Aula

07

Dimensionamento de corridas
Análise de resultados de um modelo
de Simulação
 Premissas
•  Após a fase de Verificação e Validação, o modelo
é considerado operacional.
•  Podemos supor, pela constituição dos sistemas
estudados, que os dados de entrada e os dados
de saída são aleatórios.
•  Portanto, em cada replicação ou experimento
realizado, não serão apresentadas muitas
conclusões aceitáveis.
•  Se estivermos estudando uma variável (por
exemplo o tempo de execução de um processo),
haverá muita variação nos resultados
 Papel da Variância
•  A precisão de uma valor estudado pode ser
avaliada pela sua Variância.
•  Isto quer dizer que quanto menor a Variância,
mais precisa será a estimação do valor
estudado.
•  Surgem duas questões:
–  Qual a variância estimada?
–  Quantas observações devem ser realizadas para
ser atingida uma dada precisão?
 Análise de Resultados
•  É um processo menos dispendioso que a
Modelagem e o de Verificação e Validação.
•  Os pacotes comerciais de simulação possuem
diversas facilidades para a construção de
cenários e para o tratamento estatístico dos
resultados.
•  Com as análises, a segurança para a tomada
de decisões aumenta.
 Técnica de análise de resultados
Pré-requisitos
•  Entendimento de regime transitório e regime
permanente
•  O que é simulação terminal e o que é
simulação em regime?
•  O que são medidas de desempenho?
•  O que é replicação e o que é rodada?
•  O que é intervalo de confiança?
 Regime Transitório vs. Regime
Permanente
•  Regime transitório: O desempenho do sistema
está fortemente relacionado com as condições
iniciais.
–  Normalmente é um período curto mas um tanto
confuso, onde o que acontece no sistema recebe a
influência das condições iniciais do sistema que não se
sustentarão no decorrer do tempo de operação
•  Regime permanente: As condições iniciais não
afetam mais o comportamento do sistema.
–  As condições iniciais deixam de influenciar e as
condições de funcionamento tornam-se mais
previsíveis e geralmente com possibilidade de
previsão.
 Regime Transitório vs. Regime
Permanente

•  O estudo de sistemas durante o regime

transitório é mais complexo, e geralmente,
pouco conclusivo, pois as condições iniciais de
um sistema nem sempre são as mesmas.
•  Pode-se verificar também que as condições
iniciais podem afetar perigosamente os
resultados de uma simulação.
 Exemplo:
Jogo de dados
Considere-se um dado de 6 lados. Portanto a
probabilidade de ocorrência de cada face é de
1/6.
6

Espera-se: µ = ∑( probabilidade ou chance de ocorrer a face i) × i

i−1

⎛1 ⎞ ⎛1 ⎞ ⎛1 ⎞ ⎛1 ⎞ ⎛1 ⎞ ⎛1 ⎞
∴ µ = ⎜ ⋅1⎟ + ⎜ ⋅2⎟ + ⎜ ⋅3⎟ + ⎜ ⋅ 4 ⎟ + ⎜ ⋅5⎟ + ⎜ ⋅6 ⎟ = 3,5
⎝6 ⎠ ⎝6 ⎠ ⎝6 ⎠ ⎝6 ⎠ ⎝6 ⎠ ⎝6 ⎠
 Simulando o processo de lançamentos:
- No primenro lançamento, obteve-se 1, assim a
média de lançamentos é igual a 1.
- No segundo lançamento, obteve-se 1 novamente,
a média continua 1.
Na tabela a seguir estão os primeiros 10 primeiros
lançamentos.
Pode-se notar que não houve muito sucesso em
obter a média prevista 3,5 nestes primeiros 10
lançamentos. Os resultados
Primeiros 10 lançamentos do dado
Lançamento Número obtido Média Acumulada
1 1 1/1 = 1,0
2 1 (1+1)/2 = 1,0
3 4 (1+1+4)/3 = 2,0
4 6 (1+1+4+6)/4 = 3,0
5 6 3,6
6 5 3,8
7 2 3,6
8 1 3,5
9 2 3,3
10 1 3,1
Comportamento da média acumulada
depois de 10 lançamentos
•  Visualmente a média não convergiu para o valor 3,5
•  A média no gráfico anterior é influenciada pelo
comportamento inicial do sistema.
•  O dado deve ser lançado mais vezes de modo a
melhorar o resultado.
•  Olhando agora para o gráfico com mais de 150
lançamentos, observa-se uma média de 3,507, com um
erro absoluto de 0,007.
•  A primeira região (de 50 lançamentos) é chamada de
trecho de regime transitório pois as condições iniciais
afetam o resultado da média.
•  A partir do lançamento 80, o sistema já se comporta
como o esperado, estando a média muito próxima de
3,5. A partir desse ponto dizemos que o sistema está
em regime permanente, pois os efeitos das condições
iniciais do sistema já não afetam o seu desempenho.
•  Deve-se lançar mais vezes o dado, para que ocorra
melhoria nos resultados.
•  Após 150 lançamentos, a média obtida foi de 3,507, ou um
erro absoluto de 0,007.
•  No gráfico a seguir pode-se acompanhar o
comportamento da média acumulada ao longo de 150
lançamentos, retratando a passagem do regime transitório
para o regime permanente no experimento.
•  Nota-se no gráfico a influência do comportamento inicial
do sistema na média nos 50 primeiros lançamentos.
•  O fato de se possuir poucos dados no início do processo,
acaba afetando significativamente o resultado inicial.
Comportamento da média acumulada
depois de 150 lançamentos
•  A partir do lançamento 80, o sistema já se
comporta como o esperado, estando a média
muito próxima a 3,5.
•  É a partir do lançamento 80 que o regime passa a
ser permanente.
•  Os efeitos das condições iniciais do sistema já
não afetam o seu desempenho a partir do
lançamento 80.
•  Deve-se evitar conclusões sobre o
comportamento do sistema no regime
transitório, pois estas podem levar a erros de
interpretação devido às instabilidades iniciais dos
mesmos.
 Conclusões
•  Para boas estimativas deve-se simular um
sistema por um período muito longo de modo
que o número de amostras em regime transitório
seja desprezível em relação ao número de
amostras em regime permanente.
•  Deve-se eliminar o período transitório através de
alguma técnica apropriada. Os pacotes
comerciais possuem algumas alernativas para
essa exigência.
•  Iniciar o sistema já em estado de regime
permanente.
 Simulação terminal vs. Simulação não
terminal
•  Quando são determinados claramente os tempos de
início e fim da simulação, esta é denominada
Simulação Terminal.
•  Quando não se tem certeza sobre o momento em que
a simulação deve ser terminada, ou o horizonte de
tempo é muito longo, considera-se a duração como
infinita. Este tipo de simulação é chamada Simulação
não Terminal ou Simulação em regime.
•  Quando um processo é interrompido para depois
prosseguir do ponto em que parou, para depois ser
retomado no mesmo ponto, configura um Sistema em
Regime, ou seja não Terminal.

 Saídas do modelo em relação ao tipo
de simulação
•  A identificação de qual tipo de simulação
estamos lidando, implica em metodologias
diferentes de análise das saídas do modelo:
–  A Simulação Terminal é. geralmente, mais fácil de ser
conduzida. e analisada. Cada execução do modelo
fornece um conjunto de resultados.
–  A Simulação em regime ou não Terminal torna o
trabalho mais complexo, pois é necessário analisar o
comportamento da simulação para a identificação dos
regimes transitório e permanente do sistema.
Escolha das Medidas de Desempenho
adequadas
•  As medidas de desempenho são utilizadas para que se
reduza as possibilidades de erro da questão que está
sendo apresentada no modelo.
•  As medidas de desempenho escolhidas devem
responder às questões procuradas no modelo
desenvolvido para simulação.
•  Deve-se ter em mente que temos a tendência de
escolher a média como Medida de Desempenho mais
adequada para vários fenômenos, mas esta limita os
dados de variação das variáveis de estudo.
•  Resumindo, as medidas de desempenho devem ser
escolhidas a partir dos objetivos da simulação.
 Diferença entre Rodada e Replicação
•  Rodada: O que ocorre quando é iniciado o
comando que executa a simulação no
computador. Uma rodada pode incluir várias
replicações.
•  Replicação: É uma repeticão da simulação do
modelo, com a mesma configuração, a mesma
duração com os mesmos parâmetros de entrada,
mas com uma semente de geração dos números
aleatórios diferente. Desta forma, apesar dos
dados e dos parâmetros de entrada serem os
mesmos, com números aleatórios diferentes,
cada replicação terá uma saída diferente.
 A confiança apresentada
•  Como a simulação lida com números aleatórios, seria
imprudente se as conclusões de um modelo fossem
tiradas a partir, apenas, de uma rodada de simulação.
•  Cada rodada do modelo é considerada como um novo
experimento.
•  Seria provável que a cada experimento, os resultados
sejam diferentes, o que causaria dúvidas na validade
do modelo, conforme visto anteriormente.
•  A noção de intervalo de confiança ajuda na solução
deste problema.
 Exemplo
Supondo um serviço que tem um atendente
e uma fila de clientes para o atendimento.
Foi construído um modelo de simulação do
sistema e realizou-se uma replicação. Nesta
replicação, o número médio de pessoas na fila
foi de 6,72 (número bem alto para o esperado).
Em seguida foram realizadas mais 9
replicações, obtendo-se os valores a seguir:
Média de pessoas em fila para cada
replicação utilizada
Replicação Média de pessoas em fila
1 6,72
2 2,00
3 0,38
4 1,28
5 0,46
6 0,19
7 0,14
8 1,30
9 0,12
10 2,85
Média 1,54
Desvio-Padrão 2,03
•  A pergunta fundamental é: podemos confiar na
média de 1,54 pessoas?
•  Temos que ter mente também que Confiança
Estatística é diferente de Precisão.
•  Quando se fala em Confiança Estatística, está-se
referindo a Intervalo de Confiança.
•  Ou seja, um intervalo de valores que contém a
média da população, com uma certa
probabilidade.
•  Quanto maior o valor da probabilidade, maior a
Confiança Estatística de que a média da
população encontra-se nesse intervalo
construído.
 •  Quando se fala de Precisão, refere-se ao
tamanho do intervalo.
•  Matematicamente:
s s
x −tn−1,α /2 ≤ µ ≤ x +tn−1,α /2
n n
Onde:

x é a média da amostra
s
h = tn−1,α /2 é a metade do tamanho do intervalo de confiança, ou precisão
n
tn−1,α /2 é o (1 - α /2) percentil da distribuição t de Student com n-1 graus de liberdade
s é o desvio padrão da amostra
n é o número de dados da amostra
•  A variável t é chamada de variável t de
Student e é tabelada para vários níveis de
significância (inverso de confiança)
•  A partir das médias relacionadas na tabela
anterior, serão construídos os intervalos de
99%, 95%, 90% e 80%, que serão relacionados
na tabela a seguir
Tabela de t
de Student
Tabela de t
de Student
Intervalos de Confiança produzidos

n Conf. α tn-1, α/2 Precisão (h) Intervalo de Confiança

(%) da média
10 99 0,01 3,25 2,09 -0,55 ≤ μ ≤ 3,63
10 95 0,05 2,26 1,45 0,09 ≤ μ ≤ 3,00
10 90 0,10 1,83 1,18 0,37 ≤ μ ≤ 2,72
10 80 0,20 0,89 0,89 0,65 ≤ μ ≤ 2,43
 Concluindo
•  Ao diminuir a confiança aumenta a precisão.
•  Para que se aumente a precisão dos dados, deve-
se aumentar o tamanho da amostra (neste caso,
aumentar o número de replicações)

Propõe-se repetir o exercício com 20 replicações

Exemplo com 20 Replicações –
mostradas da 11a à 20a
Replicação Média de pessoas na fila
11 0,80
12 0,75
13 1,18
14 0,60
15 0,50
16 0,40
17 0,30
18 0,60
19 0,60
20 0,50