Você está na página 1de 4

c 

 
 

V


 

c 
 

A palavra simulação refere-se a qualquer método analítico cuja intenção
é imitar algum sistema real, principalmente quando outras análises são
matematicamente complexas. V

Dessa forma, o objetivo da simulação é descrever a distribuição e


características dos possíveis valores de uma variável dependente, depois de
determinados os possíveis valores e comportamentos das variáveis
independentes a ela re lacionadas.Em muitos casos, os modelos de simulação
são utilizados para analisar uma decisão envolvendo risco, ou seja, um modelo
no qual o comportamento de um ou mais fatores não é conhecido com certeza.
Neste caso, estes fatores são conhecidos como variá vel aleatória, e o seu
comportamento é descrito por uma distribuição de probabilidade
(MOORE;WEATHERFORD, 2005). O Método de Monte Carlo é, portanto, um
modelo de simulação que utiliza a geração de números aleatórios para atribuir
valores às variáveis que se deseja investigar. Os números podem ser obtidos
através de algum processo aleatório (tabelas,roletas, etc.) ou diretamente do
computador, através de funções específicas (LUSTOSA;PONTE; DOMINAS,
2004) V

a    
  
a V

Como dito acima, a simulação de Monte Carlo é um processo de V

amostragem cujo objetivo é permitir a observação do desempenho de uma V

variável de interesse em razão do comportamento de variáveis que encerram V

elementos de incerteza. V

Embora seja um conceito simples, a operac ionalização desse processo V

requer o auxílio de alguns métodos matemáticos. Dentre os mais conhecidos e V

utilizados, segundo Evans e Olson (1998) e Vose (2000), está o método da V

transformada inversa, que faz uso das propriedades dos números aleatórios e V

da função distribuição acumulada de uma variável aleatória. V

      
  V
Como visto até o presente momento, tem -se que a base para o processo V

de amostragem realizado nas simulações de Monte Carlo é a geração de V

números aleatórios. É a parti r desse mecanismo que são produzidas as V

distribuições das variáveis de interesse, tomando por base as premissas e as V

distribuições associadas às variáveis de entrada, bem como a inter -relação V

entre as mesmas. V

Um número aleatório, conforme já exposto, é def inido como sendo um V

número uniformemente distribuído entre 0 e 1. No entanto, computadores não V

possuem a capacidade de gerar números realmente aleatórios, visto que fazem V

uso de um algoritmo para gerar uma seqüência de números. V

Em razão disso, V
os números gerados são comumente chamados de números pseudo- V

aleatórios. V

Desse modo, é necessário escolher um algoritmo que forneça uma série V

de números que pareçam ser aleatórios. De acordo com Law e Kelton (2000), V

um algoritmo aritmético gerador de números aleatório s deve satisfazer as V

seguintes condições: V

- os números produzidos devem parecer uniformemente distribuídos V

entre 0 e 1 e não possuírem correlação entre eles; V

- deve ser rápido na geração e consumir pouca memória; V

- deve propiciar a reprodutibilidade da seqüência gerada. V

Portanto, previamente à execução da simulação, deve -se verificar se o V

gerador de números aleatórios a ser usado satisfaz as propriedades V

enunciadas acima, seja através de testes ou de referências que dêem suporte V

à sua utilização. V


  
  V

Monte Carlo: seleciona valores aleatoriamente de forma independente V

de acordo com a distribuição de probabilidade definida. Em outras palavras, o V


número aleatório utilizado em uma rodada não influencia os próximos números V

aleatórios a serem utilizados. V

Hipercubo Latino: seleciona valores aleatoriamente de forma V

dependente. Tal método divide a distribuição em intervalos com probabilidades V

iguais de sorteio e seleciona um valor aleatório pertencente a cada um dos V

intervalos. V

De acordo com Vose (2000), o método do Hipercubo Latino é mais V

preciso para a reprodução das distribuições de probabilidade escolhidas para V

as variáveis de entrada e, conseqüentemente, para o cálculo de estatísticas V

geradas pela simulação, uma vez que o intervalo da distribui ção é utilizado de V

maneira mais equânime e consistente. V

Desse modo, seu uso torna-se recomendado quando a preocupação V

principal está na acurácia das estatísticas da simulação. De forma alternativa, V

quando o objetivo principal for a geração de uma diversida de de cenários V

independentes, então o método de Monte Carlo torna -se, por definição, mais V

adequado. Adicionalmente, o padrão de aleatoriedade propiciado por esse V

método pode ser conveniente para os casos em que as distribuições das V

variáveis de entrada são definidas sem a utilização de dados históricos V


      V

1) desenvolvimento conceitual do modelo do sistema ou do problema a V

ser estudado. V

2) construção do modelo de simulação: inclui o desenvolvimento de V

fórmulas e equações apropriadas, a coleta de dados necessários, a V

determinação das distribuições de probabilidades associadas às variáveis de V

entrada e, finalmente, a construção ou definição de uma forma para registrar


osV

dados. V

3) verificação e validação do modelo: a verificação se refere ao processo V


de conferir se o modelo está livre de erros de lógica, ou seja, se o modelo faz V

aquilo que deveria fazer. Já a validação tem por objetivo avaliar se o modelo V

construído é uma representação razoavelmente crível do sistema ou problema V

estudado. V

4) desenho de experimentos com a utilização do modelo: tal etapa V

envolve a determinação de questões a serem respondidas pelo modelo com o V

intuito de auxiliar o decisor a alcançar o seu objetivo. V

5) realização dos experimentos e análise dos resultados: finalmente, V

nessa última etapa, com base no desenho de experimento feito, as simulações V

são realizadas para que se obtenha o conjunto de informações especificado, V

que pode ser transmitido aos tomadores de decisão em forma de rela tórios pré-V

definidos em conjunto com os mesmos. V