parada
downtime deve ser especificado para cada Local, de acordo com a quantidade de ciclos
de operao efetuados ou por perodos de tempo, tempo de uso ou setup necessrio.
A regra de enfileiramento a ser empregada tambm especificada. O acompanhamento
estatstico das atividades em cada Local pode ser especificado ou omitido. As figuras usadas
para representar os Locais podem ser aumentadas ou diminudas e posicionadas na tela de
layout. Elas podem tambm ser editadas para mostrar informaes adicionais tais como
o nome do Local, contadores e medidores de nvel. Filas e esteiras podem tambm ser
aqui definidas com seus comprimentos, velocidades e outras caractersticas. Observaes
(notes), mesmo as explicativas a outras pessoas, ou lembretes ao construtor do modelo
sobre as consideraes utilizadas, podem tambm ser includas.

Entidades
Entidades so itens processados atravs do sistema. Eles podem representar peas,
pessoas, documentos de trabalho ou tudo o mais que requer recursos do sistema. Cada
entidade pode possuir diversos cones grficos para represent-la em diferentes es-
tgios de processamento ou em vrios pontos do sistema. Se uma entidade autotrans-
portvel ou vai ser tratada como tal no modelo, a velocidade de movimentao deve
Captulo | 4 Uma introduo aosoftwareProModel 25

ser tambm definida. Embora a modelagem de clientes, pacientes ou outras entidades


humanas seja a utilizao mais comum desta ferramenta, as peas em um ambiente
de manufatura podem tambm ser modeladas como entidades autotransportveis em
alguns casos. Os nveis de sada estatstica dos relatrios para cada tipo de entidade
podem ser tambm selecionados neste mdulo.

Processamento
A lgica de processamento define as operaes efetuadas e o roteamento de cada
tipo de entidade em cada Local no sistema. O processamento definido para cada tipo
de entidade em cada Local, onde esta sofre alguma ao ou simplesmente aguarda
o acesso a um Local subsequente. As sentenas de operao podem considerar os
tempos, incluindo as distribuies de tempo, e qualquer quantidade de passos lgicos,
tais como, juntar peas ou capturar recursos. As informaes de roteamento indicaro
normalmente o nome da entidade quando esta deixa determinado Local e o Local de
destino, para o qual a entidade se dirigir. Pode-se definir tambm uma lgica que ir
escolher qual ser o prximo Local. Os tempos e os recursos necessrios para a movi-
mentao entre dois Locais, assim como outra lgica relacionada com o movimento,
tambm podem ser includos.

Chegadas
A introduo de entidades no sistema especificada em Chegadas. Uma chegada
num Local especificada como sendo uma quantidade ou tamanho do lote para cada
tipo de entidade. A quantidade de chegadas programadas deve ser definida, mas ela
pode ser infinita (isso , as chegadas continuam medida que o modelo roda). O tempo
entre chegadas especificado como o inverso da frequncia. Tanto o intervalo de
tempo entre chegadas como a quantidade de chegadas podem ser definidos por uma
distribuio de probabilidade. Chegadas cclicas, tais como a variao na quantidade de
clientes que entram num banco em cada perodo do dia, podem ser definidas utilizando
um ciclo de chegadas. Sentenas lgicas podem ser tambm disparadas por chegadas.
As chegadas podem ser habilitadas ou desabilitadas conforme a necessidade, para testar
combinaes de programaes. Outra prtica comum na avaliao de programaes
ler as chegadas diretamente de uma planilha externa.

Recursos
Um recurso, como definido no ProModel, MedModel ou ServiceModel, uma
pessoa, um equipamento ou um transportador necessrio para efetuar uma ao,
mas no um Local, como descrito anteriormente. Em muitos casos um recurso
ser compartilhado por vrios Locais e dever se mover por uma rede de caminho
predeterminada. Em outros casos, um recurso poder ser esttico. Cada recurso deve
ser nico ou fazer parte de um grupo de recursos similares. O tempo de parada pode ser
atribudo a recursos baseado no tempo ou no uso. Nveis variveis de acompanhamento
estatstico podem ser aplicados s atividades. cones grficos diferenciados podem
26 Simulao de Sistemas

ser especificados para representar os recursos assim que estes mudem de estado, por
exemplo, quando um recurso passar de ocupado para ocioso, ou quando se mover
em direes diferentes. O submdulo Especificaes permite que sejam definidos:
velocidades de movimentao, tempo para pegar as entidades e detalhes do percurso.

Redes de Caminho
Os caminhos de Local a Local so definidos em Redes de Caminho. Entidades
autotransportveis, tais como pacientes de hospital, podem seguir esses caminhos por
si prprias se especificada no processo. Recursos que devem se mover entre Locais
tambm seguem caminhos designados neste mdulo, carregando ou transportando
entidades. Vrias entidades ou recursos podem compartilhar uma mesma rede. O
transporte pode ser definido em termos de tempo ou pela incluso de parmetros de
velocidade e distncia. Os caminhos devem permitir que os recursos ultrapassem uns
aos outros ou se mantenham em filas. Redes de caminho especiais so utilizadas para
definir operao de gruas e pontes rolantes.

Turnos
Recursos e Locais podem ser alados a programaes de turnos de trabalho es-
pecficas. As horas de trabalho so definidas graficamente e eventuais paradas durante
o turno tambm so especificadas. O uso de turnos necessita que data e hora sejam
especificadas para o incio do perodo de aquecimento, incio do acompanhamento
estatstico e trmino da rodada de simulao.

Imagens de Fundo
A fim de criar um modelo mais rico em informaes ou simplesmente para dar
mais graa animao, o especialista em simulao pode querer definir desenhos
de fundo para enfatizar certas estatsticas. O mdulo Imagens de Fundo permite que
isso seja conseguido por meio de um editor grfico. Ele tambm propicia que desenhos
sejam importados em vrios formatos diferentes. Essa ferramenta normalmente usada
quando as propostas para um processo novo e reconfigurado so projetadas sobre um
desenho da planta (CAD).
Dependendo da profundidade em que o extenso menu Construir acessado, os
seguintes mdulos opcionais podem ser encontrados abaixo de Mais Elementos.

Variveis
Uma varivel pode ser definida pelo construtor do modelo como sendo um con-
tador, uma chave lgica, um dispositivo de acompanhamento ou algo para qualquer
propsito adicional. O modelo pode executar passos lgicos baseados no valor atual
de uma varivel ou uma varivel pode ser empregada simplesmente para explicitar
uma informao numa tela de animao. As variveis podem ser definidas com valores
reais ou inteiros e podem ser usadas em uma variedade de clculos a ser executados
no modelo.
Captulo | 4 Uma introduo aosoftwareProModel 27

Atributos
Um atributo muito similar a uma varivel, mas relacionado a uma nica entidade
ou Local especfico. Qualquer coisa que possa fazer com que o sistema trate uma
entidade ou Local distintamente, em relao a outras unidades similares, deve ser
definida como um atributo. Exemplos disso podem ser o tipo de doena associada a
um paciente em um hospital ou um tratamento superficial especial necessrio a certas
peas. Algumas pessoas preferem visualizar os atributos como um rtulo anexo
entidade com uma informao especfica. Os atributos tambm podem ser utilizados
para capturar uma informao medida que a entidade se move pelo modelo. Um
atributo pode ser usado para anotar quanto tempo uma entidade gasta no sistema ou
quantas vezes uma entidade foi retrabalhada. Atributos de Locais so informaes
especficas que podem ser acessadas pelas entidades nos Locais.

Matriz
Uma Matriz um conjunto tabulado de valores que pode ser referenciada como uma
ferramenta que economiza tempo na construo do modelo. Cada elemento essencial-
mente uma varivel que pode ser selecionada pelo modelo de acordo com parmetros
predefinidos. O tempo de processamento de uma pea, por exemplo, pode ter o valor
localizado na linha da matriz referente pea, e na coluna designada para uma operao
especfica. Os nmeros podem ser atribudos com valores inteiros ou reais.

Macros
A entrada de valores de expresses numricas repetitivas pode ser simplificada
pela utilizao de Macros. Cada macro tem um nome que pode ser usado como
referncia, no havendo a necessidade de redigitar a expresso inteira. Por exemplo,
uma macro chamada pi pode substituir a digitao do valor toda vez em que este
usado no modelo. Macros podem tambm ser utilizadas para parmetros especficos
que sero modificados usando a Interface Run Time, a ser descrita com mais detalhes
mais adiante.

Sub-rotinas
Blocos de cdigos computacionais projetados para executar funes especiais ou ativar
alguma lgica podem ser chamados sub-rotinas. Expresses numricas ou dados podem
ser passados sub-rotina para avaliao, e a sub-rotina pode tambm devolver valores ao
modelo para uso posterior. Sub-rotinas so includas na lgica do modelo ao defini-las, e
depois simplesmente podemos cham-las em qualquer campo lgico vlido. As sub-rotinas
ativadas podem ser criadas para funcionar independentemente de outra lgica.

Ciclos de Chegada
Quando as entidades no chegam a uma taxa constante durante a simulao, ciclos
de chegada so definidos para mostrar a quantidade ou a percentagem que deve ser
28 Simulao de Sistemas

atribuda a um perodo de tempo. Por exemplo, em um balco de passagens de uma


companhia de aviao podemos encontrar que 40% dos passageiros aparecem entre as 6
e as 9 horas, que outros 30% necessitam de atendimento entre as 14 e as 18 horas, que
apenas 10% viajam durante a noite e que o restante est distribudo ao longo do dia.

Funes de Tabela
O modelo pode transferir valores independentes a uma tabela que retorna um valor
dependente correspondente, de acordo com algumas relaes definidas pelo construtor
do modelo. Essa caracterstica til, por exemplo, se o tempo que um paciente gasta
com um fisioterapeuta uma funo de um nico fator, tal como a doena que gera a
visita. A interpolao linear utilizada para encontrar valores dependentes apropriados
se os valores independentes transferidos para a tabela caem entre aqueles definidos
pelo construtor do modelo.

Distribuies do usurio
Embora a maioria dos pacotes de simulao permita ao construtor do modelo es-
pecificar muitas formas diferentes de distribuies estatsticas para representar dados
estocsticos, tambm possvel que dados empricos no sejam bem representados por
algum tipo comum de distribuio fornecido. Nestes casos, uma distribuio definida
pelo usurio pode ser criada de tal forma que reflita precisamente os dados reais. Estas
distribuies podem tambm ser contnuas ou discretas.

Arquivos Externos
Os dados podem ser lidos em um modelo de simulao a partir de arquivos ex-
ternos. O modelo pode tambm fornecer informaes para um arquivo. Tais arquivos
podem conter informaes sobre chegadas de entidades, tempos de operao ou sub-
-rotinas externas.

Ciclos
Um ciclo uma srie independente de nmeros aleatrios entre 0 e 1, usada para
determinar o valor selecionado a cada hora em que a simulao colocada em teste.
Cada stream (at 100) tem um nico valor da semente que o origina. O uso de um
valor especfico de semente garantir que o mesmo conjunto de valores aleatrios ser
gerado a cada momento em que o modelo for rodado. Embora mltiplas replicaes
possam ser efetuadas variando-se os valores de semente em diferentes rodadas do
modelo (uma funo que o software de simulao executa automaticamente), alguns
mtodos para comparar resultados de sada requerem que a mesma srie de nmeros
aleatrios seja designada para cada par de rodadas antes e depois.
As ferramentas fornecidas por vrios pacotes podem mudar com o passar do
tempo, de tal forma que o modelador preocupado com os requisitos de um projeto em
particular deva contatar a PROMODEL Corporation.
Captulo | 4 Uma introduo aosoftwareProModel 29

CARACTERSTICAS ESPECIAIS
Fuso e Submodelos
Na medida do possvel, os grandes projetos de simulao so frequentemente subdi-
vididos em partes menores, mais fceis de gerenciar. Um projeto de modelagem de um
hospital, por exemplo, deveria ser abordado pela modelagem parcial das salas de cirurgias,
da farmcia, da unidade de emergncia e de outros setores como segmentos separados.
A capacidade de fuso permite que dois ou mais desses modelos independentes sejam
combinados em um nico grande modelo. Em algumas simulaes, uma planta pode
consistir de vrios mdulos ou clulas que so muito similares. Cada clula deve ser tratada
como um submodelo e mesclada, quantas vezes forem necessrias, em um modelo maior
da planta para criar uma srie de operaes paralelas. As diferenas substanciais entre os
processos ou linhas podem ser estabelecidas aps a fuso dos processos.

Pacotes de Modelos
O menu Arquivo proporciona uma opo que permite que modelos completos
sejam empacotados de tal forma que possam ser utilizados por qualquer pessoa alm
do modelador. Este processo associa todos os arquivos relacionados com o modelo, tais
como fundos com mapas ou layouts (bitmap background), arquivos de turnos, biblio-
teca grfica e planilhas de chegadas externas, em um arquivo que pode ser facilmente
instalado em outro computador. Consultores normalmente usam esta propriedade para
fornecer um modelo demonstrativo (run-time) aos seus clientes. Estudantes podem
tambm criar um pacote de modelo para entregar aos seus instrutores.

Editor Grfico
cones utilizados para representar Locais, entidades e recursos podem ser inseri-
dos ou deletados no Editor Grfico. Este mdulo proporciona uma gama de formas
originais e um grande leque de cores que podem ser usados para criar e editar cones.
Alm da possibilidade de se copiar cones de uma biblioteca de grficos de modelo para
outra, tambm possvel importar grficos criados em outros pacotes para desenho.
Detalhes a respeito dos tipos de formatos grficos que podem ser importados esto
disponveis no Manual do Usurio.

Construo de Expresso
Argumentos lgicos e de operao podem ser construdos usando-se sentenas
prontas ou o construtor de expresso projetado para assegurar que o argumento conte-
nha as informaes necessrias para implementar a ao desejada. Todas as sentenas
lgicas possveis podem ser acessadas atravs desta ferramenta. Uma vez que a lgica
est completa ela pode tambm ser compilada em carter de teste para verificar a
sintaxe correta. Construtores de modelos iniciantes acharo esta ferramenta til, e
mesmo os modeladores mais experientes percebero a sua utilidade quando tiverem
que se utilizar de lgica de uso pouco frequente.
30 Simulao de Sistemas

Adequao de Curva
Dados estocsticos so mais usualmente includos nos modelos de simulao sob a
forma de distribuies de probabilidade. O uso e a seleo da distribuio apropriada
para representar dados empricos so abordados com mais detalhes nos Captulos 6 e
7. Algumas verses do software ProModel incluem um pacote chamado Stat::Fit, que
analisa os dados existentes empregando tcnicas estatsticas usuais a fim de determinar
qual a distribuio que fornece a melhor representao dos dados possvel. Ele tambm
proporciona os parmetros relevantes para a distribuio especificada, tal como a mdia
para uma distribuio exponencial, ou a mdia e o desvio-padro para a curva normal.

Interface de Demonstrao
Para se efetuar experimentos com um modelo de simulao, normalmente neces-
srio variar alguns parmetros construdos no modelo. Por exemplo, objetivando-se
encontrar o uso mais eficiente de uma linha de produo, pode-se necessitar que
o analista mude a quantidade de trabalhadores disponveis. Embora tais mudanas
sejam de fcil execuo, elas podem se tornar um pouco trabalhosas se tivermos que
testar muitas combinaes possveis. O MedModel, o ProModel e o ServiceModel
permitem o uso de macros para facilitar a rpida reconfigurao do modelo. Esta
ferramenta permite combinaes de mudanas a serem rodadas uma de cada vez, mas
mltiplos cenrios podem ser tambm processados sequencialmente, cada um com
uma quantidade especfica de replicaes, se necessrio.

UMA VISO GERAL DA SUTE DE OTIMIZAO PROMODEL


No caso de o modelo de simulao ter sido construdo para prever o desempenho
de um sistema simples ou mesmo para identificar a melhor maneira de configurar
este sistema, o SimRunner torna essa tarefa mais fcil e ajuda a assegurar que a sada
do sistema seja estatisticamente vlida. O SimRunner oferece suporte fase de ex-
perimentao no projeto de simulao atravs da extenso das utilidades da Simulao
por cenrios. Por exemplo, a Simulao por cenrios facilita a rodada de experimentos
independentes na medida em que responde a questes como: Quantos atendentes
eu preciso no balco de atendimento para manter o tempo mdio em que os clientes
esperam na fila em menos de trs minutos?. Para responder a questo, a Simulao
por cenrios poderia ser utilizada para, rapidamente, rodar mltiplas simulaes com
uma quantidade diferente de atendentes simulados em cada rodada. Estudando a sada
gerada a partir dessas rodadas, o usurio poderia determinar a quantidade mnima de
atendentes necessrios para manter o tempo mdio em que os clientes esperam em
menos de trs minutos.
Entretanto, para modelos mais complexos, com mltiplos parmetros de interesse,
normalmente difcil determinar os valores de cada parmetro que iro produzir a sada
mais desejvel do modelo. Isso porque alguns parmetros normalmente influenciam
mais a sada e porque h, normalmente, um alto grau de interao entre os parme-
tros. Esse o motivo pelo qual o SimRunner se justifica. O SimRunner constri os
Captulo | 4 Uma introduo aosoftwareProModel 31

experimentos ao rodar, automaticamente, um projeto fatorial de experimentos e/ou


algoritmos de otimizao para determinar como os parmetros influenciam a sada
produzida pelo modelo de simulao e para procurar por valores timos para os
parmetros (solues). Para conduzir um projeto, o usurio abastece o SimRunner
com um modelo de anlise, identifica a faixa de valores possveis para cada parmetro
de interesse e define uma funo-objetivo (usando a sada do modelo) por meio da
qual deve medir a utilidade da soluo.
O SimRunner projetado para proporcionar aos usurios trs estgios de apoio
tomada de deciso durante a fase de experimentao de um projeto de simulao.
Cada estgio pode ser utilizado independentemente, entretanto, para a maioria dos
projetos, aconselhvel utilizar todos os estgios. A seguir, temos uma descrio do
processo de trs estgios.
O primeiro estgio, pr-anlise, ajuda a melhorar a confiabilidade dos resulta-
dos de sada (estimativas pontuais) do modelo de simulao. Usando o balco de
atendimento como exemplo, o SimRunner poderia ajudar o usurio a determinar a
quantidade de replicaes necessrias para ser 95% confivel no caso da estimativa
pontual, para que o tempo mdio de espera dos clientes na fila no variasse alm
de meio minuto da mdia. Adicionalmente, para anlises de sistemas em regime, o
SimRunner utiliza a tcnica grfica Welch para ajudar os usurios a identificar o tempo
que o modelo leva para entrar em regime (perodo de aquecimento) e para identificar
a durao apropriada para a rodada. Mais informaes esto disponveis no Captulo
8, que aborda as tcnicas utilizadas pelo SimRunner.
O estgio dois, DOE (design of experiments), um projeto fatorial de experimentos
que ajuda o usurio a determinar se a mudana de um dado parmetro interfere na
sada do modelo de simulao e indica a importncia dos efeitos. Essas informaes
podem ser usadas para identificar quais parmetros tm influncia significativa na
sada do modelo, bem como o nvel de interao existente entre os parmetros. Esse
tipo de conhecimento pode ajudar o usurio a identificar bons valores para cada
parmetro e a entender melhor o comportamento dinmico do modelo de simulao.
Embora no seja necessrio rodar o estgio dois (projeto de experimentos) antes do
estgio trs (otimizao da simulao), a eficincia do processo de otimizao seria
melhorada se aqueles parmetros, conhecidos por no afetarem significativamente a
sada do modelo de simulao, forem desconsiderados. Para mais informaes
a respeito de experimentaes, veja o Captulo 5.
O estgio trs, Otimizao da Simulao, uma otimizao multivarivel que
testa diferentes combinaes de valores para os parmetros de entrada, a fim de
encontrar a combinao que fornece o melhor valor da funo-objetivo. Em alguns
modelos, a quantidade de combinaes possveis ser maior que a capacidade de o
analista test-las em uma quantidade de tempo razovel. Entretanto, necessria uma
estratgia eficiente para encontrar a melhor combinao sem a avaliao de todas as
combinaes possveis. O SimRunner encontra a soluo tima usando uma das mais
avanadas tcnicas de pesquisa disponveis. O Captulo 8 contm uma introduo
otimizao da simulao e algumas tcnicas utilizadas no mdulo de otimizao
do SimRunner.
32 Simulao de Sistemas

Questes para reviso


1. O que se entende por capacidade? Como isto se diferencia de unidades?
2. Qual a diferena entre um local e um recurso?
3. O que se entende por fuso de modelos? Como podemos utilizar essa capacidade
na construo de grandes modelos?
4. O que um submodelo e quando desejvel utiliz-lo?
5. Liste alguma das possveis aplicaes para as variveis definidas pelo usurio.
6. O que um atributo? Como podemos utiliz-lo num modelo?
7. Pense em um sistema de manufatura ou de servios. Quais elementos poderiam ser
definidos como locais? Quais seriam as entidades do sistema? Existiriam elementos
que pudessem ser definidos como recursos? Quais processos seriam executados em
cada local? Como voc poderia descrever a chegada de entidades no sistema?
Captulo 5

O Projeto da Simulao
A maioria de ns acharia inconcebvel construir uma casa sem uma planta ou es-
crever um livro sem um rascunho. O profissional ou o engenheiro, ao comear um
estudo de simulao de qualquer importncia, tambm deve compreender que, de
fato, construir a estrutura do modelo no computador apenas uma parte do esforo
deproporcionar uma ferramenta til para a tomada de deciso. Embora cada estudode
simulao seja nico, a maioria vai exigir o cumprimento de cada passo descrito a
seguir. A Figura5.1 ilustra as interrelaes entre esses passos (adaptado de Banks e
Carson, 1984). Veja tambm Balci (1990).

FIGURA 5.1 Interrelao entre os passos da simulao.

33
34 Simulao de Sistemas

A DEFINIO DO PROBLEMA E O ESTABELECIMENTO


DEOBJETIVOS
Mesmo os mais exaustivos estudos sero desvalorizados se no visarem a uma
necessidade real. Geralmente, o modelo mais eficiente aquele que considera
apenas as partes do sistema que necessitam ser estudadas para que proporcionem
respostas a um problema potencial ou existente. Embora todo bom modelador
de simulao deva atentar para preparar um modelo que possa ser expandido
facilmente para incluir outras partes do sistema que venham a merecer um estudo
futuro, a incluso desnecessria de detalhes irrelevantes resultar em altos custos
de modelagem, tempos de resposta mais longos e rodadas de computador mais
lentas.
Obter uma definio precisa e concisa do problema a ser estudado pode ser mais
difcil do que parece. Normalmente, o modelador no a nica pessoa com interesse
nos resultados do estudo. Engenheiros, gerentes, o pessoal operacional e outros podem
ter seus prprios interesses e expectativas diferentes com relao s informaes do
modelo. Um esforo para obter um acordo comum sobre a natureza do estudo e o seu
escopo resultar, normalmente, em um melhor apoio daqueles que devem fornecer
dados e outros tipos de assistncia.
Os objetivos de um estudo de simulao fluiro naturalmente a partir da de-
finio do problema, uma vez que o propsito de se executar, mais adiante, uma
experimentao com o modelo ser sempre resolver o problema. Embora a avaliao
de certos mtodos para a melhoria sejam, com certeza, uma parte vlida dos objeti-
vos de um estudo, estes no deveriam ser estreitamente estabelecidos, de maneira
a impedir o exame de novas alternativas sugeridas pelos resultados iniciais do es-
foro de modelagem. A maioria dos estudos de simulao se beneficiar, tambm,
dos objetivos de tempos e dos marcos do projeto. Uma vez que o modelador ter,
normalmente, outras responsabilidades, prazos para o cumprimento de fases do
projeto e para a entrega de resultados preliminares so essenciais para garantir que
o processo de construo do modelo receba certo grau de prioridade. Um estudo
de simulao que caminha indefinidamente, enquanto no produz resultados teis,
correr o risco de perder o comprometimento com o gerenciamento e, quase com
absoluta certeza, resultar em prolongamento do tempo de construo do modelo,
na medida em que o modelador repetidamente estar preocupado de forma cons-
tante em se concentrar no projeto.
Algumas organizaes podem solicitar a preparao de uma justificativa financeira
para o estudo de simulao. Embora os benefcios potenciais de um projeto possam
ser de difcil qualificao antecipada, a maioria dos tomadores de deciso desejar,
pelo menos, uma projeo preliminar dos benefcios resultantes dos investimentos
em software de simulao, recursos de engenharia e/ou honorrios de consultoria. A
crescente popularidade da simulao faz com que haja maior ateno ao processo de
justificativa. O Analisador de Benefcios da Simulao um exemplo dos esforos
recentes nessa rea. Veja o Apndice A para uma discusso mais detalhada das jus-
tificativas financeiras.
Captulo | 5 O Projeto da Simulao 35

FORMULAO E PLANEJAMENTO DO MODELO


Uma vez que o problema a ser estudado e os objetivos da simulao tenham sido
determinados, o modelador poder desenvolver uma estrutura conceitual para o mo-
delo. Ela dever incluir, via de regra, eventos e elementos fundamentais. A utilizao
de desenhos de layout ou croquis do sistema a ser estudado proporcionar diversas
vantagens: esses desenhos podem ser usados para refletir a viso do nvel geral de
detalhes requerido pelo modelo e servir como constante referncia; as representaes
grficas podem ser usadas para garantir a coleta sistemtica dos dados pertinentes a
cada local ou recurso; os fluxos e as interaes podem ser adicionados para auxiliar
o entendimento do sistema; e um desenho de layout agregar imenso valor para a
determinao dos padres dos movimentos de pessoas e recursos em qualquer percurso
de sistemas de transportes que deva ser includo.
A exatido dos dados utilizados no modelo deve influenciar sobremaneira os
resultados obtidos. Um plano inicial deve identificar os dados necessrios, fontes de in-
formao (se existir) e os meios para obt-los (se j no estiverem disponveis). O foco
principal deve ser a coleta dessas condies e fatos que devero servir de suporte para
os objetivos do estudo. Um modelador experiente deve orientar os outros participantes
do estudo, ajudando-os a entender qual informao relevante e qual dado deve ser
relevado. Um esforo para criar uma rplica ou a emulao do sistema normalmente
ftil e frustrante para o modelador. O melhor caminho simplesmente incrementar o
nvel de detalhe somente quando absolutamente necessrio para o alcance dos objetivos
do estudo. Sofisticao tcnica muito menos importante do que elucidar a relao
existente entre o modelo e o propsito para o qual ele foi construdo (Figura 5.1).

A COLETA DE DADOS
Algumas organizaes possuem informaes muito detalhadas de alguns aspectos
da sua operao, tais como, frequncia de parada de mquinas ou tempo de servio
em um determinado posto de trabalho, e, ainda, informaes muito superficiais sobre
outras reas. Se dados insuficientes ou incompletos esto disponveis, o modelador
deve tambm: 1) conseguir assistncia adicional daqueles mais familiarizados com o
sistema, 2) reunir informaes por si prprio, ou 3) estar determinado a acreditar e se
apoiar em alguns pressupostos na construo do modelo. Se um pressuposto usado
na ausncia de um dado mais firme, a boa prtica de modelagem estabelece que uma
anlise de sensibilidade deve ser realizada mais tarde, atravs da modificao dos
valores assumidos para determinar a importncia dos seus efeitos na performance
do sistema. Tal anlise deve indicar que a busca de informaes mais detalhadas no
contribui significativamente para a mudana dos resultados do sistema.
A nfase inicial deve ser dada na coleta de fatos fundamentais, informaes e es-
tatsticas que algumas vezes se referem a dados macro. Quase nunca preocupado com
particularidades, o propsito de um dado macro lanar as bases para a determinao
dos parmetros de entrada do modelo e selecionar com acurcia aqueles que vo neces-
sitar de uma coleta de dados micro mais detalhada futuramente. Isso vai permitir ao
36 Simulao de Sistemas

modelador solicitar informaes detalhadas de outros participantes que devem comear


reunindo dados que sero necessrios em estgios posteriores do projeto.
A coleta de dados um processo contnuo. Na medida em que o estudo de simula-
o progride, os dados macro sero incorporados ao modelo, e a coleta de micro dados
receber ateno crescente. Em muitos casos, o construtor de modelos pode continuar
a receber dados revisados e, provavelmente, mais precisos. A capacidade de incluso
de novas e melhores informaes uma das vantagens da simulao e a maioria dos
modeladores desejar criar modelos com a flexibilidade necessria para incorporar o
dado mais preciso disponvel.
Um desafio especial de coleta de dados encontrado pelo modelador que desenvol-
ve a representao de um sistema que ainda no existe. Nesse caso, a observao direta
e a coleta de estatsticas de performance no so possveis. Embora as especificaes
de fornecedores de equipamentos e de outros vendedores possam ser usadas, isso no
deveria ser a nica fonte de informaes. Dados de sistemas similares e existentes
podem ser teis desde que no se tratem de processos ou tecnologias radicalmente
novos. Especialistas da rea podem ser uma fonte de dados de valor, embora se deva
analisar criticamente as tendncias de pessoas que estejam intimamente envolvidas
com qualquer disciplina.
Embora todo projeto de simulao seja beneficiado pela abundncia de dados
precisos, essa situao ideal raramente encontrada na prtica. A coleta de dados,
bem como outras partes de esforo no projeto, exige tanto tempo como dinheiro.
Uma das decises mais difceis em qualquer projeto determinar o ponto em que um
incremento na coleta de dados no propiciar melhoria de significativa grandeza. Uma
interao com o cliente ou outro beneficirio do estudo essencial na determinao
desse limite.

DESENVOLVIMENTO DO MODELO
O modelo normalmente iniciar como uma abstrao conceitual do sistema, com
crescentes nveis de detalhes adicionados enquanto o modelo se desenvolve. O modelo
conceitual se tornar um modelo lgico medida que o processamento de eventos e os
relacionamentos entre os eventos estejam definidos. Assim que o desenvolvimento ou
codificao do modelo computadorizado real se inicia, o modelador deve ser capaz
de pensar abstratamente em conceitos correlatos de sistemas do mundo real para que
haja congruncia entre a estrutura do modelo e a ferramenta de modelagem em uso.
A construo do modelo pode acontecer concomitante coleta de dados. O fato de
inclurem-se as entradas de outros participantes interessados nesse momento ajuda a
assegurar o apoio de fontes potenciais para dados que sero teis no futuro.
O software ProModel usa uma abordagem modular que se apresenta ao modelador
em um formato que permitir a ele obter vantagens ao se utilizar de construes
predefinidas, projetadas para agilizar o processo. Entretanto, mesmo com essa til
abordagem, dois modeladores diferentes abordaro um modelo complexo de maneiras
diferentes. Embora a experincia com uma grande variedade de aplicaes ajude o
construtor de modelos iniciante a desenvolver um repertrio de abordagens que evite
Captulo | 5 O Projeto da Simulao 37

problemas potenciais, algumas pessoas preferiro se especializar em reas tais como


manuseio e armazenamento de materiais ou em aplicaes industriais especficas.
A importncia de interao regular com usurios finais do modelo durante o proces-
so de desenvolvimento no pode ser subestimada. Trabalhar com o cliente na definio
de detalhes ajudar a garantir que o modelo permanea verdadeiro para a inteno do
projeto e comece a desenvolver a credibilidade essencial para futuras implementaes
ou melhorias sugeridas. Duas das mais importantes questes no estabelecimento da
credibilidade so a verificao e a validao.

A VERIFICAO
dito que um modelo est pronto para ser verificado quando ele funciona da
maneira como o modelador pretendia. A verificao do modelo pode ser efetuada
rodando-se a simulao e monitorando-se de perto a sua operao. A maioria dos
modelos complexos vai necessitar de pelo menos uma depurao para assegurar que
eles reflitam de maneira acurada a inteno do modelador. Conseguir gerar o tipo de
informaes de sada que v ao encontro dos objetivos do estudo , obviamente, uma
importante indicao da veracidade do modelo.
Vrias ferramentas podem ser teis no processo de verificao e depurao de um
modelo. A animao pode ser estudada em velocidade suficientemente baixa para a
anlise do movimento das peas, clientes e outras entidades no sistema. Embora til,
a animao no deve ser usada como o nico meio de verificao. Variveis e outros
contadores podem ser apresentados na tela da animao ou monitorados por meio de
plotagem para assegurar que as variveis estejam antecipadamente respondendo ao
modelador. Outro passo valioso de verificao conseguir que outro modelador ex-
periente analise a estrutura do modelo. As sadas do modelo de simulao podem ser
tambm comparadas com as previses de outros modelos analticos, se disponveis.
Em alguns casos, o desempenho do modelo pode ser testado com uma variedade de
diferentes cenrios para determinar se a resposta ocorre como prevista.
Uma ferramenta indispensvel de verificao uma opo de rastreamento, uma
caracterstica que permite ao modelador caminhar pelo modelo, evento a evento. Os
pacotes ProModel permitem que as informaes de rastreamento sejam transferidas a
arquivos externos. Uma vez que os arquivos de rastreamento podem conter um registro
de cada transao do sistema, ateno especial deve ser dispensada determinao
sobre o que analisar. O uso extensivo dessa caracterstica pode consumir tanto o tempo
do modelador como a memria de computador.

A VALIDAO
A validao o processo de se assegurar que o modelo reflete a operao do sis-
tema real em estudo de tal forma que d encaminhamento ao problema definido. Testar
a validao deve ser um esforo cooperativo, em equipe formada pelo modelador,
potenciais usurios e outras pessoas familiarizadas com a operao real do sistema. O
modelador geralmente conduzir uma navegao estruturada pelo sistema na qual ele
38 Simulao de Sistemas

far a exposio do modelo e a forma como ele se relaciona com o sistema existente.
Complementando a abordagem de explicao geral do sistema adotada, o modelador
deve expor a importncia e os possveis impactos das suposies incorporadas ao
modelo. Ele deve ento receber a retroalimentao referente validade dos pres-
supostos por parte daqueles mais familiarizados com o sistema. A animao pode ser
tambm utilizada como ferramenta de validao, embora, em geral, somente depois
que o modelador tenha feito a verificao.
Um mtodo de teste envolve o uso de mudanas nos dados de entrada para deter-
minar se o modelo responde da mesma forma que o modelo real. Incrementando ou
decrementando o valor de um parmetro de entrada e comparando o impacto com as
respostas conhecidas do sistema, a credibilidade de um modelo pode ser estabelecida.
Muito cuidado deve ser tomado para garantir que apenas os parmetros de entrada
sob avaliao sero alterados; outras entradas (como sementes de nmeros aleatrios)
devem permanecer as mesmas. Os resultados desse tipo de teste serviro tambm como
uma anlise de sensibilidade para identificar os tipos de informao que merecem
esforo adicional de conjuno de dados.
Outra abordagem til permitir que os especialistas no sistema possam discernir o
significado das diferenas existentes entre o sistema real em estudo e o modelo. Forne-
cemos aos especialistas no sistema e demais profissionais experientes envolvidos cpias
dos resultados do sistema real e do modelo simulado. Ambos na mesma formatao, sem
revelarmos qual qual. Os especialistas tentam ento distinguir entre os dois, avaliando se
observam diferenas significativas entre ambos. Outra tcnica de validao estabelece o uso
de dados de entrada histricos, como uma programao da produo, para pilotar o modelo.
As sadas do modelo so ento comparadas com as sadas histricas para se determinar se
a predio das sadas histricas do modelo so suficientemente acuradas.
Em muitas situaes, o modelador se ver diante de situaes nas quais o sistema
objetiva propsitos de comparao. Podem-se usar estimativas para os novos sistemas,
partindo de sistemas mais familiares, assim como de informaes dos fornecedores de
equipamentos comprados quando estes forem adotados pela primeira vez no sistema.
interessante notar que muitos fornecedores de sistemas integrados esto atualmente
desenvolvendo simulaes de suas solues propostas e, em alguns casos, os modelos
podem ser utilizados pelos compradores do novo equipamento.

EXPERIMENTAO
O ideal que o construtor do modelo e demais envolvidos no projeto tenham
pelo menos algumas ideias preliminares acerca de alternativas de solues a serem
avaliadas. Antes de avaliar cada uma com o modelo, o especialista em simulao ir
determinar a extenso necessria de tempo a ser simulado e o tempo para se atingir o
estado de regime (quando aplicado), visando obter resultados aceitveis.
O modelador ir ento considerar a variao dos resultados de sada e determinar
o nmero de replicaes necessrias para obter uma amostragem estatstica confivel.
Uma simulao muito longa, replicaes em excesso ou um tempo muito longo de
aquecimento pode aumentar tanto o tempo necessrio quanto o custo do estudo,
Captulo | 5 O Projeto da Simulao 39

enquanto acrescenta pouco aos resultados. Erros no sentido contrrio iro conduzir a
resultados distorcidos ou no confiveis. Por exemplo: simular um dia numa fbrica
de avies, quando se requer vrios meses para construir um avio, ir gerar resultados
no significativos. Por outro lado, a simulao de uma semana de uma fbrica de
componentes eletrnicos que tem o tempo de ciclo na faixa de segundos seria um
desperdcio de recursos humanos e computacionais.
Projeto Experimental o desenvolvimento de procedimentos e testes para analisar
e comparar alternativas. Seu propsito maximizar a utilidade da informao produzida
pelas rodadas da simulao, enquanto minimiza o esforo. Sem este plano, pode ser difcil
realizar comparaes equitativas entre solues candidatas. Experimentos que envolvem
elementos aleatrios podem ser projetados de forma a garantir que cada alternativa testada
est sujeita mesma aleatoriedade, atravs do uso de conjuntos de nmeros aleatrios
comuns. Uma sequncia idntica de eventos pode ser recriada para cada experimento, e
tcnicas de reduo da variao podem ento ser aplicadas para testar os resultados a fim
de salientar os contrastes entre as alternativas. Numerosas solues candidatas podem ser
estatisticamente analisadas para avaliar seu desempenho ao critrio selecionado.
Cada nova configurao experimental deve considerar uma breve reviso para
validao, a fim de assegurar que o modelo poder prover resultados confiveis. Se
uma alternativa no foi vislumbrada quando o modelo foi construdo, deve-se assegurar
que o modelo seja vlido para o novo arranjo.

ANLISE DOS RESULTADOS E APRESENTAO


Cada configurao do modelo e seus resultados de sada associados devem ser
bem documentados. Alm de facilitar relatos eventuais, o armazenamento cuidadoso
dos registros ir auxiliar o modelador a determinar no apenas que alternativa atinge
o melhor resultado, como tambm permitir observar tendncias que podem sugerir
alternativas adicionais a serem consideradas. Em certos casos, podem ser necessrias
replicaes adicionais para se determinar a significao estatstica de uma melhoria
observada.
Idealmente, o modelador ir elaborar uma lista das alternativas modeladas, com os
fundamentos assumidos e resultados obtidos. Apesar de pacotes de simulao gerar
uma fartura de estatsticas em formato tabular, grficos que mostrem resultados do
sistema mais agilmente so mais efetivos para apresentaes.
Infelizmente, alguns modeladores ficam to entretidos na construo do modelo
e na avaliao de diferentes alternativas que acabam esquecendo que o propsito do
exerccio era responder a questes do mundo real ou solucionar um problema. Alm de
permitir ao construtor do modelo o uso de animao, grficos de resultados e relatrios
que documentem bem suas ideias, a simulao pode se tornar uma ferramenta extrema-
mente poderosa, para uma excelente exposio a tomadores de deciso de alto nvel.
Se as solues potenciais identificadas por um estudo de simulao exigirem um
capital significativo para sua implementao, o que normalmente ocorre, uma jus-
tificativa detalhada, mostrando seus custos e benefcios, ir aprimorar a utilidade do
relatrio do projeto de simulao. Uma crtica comum simulao e a muitas outras
40 Simulao de Sistemas

tcnicas analticas, no passado, era de que estas no consideravam os desdobramentos


financeiros de suas recomendaes. Atualmente, d-se maior nfase ao trabalho
com o pessoal operacional e financeiro a fim de se obterem estimativas confiveis,
desenvolvimento este que acarreta numa maior utilidade da simulao e numa im-
plementao mais frequente das recomendaes do estudo. O Captulo 10 trata do uso
das perspectivas financeiras com maior detalhe.

IMPLEMENTAO
A implementao comea, na verdade, com o incio do projeto de simulao.
A extenso na qual as recomendaes do estudo so colocadas em prtica depende
amplamente da efetividade de cada uma das etapas anteriores. Se o usurio final,
cujo trabalho ser impactado, e outras partes interessadas mantiveram-se informadas
e ativamente envolvidas na conduo do processo, eles estaro muito mais propensos
a auxiliar na implementao da soluo selecionada.
importante o estabelecimento de uma programao para o projeto. raro bons
projetos de simulao simplesmente desaparecerem. Eles so normalmente adiciona-
dos, adaptados ou fundidos em modelos maiores para continuar sua utilidade num novo
formato. O modelador deve fazer todo o esforo para assegurar que a documentao
das premissas e a lgica no modelo continuem corretos. Um relatrio post-mortem (pre-
sumidamente dependendo da qualidade do modelo) raramente feito na prtica, mas
pode gerar algumas ideias efetivas no planejamento do prximo projeto de simulao.

Questes para reviso


1. Uma descrio concisa do problema e o estudo dos objetivos sero teis ao mode-
lador de muitas maneiras. Quais obstculos podem ser evitados atravs de uma boa
definio do problema e de uma lista de objetivos?
2. Quais as vantagens de se desenvolver uma estrutura conceitual para o modelo ao
mesmo tempo em que os dados so preparados?
3. Como podemos tornar mais manevel o desenvolvimento de um modelo complexo
e amplo?
4. Como voc pode determinar quais partes de um projeto de simulao merecem es-
foros adicionais de coleta de dados?
5. Qual a diferena entre verificao e consolidao de um modelo? Quais tcnicas
esto disponveis para cada um?
6. Quais fatores voc consideraria para decidir o perodo de tempo de simulao para
um dado sistema?
7. Para cada um de seus patres, atuais ou recentes, descreva como voc faria uma
sugesto (investida) para um estudo de simulao. Em que aplicaes a simulao
seria til? Como voc apresentaria a ideia? Quem voc envolveria no seu estudo de
modelagem? Por qu?
Captulo 6

Compreendendo Distribuies
deProbabilidade
Para um projeto de simulao, necessrio uma base de dados que se encaixe ao
sistema real. Algumas informaes no podem ser simplificadas como um simples
parmetro, necessitando uma distribuio matemtica.

DISTRIBUIES DE PROBABILIDADE E SIMULAO


Uma distribuio de probabilidade um conjunto de valores ou medidas que
relaciona a frequncia relativa com a qual um evento ocorre ou que vir a ocorrer.
Modelos de simulao estocstica utilizam distribuies de probabilidade. Exemplos
clssicos em manufatura so tempo entre falhas de um equipamento e tempo neces-
srio para reparo. Tempo entre chegadas de clientes em um sistema, ocorrncias de
defeitos e tempo associado a uma nova e indefinida tarefa so outros exemplos. Em
geral, qualquer processo que produz sadas repetidamente, que varia a cada iterao,
pode ser representado por uma distribuio de probabilidade.

CRIANDO UMA DISTRIBUIO DE PROBABILIDADE


O primeiro passo para criar uma distribuio de probabilidade obter dados
empricos. Dados empricos so informaes registradas, sendo contagens ou medidas,
coletadas no seu formato original. Os dados na Tabela6.1 so um exemplo de conjunto
de dados originais e representam cem observaes de tempo entre chegadas de pacotes
recebidos em uma posio.
O segundo passo envolve criar um histograma de frequncias relativas dos
dados. Consegue-se isso agrupando os dados em intervalos de classe. O nmero
de intervalos usualmente varia entre cinco e vinte dependendo do nmero de dados
coletados. Com menos dados, menor o nmero de intervalos necessrios. A Tabe-
la6.2 apresenta dez intervalos de classe selecionados para os dados da Tabela6.1.
O campo de frequncias representa a quantidade de dados que pertencem a cada
respectivo intervalo. A frequncia relativa ou probabilidade calculada dividindo-se
a frequncia pelo nmero total de dados. Simplesmente relaciona-se a porcentagem

41
42 Simulao de Sistemas

TABELA 6.1 Amostra de tempos entre chegadas de pacotes em uma posio


deentrega (em minutos)

Observaes de tempos entre chegadas [min]


1 17 29 2 22 1 22 1 4 32

20 5 8 6 10 3 1 11 13 2

15 8 1 23 29 9 34 17 10 4

15 2 1 1 40 8 6 6 8 1

3 24 14 24 8 14 28 12 18 7

1 5 6 10 54 12 13 1 22 45

5 12 2 14 12 1 33 23 7 5

12 5 46 18 2 2 6 2 39 7

4 4 2 19 1 25 12 3 5 1

TABELA 6.2 Frequncia relativa de tempos entre chegadas

Intervalo de Classe Frequncia Probabilidade


0-5 36 0,36

6 - 10 21 0,21

11 - 15 15 0,15

16 - 20 7 0,07

21 - 25 8 0,08

26 - 30 4 0,04

31 - 35 3 0,03

36 - 40 3 0,03

41 - 45 1 0,01

46 - 50 1 0,01

> 50 1 0,01

TOTAL 100 1,00


Captulo | 6 Compreendendo Distribuies deProbabilidade 43

de dados encontrados em cada intervalo. A Figura6.1 um histograma de probabi-


lidades para os dados da Tabela6.2, graficamente dispondo a distribuio dos dados
ao longo de todos os intervalos.

FIGURA 6.1 Histograma de frequncias relativas para tempos entre chegadas.

VARIVEIS ALEATRIAS
Uma varivel aleatria uma varivel cuja sada determinada pelo resultado de
um experimento. A quantidade de tempo entre chegadas em uma posio no exemplo
anterior pode ser considerada uma varivel aleatria. Muda indiscriminadamente
ao longo do tempo. A amplitude entre possveis valores determina se uma varivel
aleatria discreta (possibilidades finitas) ou contnua (possibilidades infinitas).
Uma varivel aleatria usualmente designada por um X maisculo e os valores as-
sociados a ela com um x minsculo. Se X uma varivel aleatria representando o
tempo entre chegadas do exemplo mencionado anteriormente, ento P(Xx) indica
a probabilidade da varivel aleatria X ser menor ou igual ao valor x.

FUNES DENSIDADE DE PROBABILIDADE


Uma funo densidade de probabilidade relaciona as probabilidades corres-
pondentes aos valores x individuais associados com uma varivel aleatria X. (Um his-
tograma de probabilidades associa probabilidades com grupos de valores x). Funes
correspondem a pares de valores que so descritos por uma equao matemtica. Eles
podem ser expressos graficamente projetando os pares de valores. Um eixo horizontal
tipicamente representa valores x e um eixo vertical usualmente denota valores y. Os
44 Simulao de Sistemas

valores y de uma funo densidade de probabilidade associam probabilidades corres-


pondentes a valores individuais de x. Essa a razo pela qual uma funo densidade
de probabilidade usualmente denotada por y=f(x), o que significa dizer que y
uma funo de x.
A equao matemtica que descreve uma funo densidade sempre difcil de
estabelecer. Pode ser frequentemente aproximada encontrando uma distribuio
de probabilidade padro conhecida (por exemplo: normal, exponencial, gama etc.)
que representa com exatido a distribuio de frequncia relativa dos dados reais.
O formato do histograma de frequncias relativas fornece dicas para encontrar uma
distribuio padro representativa.
O formato do histograma na Figura6.1 indica que uma distribuio exponencial
uma candidata provvel para representar a densidade de probabilidade dos dados
observados. Uma distribuio exponencial tem uma funo densidade de probabilidade
que representada matematicamente como apresentado a seguir, onde b (beta)
parmetro de escala para a distribuio. O valor de b em uma distribuio exponencial
igual mdia da distribuio.
A mdia calculada para os tempos entre chegadas dos dados da Tabela6.1 de
12,41 minutos. A Figura6.2 mostra uma distribuio exponencial com parmetro b
igual a 12,41. A distribuio hipoteticamente boa para retratar os dados dos tempos
entre chegadas. O Captulo 7 fornece informaes adicionais de como verificar o
ajusteentre uma distribuio de probabilidade emprica e uma distribuio de proba-
bilidade padro.

FIGURA 6.2 Funo densidade de probabilidade.


Captulo | 6 Compreendendo Distribuies deProbabilidade 45

DISTRIBUIES DISCRETAS E CONTNUAS


Uma distribuio de probabilidade discreta uma distribuio com um nmero
finito de possveis valores x. A distribuio de probabilidade associada com a ao de
jogar dados um exemplo deste tipo de distribuio. Existem apenas seis valores x
associados a um dado: 1, 2, 3, 4, 5 e 6.
Uma distribuio de probabilidade contnua uma distribuio que contm um
nmero infinito de valores x. Se o nmero de possveis valores x igual ao nmero de
pontos em um segmento, ento a distribuio contnua. Considere uma distribuio
de probabilidade uniforme contnua (a probabilidade para qualquer valor a mesma)
com valores entre 1 e 6. Alguns valores desta distribuio so 1,1; 1,134; 2,456; 2,56;
3,345 e 4,897. O nmero de possibilidades infinito.

MDIA, VARINCIA E DESVIO-PADRO


Uma estimativa da mdia da distribuio obtida atravs da soma dos valores
colhidos dividindo pelo nmero total de valores. Suponha que tenhamos os valores a
seguir: 1, 2, 4, 4, 5, 7, 7, 8, 9, 10. A mdia (1+2+4+4+5+7+7+8+9+10)
dividido por 10, ou seja, 5.7.
A mdia de uma distribuio de probabilidade pode ser imaginada em termos de
massa. A massa representa a densidade de probabilidade. A mdia o ponto no qual,
se colocarmos um suporte, a distribuio ficar balanceada.
A varincia de uma distribuio de probabilidade mede a distncia entre os valores
de uma varivel aleatria e a mdia da distribuio. Desvio-Padro a raiz quadrada
da varincia. Se a varincia de uma distribuio igual a 36, ento o desvio-padro
igual raiz quadrada, ou seja, 6. As equaes matemticas para estimar as mdias e
varincias de distribuies de probabilidade so definidas em um captulo mais adiante.

DISTRIBUIES DE PROBABILIDADE ACUMULADAS


Uma distribuio de probabilidade acumulada revela a porcentagem de vezes
que um dado valor da varivel aleatria ser menor que um determinado nmero.
Origina-se da totalizao sucessiva de probabilidades associadas com cada possvel
valor para a varivel aleatria. A soma final deve ser sempre igual a um. Jogar um
dado pode ser usado para ilustrar este princpio. H seis valores da varivel aleatria
associados com a ao de jogar um dado. A probabilidade de ocorrer qualquer valor
1/6. As chances de encontrar um valor menor ou igual a dois, trs, quatro, cinco ou
seis so respectivamente 2/6, 3/6, 4/6, 5/6 e 1.
A Tabela6.3 demonstra a distribuio de probabilidade acumulada para os dados
da Tabela6.1. Fornece as chances dos tempos entre chegadas serem menores ou iguais
a um determinado tempo. Por exemplo, podemos esperar 79 de cada 100 chegadas
menores ou iguais a 20 minutos.
46
Simulao de Sistemas
TABELA 6.3 Probabilidade acumulada

Intervalo Frequncia Probabilidade Probabilidade Acumulada


deClasse
0-5 36 0,36 0,36

6 - 10 21 0,21 0,36+0,21 = 0,57

11 - 15 15 0,15 0,36+0,21+0,15 = 0,72

16 - 20 7 0,07 0,36+0,21+0,15+0,07 = 0,79

21 - 25 8 0,08 0,36+0,21+0,15+0,07+0,08 = 0,87

26 - 50 4 0,04 0,36+0,21+0,15+0,07+0,08+0,04 = 0,91

31 - 35 3 0,03 0,36+0,21+0,15+0,07+0,08+0,04+0,03 = 0,94

36 - 40 3 0,03 0,36+0,21+0,15+0,07+0,08+0,04+0,03+0,03 = 0,97

41 -45 1 0,01 0,36+0,21+0,15+0,07+0,08+0,04+0,03+0,03+0,01 = 0,98

46 - 50 1 0,01 0,36+0,21+0,15+0,07+0,08+0,04+0,03+0,03+0,01+0,01 = 0,99

> 50 1 0,01 0,36+0,21+0,15+0,07+0,08+0,04+0,03+0,03+0,01+0,01+0,01 = 1,00


Captulo | 6 Compreendendo Distribuies deProbabilidade 47

FUNO DISTRIBUIO ACUMULADA


Uma funo distribuio acumulada descreve matematicamente as relaes
entre os valores associados a uma varivel aleatria e suas probabilidades acumuladas.
Como uma funo densidade, associa pares de valores. O eixo y denota probabilidade
acumulada e o eixo x designa a amplitude de valores para uma varivel aleatria. A
equao da linha gerada pelos pares (x,y) pode ser determinada pela funo densidade
de probabilidade. Em termos de clculo, a funo distribuio acumulada obtida
integrando a funo densidade de probabilidade (f(x) dx) ao longo do intervalo de
possveis valores de x. A Figura6.3 fornece a funo probabilidade acumulada para
a funo densidade apresentada na Figura6.2.

FIGURA 6.3 Funo distribuio acumulada.

NMEROS ALEATRIOS
Um nmero aleatrio qualquer nmero obtido sem nenhum padro particular,
propsito ou razo. Um simples exemplo usando bolas de pingue-pongue pode ilustrar
essa definio. Dez bolas so marcadas com nmeros de zero a nove. Todas so colocadas
em um saco. Algum indiscriminadamente chega ao saco e escolhe uma bola. O nmero
na bola selecionada um nmero aleatrio. Nmeros aleatrios entre zero e nove so
usados para estabelecer o comportamento estocstico de modelos de simulao.

GERADOR DE NMEROS ALEATRIOS


Um gerador de nmeros aleatrios qualquer mecanismo que produz nmeros
aleatrios independentes. O termo independente implica que a probabilidade de
produzir qualquer valor permanece a mesma cada vez que um nmero produzido.
48 Simulao de Sistemas

Se a bola de pingue-pongue retirada no exemplo anterior for sempre devolvida ao saco


antes da prxima retirada (o saco sacudido um pouco), ento cada nmero aleatrio
independente.
Geradores de nmeros aleatrios produzem sequncias de nmeros, com cada
nmero calculado a partir de nmero previamente computado. O nmero inicial
chamado de semente. Por definio, um verdadeiro nmero aleatrio no pode ser
previsto. Ento, os nmeros calculados so chamados de pseudoaleatrios. Um gerador
linear o mais comum para gerar nmeros entre zero e um. Gera uma sequncia
aleatria usando tcnicas matemticas.

EXTRAINDO VALORES ALEATRIOS DE DISTRIBUIES


DEPROBABILIDADE
A lgica fundamental usada para extrair valores de distribuies de probabilidade
baseada na funo distribuio acumulada e gerador de nmeros aleatrios. A
funo distribuio acumulada tem y valores variando entre zero e um. Geradores
de nmeros aleatrios produzem conjuntos de valores uniformemente distribudos
ao longo do intervalo. Para cada valor y (nmero decimal entre zero e um) um nico
valor x (aleatrio) pode ser calculado.

Questes para Reviso:


1. O que uma distribuio de probabilidade? O que so dados empricos?
2. Quais os passos para criar uma distribuio de probabilidade?
3. Como voc pode determinar se uma distribuio discreta ou contnua?
4. O que uma funo densidade de probabilidade? Como um histograma de frequn-
cias relativas til?
5. Defina mdia e varincia.
6. O que uma distribuio de probabilidade acumulada? O que funo de proba-
bilidade acumulada?
7. O que um gerador de nmeros aleatrios? Que papel desempenha em modelos
desimulao?
8. Por que o termo pseudo usado quando descrito um gerador de nmeros
aleatrios?
9. Qual a diferena entre semente aleatria e sequncia aleatria?
Captulo 7

Encontrando a distribuio correta


Como comentado no Captulo6, para algumas informaes, h a necessidade de
adequar os dados para uma distribuio matemtica. Porm, nem toda distribuio
pode ser considerada correta para o conjunto de dados que se tem. Este captulo aborda
como encontrar uma distribuio que se adapte sua necessidade.

POR QUE UTILIZAR UMA DISTRIBUIO PADRO?


As distribuies padro so utilizadas para representar distribuio de dados em-
pricos porque ajudam a nivelar irregularidades que podem existir nos dados causadas
pela perda de valores durante o perodo de coleta dos dados. Valores no observados
durante a coleta de dados podem ser contabilizados utilizando uma distribuio padro
representativa dos dados observados.
Dados empricos so frequentemente colhidos em curtos intervalos de tempo.
Valores extremos (valores nas caudas da distribuio) podem no ocorrer nesses
intervalos. Suponha, por exemplo, que os tempos de chegada de clientes em um
banco so conhecidos como variando entre 0 e 60 minutos. As chegadas de clientes
so registradas durante um perodo de dois dias, mas nenhum tempo entre chegadas
acima de 20 minutos foi observado. Excluir esses valores da anlise pode influenciar
o desempenho da resposta significativamente.
A preferncia de uma distribuio padro sobre outra totalmente dependente dos
dados empricos que representa ou do processo estocstico adotado que est sendo
modelado (quando no h dados disponveis). Softwares esto disponveis e podem
rapidamente analisar dados empricos e sugerir a distribuio mais apropriada. UnfitII,
de Averill M. Law, um exemplo. Esse software tem a capacidade de rapidamente
analisar dados e realizar diversos testes estatsticos para identificar a distribuio que
melhor se aproxima dos dados. Um desses testes de goodness-of-fit descrito em uma
seo posterior deste captulo. Embora distribuies definidas pelo usurio possam
tambm ser criadas, se os dados empricos no se ajustarem a qualquer distribuio,
essas distribuies podem exigir passos computacionais adicionais para cada valor
gerado e um maior tempo de processamento.

ALGUMAS DISTRIBUIES DE PROBABILIDADE


Distribuies de probabilidade padro so usualmente percebidas pelo formato
produzido por suas funes densidade de probabilidade. A curva em forma de sino,
por exemplo, uma figura tipicamente associada a uma distribuio normal. Muitas

49
50 Simulao de Sistemas

funes densidade de probabilidade tm parmetros que controlam suas caractersticas


de forma e escala. Dois dos mais comuns so o parmetro a (alfa) definindo o formato
da distribuio e o parmetro b (beta) descrevendo a escala em que os valores da dis-
tribuio variam. As mdias e varincias das distribuies so definidas em termos
dos parmetros a e b.
Diversas distribuies contnuas de probabilidade so frequentemente usadas na
simulao. Isso inclui as distribuies Exponencial, Gama, Normal, Uniforme, Weibull,
Triangular, Lognormal, Erlang e Beta. Compreender as caratersticas principais e usos
tpicos dessas distribuies pode ajudar quem modela a reconhecer a distribuio
representativa para os dados empricos e sugerir distribuies apropriadas quando
no existirem dados. As distribuies mais comuns e alguns de seus usos tpicos so
definidos a seguir (Figura7.1).

FIGURA 7.1 Exponencial: f (x)=( 1/ b ). e x / b

Algumas vezes sendo referida como Exponencial Negativa, a distribuio lar-


gamente usada em sistemas de espera. utilizada para gerar valores aleatrios para
o tempo entre chegadas de clientes em um sistema. O termo clientes envolve um
infinito nmero de possibilidades, desde pacotes chegando a uma posio at pedidos
em sistema computacional. Outras possveis aplicaes so o tempo para completar
uma tarefa e o tempo at falhar um componente eletrnico.
Captulo | 7 Encontrando a distribuio correta 51

Parmetros de especificao: mdia, semente aleatria (Figura7.2).

FIGURA 7.2 Gama: f (x)=( b a x a1 e x/b ) / (a)

A Distribuio Gama pode ser usada para representar o tempo necessrio para com-
pletar uma tarefa ou um grupo de tarefas. Suponha que uma distribuio exponencial
com mdia de 1,2 horas descreva o tempo para completar uma determinada tarefa. A
distribuio gama pode ser utilizada para gerar valores representando o tempo total
necessrio para completar essa tarefa n vezes independentes. O valor a ser igual a n
para esse cenrio. Quando a=1, torna-se uma distribuio exponencial.
52 Simulao de Sistemas

Parmetros de especificao: a, b, semente aleatria (Figura7.3).

FIGURA 7.3 Normal: f (x)=( 1/ 22 ). exp[(xm)2/22]

A Distribuio Normal utilizada para medir vrios tipos de erro. Operaes de


recebimento/inspeo frequentemente requerem o uso de instrumentos calibrados para
medir as dimenses de vrios componentes. As medies reveladas por um instrumento
so assumidas como normalmente distribudas em torno da dimenso verdadeira do
componente. A distribuio normal pode ser usada para representar as leituras obtidas
por cada medio individual.
Captulo | 7 Encontrando a distribuio correta 53

Parmetros de especificao: mdia, desvio-padro, semente aleatria (Figura7.4).

FIGURA 7.4 Uniforme: f (x)=1/ ( b a )

Uma Distribuio Uniforme entre zero e um a base para gerar valores de uma
distribuio de probabilidade. Pode tambm ser utilizada para gerar valores aleatrios
de algoritmos personalizados. Outra comum aplicao refere-se representao do
tempo de durao de uma tarefa quando as informaes sobre a tarefa real so mnimas.
Algumas vezes, o tempo para completar uma tarefa considerado como variando
aleatoriamente entre dois valores. Dadas essas condies, a distribuio uniforme
uma boa estimativa preliminar para tempos.
54 Simulao de Sistemas

Parmetros de especificao: mdia, meia amplitude, semente aleatria (Figura7.5).

FIGURA 7.5 Weibull: f (x)=( a b a x a1 exp [ (x / b) a]

Assuntos ligados confiabilidade so frequentemente representados por uma


Distribuio de Weibull. Pode ser usada para gerar valores de tempos at falhar um
equipamento ou mdia de vida de um componente eletrnico. O tempo para completar
uma tarefa pode tambm ser refletido por essa distribuio.
Parmetros de especificao: a, b, semente aleatria (Figura7.6).

FIGURA 7.6 Triangular: f (x)=2 (x a) / (b a) (c a) para a xc f (x)=2 (b x) / (b a)


(b c) para cxb
Captulo | 7 Encontrando a distribuio correta 55

A Distribuio Triangular particularmente til em situaes em que apenas trs


informaes so conhecidas sobre a tarefa. Pergunte aos operadores em uma linha de
produo quanto tempo leva uma operao. Sua resposta ser, provavelmente, na
maioria das vezes lavar y, mas pode variar entre x e z. O mnimo (x), a moda (y) e o
mximo (z) podem ser usados para definir parmetros de uma distribuio triangular.
Parmetros de especificao: mnimo, moda, mximo, semente aleatria (Figura7.7).

FIGURA 7.7 Lognormal: f (x)=( 1/ 22 ). exp[(ln x m)2/22]

A Distribuio Lognormal pode ser usada para representar o tempo para desempe-
nhar uma tarefa. Um exemplo poderia ser o tempo para completar uma operao de
estoque/retirada em um sistema automtico. Os parmetros para esta distribuio so
geralmente calculados para o logaritmo natural dos dados empricos. Dadas essas
condies, valores gerados de uma distribuio lognormal podem ser expressos em
termos de logaritmos naturais dos valores aleatrios desejados. Se isso verdade, ento
os valores gerados devem ser convertidos para valores no logaritmos para se obter
variaes aleatrias que sero representativas dos dados empricos.
56 Simulao de Sistemas

Parmetros de especificao: mdia, desvio-padro, semente aleatria (Figura7.8).

FIGURA 7.8 Erlang: f (x)=( (mk)k / (k-1) ! ). xk-1. ekmx

A Distribuio Erlang um caso especial da distribuio gama que frequentemen-


te usada em filas para representar distribuies de tempo de servio de vrias tarefas.
O parmetro k equivalente ao parmetro n da distribuio gama, mas os valores de
k esto restritos a inteiros maiores que zero. A distribuio se torna uma distribuio
exponencial quando k=1.
Suponha uma operao que consista em desempenhar uma nica tarefa dez vezes e
que o tempo para completar cada tarefa seja descrito por uma distribuio exponencial
com mdia igual a 2. Dadas essas circunstncias, o tempo para completar toda a
operao pode ser representado por uma distribuio Erlang com mdia igual a 20
(calculada por 2 x 10) e parmetro k igual a 10.
Captulo | 7 Encontrando a distribuio correta 57

Parmetros de especificao: mdia, k, semente aleatria (Figura7.9).

FIGURA 7.9 Beta: f (x)=(xa11 .(1-x)a21) / (a1,a2)

Dois parmetros so necessrios para definir uma Distribuio Beta, a1 e a2.


Alterando seus valores ir produzir uma variedade de formatos diferentes da dis-
tribuio. Valores gerados por uma distribuio beta variam entre zero e um. Por essa
razo, particularmente til para representar fenmenos de propores. A proporo
de itens defeituosos encontrados em um determinado lote pode ser descrita por esta
distribuio. A distribuio beta tambm usada para representar o tempo para com-
pletar uma atividade, quando pouca ou nenhuma informao est disponvel a respeito
da durao da atividade.
58 Simulao de Sistemas

Parmetros de especificao: a1, a2, semente aleatria (Figura7.10).

FIGURA 7.10 Poisson: p (x)=el . lx / x !

A Distribuio Poisson est associada com taxas de chegada. Reflete a proba-


bilidade associada com um nmero finito de sucessos (chegadas) ocorrendo em um
determinado intervalo de tempo ou rea especificada. Para cada valor inteiro da varivel
aleatria X, h uma nica probabilidade de ocorrncia.
Em modelos de fila, a taxa de chegada de clientes em um sistema referida com um
processo de entrada de Poisson. Isso implica que os tempos entre chegadas de clientes
so exponencialmente distribudos. O nmero de chamadas telefnicas chegando a
uma central telefnica a cada hora pode ser representada por uma distribuio Poisson.
O parmetro l reflete a taxa mdia de chegadas por hora. Valores gerados por esta
distribuio sero valores inteiros maiores ou iguais a zero.
Parmetros de especificao: mdia (l), semente aleatria.
Binomial: p (x)=(nx) px q n-x
Considere um experimento em que se produzem duas diferentes sadas, sucesso
ou fracasso; p denota a probabilidade de sucesso e q denota a probabilidade
de fracasso (q=1-p). Se a probabilidade de sucesso permanece constante em cada
repetio independente do experimento, ento o nmero de sucessos em n indepen-
dentes tentativas pode ser descrito por uma distribuio binomial. O nmero de itens
defeituosos em um lote tamanho n s vezes representado por esta distribuio. Os
valores aleatrios produzidos refletiro o nmero de defeitos por lote.
Captulo | 7 Encontrando a distribuio correta 59

Parmetros de especificao: p, semente aleatria (Figura7.11).

FIGURA 7.11 Uniforme Discreta: p (x)=1/ [(b-a)+1]

Suponha um sistema de estoque e retirada automtico que consista em seis carros-


sis individuais, em que peas sejam uniformemente distribudas entre eles. Uma
distribuio uniforme discreta com valores entre 1 e 6 pode ser usada para determinar
em qual carrossel determinada pea est estocada. Cada valor da varivel aleatria X
(carrossel onde uma pea estocada) ter um valor inteiro dentro dessa amplitude.
Parmetros de especificao: mnimo (a), mximo (b), semente aleatria.

TESTES GOODNESS-OF-FIT
O primeiro passo para analisar dados a fim de determinar sua distribuio , na
maioria das vezes, a construo de um histograma de frequncias relativas. O formato
desse grfico pode mostrar de modo imediato que uma ou mais distribuies parecem
se ajustar aos dados. Usando software para anlise de dados ou realizando clculos
manualmente, quem modela deve assegurar que a distribuio selecionada oferece a
melhor representao possvel.
Muitos testes estatsticos esto disponveis para determinar se as observaes
podem representar uma amostra independente da distribuio ajustada. Em outras pala-
vras, esse teste pode ser usado para avaliar a hiptese nula de que os dados observados
so variveis aleatrias independentes da funo distribuio indicada. Embora esses
testes possam apresentar sutis diferenas entre os dados e a distribuio, sua utilidade
em determinar qual tipo de distribuio melhor se ajusta aos dados bem estabelecida
(Law e Kelton, p. 356, 2000).
60 Simulao de Sistemas

Um teste Qui-Quadrado provavelmente a mais empregada medida de goodness-of-


-fit. O resultado deste teste est baseado em um valor 2 calculado dos dados empricos
e um valor 2 crtico obtido da tabela qui-quadrado. Se o valor calculado 2 menor
que o tabelado, ento a distribuio terica no pode ser rejeitada como uma boa
representao da distribuio emprica.
O valor 2 que deriva dos dados coletados baseado em dois fatores: 1) as fre-
quncias observadas em cada intervalo de classe e 2) as frequncias esperadas corres-
pondentes aos mesmos intervalos em uma distribuio terica. A equao apresentada
a seguir:

2 = i = 1n [(O i E i )2 / E i ]

Oi=Frequncia Observada no i-simo intervalo


Ei=Frequncia Esperada no i-simo intervalo
k=Nmero total de intervalos de classe
O primeiro passo para realizar este teste selecionar o nvel de significncia
(tambm referido como nvel de confiana). Est associado com o risco envolvido na
rejeio da hiptese (de que a distribuio terica uma boa representao da dis-
tribuio emprica) quando realmente verdadeira. Em termos de jargo estatstico,
dito erro Tipo I. Um nvel de significncia de 0,05 indica 5% de chance de cometer
erro Tipo I. O nvel de significncia um dos dois itens necessrios para determinar
os valores 2 crticos. O outro chamado nmero de graus de liberdade.
O nmero de graus de liberdade em um teste Qui-Quadrado igual ao nmero de
clulas menos o nmero de quantidades obtido dos dados observados que usado no
clculo de frequncias esperadas (Walpole e Myers, 1972). A frequncia esperada
baseada na porcentagem do nmero total de observaes. Determinar o fator porcen-
tagem pode exigir algo como a mdia e o desvio-padro dos dados empricos. Se isso
verdade, o nmero de graus de liberdade igual ao nmero total de intervalos de
classe menos trs (trs fatores: observaes, mdia e desvio padro).
Se a frequncia esperada baseada apenas no nmero total de observaes, ento
o valor dos graus de liberdade igual a um.
As frequncias esperadas para cada intervalo de classe podem ser determinadas
pela funo distribuio acumulada da distribuio terica. Suponha uma funo dis-
tribuio acumulada como a seguinte: F(X)=X/10 para 0X10. O nmero de
observaes esperado em um intervalo de classe cujos limites so 2 e 5 calculado
como a seguir: A probabilidade da varivel aleatria X ser menor ou igual a cinco
P(X5) F(5)=5/10 ou 0,5 e 0,2 para P(X2). A porcentagem das observaes
esperada no intervalo desejado P(X5) - P(X2) ou 0,3. Se 100 observaes so
coletadas, esperado que trinta (100 x 0,3) cairo dentro desse interval (Tabela7A).
A Tabela7A demonstra um teste de goodness-of-fit realizado nos dados apresenta-
dos previamente na Tabela6B. A distribuio hipottica uma distribuio exponencial
com parmetro b=12,41. O nmero de graus de liberdade nove (11 intervalos de
classe menos dois fatores: total de observaes e mdia). O valor computado 2,422.
Captulo | 7 Encontrando a distribuio correta 61

TABELA 7A Teste Qui-Quadrado

Intervalo Frequncia Frequncia


deClasse Observada Fator de Porcentagem Esperada Qui-Quadrado
05 36 P(X5) P(X0)=0,332 33,2 0,236

5 10 21 P(X10) P(X5)=0,222 22,2 0,065

10 15 15 P(X15) P(X10)=0,148 14,8 0,003

15 20 7 P(X20) P(X15)=0,099 9,9 0,849

20 25 8 P(X25) P(X20)=0,066 6,6 0,297

25 30 4 P(X30) P(X25)=0,044 4,4 0,036

30 35 3 P(X35) P(X30)=0,030 3,0 0,000

35 40 3 P(X40) P(X35)=0,020 2,0 0,500

40 45 1 P(X45) P(X40)=0,013 1,3 0,069

45 50 1 P(X50) P(X45)=0,009 0,9 0,011

> 50 1 P(X) P(X50)=0,018 1,8 0,356

Valor 2 calculado = 2,422

O valor crtico da tabela qui-quadrado 16,919 (graus de liberdade=9 e nvel de


significncia=0,05). Uma vez que o valor computado menor do que o valor crtico
(2.422<16.919), h insuficiente evidncia para declarar a distribuio hipottica como
no sendo uma boa representao estatstica da distribuio emprica (o princpio
similar a ser inocente at que se prove culpado). A Figura7.1 apresenta os resultados
do teste na forma de histograma.
Outra medida til de goodness-of-fit o Teste Kolmogorov-Smirnov. Geralmente
chamado simplesmente de Teste KS, esta tcnica envolve a comparao da funo
distribuio ajustada com a funo distribuio dos dados empricos. O Teste KS
mais til para avaliar distribuies contnuas, pois no requer agrupamento de dados
em intervalos discretos. O uso deste teste com distribuies discretas, por outro
62 Simulao de Sistemas

lado, tem sido limitado pela necessidade de clculos complexos dos valores crticos
(Figura7.12).

FIGURA 7.12 Frequncias observadas x esperadas.

O Teste Anderson-Darling til quando mais de uma distribuio possvel pode


representar os dados empricos e a seleo necessita ser baseada na possibilidade de a
funo distribuio incluir com exatido valores extremos ou da cauda.
O Teste Turing envolve comparao de dados de uma fonte com outra similar
que tenha distribuio conhecida. mais efetivo com dados de simulao e requer o
envolvimento de especialistas familiarizados com o sistema que est sendo estudado.
importante usar distribuies de probabilidade que realmente representem os
processos estocsticos que imitam. Porm, no se deve ficar obsessivo em encon-
trar um ajuste exato. Inferncia estatstica no uma cincia precisa. A anlise de
sensibilidade pode ajudar a selecionar a distribuio de entrada, a qual ter o melhor
efeito no desempenho do sistema. Maior ateno pode ser focada nessas distribuies.

Questes para reviso:


1. O que so distribuies e como so utilizadas?
2. Quais so as distribuies contnuas mais conhecidas? O que voc poderia usar para
modelar um tempo de operao probabilstico? E para modelar tempo entre falhas?
3. Se perguntado para selecionar uma distribuio para uma situao na qual voc
deseja excluir o impacto de valores extremos, qual distribuio voc consideraria?
4. Explique o potencial uso das distribuies poisson, binomial e uniforme discreta.
5. O que um teste qui-quadrado? O que significa nvel de significncia?
6. O que um erro Tipo 1? Tipo 2?
Captulo 8

Introduo Otimizao
daSimulao
Recentemente, novos softwares tm sido introduzidos no mercado para a otimiza-
o de sistemas simulados, utilizando, para tanto, novas tcnicas de busca direta as-
sociadas a algoritmos evolutivos. Muito embora sejam relativamente fceis de utilizar,
tais ferramentas de otimizao podem ser aplicadas de maneira mais eficiente quando
empregadascom um entendimento bsico de como elas procuram uma soluo tima
para um problema. Por essa razo, as propostas deste captulo so: 1) proporcionar uma
introduo otimizao da simulao, focando os mais recentes desenvolvimentos que
entregam a simulao a uma classe de tcnicas de otimizao direta chamada Algo-
ritmos Evolutivos, 2) proporcionar exemplos dos benefcios de utilizar a otimizao
da simulao, e 3) discutir questes tticas envolvidas no uso desses novos softwares.

PERSPECTIVA HISTRICA
Nos ltimos anos, a maioria dos avanos tem ocorrido no desenvolvimento de
softwares de simulao de uso mais amigvel. Com os simuladores atuais, fcil
desenvolver modelos de simulao que se aproximem satisfatoriamente dos sistemas
pretendidos. Porm, existe uma lacuna entre o perfil necessrio para se construir
modelos de simulao vlidos e confiveis e o perfil exigido para conduzir uma anlise
da simulao. Por essa razo, ferramentas de anlise de relatrios, de uso amigvel,
que auxiliam tomada de deciso tambm se fazem necessrias.
O progresso no desenvolvimento de ferramentas para anlise dos relatrios de
simulao tem sido especialmente lento na rea de otimizao da simulao, porque
conduzir a otimizao da simulao, valendo-se de tcnicas tradicionais, tem sido tanto
uma cincia quanto uma arte. Por existir uma quantidade vasta de tcnicas tradicionais
de simulao, apenas indivduos com alto grau de especializao em estatstica e
teoria da otimizao tm compreendido os benefcios da integrao dos conceitos de
otimizao. Porm, utilizando as novas tcnicas de otimizao baseadas em Algoritmos
Evolutivos, AEs, (do ingls Evolutionary Algorithms, EAs), possvel estreitar a lacuna
com ferramentas amigveis e potentes, as quais permitem aos analistas combinar
simulao e otimizao para melhorar a tomada de deciso.
O objetivo deste captulo no comparar AEs com outros meios de otimizao da
simulao, mas sim introduzir o leitor s caractersticas que fazem dos AEs a escolha
apropriada para otimizar a simulao e relatar o sucesso da aplicao dessa tecnologia
a problemas reais.

63
64 Simulao de Sistemas

SIMULAO E OTIMIZAO
Frequentemente, a razo para construirmos modelos de simulao encontrar res-
postas para perguntas como Quais so os ajustes timos __________ para minimizar
(ou maximizar) ___________?. O modelo de simulao pode ser encarado como uma
caixa-preta que imita o sistema real. Quando introduzida uma entrada caixa-preta,
esta produz sadas que demonstram como o sistema real responde. Na questo anterior,
o primeiro tracejado representa os parmetros de entrada do modelo de simulao,
os quais so controlados por quem toma as decises. Esses dados de entrada so
usualmente chamados de variveis de deciso. O segundo tracejado representa os
indicadores de desempenho que so de interesse, os quais so obtidos a partir das
sadas estocsticas do modelo de simulao, quando as variveis de deciso so ajus-
tadas a valores especficos. Na questo Qual a quantidade tima de equipamentos
para movimentao de material necessria para se minimizar o tempoem que as
estaes de trabalho ficam paradas por falta de material?, a varivel de deciso
a quantidade de equipamentos para movimentao de materiais. O indicador de
desempenho computado da sada do modelo de simulao a quantidade de tempo
em que as estaes ficam sem material. O objetivo, ento, procurar o valor timo
para cada varivel de deciso que minimize ou maximize o indicador de desempenho
de interesse (Figura8.1).

FIGURA 8.1 Relao entre algoritmo de otimizao e modelo de simulao.

NA BUSCA DO TIMO
Encontrar a soluo tima no uma tarefa fcil. De fato, algo como encontrar
uma agulha num palheiro. O caminho mais seguro para encontrar a soluo tima
(Akbay, 1996):
1. identificar todas as variveis de deciso que afetam a resposta do sistema;
2. identificar todas as possveis solues, baseado nos possveis valores das variveis;
3. avaliar cada uma dessas solues corretamente;
4. comparar cada soluo apuradamente; e
5. registrar a melhor resposta.

Se a resposta do modelo de simulao foi submetida a todos os possveis valores


das variveis de deciso, o resultado obtido pode ser chamado de superfcie de res-
posta (veja Apndice B). Para problemas envolvendo apenas uma ou duas variveis
Captulo | 8 Introduo Otimizao daSimulao 65

de deciso, a soluo tima pode ser rapidamente identificada na superfcie de res-


posta. Contudo, torna-se difcil visualizar a superfcie de resposta quando h mais
de duas variveis de deciso. Alm disso, em muitos casos, h muitas solues para
serem analisadas em um espao de tempo curto. Assim sendo, devemos estabelecer
um ponto de equilbrio entre encontrar a soluo tima e o tempo alocado para tal.
Felizmente, os pesquisadores desenvolveram muitos mtodos de otimizao que podem
encontrar rapidamente a soluo tima para problemas bem delineados, sem a com-
pleta enumerao de todas as possveis alternativas. Como exemplo, podemos citar o
Mtodo de Newton-Rapson e a Programao Linear. Infelizmente, porm, a maioria
dos problemas reais no so bem delineados e no se prestam a serem resolvidos por
esses mtodos facilmente. Por exemplo, a superfcie de resposta produzida por um
modelo de simulao estocstico pode ser altamente no linear, multimodal, conter
valores discretos e contnuos para as variveis de deciso, e pode no proporcionar
observaes independentes e bem distribudas. Entretanto, existem muitas boas tc-
nicas heursticas de otimizao que podem ajudar na busca por uma soluo tima.
Tcnicas heursticas so tcnicas que, de uma forma consistente, proporcionam
solues boas ou quase timas. Contudo, o uso de tcnicas heursticas no nos garan-
teencontrar a soluo tima. Por exemplo, uma tcnica conhecida como NelderMead
(Nelder e Mead, 1965) tem sido utilizada para encontrar a soluo tima para modelos
determinsticos, no entanto, ainda no foi comprovado que suas solues so timas
para modelos estocsticos.

COMBINANDO SIMULAO E TCNICAS DE BUSCA DIRETA


Tcnicas de busca direta uma classe de tcnicas de busca projetadas para encontrar
valores timos para os dados de entrada a fim de maximizar ou minimizar os resultados
que so de interesse. Tais tcnicas trabalham diretamente com as respostas geradas pelo
sistema e no requerem informaes adicionais sobre a funo que gera a resposta.
So ideais para tarefas de otimizao quando no existem modelos matemticos dos
quais se possam extrair informaes para orientar a busca por solues timas, ou
quando os custos para estimar os gradientes que possam guiar a busca so proibitivos.
Esse geralmente o caso quando se trabalha com modelos de simulao estocsticos.
Recentemente, os pesquisadores constataram os benefcios de se combinar a
simulao com as tcnicas de busca direta. Por exemplo, Pegden e Gately (1977)
desenvolveram um mdulo de otimizao para o simulador GASP IV e, posteriormen-
te,desenvolveram outro mdulo de otimizao para se utilizar com o simulador SLAM,
em 1980. Seus pacotes de otimizao foram baseados em uma variao do mtodo
de busca direta desenvolvido por Hooke e Jeeves (1961). Aps resolver uma srie de
problemas, Pegden e Gately concluram que seu sistema ampliava as capacidades da
linguagem de simulao, uma vez que proporcionava a otimizao automtica das
decises.
Dois novos softwares para otimizao da simulao, baseados nas mais novas
tcnicas de busca direta, foram lanados recentemente. Um deles chama-se OptQuest
96 e o outro chama-se SimRunner. O primeiro utilizado em conjunto com o simulador
66 Simulao de Sistemas

Micro Saint e pode ser utilizado para otimizar tanto variveis de deciso de valor
inteiro quanto real. Esse mdulo de otimizao baseado em ScatterSearch, o qual
se relaciona a um Algoritmo Evolutivo muito popular, chamado algoritmo gentico
(Glover, 1990 e Glover etal. 2005).
O SimRunner utilizado em conjunto com os pacotes de simulao da ProModel
Corporation. O SimRunner possui um mdulo de otimizao e um mdulo para
determinar o tamanho de amostra requerido (o nmero de replicaes) e o tempo de
aquecimento do modelo. O mdulo de otimizao pode otimizar variveis dedeciso
devalor real, assim como variveis de valor inteiro. O projeto do mdulo de otimizao
do SimRunner foi influenciado pelas tcnicas de busca tima tais como a Tabu
Search (Glover, 1990) e os Algoritmos Evolutivos (Goldberg, 1989; Fogel, 1992;
Schwefel 1981).

ALGORITMOS EVOLUTIVOS
Algoritmos Evolutivos (AEs) uma classe de tcnicas de busca direta baseadas
em conceitos da teoria da evoluo. Eles imitam o processo evolutivo fundamental, no
qual as entidades adaptam-se ao seu ambiente a fim de sobreviver. Os AEs manipulam
a populao de solues de tal modo que as piores solues desaparecem, enquanto
as melhores solues continuam a evoluir na busca pela soluo tima (Bowden e
Bullington, 1996). Tcnicas de busca baseadas nesse conceito tm provado ser muito
eficientes, de forma que tm sido utilizadas com sucesso para resolver uma ampla
variedade de problemas complexos (Biethahn e Nissen, 1994; Bowden e Bullington,
1995; Usher e Bowden, 1996).
Os Algoritmos Evolutivos diferenciam-se em vrios aspectos das tradicionais
tcnicas de otimizao no lineares. A diferena mais significativa que eles exe-
cutam a busca na superfcie de resposta, valendo-se de uma gama de solues ao
invs de uma nica soluo. Isso permite aos AEs coletar informaes dasuperfciede
respostaem muitos pontos simultaneamente. Os AEs utilizam o feedback obtido dos
mltiplos pontos da superfcie de resposta, em oposio a um nico ponto, para
orientar a busca pela soluo tima. Esse tipo de aproximao aumenta as chances de
encontrar uma soluo tima que seja global. Uma grande quantidade de pesquisas
vem sendo conduzida com os AEs para demonstrar as caractersticas de convergncia
dos algoritmos e para desenvolver provas matemticas da convergncia global (Bck
e Schwefel, 1993).
Os Algoritmos Evolutivos mais populares so os Algoritmos Genricos (Generic
Algorithms Goldberg, 1989), Programao Evolutiva (EvolutionaryProgramming
Fogel, 1992) e Estratgias Evolutivas (EvolutionStrategies Schwefel, 1981). Muito
embora esses trs AEs tenham diferenas significativas na forma como aplicam as
ideias de evoluo, eles empregam a mesma metodologia bsica. Os principais passos
para aplicar um AE esto enumerados a seguir.
Passo 1: gerar uma gama de solues para o problema distribuindo-as randomica-
mente em todo o campo das solues;
Passo 2: analisar apuradamente a resposta de cada soluo;
Captulo | 8 Introduo Otimizao daSimulao 67

Passo 3: baseado na anlise das respostas de cada soluo, selecionar as melhores


solues e aplicar o tipo de operador gentico idealizado para produzir uma nova
gerao de solues;
Passo 4: continuar, retornando ao passo 2, enquanto o algoritmo estiver localizando
solues melhoradas.
Os desvios das tradicionais tcnicas de otimizao no lineares, citados ante-
riormente, proporcionam aos AEs diversas vantagens na soluo de problemas de
otimizao da simulao. Por exemplo, Biethahn e Nissen (1994), Bcket al. (1995),
Bck e Schwefel (1993) relatam que os AEs so apropriados para a otimizao da
simulao, pois:

no exigem que assumamos restries ou conhecimento prvio acerca da topologia


da superfcie de resposta que est sendo pesquisada, o que faz deles tcnicas am-
plamente aplicveis;
so muito apropriados para problemas com superfcie de resposta de grandes
dimenses, multimodais, descontnuos, no diferenciados, estocsticos, e mesmo
problemas com superfcie de respostas mveis;
so tcnicas de busca muito confiveis e relativamente fceis de usar.

Uma desvantagem em potencial do uso dos AEs para a otimizao da simulao


o fato de que, algumas vezes, necessitam da avaliao de muitas solues chamadas ao
modelo de simulao. Isso pode se tornar proibitivo se o tempo de processamento for
limitado. No obstante, existem procedimentos que podem ser utilizados para reduzir
o nmero de vezes em que o modelo de simulao chamado. Por exemplo, Hall e
Bowden (1996) desenvolveram um mtodo que combina um AEs com uma tcnica de
busca direta mais localmente orientada, que resulta em um nmero substancialmente
menor de chamados ao modelo de simulao.
Nas prximas sees deste captulo, sero construdos exemplos para ilustrar a
utilidade dos AEs em resolver problemas que sejam caracterizados por uma superfcie
de resposta multimodal, do tipo estocstico e de grandes dimenses.
O primeiro exemplo se baseia numa funo que til para se testar o desempenho
das tcnicas de otimizao. No segundo exemplo, a funo de teste substituda por
um modelo de simulao de um sistema produtivo de produo puxada, e o mdulo
de otimizao baseado em AE do SimRunner usado para se encontrar a soluo de
um problema de dimensionamento de kanban.

OTIMIZAO COM VARIVEL NICA


Por convenincia de apresentao, ser utilizada uma verso com uma nica va-
rivel de deciso de uma funo desenvolvida por Ackley (1987) para se compreender
como os AEs procuram a soluo tima. De incio, a funo de Ackley transformada
de uma expresso determinstica para uma funo estocstica. Isso normalmente
feito adicionando-se rudos estocsticos resposta gerada pela funo de Ackley. A
68 Simulao de Sistemas

FIGURA 8.2 Funo de Ackley's com rudo estocstico e busca evolutiva

Figura8.2 ilustra a funo de Ackley quando um rudo adicionado a partir de uma


amostragem colhida de uma distribuio uniforme (-1,1). Isso simula a variao que pode
ocorrer na sada de um modelo de simulao estocstico. A funo apresentada com
uma nica varivel decisria, X, que assume valores reais entre 10 e 10. A superfcie
de resposta tem um valor esperado mnimo igual a zero, que ocorre quando X igual
a zero, e um valor esperado mximo de 19,37 quando X assume os valores 9,54 ou
9,54. A funo de Ackley uma funo multimodal, logo possui muitas solues timas
locais, que ocorrem em cada ponto de mnimo (assumindo que se trate de um problema
de minimizao) na superfcie de resposta. No entanto, o ponto timo que ocorre quando
X vale zero o ponto de timo global (a menor resposta possvel). Essa uma funo de
teste muito til, porque as tcnicas de busca podem convergir prematuramente e analisar
a busca em um dos muitos pontos timos locais, antes de encontrar o ponto timo global.
De acordo com o passo 1 do processo enumerado acima, uma populao inicial
de solues do problema gerada e distribuda de forma randmica atravs do es-
paode solues. Utilizando uma variante da Estratgia de Evoluo (EE) de Schwefel
com duas solues geradoras (pais) e dez solues que fazem parte da sua descendn-
cia, 10 valores distintos para as variveis de deciso so escolhidas randomicamente
entre 10 e 10, para representar uma populao descendente de 10 solues. Contudo,
para fazer da busca pela soluo tima uma tarefa mais desafiadora, as 10 solues
da populao descendente inicial sero posicionadas longe do timo global com o
objetivo de averiguar se o algoritmo pode evitar ser enganado por um dos muitos
pontos de timo local. Dessa forma, as 10 solues da primeira gerao foram es-
colhidas aleatoriamente entre -10 e -8. Ento, o teste para ver se a populao de
10 solues pode evoluir da sua gerao para a prxima, a fim de encontrar a soluo
tima global sem ser iludida pelos pontos timos locais.
Captulo | 8 Introduo Otimizao daSimulao 69

O Grfico 8A ilustra o progresso alcanado pela EE ao seguir o processo dos


passos descrito anteriormente. Para evitar complicarmos o grfico, apenas as respos-
tas das duas melhores solues (pais) de cada gerao so plotadas na superfcie de
resposta. Evidentemente, o processo de seleo das melhores solues e a aplicao
de operadores genticos ideais, permite ao algoritmo focalizar sua busca pela soluo
tima de uma gerao para a seguinte. Embora a EE experimente muitos dos pontos
timos locais, ele rapidamente identifica a regio de timo global e comea a apontar a
soluo tima por volta da oitava gerao. Note que na sexta gerao, a EE posicionou
as solues no lado direito do espao de busca (X>0), mesmo tendo sido forado a
iniciar sua busca no extremo esquerdo do espao de solues. Essa capacidade permite
o AE conduzir uma busca globalmente orientada.
Quando a procura pela soluo tima conduzida em um ambiente de simula-
o ruidoso, ou seja, com muitas interferncias, deve-se ficar atento em relao
mensurao da resposta gerada por um determinado dado de entrada (soluo) do
modelo. Isso significa que para termos uma estimativa vlida do verdadeiro valor da
resposta, devemos observar (replicar) muitas vezes o desempenho da soluo. Mas
para testar a ideia de que os AEs podem lidar com superfcies de resposta ruidosas,
a busca anterior foi conduzida utilizando-se apenas uma observao de desempenho
da soluo. Logo, existia o potencial para que o algoritmo ficasse confuso, pois
a cadainstante ele retornava a uma regio anteriormente visitada da superfcie de
resposta, pois provavelmente recebeu um conjunto de respostas diferente. Isso pode
resultar na convergncia prematura do algoritmo para um dos pontos de timo local.
Obviamente no o caso com o AE deste exemplo.
Isso no significa que um analista pode esquecer-se de assegurar que as obser-
vaes coletadas sejam estatisticamente vlidas ao usar AEs. Contudo, para efetuar
uma busca eficiente pela soluo tima, um algoritmo deve ser capaz de lidar com
superfcies de resposta ruidosas e com as incertezas resultantes que existem, mesmo
quando muitas rplicas so utilizadas para estimar o verdadeiro desempenho de uma
soluo.

UM PROBLEMA DE CONTROLE DE INVENTRIO


Neste exemplo, o objetivo encontrar a quantidade mnima de estoque neces-
srio para suprir a produo realizada no sistema just-in-time (JIT), onde as peas so
puxadas atravs do sistema utilizando cartes de kanban. Este exemplo baseado em
problemas reais da indstria. Duas tcnicas diferentes so utilizadas para resolver o pro-
blema. Uma delas utiliza a tcnica desenvolvida pela Toyota, enquanto a outra utiliza o
mdulo de otimizao de simulao atravs do SimRunner. No final, realizada uma
anlise comparativa de duas solues geradas por essas tcnicas.

A Descrio do Problema
Um kanban um carto que autoriza uma estao de trabalho a iniciar a produo
de um item. Os cartes kanban so passados das estaes posteriores s anteriores,
sinalizando a estas para que comecem a produo. Isso resulta em componentes sendo
70 Simulao de Sistemas

puxados atravs do sistema conforme as estaes posteriores emitem cartes kanban


para as estaes anteriores.
Em um sistema produtivo puxado, o nmero de cartes kanban influencia di-
retamente o nmero de contineres necessrios para o transporte dos componentes
atravs do sistema e a quantidade mxima de inventrio ou de estoque em processo.
Valores de gatilho representam o nmero de cartes kanban que devem ser acumulados
antesque uma estao inicie a sua produo. Portanto, os valores de gatilho controlam
a frequncia dos ajustes das mquinas. Embora o valor ideal do gatilho seja igual a
um, muitos processos no se adequam a esse padro, devido ao longo tempo de ajuste
ou manuteno do maquinrio. Contudo, desejvel minimizar os valores de gatilho,
o que diminuir os tamanhos dos lotes e, por consequncia, o estoque em processo.
Estabelecer o nmero timo de cartes kanban e os valores de gatilho necessrios para
tal representa uma difcil tarefa para os planejadores da produo.
A Figura8.3 ilustra as interaes do processo em um sistema produtivo puxado com
dois estgios, e que produz diversos tipos de componentes. A demanda dos clientes
pelo produto final determina que os contineres de submontagem sejam puxados
do local WIP 1 (pulmo) para as linhas de montagem. Conforme cada continer
retirado do local WIP 1, um carto kanban de ordenamento de produo, representando
onmero de submontagens em um continer, enviado ao posto de kanban relativoao
sistema de processamento da Estao 1. Quando o nmero de cartes kanban para
uma determinada submontagem atinge o valor do gatilho, os componentes neces-
srios para realizar a submontagem so puxados do local WIP 2 (pulmo) para criar
as submontagens. Seguindo o Estgio 1 do processo, as submontagens so carregadas
em um continer, o carto kanban correspondente colocado no continer e ambos
so enviados ao local Estao WIP 1. O continer e o carto permanecem na Estao
WIP 1 at que sejam transferidos para as linhas de montagem.

FIGURA 8.3 O sistema de produo puxado de 2 estgios

No Estgio 2, processa-se a matria-prima que abastece o local WIP, medida


que os componentes so puxados pelo Estgio 1. Os componentes de montagem so
retirados do WIP e colocados no processo do Estgio 1, um carto kanbande ordena-
mento de produo, indicando a quantidade de componentes no continer, enviado
ao posto de kanban da linha do Estgio 2. Quando o nmero de cartes kanban de
um dado componente atinge o valor de gatilho, uma ordem de produo do valor do
gatilho enviada para a linha do Estgio 2. Conforme se movimentam as ordens de
componentes finalizados da linha do Estgio 2 para o WIP, os cartes kanban corres-
pondentes acompanham os componentes Estao de WIP 2.
Captulo | 8 Introduo Otimizao daSimulao 71

Embora se deseje muito a reduo no WIP, o fabricante deseja ainda uma soluo
(cartes kanban e valores de gatilho para cada estgio) que conduza a minimizao
do nmero de contineres na Estao de WIP 1. Isso necessrio devido a limitaes
no espao.

Modelo de Simulao e Medio desempenho


O sistema de produo puxada foi representado em um modelo de simulao
a eventos discretos. O modelo estabelece tempos constantes entre as chegadas dos
pedidos dos clientes na linha de montagem. Contudo, os operrios podem encontrar
defeitos nos mdulos de submontagens, o que, por consequncia, aumenta a demanda
por mdulos de submontagem, para que se cumpra a produo programada em
funo dos pedidos dos clientes. O nmero de mdulos de submontagem defeituosos
que foram encontrados segue uma funo do tipo estocstica. Os tempos de produo
do Estgio 1 e da linha de montagem do Estgio 2 so constantes, uma vez que os
processos so automatizados. Os tempos de ajuste, tempos entre falhas e os tempos de
manuteno para a linha do Estgio 2 seguem uma distribuio triangular. Cada rodada
da simulao consiste de um perodo de dez dias (duas semanas) de aquecimento,
seguido por um perodo de estabilizao de vinte dias (um ms).
A medida de desempenho a ser maximizada :
f (a) = C1 ( AvgPct + MinPct ) C2 (TK1 ) C3 (TK 2 )

onde AvgPct a porcentagem mdia dos produtos concludos, entre todos os produ-
tos que saem das linhas de montagem, MinPct a porcentagem mnima destesprodutos
concludos, TK1 o nmero total de cartes kanban no Estgio 1, TK2 o nmero
total de cartes kanban no Estgio 2 e C1, C2 e C3 so coeficientes atribudos pelos
planejadores da produo para refletir o nvel de importncia de cada termo. Os nveis
de importncia para C1, C2 e C3 so: 20,0; 0,025 e 0,015, respectivamente. Usando essa
funo desempenho, o objetivo encontrar uma soluo que maximize a produo,
enquanto se minimiza o nmero total de cartes kanban no sistema.
O fabricante decidiu fixar o valor=1 para o gatilho no Estgio 1 de produo. Dessa
forma, precisa-se determinar o nmero timo de cartes kanban no processo do Estgio
1 e o nmero timo de cartes kanban e os correspondentes valores de gatilho na linha do
Estgio 2 para cada tipo de componente em produo. Desse modo, o problema contm
33 variveis de deciso de valor inteiro. Cada soluo um vetor a=(K11, K12, K13,...,
K111; K21, K22,..., K211; T21, T22,..., T211) onde K1i representa o nmero de cartes
kanban para o componente tipo i circulando no processo do Estgio 1, K2irepresenta o
nmero de cartes kanban para o componente tipo i circulando na linha do Estgio 2 e
T2i representa o valor de gatilho do componente tipo i, valor este utilizado na linha do
Estgio 2. Considerando o alcance dos possveis valores de cada uma das variveis de
deciso, existem 4,81 x 1041 solues singulares para este problema.
72 Simulao de Sistemas

A tcnica de soluo da Toyota


Em razo da facilidade de uso, os fabricantes geralmente utilizam as equaes
de dimensionamento de kanban desenvolvidas pela Toyota, para estimar o nme-
rodecartes kanban necessrios. O nmero de cartes kanban necessrios dado
por (Monden, 1993):
demanda mensal
+ [demanda diria x coefiente de segurana]
ajustes mensais
Kanbans =
capacidade do continer

onde o coeficiente de segurana representa a quantidade de estoque em processo


(work in process, WIP) necessria no sistema. Os planejadores da produo assumiram
um coeficiente tal que resultou em um dia de WIP para cada tipo de componente. Alm
disso, os planejadores decidiram adotar um ajuste por dia para cada tipo de componen-
te. Embora essa equao proporcione uma estimativa do nmero mnimo de cartes
kanbannecessrio, ela no indica os valores de gatilho necessrios. Portanto, os valores
de gatilho para a linha de montagem do Estgio 2 foram estabelecidos com base no
nmero estimado de contineres utilizados por cada tipo de componente em um dia. A
equao utilizada por especialistas da Toyota recomenda um total de 243 cartes. Quando
avaliada no modelo de simulao, essa soluo produziu uma classificao de desempe-
nho (equao 1) igual a 35,140 pontos, baseado em quatro replicaes independentes.

A TCNICA DE OTIMIZAO DA SIMULAO


Neste exemplo, o mdulo de otimizao baseado em AE do SimRunner utilizado
para buscar uma soluo tima para o problema. Uma vez que no realista assumir
que existe uma quantidade de tempo ilimitada para conduzir a busca, o software per-
mite ao usurio escolher um perfil de otimizao que influencia o grau de mincia
utilizado na busca pela soluo tima. Os trs perfis de otimizao so: agressivo,
moderado e cauteloso. O perfil agressivo especifica uma busca rpida e utilizado
quando o tempo computacional restrito. O perfil cauteloso especifica que uma busca
mais minuciosa deve ser executada. O perfil moderado foi o utilizado na busca do valor
timo para o nmero de kanbans e para os valores de gatilho.
Neste exemplo, cada vez que o modelo foi usado para estimar uma soluo, foram
executadas quatro rplicas para obter quatro observaes independentes do desempe-
nho da soluo. O desempenho foi computado ao final de cada execuo da simulao
utilizando a equao (1). O desempenho final associado a cada soluo a mdia dos
valores de desempenho das quatro rplicas independentes.
Captulo | 8 Introduo Otimizao daSimulao 73

A Figura8.4 mostra o progresso da busca do mdulo de otimizao. Uma vez que


difcil visualizar uma superfcie de resposta com 33 variveis dimensionais, apenas
a melhor soluo de cada gerao foi plotada. Os pontos foram conectados com uma
linha para ressaltar a taxa com que o algoritmo encontra solues com desempenhos
aperfeioados. Note que o algoritmo rapidamente encontra solues que so melhores
do que as encontradas utilizando-se o mtodo da Toyota. A busca foi encerrada na 150
gerao devido ao fato de que o mtodo j no proporcionava melhoras significativas. A
soluo recomendava o uso de 110 cartes e atingiu um desempenho de 37,945 pontos.

FIGURA 8.4 Comparao das solues pelo mtodo Toyota e pelo SimRunner

COMPARAO DE RESULTADOS
As solues finais geradas pelo SimRunner e pela equao da Toyota foram executadas
no modelo de simulao com 20 rplicas independentes para se obter uma melhor es-
timativa do verdadeiro desempenho das solues. A Tabela8.1 mostra uma comparao
entre as solues. Ambas as solues alcanaram a produo requerida pelo fabricante,
utilizando um nmero substancialmente diferente de cartes kanban.

TABELA 8.1 Resultado das solues geradas pelo mtodo Toyota e pelo
SimRunner

Tcnica Cartes kanban ndice de desempenho


Soluo SimRunner 110 37,922

Soluo Toyota 243 35,115


74 Simulao de Sistemas

O teste de comparao mltipla estatstica LSD de Fischer sugere que os desempe-


nhos dos mtodos apresentadas na Tabela8.1 diferem em um patamar de significncia
de 0,05. Os resultados indicam que o mdulo de otimizao produziu uma soluo
significativamente melhor no dimensionamento dos kanbans em comparao com a
obtida pelos planejadores, que utilizaram o mtodo da Toyota. A soluo obtida pelo
SimRunner requer 54% menos cartes (54% a menos de WIP) do que a soluo obtida
pelos planejadores, quando estes utilizaram o mtodo da Toyota. Tal resultado pode
representar uma reduo considervel nos custos de produo.
Considerando o tempo necessrio para executar o modelo de simulao em um
PC com processador Pentium 100MHz, e o fato de que existem 4,81 x 1041 solues
diferentes para o problema, o resultado a que chegaramos seria de aproximadamente
1,15 x 1038 dias para avaliar todas as solues do problema. Obviamente, essa no
uma alternativa vivel. O mdulo de otimizao do SimRunner necessitou de apenas
24 horas para completar sua busca. Em circunstncias reais, a soluo gerada atravs
da combinao de simulao e otimizao forneceria um ponto de partida muito
melhor do que a soluo da Toyota para a deciso final acerca do sistema real de
produo puxada. Alm disso, tambm preveniria o fabricante de fazer investimentos
desnecessrios nos contineres de movimentao, alm de evitar investimentos des-
necessrios com custos de inventrio. Vale ressaltar que a soluo do otimizador
SimRunner contribuiria no processo de tomada de deciso, mesmo que a soluo
encontrada no fosse a tima.

QUESTES TTICAS NO USO DO MDULO


DE OTIMIZAO SIMRUNNER
Quando otimizamos um sistema simulado a fim de aplicar a soluo a um sistema
real, o analista deve certificar-se de que o modelo de simulao reflete de modo acurado
o sistema real. Alm disso, o analista deve determinar a quantidade de tempo apro-
priada para simulao do sistema, o tempo de aquecimento do modelo (warm-up), se
aplicvel, e o nmero de rplicas necessrias para se obter resultados estatisticamente
vlidos.
Os fatores-chave que devem ser considerados quando se utiliza o software de
otimizao SimRunner so o nmero de variveis de deciso e suas faixas de valores
possveis, a construo da funo-objetivo, e o tamanho da populao utilizada para
conduzir a busca. Embora esses fatores sejam, de certa forma, dependentes do problema
abordado, existem algumas linhas gerais que podem ser seguidas.
O nmero das variveis de deciso e suas faixas de possveis valores afetam o tama-
nho do espao de busca (nmero de solues possveis para o problema). Aumentando
o nmero de variveis de deciso ou suas faixas de valores, aumenta-se o tamanho do
espao de busca, o que pode tornar mais difcil a tarefa de identificar a soluotima.
Como regra, deve-se incluir na busca apenas aquelas variveis de deciso que, reco-
nhecidamente, afetaro de forma significativa o valor da funo-objetivo. Deve-se
definir, criteriosamente, a faixa de valores possveis para cada varivel de deciso,
para aquelas solues que so realmente possveis.
Captulo | 8 Introduo Otimizao daSimulao 75

Deve-se tomar muito cuidado no desenvolvimento da funo-objetivo. O SimRun-


ner no impe restries ao nmero de termos da funo. Contudo, quanto mais termos
so adicionados funo, mais a complexidade do espao de busca pode aumentar,
tornando o problema de otimizao mais difcil. Deve-se esforar para manter o
objetivo to especfico quanto possvel.
O tamanho da populao de solues utilizadas para conduzir a busca afeta tanto
a probabilidade de o algoritmo localizar a soluo tima, quanto o tempo requerido
para conduzir a busca. De forma geral, conforme o tamanho da populao cresce, a
probabilidade do algoritmo encontrar a soluo tima aumenta. No entanto, o aumento
da populao utilizada na busca geralmente aumenta o tempo necessrio para efetu-la.
Sendo assim, devemos estabelecer um equilbrio entre encontrar o ponto timo e o
tempo disponvel para efetuar a busca. O SimRunner oferece trs tamanhos de popula-
o (pequena, mdia e grande). O tamanho pequeno de populao utilizado quando
o usurio seleciona o perfil agressivo de otimizao. O tamanho mdio da populao
utilizado quando selecionado o perfil moderado de otimizao, e assim por diante.

SUMRIO E CONCLUSES
A proposta deste captulo no era discutir que os Algoritmos Evolutivos so
considerados a nica soluo para resolver problemas de otimizao da simulao,
mas sim, introduzir o leitor aos Algoritmos Evolutivos atravs de exemplo que ilus-
trasse como eles trabalham e demonstrar que os AEs so uma escolha vivel para uma
otimizao confivel.
Sempre haver debates na comunidade cientfica sobre quais so as melhores tc-
nicas para otimizar a simulao. O debate bem-vindo, uma vez que resulta no melhor
entendimento das questes reais e leva ao desenvolvimento de melhores procedimentos
de solues. Devemos lembrar, no entanto, que a questo prtica no se uma tcnica de
otimizao garante a localizao da soluo tima no menor espao de tempo para todos os
possveis problemas que possa encontrar, mas, sim, que a tcnica de otimizao encontra,
de forma consistente, boas solues para os problemas, as quais so melhores do que as
que os analistas esto encontrando por seus prprios meios. As novas tcnicas, como os
Algoritmos Evolutivos, preencheram esse requisito porque provaram ser robustas em sua
capacidadede resolver uma ampla variedade de problemas, e tambm, pela sua facilidade
de uso, tornaram-se uma escolha prtica para a simulao nos dias de hoje.
Artigos publicados em vrios peridicos demonstram que a otimizao vem sendo uti-
lizada para resolver problemas do mundo real. IBM, ServerdrupFacilities Inc. e Baystate
Health Systems relatam os benefcios provindos da utilizao do SimRunner como uma
ferramenta de apoio deciso (Akbay, 1996). O grupo de simulao na Lockheed Martin
utilizou o SimRunner para determinar o melhor tamanho dos lotes de peas e quando estes
deveriam ser disparados no sistema, a fim de cumprir a produo programada.
76 Simulao de Sistemas

Questes para Reviso


1. O que superfcie de resposta?
2. O que queremos dizer quando um algoritmo de otimizao classificado como uma
tcnica heurstica?
3. Qual a principal diferena entre o modo como um Algoritmo Evolutivo conduz a
busca da superfcie de resposta e o modo como muitos dos algoritmos tradicionais de
otimizao no lineares conduzem a busca? Que vantagens essa diferena acarreta
aos AEs sobre os tradicionais algoritmos de otimizao no lineares?
4. Suponha que voc est trabalhando em um projeto com cinco variveis de deciso
(A, B, C, D, E). Os possveis valores numricos para cada varivel de deciso so os
seguintes: 1, 2, 3, 4, 5 e 6. Quantas solues diferentes podem ser geradas dessas
cinco variveis de deciso? Se o computador demora um minuto para calcular uma
soluo (executar o modelo de simulao para o nmero de rplicas determinadas),
quantas horas seriam necessrias para calcular todas as solues? Se o objetivo fosse
encontrar a melhor soluo, e, para calcular todas as solues fosse necessria uma
quantidade de tempo invivel, que abordagem voc acataria?
Captulo 9

O Aspecto Financeiro
Muitos projetos de simulao tm como objetivo a melhoria de aspectos operacio-
nais do dia a dia das empresas. Porm, a melhor medida para se determinar o sucesso
desses projetos sua influencia no desempenho financeiro da organizao.

UMA VISO GERAL SOBRE O ASPECTO FINANCEIRO


Na maioria das vezes, as empresas de manufatura buscam reduzir o custo associado
a cada produto que fabricam, ou, ainda, aumentar a quantidade de produtos fabricados
com o mesmo nmero de recursos. Independentemente do foco do projeto, reduzir custos
ou aumentar vendas, o objetivo final se refere ao aumento da lucratividade da empresa.
Fornecedores de servios podem buscar, ainda, melhorar a satisfao de seu cliente,
reduzindo-se tempos de espera. Acredita-se que tal procedimento traga o aumento
da satisfao dos clientes e, portanto, um melhor resultado aos negcios. Outras ins-
tituies como hospitais, podem buscar a manuteno de nveis razoveis de servios,
enquanto minimizam custos, racionalizando a compra de equipamentos muito caros.
Em todos esses casos, existem problemas de mltiplos objetivos. Assim, faz-se
necessrio analisar quais deles realmente contribuem de alguma forma para a lu-
cratividade dessas organizaes.
Adicionar novos funcionrios a uma agncia bancria pode aumentar a satisfao
dos clientes, porm pode tambm aumentar os custos dela. Comprar um novo equipa-
mento em uma empresa pode aumentar sua produo, porm tambm aumentar seus
custos de manuteno, depreciao etc. Dessa forma, a simulao uma ferramenta
til para aqueles analistas que buscam considerar a interrelao de todos os fatores
que contribuem para o sucesso ou fracasso de um projeto de melhoria de processo.
Atravs da simulao, vrias alternativas podem ser verificadas at que se chegue
melhor escolha que, obviamente, ser determinada por condies de contorno que
contemplem aspectos tcnicos, operacionais e fsicos. Alm disso, em muitas organi-
zaes, as condies de contorno sero dadas por limitaes de recursos financeiros
disponveis.
Para as organizaes em geral, h a grande obrigao de se garantir o capital da
empresa e de se realizar tomadas de deciso relacionadas a negcio de forma mais
prudente. Essa afirmao no se aplica s s pessoas que trabalham com finanas, mas
a todos os membros da organizao. Para muitos usurios da simulao, isso significa
tambm que as solues em potencial devem ser ponderadas levando-se em conta o
mais alto benefcio para cada unidade monetria investida.

77
78 Simulao de Sistemas

O mais alto benefcio financeiro nem sempre se refere alternativa mais barata ou
quela que gera o maior rendimento. O horizonte de tempo um fator-chave na seleo
dessas alternativas. Assim, deve-se questionar se o objetivo da organizao est em
priorizar a melhor vantagem financeira em curto ou em longo prazo. Como exemplo
de curto prazo, temos muitas vezes a melhor performance financeira buscando-se a
reduo de custos. Se o objetivo for obter vantagem financeira a longo prazo ou, at
mesmo, a mdio prazo, pode-se buscar um aumento de investimento em curto prazo,
para se chegar a um aumento de produo.
Como resumo, ressalta-se que, em um estudo de simulao, os custos relacio-
nados aos aspectos tcnicos, operacionais e fsicos de um processo sero sempre
considerados. Aspectos voltados a balanos financeiros e contbeis no so o es-
copo da simulao. Porm, o estudo poder oferecer para as pessoas destas reas,
os subsdios necessrios para que os objetivos financeiros da organizao sejam
atingidos.

INCORPORANDO O ASPECTO FINANCEIRO


Informaes financeiras so frequentemente tratadas externamente construo
dos modelos de simulao e tambm aps a sua anlise. Com o recente avano dos
softwares de simulao, essas informaes podem ser includas nos modelos de forma
muito mais fcil que se conseguia no passado. Assim como qualquer outro dado, o
nvel de informaes financeiras que sero includas nos modelos dependente dos
objetivos da construo deste modelo, bem como da habilidade do projetista do modelo
em obter valores de custos e outros parmetros de fontes confiveis. Ao abordar o as-
pecto financeiro em uma modelagem, a resposta a algumas perguntas podero facilitar
o trabalho como um todo.
1. Quais informaes de custos e de rendimentos so necessrias?
2. Onde essas informaes podem ser obtidas?
3. Como esses dados podem ser processados?
4. Como esses resultados financeiros sero interpretados aps a simulao?

Ao incluir informaes financeiras no modelo, recomenda-se ter o mesmo cuidado


dispensado s informaes operacionais. Um plano bem documentado para reunir todas
essas informaes poder ajudar em muitos aspectos. Como pode ser verificado na
Captulo | 9 O Aspecto Financeiro 79

Tabela9.1, o projetista de um modelo de simulao dever ter um claro entendimento


dos resultados financeiros, dos objetivos do trabalho, dos parmetros e das condies
de contorno. Um bom relacionamento com a equipe financeira e contbil da empresa
melhora a compreenso dos aspectos financeiros e elucida a realidade em que as
solues encontradas atravs da modelagem sero aplicadas. Recomenda-se ainda
que, se possvel, um profissional da rea financeira esteja envolvido com o projeto
de modelagem.

TABELA 9.1 Para o incio do projeto de simulao


Antes do Incio da Simulao

PASSOS RESUMO
1. Entender os resultados financeiros e os objetivos
Resumo dos fatores de custo
daorganizao

2. Documentar os resultados financeiros e os objetivos Trabalho de grupo


do projeto de simulao Resumo dos fatores de custo

3. Determinar como os custos sero computados Hierarquia da integrao de custo

Durante a Simulao

PASSO RESUMO
Cumprir o corolrio financeiro em
1. Maximizar a interligao entre os aspectos
cada passo de construo
operacionais do processo e os aspectos financeiros
do modelo
80 Simulao de Sistemas

Destaca-se ainda que as informaes financeiras do modelo sero includas ao mes-


mo tempo que as demais informaes. Porm, muitas vezes, as informaes financeiras
podero ser inseridas aps a incluso e validao das informaes operacionais. Em
ambos os casos, h um corolrio financeiro para cada passo do projeto de modelagem,
mostrado na Tabela9.2.

TABELA 9.2 Corolrios financeiros durante a execuo de um projeto de simulao

PASSOS DA SIMULAO COROLRIO FINANCEIRO


1. Definio do problema Estabelecer objetivos financeiros
edosobjetivos

2. Formulao Instruir a equipe sobre as caractersticas da simulao


ePlanejamento Mostrar como os aspectos de custo so incorporados aomodelo
doModelo e como podem ser interpretado os resultados
Identificar condies de contorno
Acessar e avaliar informaes financeiras
Identificar a formao do custeio da empresa

3. Coleta de Dados Buscar dados preliminares de custeio


Concordncia da equipe com os dados de custeio coletados

4. Desenvolvimento O plano de integrao de custo precisa ser alterado?


doModelo Inserir os dados no modelo de simulao

5. Verificao do Modelo Verificar se a modelagem de custeio est condizente


com as informaes recolhidas da realidade

6. Validao do Modelo Verificar se o mtodo adotado no modelo condiz


com o mtodo adotado na realidade
Verificar se ao final da simulao se obtm valores similares aos
obtidos na realidade para custo j conhecido
Fazer modificaes se necessrio

7. Experimentao Estabelecer um plano para proceder s comparaes


entre as diferentes solues apresentadas
Determinar o nmero de vezes em que ser rodado o modelo
(replicaes) para serem obtidos nveis confiveis de variabilidade

8. Anlise dos Resultados Estabelecer, se necessrio, uma anlise estatstica para os


eApresentaes resultados gerados
Estabelecer o custo total e reas de custo crtico de acordo
com os objetivos financeiros
Relacionar resultados financeiros com os objetivos financeiros
e de produo da empresa
Observar, comparar e analisar os resultados de cada
replicao de cada experimento
Resumir os impactos financeiros das vrias alternativas
encontradas
Ter sempre disponveis dados financeiros detalhados

9. Implementao Documentar o sucesso dos objetivos financeiros alcanados


Identificar riscos e oportunidades
Captulo | 9 O Aspecto Financeiro 81

COMPARAO ENTRE DUAS ALTERNATIVAS


O primeiro passo para se desenvolver uma anlise financeira estabelecer uma
base de comparao. Critrios individuais ou especficos de avaliao iro variar
dependendo dos objetivos do projeto. Um fator financeiro comumente utilizado o
custo total das operaes. Este custo mostra o impacto das solues propostas. As-
sumindo-se parmetros operacionais iguais para cada alternativa, como, por exemplo,
produo final, intervalo de tempo da produo etc., a alternativa com menor custo
total poder ser a melhor soluo encontrada.
Ainda h casos em que os resultados das alternativas podem ser equivalentes,
cabendo ao analista avaliar com bom senso a melhor delas. Como limite dos cenrios
encontrados, tm-se os seguintes resultados:
1. performance operacional alta e custo total baixo;
2. performance operacional baixa e custo total alto.

O resultado 1 aceito, porm o 2 rejeitado. Ainda h casos em que as duas


alternativas podem trazer performance e custos totais altos. Cabe a, mais uma vez,
ao time de analistas distinguir qual a melhor soluo apresentada. A anlise do custo
de forma exclusiva no deve ser o nico parmetro de deciso.
Um fornecedor de servios pode muito bem, em um primeiro momento, aceitar
altos custos se isso trouxer um adicional nos negcios que possa cobrir este aumento
de despesas, por exemplo. Uma empresa de manufatura pode ainda aceitar altos custos
caso venha a ter aumento de qualidade atravs da diminuio da devoluo de seus
produtos ou da diminuio de retrabalho dos mesmos.
Ao se comparar alternativas, faz-se necessrio determinar quais informaes
so significativas e teis para se tomar decises. Os fatores relacionados a seguir
geralmente so utilizados na anlise de alternativas:
benefcios tangveis;
benefcios intangveis;
diferenas de custo;
custo final do produto;
custo total do produto;
custos da qualidade;
custos de capital;
nveis de tecnologia e recursos disponveis na empresa;
treinamento e educao necessria;
custos de inicializao da implantao e curva de aprendizado;
flexibilidade e adaptabilidade do sistema analisado.

Os fatores anteriormente listados devem ser sempre relacionados, alm dos


resultados e objetivos da organizao. Esse procedimento ajudar a estabelecer
critrios com os quais os custos sero avaliados. possvel declarar os fatores
82 Simulao de Sistemas

segundo seu grau de importncia para a organizao. Dessa forma, eles podem ser
divididos em trs grupos, e os itens do comeo da lista tem uma prioridade mdia
ou baixa. Um modo mais sofisticado de relacion-los seria combinar simulao
com otimizao. Otimizadores, como o SimRunner, permitem que se estabelea
uma funo-objetivo com graus de importncia entre os fatores e, assim, busca-se
maximizar os de maior importncia.
Um exemplo simples seria um modelo que busca maximizar os lucros subtraindo
o custo total da produo do total de rendimentos. Obviamente, os rendimentos iro
variar conforme a quantidade produzida, mas o rendimento por produto ir variar
conforme nveis de produtividade diferentes. Lembre-se ainda que no importa como
a funo-objetivo definida, a comparao das alternativas simuladas exigir uma
avaliao dos resultados gerados para cada uma delas.
Um resumo dos documentos de custo pode ser utilizado para apresentar com
facilidade os resultados obtidos. A seguir, faz-se uma breve discusso sobre os vrios
tipos de custos, alm de se mencionar dicas de como estes podem ser inseridos no
contexto da simulao.

O CUSTO TOTAL
O conceito de Custo Total muitas vezes mais difcil do que se possa imaginar.
A definio do dicionrio Webster's para custo [...] O total de dinheiro,
tempo e esforo despendido para se atingir um objetivo, e isso pode ser interpretado
de diferentes formas. Por exemplo, um projeto de simulao pode ter como objetivo
o aumento da produtividade de uma linha para acomodar a entrada de um produto.
Desse modo, deve-se considerar no custo total do projeto os custos com as edificaes
para acomodar o novo produto?
Alguns analistas dizem que sim, pois os custos com edificaes devem ser alocados
de uma forma ou outra. Outros podem dizer que no, pois independentemente de
quanto espao o produto ocupe, ou mesmo que no ocupe qualquer um, os custos das
edificaes sero os mesmos.
Assim, faz-se necessrio chegar a denominadores comuns para se garantir a qua-
lidade dos custos que sero alocados. Mesmo que esse tipo de definio no seja de
responsabilidade do projetista do modelo, o conhecimento desses detalhes durante a
execuo do projeto ser de grande valia.
Captulo | 9 O Aspecto Financeiro 83

Geralmente, as atividades de simulao iro repercutir de forma operacional, ou


seja, nos custos de fbrica. Porm, podem criar impactos tambm nos custos gerais e
administrativos, uma vez que as alternativas apresentadas significam investimentos que
iro trazer consequentes custos financeiros de depreciao, alm de outras despesas.
Mais informaes sobre o custo total podero ser vistos na Tabela9.3.

TABELA 9.3 Componentes do custo total


Custo Operacional = material direto
trabalho direto
sobretaxa

Custos Gerais e Administrativos = custo no identificveis como operacionais


custos de investimento
custo da oportunidade
custos ou faturamento de aes no tomadas

CUSTO TOTAL

CUSTOS OPERACIONAIS OU CUSTOS DIRETOS


Independentemente do mtodo utilizado para acumulao de custos, o custeio cor-
reto dever, de alguma forma, alocar ou atribuir valores referentes a uma determinada
entidade, seja ela pea, cliente ou paciente. Por exemplo, nos ambientes de manufatura,
o custo direto de componentes geralmente identificado e alocado ao produto final.
O custo direto de componentes geralmente composto por custos de material, tempo
de fabricao etc., como mostrado na Tabela9.4.

TABELA 9.4 Componentes do custo operacional


Materiais diretos Materiais alocados diretamente para o custo do produto
Esses custos so geralmente fceis de identificar no produto

Trabalho Trabalho diretamente executado sobre o produto

Sobretaxa Material indireto


Material consumido no processo, geralmente difcil de identificar
Trabalho indireto
Trabalho despendido para fabricao do produto, que no est
diretamente ligado a ele
Outros custos indiretos: luz, aluguel, seguro, depreciao, impostos

CUSTO OPERACIONAL
84 Simulao de Sistemas

ProModel, ServiceModel e MedModel incluem uma variedade de comandos es-


pecficos para auxiliar a coleta de informaes de custo. Custos podem estar associados
s entidades, locais ou recursos.
No caso das entidades, elas captam custos colocados de forma direta, como valor
da matria-prima, ou ainda buscam custos associados a cada uma das fases do processo
de fabricao.
Os custos de processo podem ser calculados pelo tempo gasto em cada local e/
ou pelo tempo gasto por cada recurso, ou, ainda, podem ser alocados considerando-se
uma taxa fixa por uso. Custos indiretos tambm podem ser includos calculando-se o
tempo de processo ou considerando-se uma taxa fixa por entidade.
Custos por entidade, local ou recurso esto disponveis nos relatrios finais gerados
pelo ProModel, tanto em bases monetrias como em porcentagens.

CUSTO ACUMULADO
Os custos de componentes devem de alguma maneira ser coletados ou acumulados
consistente e coerentemente. Conceitos tradicionais de custeio e alocao de custos
esto mudando. Para evidenciar isso, podemos citar o crescente interesse pelo mtodo
conhecido como Custeio ABC.
As mudanas nos aspectos financeiros e contbeis no tm acompanhado as
mudanas tecnolgicas que acontecem em muitas indstrias, por isso novas maneiras
de se interpretar os custos se fazem necessrias e geram tamanho interesse. Sistemas
de Formao de Custos esto descritos na Tabela9.5.

TABELA 9.5 Sistemas de custeio


MTODOS TRADICIONAIS

Produo sob encomenda Custos esto associados a um trabalho especfico


teis para produo de quantidade limitada de produtos
Acumulam custeio por trabalho executado

Custos atuais ou custo padro

Custo por processo til para produtos fabricados em larga escala


O processo de produo segmentado em centro
decusto
Custos associados a centros de custo

MTODOS EMERGENTES

ABC (Activity Based Costing) Tem como princpio que atividades e no produtos
incorrem em custos
Captulo | 9 O Aspecto Financeiro 85

Um bom entendimento dos mtodos de alocao de custos das organizaes per-


mitir ao projetista do modelo de simulao utiliz-lo de forma consistente em seu
estudo. Em muitos casos, se as informaes de custo so inclusas nos modelos, elas
iro refletir a forma em que as organizaes rastreiam seus custos.

A SIMULAO E A INTEGRAO COM A HIERARQUIA


FINANCEIRA
As discusses precedentes promoveram uma breve viso dos objetivos financeiros
bsicos e dos fatores de custeio. Foi visto que em cada passo do processo de modela-
gem h um corolrio financeiro. O desafio agora encontrar a melhor forma de integrar
as informaes referentes a cada um desses passos. Assim como lida com um dado
operacional, o projetista do modelo incluir os fatores financeiros necessrios para
atingir os objetivos do trabalho. Porm, se dados irrelevantes forem includos, apenas
um grau maior de complexidade ser gerado, sem que se chegue a um resultado efetivo.
Existe uma hierarquia para se conseguir e processar dados financeiros.
A melhor soluo seria que todos os dados de custeio e operacionais fossem in-
cludos e trabalhados integralmente no modelo de simulao. No entanto, h ainda
a alternativa de se trabalhar os dados financeiros e de custeio de forma externa ao
modelo; uma soluo menos desejada, porm, vivel.
No passado os custos s eram calculados aps o processamento dos dados opera-
cionais nos modelos. Hoje em dia, com os avanos de softwares, possvel realizar a
integrao dos fatores operacionais e de custeio de forma muito eficiente.
A Tabela9.6 ilustra as possibilidades de incluso de dados financeiros. Os usurios
da simulao devem determinar em cada projeto qual processo ser mais adequado
para se integrar as informaes financeiras, no se esquecendo de buscar o auxlio de
membros da rea financeira. O melhor mtodo ser aquele que oferece o nvel desejado
de informao com o mnimo de esforo despendido. Desse modo, independentemente

TABELA 9.6 Hierarquia para integrao de custos na modelagem da simulao


SOLUO IDEAL COMPLETO:
Todo o custeio processado durante a simulao eexpressos
em valores de custo
No h necessidade de processamento adicional

SOLUO BOA PARCIAL:


Algumas informaes so processadas durante a simulao,
outras, aps

SOLUO ACEITVEL EXTERNO:


Nenhuma informao de custo processada durante a
simulao; utilizam-se planilhas externas para esta funo
86 Simulao de Sistemas

do mtodo escolhido, prope-se que s se acrescente detalhes ao modelo quando


realmente for necessrio. O escopo, a durao e a continuidade da anlise de simulao
devem ser considerados ao se incorporar os aspectos de custo ao modelo.
Apesar de os fatores de custeio serem facilmente includos nos modelos, um bom
processamento daqueles sempre requer um dispndio de tempo e trabalho para a sua
montagem. Esse trabalho pode ser justificado, se o modelo for utilizado futuramente,
para repetidas anlises. Contudo, se o modelo no foi concebido para futuras utiliza-
es, talvez no merea trabalho adicional. Assim, a integrao com dados externos
podem ser uma forma mais econmica de modelagem. Veja as Tabelas9.7,9.8 e9.9
para consideraes mais especficas.

TABELA 9.7 Integrao total do custo na simulao


Dados Financeiros Resultados da simulao com aspectos de custeio
Dados Operacionais

Informaes Necessrias Informaes sobre custo so colocadas no modelo


Dados operacionais so colocados no modelo

Formao de Custos Garantir que toda informao operacional seja convertida


em informao sobre custeio
Os resultados de custeio podem ser fornecidos durante a
animao do modelo

Vantagens/Desvantagens Requer uma anlise extensa do processo de acumulao


de custos
Normalmente requer o uso extensivo da funo atributo
do software de simulao
Mormalmente requer tarefas de programao adicionais

TABELA 9.8 Integrao parcial do custo na simulao


Dados Financeiros Via planilhas
Dados Operacionais Externos Resultados da simulao com aspectos de custeio

Informaes Necessrias Informaes limitadas sobre custo so colocadas no


modelo
Dados operacionais so colocados no modelo

Formao de Custos As informaes operacionais so parcialmente


convertidas em informaes sobre custeio
Algumas dessas informaes estaro disponveis durante
a animao do modelo

Vantagens/Desvantagens Bom entendimento do processo de formao de custos


Haver uma diviso no modelo entre a parte financeira
e a parte operacional
Requer exportao de dados para planilhas
Captulo | 9 O Aspecto Financeiro 87

TABELA 9.9 Integrao externa do custo na simulao


Dados Financeiros Via planilhas
Dados Operacionais Externos Resultados da simulao com aspectos de custeio

Informaes Necessrias No h introduo de informaes sobre custo no


modelo
Dados operacionais so colocados no modelo

Formao de Custos Todos os clculos e anlises de custo so feitos


externamente ao modelo de simulao

Vantagens/Desvantagens Necessita-se de um entendimento mnimo do processo


de formao de custos
Requer exportao de todos os dados necessrios
para custeio
Utiliza ferramentas tradicionais de anlise

TEMPOS DE ESPERA E CARRYING COSTS


Em simulao, uma das anlises com maior impacto financeiro diz respeito a
tempos de espera. Reduzir tempos de espera um dos maiores objetivos nas indstrias
e nas empresas de servios de nvel mundial. As ramificaes dos tempos de espera
podem ser muito extensas, como mostra a Tabela9.10. Os custos associados a esses

TABELA 9.10 Locais onde as informaes de custo podem estar disponveis


Quantidade de material direto Busca por informaes orientada pelo software
de simulao

Valores para o material direto Custos atuais:


Departamento de compras
Contas de custeio
Departamento financeiro
Custo de produtos
Custos estimados:
Propostas de prestadores de servios
Catlogos de fornecedores

Quantidades de trabalho direto Orientado pelo software de simulao

Valores para o trabalho direto Custo atual:


Setor financeiro
Custo padro:
Contas de custeio
Financeiro
Custo de produtos
Custo estimado:
Propostas de prestadores de servio
88 Simulao de Sistemas

tempos tem sido tradicionalmente omitidos e, muitas vezes, ignorados nos processos
de tomada de deciso.
Vrios esforos so feitos para se obter a real viso do custo total e com isso vem
aumentando o exame de carrying costs. A simulao uma das melhores ferramentas
de anlise para se medir os tempos de espera e seu impacto nos carrying costs.
Carrying costs so definidos como o custo de se possuir um bem ou recurso, e
esto diretamente relacionados ao valor do bem e ao tempo em que ele fica nos sis-
tema. Sua definio pode diferenciar de organizao para organizao e de indstria
para indstria. Em um sistema de manufatura, carrying costs podem ser expressos
por uma quantia ou porcentagem anual do custo da pea. Prestadores de servios tm
corolrios especficos associados ao tempo em que um cliente gasta no sistema. Esse
tipo de custo muitas vezes pode ser mais difcil de quantificar que no setor industrial.
Essa quantificao inclui ainda o impacto causado por longos tempos de espera
nos nveis dos futuros negcios. Geralmente, carrying costs incluem qualquer custo
relacionado ao inventrio de itens e ao espao fsico ocupado.
Custos relativos s entidades incluem a porcentagem de retorno esperado com o
investimento feito no estoque, alm de se considerar taxas e outros impostos.
Custos relativos ao espao fsico ocupado pela entidade podem ser includos,
como um aluguel, despesas de depreciao, obsolescncia, impostos, seguros,
manutenes etc.
Algumas vezes carrying costs so considerados por um percentual alocado aos
custos de estoque. O exemplo a seguir mostra um clculo simplificado de carrying
costs de uma pea (Tabela9.11).

TABELA 9.11 Locais onde as informaes de custo podem estar disponveis


Matria-prima: $ 1.000/pea
Material adicionado: $ 1.000/pea
Trabalho adicionado: $ 1.000/pea
Sobretaxa: $ 1.000/pea
Mdia de tempos de espera: 1 ms
Estoque em processo: 25 peas
Mdia do custo do estoque em processo: $4.000*25= $100.000
Retorno do capital investido no estoque: 25% ano
(assume-se todo o investimento ou inventrio e espao ocupado)
Carrying cost=$ 2.083/ms
(100.000 * 0,25 * 1/12) ou 2,083%/ms
Captulo | 9 O Aspecto Financeiro 89

O custo de um bem aumenta conforme este se movimenta pelo processo. Pode ser
vantajoso adicionar itens com alto valor de investimento somente no final desse sis-
tema produtivo. Assim, o capital investido no estoque em processo pode ser reduzido.
Percebe-se que a variao dos carrying costs significativa em relao reduo
dos tempos de espera. Impactos e variaes so estimadas:
1. chegando-se a uma porcentagem de carrying costs;
2. conseguindo-se estabelecer o impacto financeiro;
3. comparando a porcentagem dos carrying costs sobre os custos totais.

Se o impacto dos carrying costs no forem altos, o projetista do modelo no ter


necessidade de se preocupar com eles, e, assim, seu modelo poder ser simplificado.
Caso contrrio, atravs da simulao ser possvel chegar a uma forma muito eficaz
de aumentar substancialmente a eficincia do negcio.

Questes para reviso:


1. Qual o objetivo de incluir questes de aspecto financeiro nos estudos de simulao?
Como as anlises de implicaes financeiras podem auxiliar o projetista da simulao?
2. Quais passos devem ser traados para se conseguir auxlio do setor financeiro da
organizao?
3. Explique, em termos gerais, como a incluso dos aspectos financeiros pode acontecer
paralelamente construo do modelo de simulao?
4. As empresas geralmente priorizam uma rea especfica para obter melhorias, como,
por exemplo, a utilizao de trabalho direto ou de reduo do estoque em processo.
Como a simulao pode ajudar a trazer solues efetivas para esses problemas?
5. Em que situao um alto grau de integrao de custos poderia ser usado em uma
simulao? Quando a utilizao de integrao externa de custos seria prefervel?
6. Quais custos compem os carrying costs? Como essa definio pode variar de
organizao para organizao?
Captulo 10

Aplicaes da Simulao
Neste ponto do livro, j temos um bom conhecimento de simulao. Resta agora
saber quando ela se aplica. Este captulo demonstra aplicaes em diversos setores e
mostra que a Simulao no est presente apenas em logstica e manufatura como
comum se pensar.

A DIVERSIDADE DE APLICAES
Provavelmente o exemplo mais comum utilizado para ilustrar o conceito de si-
mulao, envolve um modelo de operaes bancrias no qual uma ou mais caixas
esto disponveis para atender aos clientes, os quais chegam com frequncia aleatria
e demandam diferentes tempos de processamento. Apesar da predominncia das
operaes bancrias ou outros exemplos de servios, as indstrias de manufatura so,
provavelmente, as que mais se utilizam da simulao. Dois motivos principais para
a crescente popularidade da simulao na indstria tm sido a facilidade de uso e a
presso competitiva.
Quando os simuladores foram desenvolvidos, com simplicidade de construo do
modelo, a aplicao na manufatura era um foco natural. Isso porque muitos conceitos
produtivos encontram aplicao em uma ampla variedade de processos. Assim, simu-
ladores relativamente pouco sofisticados, com algumas construes bsicas, podem
acomodar razoavelmente uma ampla gama de aplicaes industriais. Sua capacidade
de modelar de forma rpida e direta era popular entre engenheiros industriais e ge-
rentes operacionais, os quais estavam familiarizados com os sistemas de produo e
desejavam uma ferramenta que no exigisse grandes tarefas de programao.
O advento dos simuladores chegou bem a tempo. Indstrias norte-americanas e
europeias, h tempos acostumadas a competir somente entre si, comearam a enfrentar
grande presso competitiva provinda do Japo e de outros pases asiticos, assim como
de outras regies menos desenvolvidas. Em sua busca por um aumento de competiti-
vidade, reduo de custos e melhoria da qualidade, muitas companhias encontraram
na simulao uma ferramenta til para estudar o impacto das mudanas propostas.
A flexibilidade dos novos pacotes de simulao levou ao crescimento da modela-
gem em muitas das funes logsticas associadas indstria. Um modelador pode agora
simular processos produtivos complexos, movimentao de material, distribuio,
armazenagem e atividades de manuteno e resultados de confiabilidade/disponibili-
dade, fazendo uso de um nico pacote e necessitando de poucos conhecimentos em
programao.

91
92 Simulao de Sistemas

Enquanto a popularidade da simulao crescia nos meios produtivos, na indstria


de servios seu emprego era provavelmente menos comum. Com a disponibilidade de
um software que era fcil de usar e flexvel, a simulao na rea de servios comeou
a experimentar um rpido crescimento. Embora muitos prestadores de servios es-
tivessem contentes em utilizar os versteis pacotes de simulao para a produo, a
demanda por mais caractersticas de servios fez surgir pacotes como o ServiceModel
e o MedModel, projetados especificamente para essas funes.
Muito embora distintas indstrias enfrentem desafios similares em suas operaes
dirias, cada uma tem caractersticas prprias que precisam ser refletidas em um
modelo cuidadoso. O debate a seguir no pretende ser uma exaustiva explorao desses
problemas, mas sim ilustrar como a modelagem pode ser aplicada. Algumas dessas
aplicaes so baseadas em projetos de simulao reais, outras provm de modelosde
demonstrao usados para ilustrar o conceito de simulao para a alta gerncia. A des-
crio de cada modelo nos dar mais detalhes sobre o enfoque especfico da modelagem
e as razes para utiliz-lo.

QUESTES EM MANUFATURA
Tempo
O tempo um dos critrios mais estudados de performance da manufatura. Muito
embora a frase tempo dinheiro seja um velho clich no mundo dos negcios,
a importncia do tempo como fator de produo apenas recentemente comeou a
receber ateno. A habilidade de uma empresa em cumprir as especificaes de seus
clientes em um curto perodo e responder rapidamente s mudanas do mercado tem
reforado uma tendncia de se buscar sistemas de produo mais flexveis e aptos a
serem rapidamente reconfigurados. Algumas das maiores corporaes do mundo tm
sido eliminadas de mercados tradicionais por concorrentes menores, porm mais geis.
A capacidade nica da simulao de lidar tanto com o elemento temporal quan-
to com o impacto dos eventos estocsticos tem feito da tcnica lugar comum nos
programas de melhoria contnua. Certamente uma das aplicaes mais comuns da
simulao est relacionada reduo do tempo que um elemento gasta no sistema sem
que qualquer valor lhe seja agregado. Esse tempo de espera produz custos desneces-
srios de movimentao e reduz a capacidade do sistema em responder demanda
do mercado. Em um cenrio tpico, uma pea processada e espera ento pelo trans-
porte que a conduz a outro local, onde espera pela disponibilidade da mquina, ou do
operador, que executar um novo processo. Trs desses quatro passos no agregam
valor. Obviamente, a soma dos tempos mortos, isso , aqueles que no agregam valor,
pode exceder ao final do processo soma dos tempos em que o trabalho produtivo
executado.
Uma forma muito utilizada para reduzir o tempo de espera o mtodo just-in-time
ou JIT. Ele baseia-se na reduo dos inventrios e na reduo das filas por meio da
programao de chegada dos componentes s estaes de trabalho exatamente no
momento em que elas se tornam disponveis para iniciar a operao. Um mtodo muito
relacionado o sistema kanban. No sistema kanban utiliza-se um conjunto de cartes
Captulo | 10 Aplicaes da Simulao 93

que indicam quando uma estao de trabalho estar disponvel para processar um lote
de componentes e o tempo que o lote levar para ser transportado e posicionado em
frente estao de trabalho. Embora essas tcnicas e outros mtodos de balanceamento
da linha de produo possam ser modelados com outras ferramentas, a simulao lida
bem com as inconsistncias comuns produo, como tempos variveis nas operaes,
paradas, chegadas atrasadas de alguns componentes, entre outros. A capacidade de
incluir esses eventos estocsticos na simulao permite ao modelador estabelecer os
tamanhos dos lotes, regras operacionais e controles de sistema em maior sintonia com
as operaes do mundo real.

Movimentao de material
Os avanos obtidos pelos softwares de simulao tm feito com que a modelagem
de sistemas de movimentao de material se torne cada vez mais praticveis. Uma vez
que o tempo de movimentao do componente entre as operaes pode representar
uma parte significativa do tempo total de permanncia no sistema, a capacidade de
projetar a performance de um dispositivo de transporte sob circunstncias especficas
pode produzir melhorias significativas. Robs, transportadores, guindastes, AGVs e
pessoas possuem caractersticas operacionais nicas que podem alterar a performance
de todo o sistema. Tanto na modelagem de melhorias propostas para um sistema j
existente, quanto para projetar um sistema de transporte eficiente para uma nova linha
de produo, a simulao pode ser a mais eficiente ferramenta de anlise disponvel.

Layout da planta e planejamento de capacidade


Muitas companhias envolvidas no planejamento e na construo de novas ins-
talaes fazem uso da simulao para certificar-se de que h capacidade suficiente
disponvel para cumprir as metas de produo. Softwares como o CIM Tecnologies
Factory Plan esto disponveis para ajudar os projetistas a minimizar as distncias de
movimentao dos produtos dentro do sistema. A capacidade de importar desenhos
do CAD como fundo para o modelo de animao torna esses pacotes teis para serem
utilizados em conjunto com a simulao. Muitas companhias perceberam que a
simulao ajudou a pr-identificar aquelas reas crticas que precisam de remodelaes,
resultando em custos iniciais significativamente menores e em um alcance mais rpido
de nveis de rendimento de uma produo satisfatria.
Quando a Western Digital estava planejando a construo de uma nova fbrica para
produzir disk drivers em Cingapura, o gerente de automao gastou diversas semanas
na construo de um modelo do layout proposto para a nova fbrica e dos sistemas
de movimentao de material. Os fornecedores de equipamentos foram chamados a
submeter propostas para sistemas de robs utilizados na movimentao dos conjuntos
montados de uma estao para a outra. Baseados na simulao, a Western Digital
foi capaz de identificar capacidades inadequadas e requisitar revises antes da im-
plementao. Os gerentes da companhia deram simulao muito crdito pelo incio
de operaes livre de problemas e estimaram que a simulao evitou um gasto dez
vezes maior que o investimento.
94 Simulao de Sistemas

Programao Job Shop


Muitas fbricas produzem pequenos lotes de produtos para satisfazer as neces-
sidades de clientes especficos. As chamadas Job Shops podem fabricar uma ampla
variedade de itens utilizando o mesmo maquinrio, equipamentos e fora de trabalho.
Provavelmente o desafio mais intenso enfrentado pelos gerentes dessas companhias
conciliar as necessidades e especificaes do cliente com a utilizao mais racional
e eficiente possvel dos recursos disponveis. Uma vez que cada trabalho executado
poderia ter um tamanho de lote exclusivo e diferentes necessidades produtivas em cada
estao de trabalho, a programao da produo pode tornar-se extremamente difcil.
A capacidade da simulao em gerenciar prioridades conflitantes e a chegada de
milhares de componentes em diferentes estaes de trabalho tem conduzido at mesmo
as pequenas Job Shops a modelar suas operaes. Tipicamente, um modelo bsico
da fbrica desenvolvido e as possveis combinaes dos trabalhos programados
soexecutados no modelo para identificar os gargalos e planejar as datas de entrega.
Ainda que no seja uma tcnica de otimizao no sentido da programao linear, um
mdulo incluso no ProModel rapidamente calcular a combinao das programaes
possveis para um nmero limitado de componentes. O ProModel para Windows, o
MedModel e o ServiceModel possuem a capacidade do ProModel em ler arquivos
externos que podem incluir vrias combinaes de programao dos trabalhos.

Avaliao de investimentos e equipamentos


H muito tempo a simulao tem sido usada como uma ferramenta para fazer
avaliaes de novas tecnologias, equipamentos ou processos. Por meio da incluso
da tecnologia em estudo num modelo da operao j existente, os gerentes podem
determinar qual o impacto da nova tecnologia em outras partes do sistema. Em alguns
casos, as diferenas entre os custos das operaes nova e velha podem justificar
a integrao de fatores financeiros no modelo. Em outros casos, o impacto da nova
tecnologia sobre um critrio decisivo de desempenho pode ser to significativo que
a resposta torna-se bvia e tudo que se precisa de uma reviso externa de custos.
A Geneva Steel Corporation conta com um programa muito agressivo de compra
de equipamentos, a fim de tornar-se a mais eficiente companhia siderrgica dos Es-
tados Unidos. A simulao foi utilizada para avaliar as diversas horas tecnolgicas.
Em pelo menos dois casos, os estudos de simulao das novas tecnologias indicaram
a necessidade de modelos mais detalhados dos sistemas de movimentao de material
e dos requisitos de manuteno para garantir que o mximo de benefcio seria obtido
do investimento (Bateman, 1992).

APLICAES NA REA DE SERVIOS


O quadro de funcionrios
Um dos primeiros usos da simulao foi para a avaliao dos quadros de funcio-
nrios nas empresas prestadoras de servios, como bancos e balces no comrcio.
Utilizando uma funo de chegada de clientes baseada na sua prpria clientela, os
Captulo | 10 Aplicaes da Simulao 95

gerentes das empresas de servios podem analisar o tempo de espera dos clientes
com diferentes configuraes no quadro de atendimento. Um gerente de banco po-
deria determinar, por exemplo, que trs caixas so suficientes para proporcionar um
perodo de espera razovel durante a maior parte do dia, porm, nos perodos mais
movimentados, como a hora do almoo e o final da tarde, o tempo de espera na fila
muito longo para seus clientes. Ele poderia ento calcular os efeitos de adicionar
funcionrios durante as horas de pico.
Embora o tempo de espera de um cliente normalmente no inclua os custos de
movimentao, assim como na indstria quando um componente espera por um
processo, a maioria das empresas de servios entende que os custos com negcios
perdidos e animosidades por parte dos clientes esto associados ao longo tempo de
espera experimentado. A disciplina de Anlise do Nvel de Servios tem se tornado
muito importante, conforme aumenta a competitividade em negcios que lidam dire-
tamente com o pblico. Um gerente de servios competente ir examinar o quadro de
funcionrios e os equipamentos para se certificar se ele e seus clientes podem conviver
com o nvel de servios indicado.

Melhoria dos procedimentos


Muitas organizaes tm aprendido que consumidores domsticos tambm so
clientes. Em um esforo para melhorar a velocidade de resposta das suas funes
administrativas e de suporte, muitas dessas companhias esto utilizando a simulao para
modelar procedimentos revisados, a fim de aperfeioar o processamento de documentos,
chamadas telefnicas e outras transaes dirias. Por meio da incluso de informaes
fornecidas por pessoas de todos os setores, algumas organizaes tm registrado impor-
tante crescimento em sua velocidade de resposta a clientes internos e registrado aumento
na motivao dos funcionrios capazes de eliminar procedimentos improdutivos.

Sade
Hospitais, centros de traumatologia e outros prestadores de servios mdicos for-
mam um subsetor nico da indstria de servios. Apesar de o impacto de equipamentos
e quadro de pessoal no tempo de espera dos pacientes ser de importncia imediata,
ainda maior do que em outros setores, muitas das aplicaes tm poucos paralelos
reais em outros setores da indstria de servios.

Agendamento dos pacientes


Hospitais lidam com pacientes agendados e no agendados. Pessoas que no
enfrentam riscos de vida urgentes podem ter suas visitas programadas para consulta
mdica, exames e cirurgias. Seria desejvel poder agendar todos os pacientes e assim
ser capaz de assegurar a mxima utilizao de seus recursos, no entanto, a maioria
das instalaes deve dispor de recursos para lidar com emergncias imprevisveis. A
capacidade de considerar tipo de chegadas estocsticas por casos crticos, enquanto
se preserva um fluxo harmnico de trabalho programado, um desafio para o qual a
simulao talvez seja a melhor ferramenta de anlise.
96 Simulao de Sistemas

Fluxo de pacientes entre os departamentos


As instalaes hospitalares lidam com uma ampla variedade de problemas mdicos
e doenas. Se fosse possvel que cada paciente se movesse atravs das mesmas sries
de locais de atendimento, as atividades de administrao hospitalar seriam muito
mais simples. Na prtica, cada paciente um indivduo singular com seus prprios
sintomas e preferncias. At mesmo dois pacientes acometidos do mesmo mal podem
ser enviados a diferentes locais de atendimento mdico, o que depende do mdico de
planto. Assim, um deles pode ser enviado para uma sala de consulta, depois para uma
central de exames, seguindo para uma sala de espera, voltando para a sala de consulta
e, finalmente,a uma farmcia. O outro paciente poderia, em uma maca, ir diretamente
a uma sala de emergncia, seguido de uma ida sala de radiografia e uma parada na
ortopedia, antes de ser internado no hospital. No apenas a taxa de chegada que segue
o padro estocstico, mas tambm o nmero de possibilidades deatendimento, que
geralmente ilimitado. A capacidade da simulao em abranger a natureza combinatria
das opes possveis faz dela uma ferramenta muito poderosa para avaliar o fluxo de
pacientes entre os departamentos. Um hospital pode utilizar um modelo de simulao
para desenvolver procedimentos para gerenciar o fluxo e assegurar que os recursos
esto sendo utilizados ao mximo de formas consistentes com as necessidades dos
pacientes.

Utilizao Mtua de Servios


A maioria das instituies mdicas no pode dispor de todos os recursos conceb-
veis para abranger todas as necessidades possveis de seus pacientes. Por essa razo,
muitas instalaes mdicas participam de arranjos de utilizao mtua de recursos, na
qual algumas possuem equipamentos ou outros recursos que outras instituies tm
acesso. A utilizao desses recursos torna-se uma funo probabilstica das chegadas
provenientes de vrias organizaes participantes, as quais possuem seus prprios
pacientes e procedimentos. Modelos de simulao com funes de chegadas estocs-
ticas so utilizados para garantir que a disponibilidade dos servios compartilhados
atenda s necessidades.

APLICAES EM LOGSTICA
O crescimento da simulao tem ocorrido em paralelo ao reconhecimento da impor-
tncia da logstica fora dos setores militares. Muitas das atividades hoje consideradas
integrantes da logstica podem, de fato, ser encontradas tanto na manufatura quanto
no setor de servios. Uma vez que na logstica muitos dos aspectos relacionados
movimentao nas operaes envolvidas, como o tempo ou mudanas de locais, so
incertos. Isso faz com que a modelagem dinmica torne-se fundamental aos enge-
nheiros e gerentes preocupados com as questes logsticas.

Armazenagem e distribuio
A estocagem e movimentao de componentes e materiais, assim como o ge-
renciamento dos inventrios de produtos acabados, tm recebido ateno crescente
Captulo | 10 Aplicaes da Simulao 97

conforme as companhias buscam assegurar uma vantagem competitiva. Neces-


sidades de alocao de espao, requisitos de movimentao de materiais e produtos
cada vez mais variados e a lotes cada vez menores so apenas algumas das ques-
tes de distribuio e armazenagem que podem ser eficazmente tratadas atravs
da simulao.

Processamento de pedidos
O processamento de pedidos est intimamente relacionado ao JIT e a outros mto-
dos de reduo do tempo de espera. Muitas companhias cujos clientes requerem que os
carregamentos tenham chegadas just-in-time encontraram na simulao uma ferramenta
til para determinar os tempos de processamentos (fabricao e transporte) necessrios
para atender s programaes dos clientes, em diferentes cenrios de demanda pos-
sveis. No lado administrativo do processamento de pedidos, a simulao tambm tem
participado dos esforos das empresas interessadas em melhorar os procedimentos, a
fim de aumentar a velocidade do fluxo de documentos atravs do sistema.
Um fornecedor de componentes automobilsticos, que tem como cliente as maiores
montadoras do mercado, vem utilizando a simulao para avaliar o impacto das vrias
possveis tecnologias de produo em sua capacidade de atender s demandas de
entrega JIT de seus clientes. Essa empresa tem sido muito bem sucedida no uso da
simulao e tem repassado a tecnologia para outras empresas locais.

MANUTENO
A capacidade da simulao em trabalhar com paradas para manuteno que seguem
padres estocsticos, tanto para paradas planejadas como para no programadas, tem se
mostrado inestimvel para aquelas empresas cujas operaes podem ser drsticamente
refreadas por problemas em peas cruciais dos equipamentos. Os modelos podem ser
utilizados para estudar o impacto das paradas e para desenvolver um regime de ma-
nuteno que minimize as perdas na capacidade operacional. Outro uso da simulao
envolve modelagem de confiabilidade e da disponibilidade. Lderes militares que
precisam contar com um nmero mnimo de armas disponveis para uso imediato e
empresas de comunicaes que devem assegurar uma capacidade adequada do sistema
so apenas dois exemplos de uso da simulao nesta rea.

MEIO AMBIENTE
A simulao est comeando a ser mais utilizada nas atividades logsticas
relacionadas com limpeza ambiental e manuseio de resduos. Particularmente
no carregamento, classificao e tratamento de resduos de alta periculosidade,
a simulao pode ser uma ferramenta muito til. Tem-se utilizado modelos para
analisar os requisitos de capacidade para as instalaes de tratamento ou reciclagem
de resduo, dimensionar o fluxo de resduo entre vrios locais e para examinar os
riscos associados com o transporte e manipulao de lixo atmico. (Veja Bateman,
Kimball e Roderick, 1993).
98 Simulao de Sistemas

Questes para reviso


1. Liste algumas das aplicaes mais comuns da simulao na manufatura. Por que
asimulao uma ferramenta til para resolver esses tipos de problemas?
2. Descreva trs tipos de prestao de servio com os quais voc esteja familiarizado
e como eles podem obter benefcios atravs da simulao.
3. Quais aspectos fazem dos servios mdicos uma rea peculiar dentro da indstria
deservios? Como a simulao pode ser utilizada para enfrentar alguns desafios
dessa rea?
4. Para uma atividade com a qual voc esteja familiarizado, liste alguns pontos
depotencial melhoria. Explique por que a simulao pode ou no ser uma ferramenta
valiosa para lidar com esses pontos.
Captulo 11

Uso de softwares
noprocessodemodelagem
Por: Prof. Dr. Jos Arnaldo. B. Montevechi

Este captulo tem como objetivo apresentar duas fases de modelagem e o uso de soft-
wares em cada uma delas. A primeira a ser apresentada a modelagem conceitual, em que
ser mostrada uma tcnica interessante chamada IDEF-SIM. Para essa fase ser mostrado
o uso de um software que permite o desenvolvimento do modelo conceitual que antecede
a construo do modelo computacional. O modelo que apresenta a tcnica do IDEF-SIM
tem como objetivo, alm do mapeamento das atividades do sistema a ser estudado, facilitar
a segunda etapa, que a do modelo computacional. Para esse modelo, ser empregado o
software de simulao a eventos discretos, o ProModel. Sero tambm usados filmes que
ajudaro na apresentao dos dois softwares, disponveis na central de download.

MODELAGEM CONCEITUAL
Muitos autores apresentam uma sequncia para a simulao que contradiz a falsa
ideia de que simulao corresponde simplesmente a uma programao computacional
de um modelo.
Pode-se observar em diagramas de projeto de simulao, como o mencionado no
Captulo 5 deste livro (Figura5.1), que ao tratar do desenvolvimento do modelo, uma
primeira modelagem realizada j na fase de concepo. Normalmente, d-se o nome
de modelo conceitual ao resultado desta modelagem. Na etapa de concepo, o modelo
que est na mente do analista (modelo abstrato) deve ser representado de acordo com
alguma tcnica de representao, a fim de torn-lo um modelo conceitual, de modo
que outras pessoas envolvidas possam entend-lo.
Apesar de importante, muito comum encontrar em trabalhos de simulao uma
apresentao simplificada desse modelo ou mesmo sua omisso.
O modelo conceitual a representao lgica ou verbal do problema, e o modelo compu-
tadorizado o modelo conceitual implementado em um computador. O modelo conceitual
desenvolvido por meio de fases de anlise e modelagem, e o modelo computadorizado
desenvolvido por meio de uma programao computacional em uma fase de implementao.
Existem vrias tcnicas de modelagem de processos. O processo de seleo da
tcnica ou ferramenta correta para modelagem de processos vem se tornando cada vez
mais complexo, no somente em razo do grande nmero de abordagens disponveis,
99
100 Simulao de Sistemas

mas tambm por causa da falta de um guia que explique e descreva os conceitos
envolvidos nas diversas tcnicas e ferramentas de modelagem.
O uso de uma tcnica de modelagem j na fase de concepo aumenta a qualidade
dos modelos de simulao e diminui a demanda de tempo requerido para a construo do
modelo computacional, sendo essa a principal razo para o foco no uso de uma tcnica que
fornea uma conexo entre a ferramenta de modelagem e o processo de simulao em si.
Poucas tcnicas de modelagem de processos utilizadas no BPM (Business Process
Modeling) fornecem o suporte necessrio a um projeto de simulao. Desse modo,
tendo em vista a importncia da fase de modelagem conceitual, justificava-se investir
esforos no desenvolvimento de uma ferramenta, capaz de proporcionar a obteno de
representaes, atravs da tcnica de modelagem com foco na simulao, possibilitando
assim uma aproximao entre a lgica utilizada no mapeamento (modelagem conceitual)
e a lgica utilizada posteriormente nas outras fases do projeto de simulao.
Em muitos casos, dispe-se de nmero limitado de especialistas em simulao, e
como, normalmente, os mapeamentos de processo disponveis nas empresas no foram
feitos com foco na simulao, necessrio que estes especialistas estejam presentes no
objeto de estudo para realizar a modelagem, o que demorado e oneroso. Uma soluo
para esse problema seria que os funcionrios j alocados no objeto de estudo realizassem
a modelagem conceitual e enviassem os dados para o especialista de simulao. Mas
para que esses dados fornecidos possam ser bem utilizados pelo profissional de simu-
lao, a lgica de mapeamento, ou seja, a modelagem conceitual deve ser a mesma a
ser utilizada posteriormente pelo especialista de simulao. Questes como a distncia
existente entre a modelagem clssica de processos e a modelagem conceitual com foco
na simulao, bem como a importncia da simplificao, agilidade e padronizao da
modelagem conceitual, podem ser observadas neste exemplo, bem como em diversas
situaes cotidianas dos projetos de simulao.
Nesse sentido, a automatizao do processo de modelagem tem sua importncia
destacada e pode ser capaz de auxiliar no aumento da utilizao da modelagem
conceitual. Deve ser entendido por automao o uso de software que auxilie no
desenvolvimento do modelo conceitual.
Neste livro ser apresentada uma tcnica que pode ajudar nessa etapa. Essa tcnica
chamada de IDEF-SIM. Ela foi elaborada durante o desenvolvimento de uma tese
de doutoramento1 e foi implementada em um software livre que tambm se encontra
disponibilizado neste livro.

A TCNICA IDEF-SIM
Apesar da diversidade de tcnicas de modelagem de processos dentro do contexto
do BPM, poucas delas fornecem o suporte devido simulao. Dada a importncia do
modelo conceitual nos projetos de simulao, interessante contar com uma tcnica

1. LEAL, F. Anlise do efeito interativo de falhas em processos de manufatura atravs de projeto de ex-
perimentos simulados. 2008. Dissertao (Tese de Doutorado) Faculdade de Engenharia do Campus de
Guaratinguet, Universidade Estadual Paulista, Guaratinguet, 2008.
Captulo | 11 Uso de softwares noprocessodemodelagem 101

que tenha seu foco na simulao. Nesse contexto entra a tcnica IDEF-SIM, com
o objetivo de permitir a elaborao de modelos conceituais com informaes teis
ao modelo computacional e permitir uma documentao dos modelos, facilitando o
entendimento do projeto.
A famlia IDEF utilizada nas mais diferentes aplicaes, sendo as verses mais
importantes o IDEF0, IDEF1, IDEF1X, IDEF2, IDEF3, IDEF4 e IDEF5, e dentre elas
destacam-se o IDEF0 e IDEF3 para a modelagem de processos de negcios.
A tcnica IDEF0 um mtodo concebido para modelar a tomada de decises,
aes e atividades de uma organizao ou sistema. derivada da Anlise Estruturada
e Design Technique (SADT), uma linguagem grfica a qual foi criada a partir de
uma solicitao por parte da Fora Area dos Estados Unidos, que encomendou aos
desenvolvedores da SADT um mtodo de modelagem para analisar a perspectiva
funcional de um sistema. Ummodelo eficaz de sistema, modelado com a IDEF0, per-
mite organizar a anlise do sistema e promover um bom entendimento entre analista
e cliente, alm de permitir ao modelador uma melhor identificao das funes exis-
tentes, o que necessrio para que essas funes aconteam, o que est correto e o
que est errado no sistema atual. Essas caractersticas colocam a tcnica como uma
das primeiras formas indicadas para modelar um sistema.
O IDEF0 possui elementos grficos e textuais combinados, apresentados de forma
sistemtica e organizada, para que se possa ter entendimento sobre o sistema, suporte a
anlises e construo da lgica para potenciais alteraes e visualizao da integrao
entre as atividades. A composio do modelo baseada em uma srie hierrquica de
diagramas que, de forma gradual, exibem os nveis de detalhe na descrio de funes
e a sua interface com o sistema.
Um dos pontos mais fortes do IDEF0 sua comprovada efetividade em detalhar
as atividades do sistema para a modelagem funcional. As atividades so descritas
com suas entradas, sadas, controles e mecanismos, e a forma de descrio pode ser
facilmente refinada para fornecer maiores detalhamentos, enquanto for necessrio.
A rigidez das regras acaba facilitando a modelagem e a interpretao, caracterstica
que no se encontra em fluxogramas, por exemplo. Contudo, alguns pontos fracos da
tcnica referem-se tendncia de os modelos serem interpretados como sequncias de
atividades e ao fato de os modelos serem, em geral, to concisos que seu entendimento
pode se tornar uma tarefa difcil para um modelador menos experiente.
A flexibilidade da tcnica reside na capacidade de permitir a anlise de sistemas
muito complexos, com diversos nveis de detalhamento. Analisando as diferentes
abordagens do IDEF, o IDEF0 a verso mais publicada e utilizada quando se trata
de anlise de manufatura.
A principal diferena entre as tcnicas IDEF0 e IDEF3 que a ltima se carac-
teriza pelo fato de os eventos serem descritos na ordem real em que eles ocorrem,
considerando assim a sequncia temporal do processo. O IDEF3 capaz de capturar
os aspectos comportamentais de um sistema existente ou proposto, sendo a estrutura-
o realizada como um cenrio, havendo representao das informaes temporais,
incluindo relaes de precedncia e causa dentro dos processos. A tcnica constri
102 Simulao de Sistemas

d escries estruturadas que capturam informaes sobre o que um sistema realmente


faz, ou dever fazer, e ainda til como forma de expresso e organizao de diferentes
formas de visualiz-lo.
A tcnica IDEF-SIM baseia-se nos elementos do IDEF0 (permite a captura e a
representao com elementos grficos e textos combinados) e do IDEF3 (utilizado para
produzir um modelo funcional, levando em conta a ordem em que os eventos ocorrem),
os quais so adequados e associados para que se obtenha a desejada adaptao s
necessidades encontradas em projetos de simulao.
A tcnica foca o projeto de simulao, mas tambm compatvel a outros fins, como
projetos de melhoria em geral. Os elementos presentes na tcnica podem ser visualizados
na Tabela11.1, bem como a simbologia e a tcnica que deu origem a cada um deles.

TABELA 11.1 Simbologia utilizada na tcnica IDEF-SIM

Elementos Simbologia Tcnica de origem


Entidade IDEF3 (modo descrio
das transies)

Funes IDEF0

Fluxo da entidade IDEF0 e IDEF3

Recursos IDEF0

Controles IDEF0

Regra E

Regras para fluxos Regra OU IDEF3


paralelos e/ou alternativos

Regra E/OU

Movimentao Fluxograma
Captulo | 11 Uso de softwares noprocessodemodelagem 103

TABELA 11.1 (cont.)


Elementos Simbologia Tcnica de origem
Informao explicativa IDEF0 e IDEF3

Fluxo de entrada
no sistema modelado

Ponto final do sistema

Conexo com outra figura

As funes detalhadas de cada um dos elementos so as seguintes:


entidade: so os itens que iro passar por processamento pelo sistema, podendo
representar matria-prima, produtos e pessoas, entre outros. Esses itens podem
ser agrupados ou divididos durante o processo e sua movimentao pode ser feita
tanto de forma prpria quanto por um recurso;
funes: representam os locais onde a entidade ir sofrer uma ao. Em linhas

gerais, as funes so os postos de trabalho, postos de atendimento (modificam as


entidades), filas, estoques (controlam o fluxo da entidade no tempo), entre outros;
fluxo de entidade: refere-se ao direcionamento da entidade no modelo, fazendo

referncia tanto aos momentos de entrada quanto de sada de entidades das funes;
recursos: representam os elementos responsveis pela movimentao das entidades

e por executar funes, podendo representar pessoas ou equipamentos. Esses


recursos podem ainda ter outra classificao: os estticos so aqueles em que no
existe movimentao enquanto os dinmicos so dotados de uma possibilidade de
movimento, dentro de um caminho predefinido;
controles: so as regras utilizadas nas funes para definir as diretrizes das aes

s quais as entidades sero submetidas;


regras para fluxos paralelos e/ou alternativos: essas regras so baseadas na

tcnica IDEF3, sendo dentro desse contexto chamadas de junes. A inteno


desses blocos fornecer uma relao lgica que pode ser aplicada logo aps uma
funo. Aps uma funo ser realizada mais de um caminho pode ser tomado e,
nestes casos, as regras lgicas E, OU e E/OU devem ser aplicadas;
movimentao: representa uma movimentao de entidade, considerada pelo modelador

como relevante dentro do contexto do modelo. Ao representar este estado, espera-se


na implementao computacional uma programao especfica que fornea um deta-
lhamento de dados, como tempo gasto na movimentao e recursos utilizados;
informao explicativa: objetiva inserir no modelo uma explicao visando

facilitar o entendimento do modelo;


104 Simulao de Sistemas

fluxo de entrada no sistema modelado: define a entrada ou criao de entidades


dentro do modelo;
ponto final do sistema: define o final de um caminho dentro do fluxo de modelagem;

conexo com outra figura: utilizada para possibilitar a diviso do modelo em dife-

rentes figuras, mantendo uma fcil visualizao do sequenciamento entre os modelos.

O SOFTWARE DIA
O software DIA foi construdo com base no toolkit multiplataforma GTK+ para
criao de interfaces grficas. O GTK atualmente muito popular, sendo usado em
diversas aplicaes, incluindo o ambiente desktop GNOME, e est sob a licena GLP,
sendo ento tambm software livre e parte integrante do projeto GNU.
Pode ser utilizado para desenhar muitos tipos de diagramas e j possui implemen-
tadas diversas tcnicas conhecidas de mapeamento, como fluxograma (flowchart),
UML, IDEF0, entre muitas outras.
O software integra algumas funcionalidades importantes, como a configurao
e utilizao simples e intuitiva, a interface amigvel, a facilidade para insero e
configurao dos diagramas, alm da possibilidade de se exportar o modelo final para
diversos formatos, tais como EPS, SVG, XFIG e PNG. Pronto para ser rodado nos
sistemas operacionais GNU/Linux, MacOS, Unix e Windows.
Na Figura11.1 pode ser visualizada a tela inicial padro do software DIA, com
uma breve explicao das principais funes disponveis.

FIGURA 11.1 Tela inicial do software DIA

1. Barra de menu: disponibiliza as opes padro, presentes na maioria dos


softwares: Arquivo, Editar, Ver, Layers, Objetos, Selecionar, Ferramentas,
Mtodos de Entrada e Ajuda. Por meio das opes deste menu o usurio tem
a possibilidade de abrir arquivos, salvar o diagrama atual e realizar diversas
Captulo | 11 Uso de softwares noprocessodemodelagem 105

configuraes de acordo com suas necessidades, tais como a forma de encaixe


de objetos, o encaixe da grade, os mtodos de alinhamento e detalhes de zoom,
entre diversas outras;
2. Barra de atalhos: disponibiliza o acesso rpido s funes mais utilizadas no
software, propiciando facilidade e dinamismo;
3. Ferramentas de edio: esse menu apresenta as ferramentas principais utilizadas
durante o processo de insero e configurao das formas inseridas. Os botes, da
esquerda para a direita permitem, respectivamente: selecionar e arrastar as formas
inseridas, realizar a edio de texto nas formas em que a opo estiver disponvel, utilizar
o zoom em um local especfico, arrastar a rea de desenho e inserir uma caixa de texto;
4. Formas bsicas: essa rea permite a insero de formas bsicas para com-
plementar a construo dos diagramas;
5. Menu de seleo: nesse menu est disponvel a seleo das tcnicas de ma-
peamento previamente inseridas no software. Ao realizar a seleo da tcnica
desejada, logo abaixo do menu, na rea identificada com o nmero 6, sero
carregadas as formas previamente inseridas. Alguns exemplos de tcnicas dis-
ponveis: fluxograma (flowchart), IDEF0, diagrama Ladder, BPMN.
6. Formas: nessa seo so apresentados os smbolos da tcnica selecionada, dis-
ponibilizando-os para insero de forma simples e prtica;
7. rea de trabalho: rea livre utilizada para a criao do projeto de mapeamento
atravs da insero dos smbolos desejados. Existe a possibilidade de acompanhar
o alinhamento tanto vertical quanto horizontal, tomando como base as rguas
horizontais e verticais e as linhas de referncia presentes por toda essa rea;
8. Eixo horizontal: apresenta as coordenadas horizontais atravs de uma escala;
9. Eixo vertical: apresenta as coordenadas verticais atravs de uma escala;
10. Configurao de cor e linha: permite a configurao rpida e prtica de deta-
lhes como a cor do primeiro e do segundo plano da rea de trabalho, bem como
configuraes de espessura das linhas a serem inseridas.
11. Configurao de linha: permite definir de forma rpida e prtica as configuraes
da linha a ser inserida, desde formato presente em ambos os lados da linha, bem
como sua forma de preenchimento.

A TCNICA IDEF-SIM INTEGRADA AO SOFTWARE DIA


Assim sendo, a tarefa desenvolvida foi disponibilizar no menu de formas a serem
inseridas a tcnica IDEF-SIM. Inicialmente, o objetivo foi realizar a programao para
que todos os smbolos da tcnica estivessem presentes e pudessem ser utilizados de
forma funcional durante a criao dos modelos.
A tcnica IDEF-SIM foi integrada ao software dentro dos padres apresentados
no item anterior. Os smbolos da tcnica, presentes na Tabela11.1, foram adicionados
de maneira conveniente, procurando facilitar o processo de criao dos modelos. Ao
realizar a programao XML, objetivou-se gerar um cdigo que permitisse a insero
dos smbolos no formato mais prximo possvel daquele que eles devem apresentar
106 Simulao de Sistemas

no modelo finalizado. Ao selecionar a tcnica IDEF-SIM no menu de seleo, como


indicado na Figura11.1, a tela que ser exibida semelhante a Figura11.2.

FIGURA 11.2 Seleo da tcnica IDEF-SIM

Como pode ser observado na Figura11.2, os smbolos presentes na biblioteca


da tcnica so: Entidades, Funes, Regras para fluxos paralelos e/ou alternativos,
Movimentao, Fluxo de entrada no sistema modelado, Ponto final do sistema e
Conexo com outra figura.
O uso desta tcnica ser mostrada durante o desenvolvimento dos modelos a serem
implementados no ProModel. A implantao da tcnica IDEF-SIM em um software
foi realizada atravs de um trabalho de iniciao cientfica.2

2. MENDOA, T. G. P. Automatizao do processo de modelagem conceitual atravs da tcnica IDEF-SIM.


2011. Monografia de iniciao cientfica. Universidade Federal de Itajub, Itajub, 2011.
Captulo | 11 Uso de softwares noprocessodemodelagem 107

MODELO COMPUTACIONAL: UTILIZANDO O PROMODEL


Dois modelos sero propostos neste captulo. O objetivo apresentar, por meio
deles, os comandos bsicos usados no ProModel, que o software que ser usado para
o desenvolvimento do modelo computacional. Desenvolvendo modelos ser possvel
ter uma base para que modelos reais possam ser implementados e analisados. Para
um aprendizado mais efetivo do software, esto disponibilizados filmes que mostram
uma maneira mais eficiente de usar o ProModel. Como a etapa inicial a da obteno
do modelo conceitual, este ser mostrado antes do modelo computacional, seguindo
a premissa de que um bom modelo conceitual facilita a modelagem computacional.
Inicialmente, com o objetivo de uma primeira visualizao dos principais comandos
do ProModel, sugere-se que vejam o filme: Introduo_ProModel.wmv. Esse filme
encontra-se na central de downloads.

Questes para reviso


Os modelos a seguir so casos para serem construdos no ProModel, disponvel na
central de downloads.

Modelo_01
Uma pequena indstria manufatureira recebe Peas e as estoca para uso posterior. A
Pea entregue a cada 40 minutos, 5 unidades por vez. Ocorrem 10 entregas ao longo
do dia. A Pea se move da rea de estocagem at uma esteira. Esse movimento leva 2
minutos. A esteira leva o material ao incio da rea de mquinas. A Pea move-se da
rea de descarregamento da esteira para o separador, onde ela processada e cortada
em trs partes. O movimento leva 1 minuto. O processo no separador leva 5 minutos e o
aspecto grfico da matria-prima muda para mostrar que foi cortada em trs peas. Cada
Pea movimenta-se para um torno (ou para uma cesta, caso o torno esteja ocupado).
O tempo para ir at o torno de 2 minutos e para a cesta de 1,5 minutos. O torno
tem um processo automtico cuja durao de 2 minutos. As Peas que vo para a
cesta tambm vo para o torno assim que houver capacidade disponvel. O movimento
desde a cesta at o torno dura 1 minuto. Saindo do torno, o grfico da pea alterado
novamente. A pea colocada em outra esteira. Esse movimento leva 2 minutos. Ela se
move at o final da esteira e, ento, para um destino final, onde ela preparada para
expedio. Essa movimentao leva 0,5 minutos. No local final, quatro peas trabalhadas
so acumuladas antes de receberem uma ltima operao que leva 1 minuto. Elas, ento,
deixam a fbrica.

(Continua)
108 Simulao de Sistemas

O processo descrito est mapeado pelo IDEF-SIM na Figura11.3.

FIGURA 11.3 IDEF-SIM do Modelo_01

O filme intitulado: Modelo_conceitual_Modelo_01.wmv mostra como usar o softwa-


re do IDEF-SIM para obteno do modelo da Figura11.3. O acompanhamento do filme
permitir o aprendizado do uso do software. A instruo de instalao desse software
encontra-se no Apndice C deste livro.
No filme Modelo_01.wmv mostrado o desenvolvimento do modelo computacional
que usa o cenrio descrito e as seguintes informaes adicionais:
1. Informao geral:
Biblioteca grfica do Promodel: PMTRAIN2003.GLB
Unidade de tempo: minutos
Unidade de distncia: metros
Captulo | 11 Uso de softwares noprocessodemodelagem 109

2. Grfico de fundo: PM_TRAIN.BPM


A Figura11.4 mostra o layout que ser usado para ilustrar a planta baixa do sistema
a ser simulado. Isso possibilita um maior realismo nos modelos computacionais.
A parede identificada tem 12 metros de comprimento. Isso ser importante para a
definio da escala a ser usada no modelo.

FIGURA 11.4 Desenho do layout a ser usado no Modelo_01

3. Locais:
Local Capacidade Informaes adicionais
Estoque de Peas 32
Esteira de Peas Infinita Comprimento 12 metros, Velocidade 6 metros
por minuto, entidade orientada pela largura.
Separador 1
Cesto Infinita
Torno 1
Esteira final Infinita Comprimento 18 metros, Velocidade 7,5 metros
por minuto, entidade orientada pela largura.
Final 4
110 Simulao de Sistemas

4. Entidades:
Pea: velocidade de 50 metros por minuto, Grfico 1 um retngulo vertical preto, Grfico
2 o mesmo mas em laranja e na horizontal e o Grfico 3 uma engrenagem violeta.
5. Opes para simulao:
Rode o modelo no modo Tempo para uma replicao. Deixe o modelo rodar at
que ele pare sozinho.
Como ser visto no filme, o modelo de simulao dever ficar com um aspecto
semelhante ao da Figura11.5.

FIGURA 11.5 Modelo computacional do Modelo_01


Captulo | 11 Uso de softwares noprocessodemodelagem 111

Modelo_02
Este novo modelo ser uma evoluo do Modelo_01. O filme disponvel na central
de downloadmostrar todos os passos necessrios para a sua construo
Este novo modelo se chamar Modelo_02.mod. Nele ser acrescentado um operador
que far a movimentao da pea em alguns locais. O operador ser responsvel por pegar
a pea da esteira de peas e realizar a movimentao at o separador. No separador ele
realiza um processo de 5 minutos e leva a pea at o torno ou cesto, conforme as restries
previamente comentadas. O torneamento automatizado, portanto, no necessita do opera-
dor; no entanto, a movimentao das peas do torno para a esteira final e do cesto ao torno
exigem o uso de um operador. Este move-se sobre uma rede de trabalho que ser definida.
O processo deste novo modelo est mapeado pelo IDEF-SIM na Figura11.6.

FIGURA 11.6 IDEF-SIM do Modelo_02


112 Simulao de Sistemas

O filme intitulado Modelo_conceitual_Modelo_02.wmv mostra como usar o software


do IDEF-SIM para obteno do modelo da Figura11.6.
Acompanhando o filme Modelo_02.wmv pode-se observar o desenvolvimento do
modelo computacional que usa o cenrio descrito.
Como ser visto o modelo de simulao dever ficar com um aspecto semelhante
ao da Figura11.7.

FIGURA 11.7 Modelo computacional do Modelo_02


Apndice A

Conseguindo economias atravs


do investimento em simulao

ISSO MESMO NECESSRIO?


Melhorias em produtividade so conseguidas por meio da implementao de
mudanas.
Os objetivos principais da simulao so: melhorar a qualidade e a produtivi-
dade e, portanto, auxiliar na implementao de mudanas. Para se alcanar esses
objetivos com o auxlio da simulao, faz-se necessrio justificar o investimento
nessa tecnologia. O propsito deste Apndice mostrar uma metodologia que visa
justificar esses investimentos e a efetiva comunicao dessas justificativas aos
tomadores de deciso.
Os requisitos para se justificar um investimento geralmente se diferenciam um
pouco de organizao para organizao. Normalmente a implantao da simulao
requer uma dupla justificativa:
1. a justificativa da implantao de uma nova metodologia de soluo de problemas;
2. a justificativa da necessidade de um produto de simulao especfico.

O investimento em simulao normalmente consiste em aquisio do software,


treinamento e salrios de tcnicos engenheiros e/ou consultores.
O investimento tambm requer muitas vezes hardware, ou manuteno de softwares
e suporte tcnico.
Dependendo do valor do investimento em relao ao capital da empresa e suas
diretrizes de aprovao, um aporte de capital para o investimento em simulao se faz
necessrio. Esse documento pode auxiliar nos seguintes aspectos:

113
114 Simulao de Sistemas

1. anlise do potencial do investimento;


2. justificar porque um investimento dessa natureza pode ser uma boa deciso de
negcio (Tabela1).

TABELA 1 Passos para uma justificativa de investimento em simulao


Passo 1. Coleta de Informaes

Informaes do projeto de simulao.


Fatores financeiros.
Impactos na mo de obra.
Impactos operacionais.

Passo 2. Processamento da Informao

Comparar impactos da mo de obra com as reas operacionais por categoria.


Tarefas necessrias para aumento da produtividade com o uso da simulao.
Tarefas evitadas com o uso da simulao.
Tarefas adicionais com o uso da simulao.

Passo 3. Avaliao de Resultados

Comparativo de custos com o uso da simulao e outro mtodo existente.


Preparar uma anlise detalhada para fatores de mo de obra, operacionais e financeiros.
Prepare um resumo mostrando fluxo de caixa, taxa de retorno e tempo de retorno do capital.

Passo 4. Apresente Resultados

Identifique clientes internos e externos.


Determine os requisitos dos clientes.
Prepare um documento que venha a satisfazer os requisitos do cliente em questo.

UMA METODOLOGIA PARA JUSTIFICATIVA DE INVESTIMENTO


Para se obter os benefcios da simulao, assim como de qualquer outra forma de
investimento, a anlise de fatores objetivos e subjetivos deve ser considerada.
Objetivos tangveis e intangveis devem ser minuciosamente levados em conta. Para isso
alguns passos so descritos: 1) coletar e processar dados significativos para anlise (veja a
Tabela2), 2) analisar os resultados, 3) apresentar resultados de justificativa em um consis-
tente, porm, breve relatrio, 4) apresentar os resultados em um relatrio bem elaborado.
Para preparar informaes que mostrem as vantagens da simulao, faz-se neces-
sria a identificao de tarefas e reas que sofrero impactos atravs da simulao.
Apenas aquelas reas que possibilitem mudanas de custos devem ser consideradas
nas anlises. A inteno de uma justificativa verificar os efeitos da simulao no
custo e qualidade do problema analisado.
Para o propsito de implantao dessa tecnologia, seus impactos podem ser ainda
divididos em duas categorias: operacional e de mo de obra relacionados simulao.
Ambas as reas podem ainda ser subdivididas em:
tarefas existentes que podem ser submetidas a incrementos de produtividade;
Apndice A 115

tarefas que podem ser eliminadas;


implantao de novas tarefas ou at novos investimentos;

definio dos impactos na mo de obra.

A simulao tem influncia direta na forma como os analistas, ou projetistas de


modelo ou modeladores, trabalharo (veja na Tabela3 o resumo dessas formas
de impactos). A seguir, so apresentados os sete passos para conseguir o aumento da
produtividade desse tipo de mo de obra (Tabela2).

TABELA 2 Busca de dados para a justificativa


Buscando Dados para a Justificativa

Informaes para projeto de simulao: Fatores Financeiros (Opcional):


Durao estimada do projeto. Taxa de juros para investimentos e economias
Nmero de projetos por ano. esperadas.
Critrio de investimento da empresa. Porcentagem de impostos.
Taxas de depreciao.

Para todas as tarefas e impactos:


Obter custo por tarefa e taxa anual de crescimento.
Determinar reas de impacto por categoria de custeio e produtividade.
Custos reduzidos e custos adicionados.

reas de Impacto: tarefas de mo de obra: rea de Impacto: operacional


Identificao de problemas. Tempo de processamento.
Desenvolvimento de mtodo de anlise. Consultoria externa.
Anlise em planilhas. Excesso/Falta de capacidade.
Programao. Carrying costs e tempo de espera.
Modelagem da opinio. Armazenagem e movimentao de materiais.
Mtodo da tentativa e erro. Melhoria no tamanho de lotes.
Clculos manuais. Outros softwares.
Treinamento. Manuteno anual de softwares.
Construo do modelo. Treinamento.
Investimento.

DEFININDO IMPACTOS PARA MO DE OBRA


1. Identificao do problema Quanto tempo necessrio para se identificar um
problema? Com mtodos diferentes de simulao, os problemas so geralmente
adivinhados, conforme o mtodo de anlise utilizado. s vezes, os problemas
s so realmente identificados quando uma soluo proposta implementada.
Atravs da simulao, a dinmica do sistema pode ser apreendida com mais
facilidade. A animao, caracterstica comum a vrios pacotes de simulao, torna
isso possvel, pois fornece uma visualizao do processo em ao.
2. Desenvolvendo mtodo de anlise Em relao aos mtodos de resoluo de
problemas, um tempo considervel gasto na busca por um mtodo de anlise
116 Simulao de Sistemas

para o problema em questo. O mtodo da simulao bem definido. A mode-


lagem realizada por meio da simulao uma tcnica comprovada que tem sido
aplicada com sucesso em incontveis tipos de problema h pelo menos 40 anos.
3. Programao Tempo considervel gasto com o desenvolvimento de programas
de computador que analisem e apresentem dados. Com a simulao, a programao
pode ser consideravelmente reduzida. Embora, no passado, isso no fosse verdade,
muitos pacotes modernos de simulao levam a um tempo de programao mnimo
e, em muitos casos, como o do ProModel, esse tempo praticamente no existe.
4. Anlise em planilhas A anlise realizada por meio de planilhas necessria para
se processar dados vindos de programas customizados ou ainda para apresentar
dados de uma forma coerente e razovel. Com a simulao, a necessidade e o
tempo necessrio para se preparar planilhas pode ser reduzido atravs de relatrios
e anlises de funo pr-preparados.
5. Modelagem da Opinio Ao se conduzir uma mudana, muito tempo gasto
com convencimentos. H muito valor em se considerar opinies e posicionamentos,
porm a modelagem em simulao baseia-se em informaes factuais e as processa
de forma lgica. Assim, qualquer soluo poder auxiliar a tomada de deciso
em bases lgicas. Esse expediente impede que opinies impostas e arbitrrias
prevaleam na conduo da organizao.
6. Mtodo da Tentativa e Erro Hoje em dia com o ciclo de produtos cada vez menor, a
utilizao de mtodos como tentativa e erro podem ser prejudiciais organizao. Com
a modelagem em simulao obtm-se uma economia ao se expressar, experimentar e
avaliar ideias de forma virtual, antes de qualquer implementao. A simulao pode
transformar dados em conhecimento, e conhecimento em experincia.
7. Economia de Tempo Os clculos manuais relacionados a mtodos tradicionais
de soluo de problemas podem demandar tempo. Nos modernos softwares de
simulao, uma inerente capacidade computacional encontrada.

TAREFAS E CUSTOS ADICIONAIS DA SIMULAO RELATIVOS


MO DE OBRA
1. Treinamento Esta uma tarefa adicional que geralmente acontece com a deciso de
uso da simulao. Porm, o treinamento em simulao pode incrementar a curva
de aprendizado da tcnica e auxiliar a implantao dessa tecnologia.
2. Nos mtodos tradicionais de soluo de problemas, a programao e/ou cons-
truo de planilhas fazem-se necessrias; com o uso da simulao, o requisito
passa a ser a construo do modelo que representa a realidade. O tempo necessrio
para a construo desse modelo depende muito do software de simulao escolhido,
da complexidade do modelo e da experincia do usurio da tecnologia.

DEFININDO IMPACTOS OPERACIONAIS


A seo anterior analisou os impactos ocorridos na mo de obra durante a anlise de
problemas utilizando simulao. Quais so os impactos obtidos aps as anlises prove-
nientes da simulao? Esse tipo de impacto pode ser definido como impacto operacional,
Apndice A 117

que pode ser dividido em: 1) reduo de custos, 2) melhor viso para investimentos, 3)
custos adicionais relativos simulao (a Tabela3 resume esses trs tipos).
A seguir seis exemplos de reduo de custos so encontrados.
1. Tempo de processamento de informaes O tempo de processamento de in-
formaes pode ser reduzido com a simulao.
2. Consultorias externas Muitas vezes, consultorias externas so contratadas para
auxiliar nos processos de soluo de problemas. Elas atuam no planejamento,
definio de problemas e determinao do processo e de ferramentas necessrias
para se atingir os resultados esperados.
Hoje em dia, o uso de pacotes de simulao tem reduzido a necessidade de
consultoria nas seguintes reas: identificao de problemas, estudo
de anlise estatstica, construo e projeto de modelos, anlise de dados,
apresentao e determinao de impactos financeiros.
Qualquer verba disponvel para consultoria externa pode ser mais bem
empregada na obteno de conceitos, ideias e orientao profissional, em
vez de na execuo de tarefas analticas que podem ser hoje executadas
por um software de simulao.
3. Excesso/falta de capacidade produtiva Dificilmente a capacidade produtiva
projetada de um sistema a mesma que a capacidade necessria em determinados
momentos. H custos envolvidos tanto para capacidade ociosa como para capa-
cidade insuficiente. Uma utilizao comum simulao a da busca por melhor
aproveitamento da capacidade, considerando-se pocas de alta e baixa produo.
Os custos da capacidade ociosa podem ser definidos como: aumento de
custos fixos como aluguel, luz etc.; aumento de capital investido em equi-
pamentos no utilizados ou subtilizados. A falta de capacidade pode incluir:
horas extras; bloqueios ou perda de negcios por consequncia de um longo
tempo de produo; formas ineficientes de estocagem e movimentao de
materiais.
4. Carrying costs e tempos de espera Como definido no Captulo 9, carrying
costs esto relacionados ao valor dos bens e o tempo em que estes ficam no
processo. Em qualquer processo, fatores cruciais determinam o impacto deste tipo
de custo. Tempos de espera: tempo que componentes ficam no processo.
A diviso de um grande conglomerado conseguiu reduzir em 50% o tempo
de produo, mesmo mantendo o custo por unidade. Isso resultou em uma
queda do investimento em estoque em processo.
5. Armazenamento e manuteno de materiais A simulao auxilia na estimativa
precisa de custos em tarefas intensivas ou processo. Especial importncia deve ser
dada aos custos relacionados ao armazenamento de material e sua movimentao.
As tarefas de armazenagem e movimentao de material podem necessitar de
equipamentos de alto custo que essencialmente no agregam valor s operaes.
A simulao feita da forma atual permite diagnosticar com eficincia os sistemas
de armazenagem e movimentao e experimentar alternativas como: a variao de
quantidade, velocidade, capacidade, alocao e tipos de diferentes processos.
118 Simulao de Sistemas

6. Melhorias nos tamanhos de lotes A habilidade de diagnosticar o tamanho de


lote ideal pode resultar em grandes economias. A variao do tamanho de lotes
significa um impacto nas tarefas relacionadas a ele. Por exemplo, na operao de
montagem de equipamentos eletrnicos, o tamanho do lote pode causar impacto
na sada do sistema de movimentao de material, no tamanho de alimentadores
e no tamanho das estaes de teste e montagem, alm de no tipo de operaes de
retrabalho. A simulao uma ferramenta moderna e superior para a mensurao
dos impactos totais, bem como para diagnosticar as ramificaes das mudanas
com o tamanho do lote no sistema (Tabela3).

TABELA 3 Resumo dos impactos da simulao considerando-se fatores e categorias

Impactos da Simulao Impactos da Simulao por Categoria

Economias Custos ou tarefas adicionais


rea de impacto: mo de obra

Identificao dos problemas X

Desenvolver mtodo analtico X

Anlise em planilhas X

Programao X

Modelamento da opinio X

Mtodo de tentativa e erro X

Clculos manuais X

Treinamento X

Construo de modelos X

rea de impacto: operacional

Tempo de processamento X

Consultoria externa X

Excesso/falta de capacidade X

Carrying costs e tempo de espera X

Movimentao de materiais X

Melhoria no tamanho dos lotes X

Armazenagem X

Produo X

Manut. anual de softwares X

Treinamento X

Investimentos X
Apndice A 119

DICAS GERAIS PARA MONTAGEM DA JUSTIFICATIVA


DEINVESTIMENTO EM SIMULAO
Economias A compra de softwares pode ser evitada. Alguns tipos de softwares
so dispensveis com o uso da simulao. Entre eles temos: planilhas; programao
de cho de fbrica; programas de caminho crtico.
Custos adicionais H um capital despendido para a compra do software de
simulao, bem como de qualquer outro. Tambm haver custos com suporte e
upgrades desses softwares.
Fatores Financeiros Fatores financeiros podem ser includos na justificativa
da implantao da simulao: 1) impacto das taxas de juros, 2) impacto de
impostos; 3) impacto da depreciao.

AVALIAO DE IMPACTOS
Uma avaliao de base consistente necessria para a constatao dos impactos da
simulao. Fatores tangveis e intangveis devem ser considerados. Porm, a maioria
das organizaes buscam indicativos tradicionais como taxa interna de retorno, anlise
de fluxo de caixa etc.
Taxa interna de retorno Essa uma taxa que equaliza o valor presente dos
custos de um investimento com o valor de entradas desse empreendimento. Outra
forma de se pensar essa taxa considerando-a como a taxa de juros que a organizao
obteria com a implementao deste investimento e o retorno que ele daria em relao
ao capital investido. Essa taxa muitas vezes chega a mais de 200%, pois o investimento
em simulao requer um aporte de capital relativamente pequeno diante dos benefcios
que ele proporciona.
Anlise do fluxo de caixa Essa anlise mostra o fluxo de caixa resultante da
simulao comparado a outros mtodos de resoluo de problemas.
Anlise de payback Essa anlise mostra o perodo necessrio para se recuperar
o investimento feito em simulao. Geralmente isso ocorre no perodo de 1 a 6 me-
ses. Vrios casos mostraram que um investimento de U$20.000,00 em simulao e
treinamento pode evitar que um investimento U$100.000,00 seja feito, antes que se
tenha a certeza de que ele far com que os objetivos da produo sejam alcanados.

BENEFCIOS INTANGVEIS
Estes benefcios muitas vezes influenciam o processo de deciso. Isso ocorre
quando benefcios tangveis apontam para duas ou mais possibilidades. Assim, sempre
uma discusso sobre benefcios intangveis pode ser includa na justificativa de anlise.
Alguns desses benefcios so discutidos a seguir:
Educao O processo de modelagem sempre fora a equipe a entender profun-
damente o processo/problema objeto da simulao.
Melhoria do trabalho em equipe A simulao uma ferramenta na qual a
entrada de informaes e as alternativas so processadas at que se chegue a melhor
ou melhores solues. Um entendimento dos objetivos da anlise da simulao faz-se
120 Simulao de Sistemas

importante para todos aqueles que esto direta ou indiretamente envolvidos com o
projeto. O trabalho em equipe fundamental para a coleta de dados e reviso das
solues alternativas apresentadas.
Melhoria na qualidade do trabalho Esta ferramenta torna o trabalho de anlise
mais aprazvel, uma vez que h a visualizao grfica do objeto analisado. Este recurso
no possvel por meio de planilhas.
Maior eficincia na soluo de problemas A simulao prov uma maior
eficincia na resoluo de problemas. Isso pode ser verificado pelo menor gasto de
tempo para se alcanar o objetivo, ou aumento de possibilidades de anlise com o
mesmo recurso despendido.

COMO FINALMENTE CHEGAR A APROVAO DO INVESTIMENTO


O objetivo de uma justificativa apresentar resultados que sejam claros, concisos
e que se comuniquem de modo eficiente. Assim, dois fatores so importantes a se
considerar: Quem o cliente? Quais so os requisitos dos clientes?
Identifique os clientes:
Dentro do contexto de qualidade total importante que toda informao seja
direcionada a seu cliente. O cliente da justificativa para simulao deve ser um in-
divduo voltado a decises tcnicas de processo ou algum envolvido com a deciso
de investimentos em processo.
Os clientes podem ser internos ou externos. Por exemplo, um gerente de materiais
pode ser um cliente interno com a necessidade de avaliar a melhor alternativa de
programao da produo. Em contrapartida, possvel que um cliente externo e
estratgico queira que sua empresa prove que pode alcanar uma determinada pro-
gramao da produo antes de fechar um contrato.
Determine os requisitos de seus clientes:
Uma justificativa de anlise no pode ser completa sem a identificao dos requi-
sitos dos clientes.
Os recursos necessrios, como habilidades de modelamento, computadores, dados,
oramento, tempo etc., devem ser realisticamente estudados e elucidados na justifi-
cativa. Antes de apresentar esse trabalho, necessrio entender como o investimento
afetar o cliente. Alm disso, a importncia desse investimento deve ser pesquisada.
Deve-se determinar se o investimento em simulao ser requisito para ser aprovado
como uma simples linha ou far parte de um grande projeto de investimento.
Prepare um Plano de Implantao:
Um bom plano especifica como a organizao ir implementar a tecnologia da
simulao. Se a simulao for uma nova tecnologia para a empresa, ento o plane-
jamento deve incluir treinamento, partindo-se do gerente geral at atingir todos os
demais nveis da organizao.
O plano de implantao pode incluir um projeto-piloto para apresentar realis-
ticamente os dados na justificativa.
Desenvolva a Justificativa e Apresente os Resultados:
Apndice A 121

Este um passo crucial, pois a preparao e a apresentao determinam sucesso.


A metodologia apresentada anteriormente auxilia no desenvolvimento da jus-
tificativa. Apresentaes efetivas devem estar focadas nos requisitos do cliente. O
modelador deve estar preparado para limitaes de oramento, recursos e/ou tempo.
Uma vez apresentado os resultados, devem-se destacar os benefcios mais relevantes
para cada cliente. importante lembrar que a deciso de investimento est geralmente
baseada na justificativa econmica, assumindo-se que os requisitos tcnicos e de
negcios foram satisfatoriamente avaliados. O nvel de detalhe apresentado deve ser
apropriado ao cliente. O departamento financeiro pode requisitar algumas informaes
contidas na justificativa, em contrapartida, altos nveis da gerncia podem estar in-
teressados somente no perodo de retorno do capital e no valor inicial a ser investido.
Apndice B

Relatrios de Sada
RELATRIOS DE SADA NO PROMODEL, MEDMODEL
ESERVICEMODEL
O mdulo de sada fornecido pelo ProModel, MedModel e ServiceModel
pode ser utilizado dentro do ambiente de simulao, ou como um programa in-
dependente. Por serem esses relatrios estatsticos um aplicativo para Windows,
dados podem ser cortados e, colados ou importados. Diversos relatrios podem
ser abertos a qualquer momento, permitindo ao usurio comparar resultados entre
duas ou mais alternativas. O resultado estatstico para cada rodada de simulao
armazenado numa srie de arquivos, com os resultados primrios contidos num
arquivo com extenso PMOV.
O construtor do modelo pode especificar o nvel de detalhamento a ser utilizado
para os locais, recursos, entidades e etc. nos relatrios estatsticos. De forma gen-
rica, as opes esto entre no coletar dados estatsticos, coletar dados bsicos ou
utilizar nveis mais detalhados que incluem desvios-padro. O uso criterioso dessa
capacidade permitir execues mais rpidas dos modelos se os nveis de maior
detalhamento forem utilizados apenas para os resultados diretamente relacionados
com os objetivos do estudo.

LOCAIS DE CAPACIDADE NICA


Os relatrios de sada fazem distino entre os dados estatsticos dos locais com
capacidade nica e dos locais com capacidade para processar mais de uma entidade
por vez. Alm de mostrar a porcentagem de tempo que o local permaneceu em
operao, os relatrios mostram tambm estatsticas para os tempos de ajuste (setup),
perodos em que o local permaneceu bloqueado, tempos de parada (downtimes) e
os perodos onde nenhuma entidade foi processada. Outra informao til diz res-
peito ao tempo mdio de processamento de cada entidade atravs do local, assim
como o tempo total mdio que as entidades gastaram no local. O nmero total de
entidades processadas durante a simulao expresso em termos de total de entradas
e contedo final. Esse relatrio tambm mostra quantas horas de simulao o local
esteve disponvel de acordo com uma programao de turno que pode ter sido es-
pecificada. Os grficos sobre os estados dos locais esto disponveis nos formatos
de pizza e de barras.

123
124 Simulao de Sistemas

UTILIZAO DOS LOCAIS DE CAPACIDADE MLTIPLA


As informaes fornecidas para os locais de capacidade mltipla so similares
s informaes disponveis para os locais de capacidade nica, exceto pelo fato de
que uma figura de utilizao mais geral empregada para mostrar a porcentagem da
capacidade programada que foi utilizada, seja devido aos bloqueios, aos tempos de
operao ou a outra razo qualquer. Grficos de barras mostrando a utilizao do local
tambm so fornecidos.

SUMRIO DOS RECURSOS


So coletadas estatsticas resumidas referentes aos recursos, seja individual ou
coletivamente. Tais estatsticas incluem o nmero de vezes que o recurso foi utilizado,
o tempo mdio por uso e o tempo mdio gasto na locomoo para execuo de uma
tarefa. As porcentagens de utilizao incluem o tempo de uso, locomoo para uso,
locomoo para parada, tempo ocioso e tempo fora de operao (downtime). O relatrio
tambm mostra a porcentagem de tempo em que o recurso foi necessrio, mas se
atrasou em razo de um caminho de locomoo bloqueado. Diagramas de pizza e de
barras tambm esto disponveis para essas informaes.

SUMRIO DE ENTRADA NOS NS


Tambm so coletadas estatsticas para os ns nas redes de caminhos (path networks). O
nmero de vezes que um recurso acessa um n registrado, assim como o nmero de vezes
que um recurso impedido de acessar um n por outro recurso estar utilizando o local.

SUMRIO DAS ENTIDADES


O nmero de entidades de cada tipo existentes no sistema e o nmero total de
entidades, de cada tipo, deixadas no modelo aps o fim da simulao so registrados
nesse relatrio.

ENTRADAS NOS LOCAIS POR CADA TIPO DE ENTIDADE


Um dos relatrios detalhados gerados no mdulo de sada um fracionamento de
informaes para cada tipo de entidade em cada local. Alm de mostrar como muitas
entidades acessam o local e a quantidade de cada tipo de entidade processada, esse
relatrio mostra os tempos mdios de processo, de bloqueio, ou de espera por recursos,
para cada tipo de entidade.

SUMRIO DAS VARIVEIS


Variveis definidas pelo usurio so monitoradas durante cada execuo da simula-
o. Os resultados relatados incluem o valor final da varivel, o nmero de vezes que
seu valor foi modificado, o valor mdio e o tempo mdio decorrido entre as mudanas
de valor. Uma ilustrao grfica do relatrio est disponvel no histrico de valores.
Apndice B 125

SUMRIO DO LOG
O comando LOG utilizado para monitorar os intervalos de tempo que so de
interesse do modelador durante a simulao. Essa caracterstica pode ser utilizada, por
exemplo, para monitorar a quantidade de tempo que uma entidade gastou numa parte
do modelo, composto de diversos locais. O relatrio de sada mostrar o nmero de
observaes LOG coletadas durante a simulao, alm dos valores mximos, mnimos
e mdios obtidos.

MLTIPLAS REPLICAES
O relatrio de rplicas auxilia no gerenciamento e anlise dos resultados gerados
por mais de uma execuo independente do mesmo modelo. Dados estatsticos so
coletados ao longo de todas as execues. Tais resultados incluem o valor mdio para
cada estatstica especificada, a mediana, o desvio-padro, o erro padro e o skewness.
So apresentados os limites de mximo e mnimo considerando-se intervalos de 50,
95 e 99% de confiana. Podem-se selecionar estatsticas individuais para gerao de
histogramas de mltiplas replicaes.

RELATRIOS DE SADA DO SIMRUNNER


Durante o curso de uma otimizao, o SimRunner registra todos os experimentos
conduzidos a fim de determinar o desempenho de uma soluo e inclu-lo numa
tabela de banco de dados. Esse banco de dados das solues representa uma rica
fonte de informaes sobre o comportamento do modelo simulado. As informaes
no banco de dados podem ser visualizadas de trs maneiras: o relatrio de Resultados
Experimentais apresenta os dados em seu estado bruto; o Function Response
Chart mostra grficos 3D dos dados; o Relatrio de Otimizao proporciona um
resumo dos dados.
Alm disso, dados completos de cada simulao podem ser exportados direta-
mente para um banco de dados no MS Access. Para cada experimento conduzido,
o relatrio de Resultados Experimentais mostra os valores da funo-objetivo, dos
fatores de entrada e das estatsticas de sada utilizados para definir a funo-objetivo.
126 Simulao de Sistemas

Um exemplo de relatrio mostrado na Figura1. Os experimentos nesse exemplo


de relatrio esto classificados pelos dados numricos que aparecem na coluna da
funo-objetivo (segunda coluna esquerda). Seguem-se os parmetros usados
nafuno-objetivo e os fatores de entradas. Na primeira coluna apresentado o
nmero do experimento.

FIGURA 1 Exemplo de resultados experimentais do SimRunner.


Apndice B 127

Os dados do relatrio de Resultados Experimentais podem ser plotados em um


grfico 3D (Figura2). Essa uma caracterstica muito til e que permite ao analista ter
uma compreenso visual da superfcie de resposta produzida pelo modelo de simulao.

FIGURA 2 Grfico de superfcie de resposta 3D do SimRunner.

O SimRunner tambm proporciona um relatrio resumido indicando, entre ou-


tras coisas, o nome do arquivo que contm o modelo de simulao que est sendo
otimizado, fatores de entrada e as faixas de seus possveis valores, a funo-objetivo
e as dez melhores solues descobertas para o problema.
Apndice C

O Processo de Instalao
doSoftware DIA com a Tcnica
IDEF-SIM J Integrada
O guia de instalao que se segue pressupe que o usurio esteja utilizando o
sistema operacional Windows. Para realizar a instalao so disponibilizados trs
arquivos: dia-setup-0.97.1-2.exe, shapes.exe e sheets.exe. O primeiro deles pode
ser encontrado no site do desenvolvedor do software DIA, permitindo inclusive que
seja utilizada no futuro uma verso mais atualizada. Os outros dois arquivos adicionam
ao software DIA a biblioteca que permite a utilizao da tcnica IDEF-SIM integrada
ao software.
De posse dos trs arquivos, primeiramente deve-se iniciar o setup, executando
oarquivo dia-setup-0.97.1-2.exe. Na tela inicial o usurio tem a opo de escolher o
idioma que guiar a instalao (Figura1).

FIGURA 1 Incio do processo de instalao do DIA.

129
130 Simulao de Sistemas

Aps selecionar o idioma que ser utilizado durante a instalao o usurio deve
clicar no boto OK e ento ser exibida a tela seguinte que fornece as primeiras
instrues para iniciar a instalao do software DIA (Figura2).

FIGURA 2 Segunda tela do processo de instalao do DIA.


Apndice C 131

Ao clicar em Next na tela apresentada (Figura2), ser exibida a licena GNU


General Public License para leitura que define os termos que regem a utilizao do
software por parte do usurio (Figura3).

FIGURA 3 Terceira tela do processo de instalao do DIA.


132 Simulao de Sistemas

Logo aps a tela que disponibiliza a licena, h a seleo dos componentes a ser
instalados, sendo permitido ao usurio apenas retirar as opes de tradues, porm,
recomendvel que elas sejam instaladas (Figura4).

FIGURA 4 Quarta tela do processo de instalao do DIA.


Apndice C 133

A quinta tela do processo de instalao fornece ao usurio a possibilidade de


selecionar onde o DIA dever ser instalado, sendo sugerida como padro a criao
de uma subpasta denominada DIA, dentro da pasta de Arquivos de Programa do
Sistema (Figura5).

FIGURA 5 Quinta tela do processo de instalao do DIA.


134 Simulao de Sistemas

Clicando no boto Install, o processo de instalao do software DIA se inicia-


lizar (Figura6).

FIGURA 6 Sexta tela do processo de instalao do DIA.


Apndice C 135

Aps o trmino da instalao ser exibida a tela a seguir, que informa da finalizao
da instalao e permite ao usurio selecionar se j deseja executar o DIA (Figura7).

FIGURA 7 Stima tela do processo de instalao do DIA.


136 Simulao de Sistemas

Nesse ponto, o software DIA deve estar instalado corretamente, porm a utilizao
da tcnica de modelagem conceitual IDEF-SIM ainda no possvel, j que ainda no
foi integrada ao DIA. Para integr-la, deve-se inicialmente executar o DIA ao menos
uma vez. Basta abrir o DIA e fech-lo. A seguir deve-se executar o arquivo shapes.
exe, disponibilizado por essa pesquisa. E, ento, a seguinte tela deve ser apresentada
(Figura8):

FIGURA 8 Instalao dos arquivos SHAPE para integrao do IDEF-SIM.


Apndice C 137

O campo Destination Folder inicialmente exibe como sugesto de instalao a


prpria pasta onde o arquivo shapes.exe est salvo. Entretanto, para realizar a correta
instalao necessrio clicar no boto Browse... e selecionar a subpasta \.dia\
shapes\, dentro da pasta pessoal do usurio do computador. Ou seja, o arquivo deve
ser instalado no seguinte local: C:\Users\USURIO\.dia\shapes\, considerando-se
que USURIO deva ser substitudo pelo nome de usurio do computador. Para
encontrar de forma simples qual o nome de usurio, basta clicar no menu Iniciar
e selecionar no canto superior direito a pasta pessoal, que ser exibida com o prprio
nome de usurio. Ao final da instalao, a pasta C:\Users\USURIO\.dia\shapes\
deve conter 20 arquivos, sendo dez deles no formato .shape e outros dez os equiva-
lentes arquivos .png.
A seguir deve ser instalado o arquivo sheets.exe. De maneira anloga instalao
anterior, o campo Destination Folder inicialmente exibe como sugesto de instalao
a prpria pasta onde o arquivo sheets.exe est salvo. Entretanto, para realizar a correta
instalao necessrio clicar no boto Browse... e selecionar a subpasta \.dia\
sheets\, dentro da pasta pessoal do usurio do computador. Ou seja, o arquivo deve ser
instalado no seguinte local: C:\Users\USURIO\.dia\sheets\, considerando, mais uma
vez, que USURIO deve ser substitudo pelo nome de usurio do computador. Para
encontrar de forma simples qual o nome de usurio, basta clicar no menu Iniciar
e selecionar no canto superior direito a pasta pessoal, que ser exibida com o prprio
nome de usurio. Ao final da instalao, a pasta C:\Users\USURIO\.dia\sheets\ deve
conter um arquivo com o nome IDEF___SIM.sheet (Figura9).

FIGURA 9 Instalao do arquivo SHEET para integrao do IDEF-SIM.


138 Simulao de Sistemas

Se toda a instalao tiver ocorrido de maneira adequada, nesse ponto j ser pos-
svel utilizar o software DIA com a tcnica IDEF-SIM integrada.
Ao iniciar o software, que ter atalhos disponveis no menu Iniciar do Windows,
inicialmente ser exibida como tcnica padro o Fluxograma. Para selecionar a
tcnica IDEF SIM, basta clicar na seta de opes mostrada logo acima das folhas
de estilo, selecionar Outras Folhas e em seguida procurar nas opes a tcnica de
modelagem conceitual IDEF-SIM, como indicado na Figura10.

FIGURA 10 Seleo da tcnica IDEF-SIM nas folhas de estilo.


Referncias

ACKLEY, D. A connectionist machine for genetic hill climbing. Boston, MA: Kluwer, 1987.
AGUILAR-SAVN, R. S. Business process modeling: review and framework. International Journal of
Production Economics, n. 90, p. 129-149, 2004.
AKBAY, K. Using simulation optimization to find the best solution. IIE Solutions, p. 24-29, May 1996.
AZADIVAR, F. A tutorial on simulation optimization. In: WINTER SIMULATION CONFERENCE, 1992,
Piscataway, NJ. Proceedings Piscataway, NJ: Institute of Electrical and Electronics Engineers, 1992,
p. 198-204.
BCK, T.; SCHWEFEL, H.-P. An overview of evolutionary algorithms for parameter optimization.
Evolutionary Computation, v. 1, p. 1-23, 1993.
BCK, T.; BEIELSTEIN, T.; NAUJOKS, B.; HEISTERMANN, J. Evolutionary algorithms for the
optimization of simulation models using PVM. Informatik Centrum Dortmunf, p. 1-6, 1995.
BALCI, O. Guidelines for successful simulation studies. In: WINTER SIMULATION CONFERENCE,
1990, New Orleans, LA. Proceedings New Orleans, 1990.
BANKS, J; CARSON II, J. S. Discrete-event system simulation. Prentice-Hall: Englwood Cliffs, NJ, 1984.
BANKS, J. Handbook of simulation: principles, methodology, advances, applications, and practice. New
York: John Wiley & Sons, 1998, 864p.
BANKS, J. Panel session: the future of simulation. In: WINTER SIMULATION CONFERENCE, Arlington,
VA, USA, 2001. Proceedings... Arlington, VA, USA, 2001.
BANKS, J.; CARSON, II, J. S.; NELSON, B. L.; NICOL, D. M. Discrete-event simulation. 5th ed. New
Jersey: Prentice-Hall, 2009.
BANKS, J. Introduction to simulation. In: WINTER SIMULATION CONFERENCE, 2000, Atlanta.
Proceedings Atlanta, 2000.
BARTON, R.; IVEY, J. Nelder-mead simplex modifications for simulation optimization. Management
Science, v. 42, n. 7, p. 954-973, 1996.
BATEMAN, R. Simulation modeling at Geneva Steel. Managing Technology Today, v. 1, p. 10, May 1992.
BATEMAN, R. E.; KIMBALL, G. T.; RODERICK, L. M. Environmental and waste management ap-
plication of discrete-event simulation. In: ANNUAL CONFERENCE OF THE INTERNATIONAL
ASSOCIATION FOR IMPACT ASSESSMENT IN SHANGHAI, 13th, China, 14 May 1993. Paper
Shangai, 1993.
BIETHAHN, J.; NISSEN, V. Combinations of simulation and evolutionary algorithms in management
science and economics. Annals of Operations Research, v. 52, p. 183-298, 1994.
BLANCHARD, B. S.; FABRYCKY, W. J. Systems engineering and analysis. Englewood Cliffs, NJ:
Prentice-Hall, 1981.
BOWDEN, R. The evolution of manufacturing control knowledge using reinforcement learning. In:
ANNUAL INTERNATIONAL CONFERENCE ON INDUSTRY, ENGINEERING, AND MANA-
GEMENT SYSTEMS, 1995, Cocoa Beach, FL. Proceedings Cocoa Beach, FL: 1995, p. 410-415.
BOWDEN, R.; BULLINGTON, S. Development of manufacturing control strategies using unsupervised
learning. IIE Transactions, v. 28, p. 319-331, 1996.
BOWDEN, R.; BULLINGTON, S. An evolutionary algorithm for discovering manufacturing control
trategies. In: BIETHAHN, J.; NISSEN, V. Evolutionary algorithms in management applications.
Berlin: Springer-Verlag, 1995, p. 124-138.
BOWDEN, R.; HALL, J.; USHER, J. Integration of evolutionary programming and simulation to optimize
a pull production system. Computers and Industrial Engineering, v. 31, n. 1/2, p. 217-220, 1996.

139
140 Simulao de Sistemas

BOWDEN, R.; NEPPALLI, R.; CALVERT, A. A robust method for determining good combinations of
queue priority rules. In: FOURTH INTERNATIONAL INDUSTRIAL ENGINEERING CONFEREN-
CE, 1995, Nashville, TN. Proceedings Nashville, TX: IIE, 1995, p. 874-880.
CARSON, J. S. Introduction to modeling and simulation. In: WINTER SIMULATION CONFERENCE,
Washington, DC, USA, 2004. Proceedings... Washington, D.C., USA, 2004.
CARSON, Y.; MARIA, A. Simulation optimization: methods and applications. In: WINTER SIMULATION
CONFERENCE, Atlanta, GA, USA, 1997. Proceedings... Atlanta, GA, USA, 1997.
CHUNG, C. A. Simulation modeling handbook: a practical approach. Washington DC: CRC Press, 2004.
DEMING, W. E. Foundation For management of quality in the western world. In: MEETING OF THE
INSTITUTE OF MANAGEMENT SCIENCES IN OSAKA, Japan, 24 July 1989. Paper Osaka,
Japan, 24 July 1989.
DOWNING, D.; CLARK, J. Statistics the easy way. 2nd ed. New York: Barons, 1989.
DWIGHT, Herbert Bristol. Tables of integrals and other mathematical data. 4th ed. New York: Macmillian,
1961.
FOGEL, D. Evolving artificial intelligence. 1992 (Ph.D. Thesis) University of California, CA, 1992.
FU, M. C. Optimization via simulation: a review. Annals of Operations Research, v. 53, p. 199-247, 1994.
FU, M. C. Optimization for Simulation: theory vs. practice. Journal on Computing, v. 14, n. 3, p. 192-215, 2002.
FU, M. C.; ANDRADTTIR, S.; CARSON, J. S.; GLOVER, F.; HARRELL, C. R.; HO, Y. C.; KELLY,
J. P.; ROBINSON, S. M. Integrating optimization and simulation: research and practice. In: WINTER
SIMULATION CONFERENCE, Orlando, FL, USA, 2000. Proceedings... Orlando, FL, USA, 2000.
GLOVER, F. Tabu search: a tutorial. Interfaces, v. 20, n. 4, p. 41-52, 1990.
GLOVER, F.; LAGUNA, M.; MART, R. Principles of tabu search. In: GONZALEZ, T. Approximation
algorithms and metaheuristics. London: Chapman & Hall/CRC, 2005.
GOGG, Thomas J.; SANDS, Charles. Hugles aircraft designs automated storeroom system through
simulation application. Industrial Engineering, v. 22, p. 49-57, Aug 1990.
GOLDBERG, D. Genetic algorithms in search, optimization, and machine learning. Reading, Mass:
Addison Wesley, 1989.
Goldratt, Eliyahu; Cox, Jeff. The goal. New Haven: Spectrum Publishing, 1986.
GOLDSMAN, D.; NANCE, R. E.; WILSON, J. R. A brief history of simulation. In: WINTER SIMULA-
TION CONFERENCE. Austin, TX, USA, 2009. Proceedings... Austin, TX, USA, 2009.
GREENWOOD, A.; REES, L.; CROUCH, I. Separating the art and science of simulation optimization: a
knowledge-based architecture providing for machine learning. IIE Transactions, v. 25, n. 6, p. 70-83.
1993.
HALL, J.; BOWDEN, R. Simulation optimization for a manufacturing problem. In: SOUTHEASTERN
SIMULATION CONFERENCE, CA, 1996. Proceedings CA: The Society for Computer Simulation,
1996 (in press).
HALL, J.; BOWDEN, R.; USHER, J. Using evolution strategies and simulation to optimize a pull production
system. Journal of Materials Processing Technology, v. 61, p. 47-52, 1996.
HARREL, C. R.; GHOSH, B. K.; BOWDEN, R. Simulation using promodel. 2 nd ed. New York:
McGraw-Hill, 2004.
HARREL, C. R.; MOTT, J. R. A.; BATEMAN, R. E.; BOWDEN, R. G.; GOGG, T. J. Simulao: otimi-
zando os sistemas. 2 ed. So Paulo: IMAM, 2002.
HILLIER, F. S.; LIEBERMAN, G. J. Operations research. 2nd ed. San Francisco: Holden-Day, 1974.
HILLIER, F. S.; LIEBERMAN, G. J. Introduction to operations research. 9th ed. New York: McGraw-Hill,
2010.
HOOKE, R.; JEEVES, T. Direct search solution of numerical statistical problems. Journal of the Association
of Computer Machines, v. 8, p. 212-229, 1961.
HOOVER, S. V.; PERRY, R. F. Simulation: a problem-solving approach. Reading, Mass: Addison-Wesley,
1989.
Referncias 141

JACOBSON, S.; SCHRUBEN, L. Techniques for simulation response optimization. Operations Research
Letters, v. 8, n. 1-9.
JAHANGIRIAN, M.; ELDABI, T.; NASEER, A.; STERGIOULAS, L. K.; YOUNG, T. Simulation in
manufacturing and business: a review. European Journal of Operational Research, v. 203, n. 1,
p.1-13, 2010.
JENKINS, C. M.; RICE, S. V. Resource modeling in discrete-event simulation environments: a fifty-year
perspective. In: WINTER SIMULATION CONFERENCE, Austin, TX, USA, 2009. Proceedings...
Austin, TX, USA, 2009.
KETTINGER, W. J.; TENG, J. T. C.; GUHA, S. Business process change: a study of methodologies,
techniques, and tools. Mis Quarterly, v. 21, n. 1, p. 55-80, 1997.
KRICK, E. An introduction to engineering concepts, methods and issues. New York: John Wiley & Sons,
1976.
LACKSONEN, T.; ANUSSORNNITISARN, P. Empirical comparison of discrete event simulation opti-
mization techniques. In: SCSC, 1995, CA. Proceeding CA: The Society for Computer Simulation,
1995, p. 69-101.
LARSON, H. J. Introduction to probability theory and statistical inference. 2. ed. New York: John Wiley
& Sons, 1974.
LAW, A. M. Simulation modeling and analysis. 4th ed. New York: McGraw-Hill, 2007.
LAW, A. M. How to build valid and credible simulation models. In: WINTER SIMULATION CONFE-
RENCE, Austin, TX, USA, 2009. Proceedings... Austin, TX, USA, 2009.
LAW D. A.; KELTON, W. D. Simulation modeling & analysis. 2nd ed. New York: McGraw Hill, 1991.
LAW, A. M.; KELTON, W. D. Simulation modeling and analysis. 3rd ed. New York: McGraw-Hill, 2000.
LAW, A. M.; McCOMAS, M. G. Simulation-based optimization, In: WINTER SIMULATION CONFE-
RENCE, San Diego, CA, USA, 2002. Proceedings... San Diego, CA, USA, 2002.
LEAL, F. Anlise do efeito interativo de falhas em processos de manufatura atravs de projeto de experi-
mentos simulados. 2008. (Tese de Doutorado) Faculdade de Engenharia do Campus de Guaratinguet,
Universidade Estadual Paulista, Guaratinguet, 2008.
LEAL, F.; COSTA, R. F. S.; MONTEVECHI, J. A. B.; ALMEIDA, D. A.; MARINS, F. A. S. A practical guide
for operational validation of discrete simulation models. Pesquisa Operacional, n. 31, p. 57-77, 2011.
LEAL, F.; ALMEIDA, D. A. de; MONTEVECHI, J. A. B. Uma proposta de tcnica de modelagem con-
ceitual para a simulao atravs de elementos do IDEF. In: SIMPSIO BRASILEIRO DE PESQUISA
OPERACIONAL, XL, Joo Pessoa, PB, 2008. Anais... Joo Pessoa, PB, 2008.
Lehman, R. S. Computer simulation and modeling. New York: Lawrence Erlbaum Associates, 1997.
MARSE, K.; ROBERTS, S. D. Implementing a portable FORTRAN uniform (0,1) generator. Simulation,
v. 41, p. 135-139, 1983.
MATZ, A.; CURRY, O. J. Cost accounting planning and control. 5th ed. Cincinnati, Ohio: South-Western
publishing, 1972.
McLeold, J. Simulation. Simulation Councils, v. 51, n. 4.
MENDONA, T.G.P. Automatizao do processo de modelagem conceitual atravs da tcnica IDEF-SIM.
2011. Monografia de Iniciao Cientfica. Universidade Federal de Itajub, 2011.
MONDEN, Y. Toyota production system, GA: IIE, GA, 1993.
MONTEVECHI, J. A. B.; LEAL, F.; PINHO, A. F., COSTA, R. F. S.; MARINS, F. A. S.; MARINS, F. F.;
JESUS, J. T. Combined use of modeling techniques for the development of the conceptual model in
simulation projects. In: WINTER SIMULATION CONFERENCE, Miami, FL, USA, 2008a. Procee-
dings... Miami, FL, USA, 2008a.
MONTEVECHI, J. A. B.; PINHO, A. F.; LEAL, F.; MARINS, F. A. S.; COSTA, R. F. S. Improving a
process in a Brazilian automotive plant applying process mapping, design of experiments and discrete
events simulation. In: SYMPOSIUM EUROPEO DE MODELADO Y SIMULACION (SCS), 20.
Briatico, Itlia, 2008b. Proceedings... Briatico, Itlia, 2008b.
142 Simulao de Sistemas

MONTEVECHI, J. A. B.; LEAL, F.; PINHO, A. F.; COSTA, R. F. S.; OLIVEIRA, M. L. M.; SILVA, A.
L. F. Conceptual modeling in simulation projects by mean adapted IDEF: an application in a Brazilian
tech company. In: WINTER SIMULATION CONFERENCE, Baltimore, MD, USA, 2010. Procee-
dings... Baltimore, MD, USA, 2010.
MONTEVECHI, J. A. B.; PINHO, A. F.; LEAL, F.; MARINS, F. A. S. Application of design of experiments
on the simulation of a process in an automotive industry. In: WINTER SIMULATION CONFERENCE.
Washington, DC, USA, 2007. Proceedings... Washington, DC, USA, 2007.
NAYLOR, T. H.; JOSEPH L., Balinfy; BURDICK, Donald S.; KONG, C. Computer simulation technique.
New York: John Wiley & Sons, 1966.
NANCE, R. E. Simulation programming languages: an abridged history. In: WINTER SIMULATION
CONFERENCE, Arlington, VA, USA, 1995. Proceedings... Arlington, VA, USA, 1995.
NANCE, R. E.; SARGENT, R. Perspectives on the evolution of simulation. Operations Research, v. 50,
n. 1, p. 161-172, 2002.
NELDER, J.; MEAD, R. A simplex method for function minimization. Computer Journal, v. 7, p. 308-313,
1965.
LAFSSON, S.; KIM, J. Simulation optimization. In: WINTER SIMULATION CONFERENCE, San
Diego, CA, USA, 2002. Proceedings... San Diego, CA, USA, 2002.
OptQuest 96 information Sheet, Micro Analysis and design, Boulder, CO, 1996.
PEGDEN, D.; GATELY, M. A decision-optimization module for SLAM. Simulation, v. 34, p. 18-25, 1980.
PEGDEN, D.; GATELY, M. Decision optimization for GASP IV simulation models. In: WINTER SIMULA-
TION CONFERENCE. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Piscataway,
NJ, 1977, p. 127-133.
PRISTKER, A. A. B. Introduction to Simulation and SLAM II. West Lafayette, Indiana: Systems publis-
hing Corporation, 1986.
ROBINSON, S. Conceptual modelling for simulation Part I: definition and requirements. Journal of the
Operational Research Society, v. 59, n. 3, p. 278-290, 2008.
RYAN, J.; HEAVEY, C. Process modeling for simulation. Computers in Industry, v. 57, n. 5, p. 437-450, 2006.
SAFIZADEH, M. Optimization in simulation: current issues and the future autlook. Naval Research Logis-
tics, v. 37, p. 807-825. 1990.
SARGENT, R. G. Verification and validation of simulation models. In: WINTER SIMULATION CON-
FERENCE, Austin, TX, USA, 2009. Proceedings... Austin, TX, USA, 2009.
SCHWEFEL, H. -P. Numerical optimization of computermodels. Chichester: John Wiley and Son, 1981.
SimRunner users guide ProModel edition. MI: Decision Science, 1996a.
SimRunner user guide. Orem, UT, USA: ProModel Corporation, 2002.
SMITH, C. A. Maximizing the return from the simulation of material handling systems. In: AGVS 89
CONFERENCE, 1989. Paper 1989.
SMITH, G. W. Engineering economy analysis of capital expenditures. Ames, lowa: The Iowa State
University Press, 1973.
STEPHENSON, R. E. Computer simulation for engineers. New York: Harcourt Brace Jovanovich, 1971.
STEWART, R. D. Cost estimating. New York: John Wiley & Sons, 1982.
SRISUWANRAT, C.; IOANNOU, P. G.; TSIMHONI, O. Simulation and optimization for construction
repetitive projects using ProModel and SimRunner. In: WINTER SIMULATION CONFERENCE,
Miami, FL, USA, 2008. Proceedings... Miami, FL, USA, 2008.
STUCKMAN, B., EVANS, G.; MOLLAGHASEMI, M. Comparasion of global search methods for design
optimization using simulation. In: WINTER SIMULATION CONFERENCE, 1991, Piscataway, NJ.
Proceeding Piscataway, NJ: Institute of Electrical and Electronics Engineers, 1991, p. 937-944.
TOMPKINS, G.; AZADIVAR, F. Genetic algorithms in optimizing simulated systems. In: WINTER
SIMULATION CONFERENCE, Piscataway, NJ, 1995. Proceeding Institute of Electrical and Elec-
tronics Engineers, Piscataway, NJ, 1995, p. 757-762.
Referncias 143

USHER, J.; BOWDEN, R. The application genetic algorithms to operation sequencing for use in computer-
aided process planning. Computers and Industrial Engineering Journal, v. 30, n. 4, p. 999-1013. 1996.
WALPOLE, R. E.; MYERS, H. Probability and statistics for engineers and scientists. 2nd ed. New York:
Macmillan Publishing. 1978.
WANG, W.; BROOKS, R. J. Empirical investigations of conceptual modeling and the modeling process.
In : HENDERSON, S.G., BILLER, B., HSIEH, M.-H., SHORTLE, J., T.E.W., J.D., BARTON, R.R.,
(eds.). Winter Simulation Conference. Proceedings... Piscataway, New Jersey: Institute of Electrical
and Electronics Engineers, 2007, p. 1601-1609.
WESTON, J. F.; BRIGHAM, E. F. Essentials of managerial finance. 8. ed. Chicago: The Dryden Press, 1979.
YAMANCE, T. Statistcs: an introductory analysis. 2nd ed. New York: Harper & Row, 1967.
ZHOU, M.; ZHANH, Q.; CHEN, Z. What can be done to automate conceptual simulation modeling?
In: PERRONE, L. F.; WIELAND, F. P.; LIU, J.; LAWSON, B. G.; NICOL, D. M.; FUJIMOTO, R.
M. In: WINTER SIMULATION CONFERENCE, 2006, Piscataway, New Jersey. Proceedings
Piscataway, New Jersey: Institute of Electrical and Electronics Engineers, 2006, p. 809-814.
Exerccios
EXERCCIO 1
Comeando a simulao
O objetivo desse exerccio familiariz-lo com a simulao. Se voc est usando o
ProModel for Windows, MedModel ou o ServiceModel, uma das melhores maneiras
de dar incio ao exerccio utilizando o suporte on-line. Selecione as instrues apro-
priadas para a ferramenta que voc est usando.
Acione o software ProModel na central de downloads. L voc ter uma demons-
trao sucinta acerca de como criar modelos, rod-los e ver os resultados gerados.
Com o software aberto, clique, na mscara de entrada, na opo rodar modelo
demonstrativo. Uma vez que o modelo escolhido estiver rodando, familiarize-se com
a barra de rolamento horizontal que controla a velocidade (clique nas setas ou clique
na barra). Clique no boto no extremo direito da mesma linha para rever as opes
do relgio.
Enquanto o modelo ainda estiver rodando, examine os menus Opes e In-
formao para ver quais interaes voc pode ter com o modelo durante a simulao.
Voc deve tambm examinar alguns dos resultados fornecidos para se familiarizar
com o relatrio de dados de sada.
Se voc estiver participando de um curso de simulao, seu instrutor deve pedir
para voc rodar um modelo especfico e achar valores de um determinado resultado
em um momento especfico da simulao.

EXERCCIO 2
Manufatura simplificada
Voc o Gerente de Produo da MANUFATURA SIMPLIFICADA, um pro-
dutor de eixo de direo de um cortador de grama motorizado (autoimpulsionado).
O Gerente de Vendas acabou de informar a voc que um dos maiores fabricantes
de cortadores de grama estava insatisfeito com os fornecedores dele, os quais so
seus concorrentes, e perguntou sobre sua capacidade de produzir uma determinada
quantidade de eixos de direo.
Tendo em vista que o futuro da empresa MANUFATURA SIMPLIFICADA
est em jogo, todos esto ansiosos para conseguir um novo negcio. No entanto, os
operrios mandaram dizer atravs de seus representantes que mudanas significativas
nos procedimentos atuais de trabalho no sero consideradas, a menos que alternativas
sejam tambm examinadas. Apesar de os operrios estarem desejosos de fazer hora-ex-
tra, o pessoal da Contabilidade tem indicado que o pagamento de hora-extra eliminar
qualquer lucro proveniente do aumento de produo dos eixos.

145
146 Exerccios

A fbrica est atualmente produzindo 129 eixos em 40 horas semanais. O pedido


extra demandar uma produo de 250 eixos no mesmo tempo, quase dobrando a
produo atual.

O Processo de Produo
Cinco barras de matria-prima do estoque so fornecidas fbrica a cada 14 horas
trabalhadas. No recebimento elas so inspecionadas (em 30 segundos, pelo operador
1). O operador leva uma barra para a serra, onde ela cortada no comprimento apro-
priado em 3 minutos.
De cada barra, nove eixos so produzidos e colocados em uma caixa. Eles so
retirados pelo operador 2; esse operador gasta 1 minuto e 15 segundos para colocar a
pea no torno e prepar-la para a operao, onde se gasta 6 minutos para usinar e facear
uma das pontas. O operador gasta 1minuto e 30 segundos para inspecionar essa pea
e vir-la na mquina. O torno gasta mais 5 minutos para repetir o processo na outra
extremidade da barra; aps isso ela retirada e inspecionada tambm pelo operador 2
em 1 minuto e 45 segundos. O eixo deixado em uma estante que suporta at 9 peas.
O operador 3 pega um eixo na estante e demora 45 segundos para posicion-la
numa furadeira que far uma abertura de chaveta em 2 minutos e 15 segundos. O
operador ento remove a pea em 15 segundos. O eixo colocado numa estante com
capacidade para 9 peas, de onde retirada pelo operador 4. Esse operador gasta 2
minutos e 46 segundos posicionando uma chaveta na abertura e encaixando-a numa
caixa de engrenagens.
A pea ento levada pelo operador 4 at um local de embarque. Todos os equipa-
mentos so posicionados de maneira que um operador leve 30 segundos para percorrer
a distncia entre dois locais quaisquer.
Os operadores tm 15 minutos de descanso pela manh e 30 minutos no almoo,
alm de 15 minutos tarde. O equipamento da MANUFATURA SIMPLIFICADA
antigo, mas confivel, portanto as quebras no so frequentes e toda a manuteno
preventiva realizada aps o horrio de produo.

A Tarefa
Preparar uma lista de possveis maneiras de aumentar a produo na fbrica
conforme a demanda. Adicionalmente, seu chefe pediu para avaliar as seguintes suges-
tes dos funcionrios:
1. um funcionrio, que pediu para permanecer annimo, recomendou diminuir os
intervalos (da manh e da tarde) dos operrios, para 5 minutos cada intervalo;
2. o Departamento Financeiro, ansioso para reduzir o nvel de estoque em proces-
so, recomendou que todas as filas, exceto a fila de sada para a serra tenha sua
capacidade reduzida. Eles estimam que o tamanho de fila igual a 5 resolveria o
problema;
3. o comprador diz que, apesar do seu fornecedor no entregar menos de 5 barras por
vez, poderia passar a entreg-las a cada 3 horas, se necessrio;
Exerccios 147

4. a operadora do torno chamou sua ateno para o fato de que um segundo torno
similar ao seu est armazenado como sobressalente, que foi usado quando a em-
presa estava com um nvel de produo muito maior. Ela uma das empregadas
mais eficientes e acha que pode lidar com as duas mquinas ao mesmo tempo,
fazendo o setup em uma delas enquanto a outra processa a pea;
5. o operador da rea de montagem comentou ter visto um novo dispositivo de fixao
que permitiria fazer a montagem de 2 eixos simultaneamente. Ele gostaria de testar
o novo fixador.
Carregue o modelo EX2.mod existente no diretrio models/student da verso
para estudante do software e use-o para testar as ideias anteriores.
Voc pode alterar o modelo, modificando os campos apropriados ou desenvolvendo
parmetros atravs de macros parmetros de cenrio.

EXERCCIO 3
Usando a matemtica para simular um sistema simples
Considere um sistema simples que consiste em 3 entidades: 1) peas; 2) uma
mquina; 3) um pulmo (uma fila indica uma linha de espera, enquanto um pulmo
o local onde as peas podem ser acumuladas medida que esperam para ser proces-
sadas na mquina).
Existem 2 tipos de eventos: 1) a pea chega at o pulmo; 2) a pea sai da mquina.
O tempo entre a chegada das peas no pulmo varia randomicamente, com valores
potenciais de 1, 2, 3, 4, 5 e 6, e com a mesma probabilidade de ocorrncia.
Cada pea processada individualmente na mquina. O tempo do ciclo da mquina,
ou seja, o tempo em que a pea fica na mquina aleatrio tambm. Os possveis
valores so valores inteiros de 1 a 6, com igual probabilidade de ocorrncia cada um.
Se voc precisar estimar o nmero mdio de peas no PULMO em um intervalo
de tempo, como voc determinaria sua resposta?
Um mtodo seria recriar fisicamente o cenrio e gravar manualmente o tempo
mdio que cada pea demora no pulmo. Outra possibilidade seria recriar a sequncia
de eventos experimentados no sistema atravs da matemtica. O ltimo mtodo seria
menos custoso que o primeiro.
O exerccio seguinte mostra uma representao matemtica do sistema de filas
descrito anteriormente.
No decorrer do exerccio sero ilustradas a razo e a lgica envolvidas com a
modelagem de simulao de eventos discretos.
As tabelas e diagramas mostrados a seguir ajudaro voc a realizar a simulao ma-
temtica deste pequeno sistema. A Tabela3A contm a lista de variveis matemticas
que foram criadas para descrever as vrias entidades e caractersticas do sistema. As
prximas pginas contm seis grupos de instrues: 1) inicializando as variveis dos
sistemas, 2) determinando os prximos eventos, 3) atualizando as variveis estatsticas,
148 Exerccios

TABELA 3A Variveis
VARIVEL RELGIO DE O relgio de simulao (CLOCK) uma varivel que representa
SIMULAO (CLOCK) o tempo simulado no exerccio. Pode ser pensado como um
relgio que atualizado toda vez que um evento ocorre. Um
evento, neste exerccio, a chegada de uma pea ao pulmo ou
a sada de uma pea da mquina.

VARIVEL ESTADO DA ESTMA uma varivel que nos diz o estado atual da mquina
MQUINA (ESTMA) em qualquer ponto do exerccio. Se uma mquina est
processando uma pea, ento seu estado OCUPADO, se no
est processando uma pea seu estado OCIOSO.

NMERO DE PEA NO NPB uma varivel que representa um nmero atual de


PULMO (NPB) peas que esto esperando na fila. Se uma pea chega e
ESTMA=OCUPADO, ento NPB incrementado de 1 (um).
Quando um evento de sada de pea ocorre, NPB decrescido
de 1 (um), caso o valor de NPB seja maior que zero.

TEMPO DE CHEGADA TCPP uma varivel que nos diz em que tempo a nova pea ir
DA PRXIMA PEA chegar ao pulmo. calculada pela adio do resultado sorteado
(TCPP) ao valor atual da varivel relgio de simulao (CLOCK).

TEMPO DE SADA DA TSPP uma varivel que nos diz em que tempo a pea sair da
PRXIMA PEA (TSPP) mquina. calculado pela adio do ciclo da mquina (oriundo
do dado), ao valor atual da varivel do relgio.

TOTAL DE PEAS TPP uma varivel que registra o nmero total de peas que
PROCESSADAS (TPP) foram processadas. Toda vez que um evento de sada de pea
ocorre, a varivel TPP incrementada de 1 (um).

MXIMO DE PEAS NA MPF uma varivel que mostra o valor de nmero mximo de
FILA (MPF) peas que existem no pulmo, durante o exerccio. O valor para
MPF checado durante cada evento de chegada de pea, se
MPF menor que NPB, ento MPF dado pelo valor de NPB.

TEMPO DO LTIMO TUE a varivel que registra o relgio de tempo simulado


EVENTO (TUE) quando o ltimo evento ocorre (chegada de peas ou partida de
peas).

TEMPO GASTO DESDE TGUE a varivel que diz quanto tempo simulado foi gasto da
O LTIMO EVENTO chegada ou sada da ltima pea at ento.
(TGUE)

TEMPO ACUMULADO TAPB a varivel que acumula o tempo total gasto pelas peas
DE PEA NO PULMO no pulmo. O valor do TAPB multiplicado pelo valor do
(TAPB) TGUE, e nos mostra o total de minutos gastos no pulmo. Isso
calculado depois de cada pea chegar ou partir. O resultado
adicionado ao valor atual da TAPB.

COMPRIMENTO MDIO CMB a varivel que diz a mdia de peas em fila no pulmo.
DO PULMO (CMB) Isso calculado dividindo TAPB pelo valor atual do relgio.

TIPO DE EVENTO TE a varivel com a qual se determina, se o que vai ocorrer o


(chegada ou partida) evento de chegada da pea ou de partida da pea. dependente
(TE) dos valores de TCPP e TSPP.
Exerccios 149

4) criando um relatrio de status das variveis, 5) processando um evento de chegada


de uma pea, 6) processando um evento de sada de uma pea.
Uma srie de aes est descrita em cada grupo de instrues. Essas aes en-
volvem clculos matemticos simples, usando valores das variveis da Tabela3A e
registrando os resultados tanto na Tabela3A quanto na Tabela3B. Use o diagrama de
fluxo para seguir as sequncias que esto determinadas nas instrues.
Durante o exerccio, as variveis da Tabela3A iro mudar de valores conforme os
grupos de instrues vo sendo concludos.
A instruo final de cada grupo indicar o prximo grupo de instruo a ser seguido.
No decorrer do exerccio os valores selecionados das variveis da Tabela3A so
registrados na Tabela3B, toda vez que as aes do grupo criando um relatrio de
status das variveis estiverem finalizadas.
O contedo da Tabela3B a representao dos dados de produo obtidos pela
simulao.
O comprimento mdio das filas e outras estatsticas do sistema so mostrados como
resultados da chegada ou sada de cada pea. Os dados so comumente exibidos nas
primeiras cinco linhas. Isso mostrado como resultado dos primeiros vinte grupos de
instrues. Complete as linhas que faltam na Tabela3B.
Um dado pode ser jogado para estabelecer ou criar valores aleatrios associados
com o tempo de chegada de cada pea e a durao do ciclo de mquina.
A determinao do maior comprimento mdio da fila demandaria o trabalho de
milhes de clculos repetitivos. Os esforos no seriam econmicos, em relao ao
tempo e ao custo. No entanto, a modelagem da simulao pode diminuir o esforo.
Um modelador pode simular o cenrio descrito anteriormente em poucos minutos
e fornecer resultados mais rpidos do que uma pessoa trabalhando manualmente
(Figura1).

Instrues para inicializao das variveis do sistema


1. Inicialize as variveis da Tabela3A com os valores mostrados:
Ajuste o valor inicial da varivel relgio de simulao (CLOCK) para zero:
CLOCK=0
Ajuste o valor inicial da varivel estado da mquina para IDLE:
ESTMA=IDLE
Ajuste o valor inicial do nmero de peas no pulmo para zero:
NPB=0
Ajuste o valor inicial da varivel de tempo de chegada da prxima pea para
zero:
TCPP=0
Ajuste o valor inicial da varivel de tempo de sada da prxima pea para sem
cronograma
150 Exerccios

FIGURA 1 Fluxograma Sequncia de instrues para Exerccio 3.

TSPP=SC
Ajuste o valor inicial da varivel total de peas processadas para zero:
TPP=0
Ajuste o valor inicial da varivel de peas chegadas para zero:
TPC=0
Ajuste o valor inicial mximo da varivel de peas na fila para zero:
MPF=0
Ajuste o valor inicial da varivel tempo do ltimo evento para zero:
TUE=0
Ajuste o valor inicial da varivel tempo decorrido do ltimo evento para zero:
TDUE=0
Exerccios 151

Ajuste o valor inicial acumulado da varivel tempo da pea no pulmo para


zero:
TAPB=0
Ajuste o valor inicial da varivel nmero mdio de peas no pulmo para zero:
NMPB=0
Ajuste o valor inicial da varivel tipo do prximo evento para nenhum (N):
TPE=N
2. Proceda s instrues para determinar o tipo do prximo evento.

Instrues para determinar o tipo do prximo evento


Verifique a Tabela3A para determinar o tipo do prximo evento (chegada ou
partida) que ocorrer. A descrio baseada nos valores do tempo de chegada da
prxima pea (TCPP) e tempo de sada da prxima pea (TSPP). O evento de chegada
selecionado se o valor de TCPP menor que o valor de TSPP, ou se h TSPP sem
cronograma (TSPP=SC) (Figura2).

FIGURA 2

Instrues para atualizar as variveis estatsticas


1. Atualizar a varivel tempo decorrido do ltimo evento (TDUE). O tempo decorrido
do ltimo evento igual ao valor atual do relgio (CLOCK) menos o tempo
decorrido do ltimo evento. TDUE=CLOCK TDUE
2. Atualizar o valor para a varivel tempo do ltimo evento (TUE), isto , igual ao
valor atual da varivel relgio (CLOCK). TUE=CLOCK
152 Exerccios

3. Acumular o nmero total de peas que tenham sido inspecionadas no pulmo. O


tempo gasto pelas peas na fila desde o ltimo evento ocorrido igual ao valor
atual do nmero de peas no pulmo (NPB) multiplicado pelo TDUE. O produto
ento adicionado ao valor atual do tempo acumulado de peas no pulmo.
4. TAPB=TAPB+(NPB TDUE)
5. Determine o comprimento mdio da fila observado sobre o tempo atual gasto. O
comprimento mdio da fila (NMPB) igual para o valor atual do TAPB dividido
pelo valor atual do relgio.
6. Se CLOCK=0, ento TAPB=0
7. Se CLOCK>0, ento NMPB=TAPB : CLOCK, enquanto NMPB=0
8. V para as instrues de criao do relatrio das variveis de estado.

Instrues de criao do relatrio das variveis de estado


1. Registre os valores correntes da Tabela3A, especificando as variveis (CLOCK,
TPP, TPC, ESTMA, NPB, MPF, CMB) mostrados na Tabela3B a seguir. O tempo
de cada uma dessas instrues completado por outra linha de dados de sada que
produzida.
2. Finalizar o exerccio de simulao ou continuar? Se continuar, v para a tarefa
nmero 3 a seguir. Do contrrio, pare.
3. Se o valor da varivel tipo de evento (TE) da Tabela3A igual ARV (TE=ARV),
ento v para as instrues de processamento de um evento de chegada de uma
pea. Se TE=DEP, ento v para as instrues de processamento de um evento
de sada de uma pea.

TABELA 3B Relatrio das variveis de estado

CLOCK TPP TPC ESTIMA NPB MPF CMB


1 0 0 0 OCIOSO 0 0 0

2 3 1 0 OCUPADO 0 0 0

3 5 2 0 OCUPADO 1 1 0.4

4 6 2 1 OCUPADO 0 1 0.33

5 7 3 1 OCUPADO 1 1 0.43

10
Exerccios 153

EXERCCIO 4
Ciclos (streams) e sementes (seeds) randmicas
O modelo EX4 projetado para que voc experimente o impacto de ciclos
aleatrios em um sistema pequeno com tempos de eventos probabilsticos. Poder
ser tambm ser observado o impacto do perodo de tempo simulado (extenso da
simulao).
O EX4 foi livremente baseado no modelo do exerccio anterior. Em razo de as
distribuies contnuas serem frequentemente mais realistas para tempos de operao
e para tempo entre chegadas, usou-se uma distribuio que permite qualquer valor pos-
svel 1 e 6 (no s inteiros), com igual possibilidade de ocorrncia. Fixou-se, ainda, a
capacidade do pulmo para at 5 peas.
No software, selecione Abrir um modelo. Ache o EX4 no subdiretrio models/
student e cancele a solicitao para Informao Geral. V para o menu Construir,
Mais Elementos e abra a tabela de Sequncias. Nesse modelo, o valor da primeira
semente que apresentado refere-se ao tempo entre chegadas ao pulmo, e o segundo
para o tempo na mquina. Cada valor de semente corresponde a um nmero dentro
do gerador aleatrio de nmeros, o qual serve como ponto de partida. Ajuste os valores
das sementes para 1 e 2, respectivamente. Simule, especificamente 2 horas, ajustando
atravs do menu Simulao Opes Tempo de Sim.. Anote o nmero obtido na
sada de peas.
Volte para a tabela de Sequncias, entrando mais 4 vezes com tempos ajustados em
valores de 3 at 6 como sementes randmicas para distribuio do tempo de operao.
Mantenha por enquanto o valor da segunda semente=1. Rode o modelo para cada
caso, registrando os resultados.
1. Questo 1: Qual a mdia e a faixa de variao dos cinco valores de sada?
2. Retorne para o modelo e ajuste para simulao longa (10 horas) mudando em
Simulao - Opes. Retorne os nmeros das sementes randmicas para seus
valores originais. Realize cinco simulaes do modelo mudando o valor das se-
mentes como especificado anteriormente.
3. Questo 2: Qual a mdia e a faixa de variao dos cinco valores de sada para
essas simulaes mais longas?
4. Agora incremente o tamanho da simulao para 100 horas e repita os exerccios
com os cinco valores da semente.
5. Questo 3: Qual a mdia e a faixa de variao dos cinco valores de sada para
as 100 horas?
6. Em virtude da natureza probabilstica de nosso sistema, no se pode dizer com
certeza quantas peas exatamente sero produzidas num dado perodo de tempo.
Todavia, usando diversas simulaes com diversos valores aleatrios das sementes
possvel desenvolver uma boa ideia da variao dentro da qual a sada total se
localizaria.
154 Exerccios

7. Questo 4: Ao aumentar o perodo simulado, que tendncia voc observa no


relacionamento entre a mdia e a faixa de variao?
8. Questo 5: Se voc fosse responsvel pelo sistema do modelo EX4 e fosse
requisitado a prever qual seria a sada, como voc responderia?
9. Questo 6: Quais so as vantagens que voc observa ao rodar a simulao com
diferentes valores de semente? Quais as desvantagens?
10. Questo 7: Quais so as vantagens da simulao longa? Quais so as des-
vantagens, se houver?
11. Questo 8: Depois de algumas simulaes neste exerccio voc pode vir a receber
uma mensagem de que algumas peas sero perdidas por cauda da insuficincia
de capacidade no local de chegada (pulmo). Como pode ser possvel que o
pulmo, com capacidade de 5 peas, no seja capaz de suportar todas as peas
que chegam se a distribuio do tempo de chegada de peas a mesma que a
distribuio de tempo da operao da mquina? O que voc poderia fazer para
eliminar esse problema?

EXERCCIO 5
Manufatura Simplificada (um pouco menos simplificada)
Para este exerccio preciso que voc j esteja familiarizado com as operaes
da Manufatura Simplificada do exerccio 2. Afinal, agora voc ter a oportunida-
de de construir o modelo visto naquele exerccio. Apesar de terem sido utilizadas
variveis para mostrar o resultado da produo total na tela, isso ainda no foi
abordado.
Voc ter de construir um modelo ao final deste exerccio, mas estar mexendo
apenas superficialmente no software. H muitas coisas que podem ser feitas com seu
software de simulao. Mesmo um semestre de curso no seria suficiente para se usar
todas as funes disponveis. Uma vida inteira poderia no ser longa o suficiente para
cobrir todas as possveis aplicaes de simulao.

ProModel for Windows, MedModel e ServiceModel


Se voc est usando um destes produtos, clique em Arquivo Novo. Use a des-
crio do processo do exerccio 2 para auxili-lo a preencher os vrios campos das
tabelas. Voc pode se basear no arquivo texto anexo para a construo do modelo.
O arquivo pode tambm ser encontrado no menu Arquivo ver texto. Observe
no arquivo texto que algumas peas foram programadas para as filas no incio
da simulao, para que o modelo atinja o estado de regime (steady-state) mais
rapidamente. Um efeito similar poderia ser obtido ao especificarmos um perodo
de aquecimento.
Exerccios 155
156 Exerccios
Exerccios 157
158 Exerccios
Exerccios 159

EXERCCIO 6
Um Projeto de Simulao
Usando as fases dos tpicos descritos no texto, prepare um plano em forma de
um esboo que voc usaria para conduzir com pleno sucesso o estudo de simulao.
Se o seu instrutor solicitar um projeto de simulao como parte da aula, use este
exerccio para desenvolver a estratgia para realizar uma simulao do sistema que
voc selecionou. Se o projeto no solicitado no curso, prepare um plano mostrando
como voc conduziria um projeto de simulao na sua empresa atual (ou na mais
recente). A lista a seguir ir ajud-lo a iniciar o plano.

Definio do problema e estabelecimento dos objetivos


Qual o problema ou o ponto a ser estudado?
Por que a Simulao seria uma ferramenta vantajosa de anlise?
Qual a abrangncia do projeto? Ser modelada a operao inteira ou apenas uma
parte? Por qu?
Quais so os objetivos?
Quais aspectos financeiros so significativos? Como sero avaliados os custos e
os benefcios?
160 Exerccios

Formulao do modelo e planejamento


Inclua um esboo ou desenho mostrando o layout do sistema a ser estudado.
Identifique o fluxo de entidades (peas, pessoas etc.) no desenho ou esboo.
Que nvel de detalhes ser empregado?
Como as entidades se movimentam? Existem sistemas de transporte a serem
modelados?
Qual entidade mais deveria ter uma entrada? Por qu?

Aquisio de dados
Quais dados seriam necessrios para o modelo? Estes j esto disponveis? Em
que formatao?
Quais as fontes dos dados? Essas fontes esto aptas a prover dados precisos?

Desenvolvimento do Modelo
O sistema pode ser modelado usando-se camadas de complexidade? Se possvel,
defina essas camadas.

Verificao e validao
Descreva as ferramentas de verificao e validao que voc pretende usar nesse
projeto.
Quem mais voc pode envolver nesse processo de verificao e validao?

Experimentaes
Que solues alternativas voc ir experimentar?
Que parmetros do modelo precisam ser alterados para se avaliar as solues
propostas?
Seu modelo pode ser projetado com a finalidade de facilitar a experimentao?

Anlise de resultados e apresentao


Que medidas de desempenho so significativas para o sistema que voc selecionou?
A quem voc apresentar suas concluses? Como voc far sua apresentao?

Implementao
Que passos voc planeja adotar para facilitar a implementao dos resultados de
sua simulao?
Quem voc ir envolver em seus esforos? Em que etapas do projeto?
Exerccios 161

EXERCCIO 7
Construindo um modelo
Este exerccio lhe dar a oportunidade de construir um modelo baseado apenas na
descrio de um processo. Um dos desafios do modelo ser o uso de porcentagens de
rendimento e seleo de probabilidade do prximo destino.
Um processo de produo consiste em quatro operaes: fresa, planificao,
perfurao e inspeo. H duas fresadoras, uma plaina mecnica e duas furadeiras.
A estao de inspeo automatizada. Suponha que os tempos de movimentao
associados com a transferncia de peas entre os postos de trabalho e dos postos de
trabalho para a posto de refugo seguem uma distribuio triangular com um mnimo
de 0,5 minutos, uma moda de 1 minuto e um mximo de 1,5 minutos. Os movimentos
so compostos de:
Chegada para fresadora ou chegada para a plaina.
Fresadora para furadeira ou fresadora para a sada.
Plaina para furadeira ou plaina para a sada.
Furadeira para inspeo ou furadeira para a sada.
Inspeo para inspeo de sada para furadeira ou inspeo para a sada.
Os dados para as chegadas, roteamento e processos so descritos a seguir:
Chegadas Exponencial Mdia=4 minutos.
Fresadora Triangular (9, 12, 14)
Plaina Uniforme (7, 1)
Furadeira Normal. Mdia=5, desvio padro=1
Inspeo Uniforme (1, .5)
Tempo da rota Triangular. (.5, 1, 1.5)
Setenta por cento dos trabalhos so do tipo 1, os outros so do tipo 2. Os trabalhos
do tipo 1 vo para a fresa, depois movidos para a furadeira e finalmente para a inspeo.
Os trabalhos do tipo 2 vo para a plaina, depois para a furadeira e finalmente para a
inspeo. No h nenhum sistema de prioridade na furadeira ou na inspeo. Trabalhos
com falhas constatadas na inspeo tem uma probabilidade de 0,05. Sessenta por cento
dos trabalhos com falha retornam furadeira, e o resto definitivamente rejeitado.
Existem filas de espera (pulmo) limitados na frente dessas mquinas. As filas
de espera (pulmes) para as fresadoras podem acumular at 5 peas. A fila de espera
(pulmo) em frente plaina acumular at 3 peas. Outra fila de espera em frente
furadeira acumula at 4 peas e uma fila acumula at 3 peas em frente estao de
inspeo. Quando as peas no puderem ser acumuladas na fila, por esta estar cheia,
as peas sero lanadas para fora do sistema.
Simule esse sistema durante 40 horas, com 8 horas de aquecimento.