Você está na página 1de 16

Introduction to the art and science of simulation

Shannon, Robert E. Introduction to the art and science of simulation. Proceedings of the
30th conference on Winter simulation. IEEE Computer Society Press, 1998. p.7-14.

Resumo: Este tutorial introdutório apresenta uma visão geral do processo


de realização de um estudo de simulação de qualquer sistema discreto. O
ponto de vista básico é que a realização de tal estudo requer arte e
ciência. Algumas das questões abordadas são como começar, as etapas a
serem seguidas, os problemas a enfrentar em cada etapa, as possíveis
armadilhas que ocorrem em cada etapa e as causas mais comuns de
falhas.

1 INTRODUÇÃO

A simulação é uma das ferramentas mais poderosas disponíveis para a


concepção e operação de processos e sistemas complexos. Possibilita o
estudo, análise e avaliação de situações que, de outra forma, não seriam
possíveis. Num mundo cada vez mais competitivo, a simulação tornou-se
uma metodologia de solução de problemas indispensável para
engenheiros, designers e gerentes.

Definiremos a simulação como o processo de concepção de um modelo de


sistema real e a realização de experimentos com este modelo com o
objetivo de compreender o seu comportamento e/ou avaliar estratégias
para o seu funcionamento. Assim, é fundamental que o modelo seja
projetado de tal forma que o comportamento do modelo imite o
comportamento de resposta do sistema real aos eventos que ocorrem ao
longo do tempo.

Os termos modelo e sistema são componentes chave da nossa definição


de simulação. Por um modelo, queremos dizer uma representação de um
grupo de objetos ou ideias de alguma forma que não a da própria
entidade. Por um sistema, queremos dizer um grupo ou coleção de
elementos interrelacionados que cooperam para realizar algum objetivo
declarado. Um dos pontos fortes reais da simulação é o fato de que
podemos simular sistemas que já existem, bem como aqueles que são
capazes de serem trazidos à existência, ou seja, aqueles na fase
preliminar ou de planejamento do desenvolvimento.

Neste artigo, estaremos discutindo a arte e a ciência de mover um sistema


modelado através do tempo. A simulação é a próxima melhor coisa para
observar um sistema real na operação. Pois isso nos permite estudar a
situação mesmo que não possamos experimentar diretamente com o

1
sistema real, quer porque o sistema ainda não existe ou porque é muito
difícil ou caro manipulá-lo diretamente.

Consideramos a simulação para incluir a construção do modelo e o uso


experimental do modelo para estudar um problema. Assim, podemos
pensar em modelagem de simulação como uma metodologia experimental
e aplicada, que busca:

• Descreva o comportamento de um sistema.


• Use o modelo para prever o comportamento futuro, ou seja, os
efeitos que serão produzidos por mudanças no sistema ou no seu
método de operação.

2 VANTAGENS E DESVANTAGENS

A simulação tem uma série de vantagens em relação aos modelos


analíticos ou matemáticos para análise de sistemas. Em primeiro lugar, o
conceito básico de simulação é fácil de compreender e, portanto, muitas
vezes mais fácil de justificar para gerenciamento ou clientes do que alguns
dos modelos analíticos. Além disso, um modelo de simulação pode ser
mais credível porque o comportamento foi comparado ao do sistema real
ou porque requer menos hipóteses simplificadoras e, portanto, captura
mais das características verdadeiras do sistema em estudo. As vantagens
adicionais incluem:

• Podemos testar novos projetos, layouts, etc. sem comprometer


recursos para sua implementação.
• Pode ser usado para explorar novas políticas de pessoal,
procedimentos operacionais, regras de decisão, estruturas
organizacionais, fluxos de informações, etc., sem interromper as
operações em andamento.
• A simulação nos permite identificar pontos de estrangulamento em
informações, materiais e fluxos de produtos e opções de teste para
aumentar as taxas de fluxo.
• Ele nos permite testar hipóteses sobre como ou por que certos
fenômenos ocorrem no sistema.
• A simulação nos permite controlar o tempo. Assim, podemos operar
o sistema por vários meses ou anos de experiência em questão de
segundos, permitindo-nos rapidamente olhar para os horizontes de
longo prazo ou podemos retardar os fenômenos para estudar.
• Ele nos permite obter informações sobre como um sistema
modelado realmente funciona e a compreensão de quais variáveis
são mais importantes para o desempenho.
• A grande força da simulação é a sua capacidade de nos permitir
experimentar situações novas e desconhecidas e responder as
questões de "e se".

2
Embora a simulação tenha muitos pontos fortes e vantagens, não é
sem inconvenientes. Entre estes são:

• A modelagem de simulação é uma arte que requer treinamento


especializado e, portanto, níveis de habilidade de praticantes variam
amplamente. A utilidade do estudo depende da qualidade do modelo
e da habilidade do modelador.
• Reunir dados de entrada altamente confiáveis pode demorar tempo
e os dados resultantes às vezes são altamente questionáveis. A
simulação não pode compensar dados inadequados ou decisões de
gestão precárias.
• Os modelos de simulação são modelos de entrada saída, ou seja,
eles produzem a saída provável de um sistema para uma
determinada entrada. Eles são, portanto, "executados" em vez de
resolvidos. Eles não produzem uma solução ótima, mas sim servem
como ferramenta para análise do comportamento de um sistema em
condições especificadas pelo experimentador.

3 A EQUIPE DE SIMULAÇÃO

Embora alguns pequenos estudos de simulação sejam conduzidos por um


analista individual, a maioria é conduzida por uma equipe. Isso se deve à
necessidade da variedade de habilidades necessárias para o estudo de
sistemas complexos. Em primeiro lugar, precisamos de pessoas que
conheçam e compreendam o sistema em estudo. Estes são, geralmente,
designers, sistemas, fabricantes ou engenheiros de processo. Mas também
podem ser os gerentes, líderes de projetos e/ou pessoal operacional que
usará os resultados. Em segundo lugar, teremos que ter pessoas que
sabem como formular e modelar o sistema, bem como programar o
modelo (especialistas em simulação). Esses membros também precisarão
de coleta de dados e habilidades estatísticas.

A primeira categoria de pessoal deve, necessariamente, ser interna, ou


seja, membros da organização para quem o estudo está sendo conduzido.
Se não temos pessoas na segunda categoria, temos várias opções.
Podemos: (a) contratar pessoas com as habilidades necessárias, (b)
contratar consultores de modelagem para fora, (c) formar algumas de
nossas próprias pessoas, ou (d) alguma combinação do acima. Se
escolhermos treinar algumas pessoas, é importante observar que a coleta
de dados e as habilidades estatísticas são provavelmente mais
importantes do que as habilidades de programação. Os novos pacotes de
simulação tornaram as habilidades informáticas necessárias menos
importantes do que eram.

3
É importante perceber que o conhecimento de um pacote de software de
simulação não faz de alguém um simulador mais do que saber FORTRAN
faz um matemático. Conforme mencionado anteriormente, a simulação é
uma arte e uma ciência. A programação e os componentes estatísticos são
a parte científica. Mas os componentes de análise e modelagem são a
arte. Por exemplo, questões como a quantidade de detalhes a incluir no
modelo ou como representar um determinado fenômeno ou quais
alternativas a avaliar são uma parte da arte.

Como se aprende uma arte? Suponha que você queira aprender a fazer o
retrato do óleo. Poderíamos ensinar-lhe a ciência da pintura a óleo, como a
perspectiva, sombreamento, mistura de cores etc. (programação de
computadores, estatísticas e pacotes de software). Mas você ainda não
poderia fazer retratos de petróleo dignos de crédito. Poderíamos levá-lo
aos museus e mostrar-lhe as pinturas dos Mestres e apontar as técnicas
utilizadas (estudando os modelos de outras pessoas). Mas você ainda teria
capacidade mínima para fazer retratos aceitáveis.

Se você quiser se tornar proficiente em uma arte, você deve pegar as


ferramentas (paleta, tela, tinta e escovas) e começar a pintar. Ao fazê-lo,
você começará a ver o que funciona e o que não funciona. O mesmo é
verdade na simulação. Você aprende a arte da simulação simulando. Ter
um mentor para ajudar a mostrar o caminho pode encurtar o tempo eo
esforço. É por isso que muitas empresas optam por começar a simular
usando uma combinação de consultores e estagiários internos.

4 UM CONCEITO DE SIMULAÇÃO

Embora existam vários tipos diferentes de metodologias de simulação,


limitaremos nossas preocupações a uma abordagem estocástica, discreta,
orientada a processos. Em tal abordagem, modelamos um sistema
específico, estudando o fluxo de entidades que se movem através desse
sistema. As entidades podem ser clientes, ordens de trabalho, peças
específicas, pacotes de informações, etc. Uma entidade pode ser qualquer
objeto que entra no sistema, se move através de uma série de processos
e, em seguida, sai do sistema. Essas entidades podem ter características
individuais que chamaremos de atributos. Um atributo está associado à
entidade específica e individual. Os atributos podem ser coisas como
nome, prioridade, data de vencimento, tempo de CPU requerido, doença,
número de conta, etc.

À medida que a entidade flui através do sistema, ela será processada por
uma série de recursos. Os recursos são tudo o que a entidade precisa para
serem processados. Por exemplo, os recursos podem ser trabalhadores,
4
equipamentos de manuseio de materiais, ferramentas especiais, cama
hospitalar, acesso à CPU, uma máquina, espera ou espaço de
armazenamento, etc. Os recursos podem ser consertados em um local
(por exemplo, uma máquina pesada, caixa de banco, Cama de hospital) ou
movendo-se sobre o sistema (por exemplo, uma empilhadeira, reparador,
médico).

Um modelo de simulação é, portanto, um programa de computador que


representa a lógica do sistema à medida que as entidades com atributos
chegam, juntam filas para aguardar a atribuição dos recursos necessários,
são processados pelos recursos, liberados e saem do sistema. Além da
lógica de como uma entidade flui através do sistema, o programa de
computador acompanha e avança o tempo, além de acompanhar a
utilização dos recursos, o tempo gasto nas filas, o tempo no sistema
(tempo de processamento) e outros desejados Estatísticas.

Muito do que acontece no sistema é de natureza probabilística ou


estocástica. Por exemplo, o tempo entre as chegadas, o tempo para um
recurso processar a entidade, o tempo para viajar de uma parte do
sistema para outra e se uma parte passa inspeção ou não, geralmente são
todas as variáveis aleatórias. São esses tipos de dados para a entrada do
modelo que são difíceis de obter.

5 O PROCESSO DE SIMULAÇÃO

A essência ou o propósito da modelagem de simulação é ajudar o decisor


final a resolver um problema. Portanto, para aprender a ser um bom
modelo de simulação, você deve combinar boas técnicas de resolução de
problemas com boas práticas de engenharia de software. Podemos
identificar as seguintes etapas, que devem estar presentes em qualquer
estudo de simulação:

40%
• Definição do problema. Definir claramente os objetivos do
estudo para que possamos conhecer o objetivo, ou seja, por
que estamos estudando esse problema e quais questões
esperamos responder?
• Planejamento de projetos. Certifique-se de que temos
pessoal suficiente e apropriado, suporte de gerenciamento,
hardware e recursos de software para fazer o trabalho.
• Definição do sistema. Determinar os limites e restrições a
serem usados na definição do sistema (ou processo) e
investigar como o sistema funciona.
• Formulação do modelo conceitual. Desenvolver um modelo

5
preliminar graficamente (por exemplo, diagrama de bloco
ou diagrama de fluxo do processo) ou em pseudocódigo
para definir os componentes, variáveis descritivas e
interações (lógica) que constituem o sistema.
• Projeto experimental preliminar. Selecionando as medidas
de eficácia a serem utilizadas, os fatores a serem variados e
os níveis desses fatores a serem investigados, ou seja, quais
dados precisam ser coletados do modelo, em que forma e
até que ponto.
• Preparação de dados de entrada. Identificar e coletar os
dados de entrada necessários ao modelo.

• Tradução do modelo. Formulando o modelo em uma


20%
linguagem de simulação apropriada.

• Verificação e Validação. Confirmando que o modelo funciona


da maneira pretendida pelo analista (depuração) e que a
saída do modelo é credível e representativa da saída do
sistema real.
• Projeto experimental final. Projetando um experimento que
produza a informação desejada e determinando como cada
uma das corridas de teste especificadas no projeto
experimental deve ser executada. 40%
• Experimentação. Executando a simulação para gerar os
dados desejados e para realizar a análise de sensibilidade.
• Análise e Interpretação. Desenho de inferências a partir dos
dados gerados pela simulação.
• Implementação e documentação. Relatando os resultados,
colocando os resultados para usar, registrando os achados e
documentando o modelo e seu uso.

É importante para o modelador inexperiente entender que, quanto mais


aguardar para começar o passo 7, mais rápido você completará o modelo
e o projeto - assumindo, é claro, que você passou esse tempo entendendo
o problema, projetando o modelo e projetando os experimentos para ser
executado em computador Os cientistas dedicaram um grande esforço à
Engenharia de Software e desenvolveram métodos de design e
gerenciamento destinados a produzir programas rápidos, minimizando os
erros. Uma das principais ideias que emergiram desse esforço é a validade
da "Regra 40-20-40". Esta regra afirma que 40 por cento do esforço e do
tempo em um projeto deve ser dedicado aos Passos 1 a 6, 20 por cento ao
passo 7 e os restantes 40 por cento para os passos 8 a 12 (Sheppard
1983, McKay Et.al. 1986).

6
6 DEFINIÇÃO DE PROBLEMAS E PLANEJAMENTO DE PROJETOS

A experiência indica que o início de um projeto de simulação


corretamente, pode fazer uma diferença crítica entre sucesso e falha.
Começamos nossa análise juntando informações sobre o problema.
Geralmente, o projeto começa com o patrocinador descrevendo a situação
para o analista em termos vagos e imprecisos, como "os custos são muito
altos" ou "muitos empregos estão atrasados". Devemos considerar a
descrição do problema do patrocinador como um conjunto de sintomas
que exigem diagnóstico. O fluxo usual de eventos será: diagnóstico de
sintomas; definição do problema; definição do sistema; formulação do
modelo. É importante lembrar que não modelamos um sistema apenas por
motivos de modelagem. Nós sempre modelamos para resolver um
problema específico.

Entre as questões a serem respondidas no início do estudo estão:

• Qual é o objetivo do estudo, e qual é a questão a ser respondida ou


a decisão a ser tomada?
• Que informação precisamos para tomar uma decisão?
• Quais são os critérios precisos que usaremos para tomar a decisão?
• Quem tomará a decisão?
• Quem será afetado pela decisão?
• Quanto tempo devemos fornecer uma resposta?
• Defina projetos alternativos para o sistema, que devem ser
considerados.
• Desenvolver fluxogramas para mostrar a lógica de roteamento para

Uma vez que temos essas respostas, podemos começar a planejar o


projeto em detalhes. Um aspecto importante da fase de planejamento é
garantir que certos fatores críticos tenham sido considerados. Entre estes
são:

• Temos suporte de gerenciamento e tem suporte para que o projeto


tenha sido divulgado a todas as partes interessadas?
• Temos um gerente de projeto competente e membros da equipe
com as habilidades e conhecimento necessários por tempo
suficiente para concluir o projeto com sucesso?
• Temos tempo suficiente, hardware e software disponíveis para fazer
o trabalho?
• Nós estabelecemos canais de comunicação adequados para que
haja informações suficientes sobre os objetivos do projeto, status,
mudanças nas necessidades do usuário ou do cliente etc. para
manter todos (membros da equipe, gerenciamento e clientes)
plenamente informados à medida que o projeto progride?

7
7 DEFINIÇÃO DO SISTEMA E FORMULAÇÃO DO MODELO
CONCEITUAL

A essência da arte da modelagem é a abstração e a simplificação.


Estamos tentando identificar esse pequeno subconjunto de características
ou características do sistema que é suficiente para atender aos objetivos
específicos do estudo. Queremos projetar um modelo do sistema real que
não simplifique demais o sistema até o ponto em que o modelo torna-se
trivial (ou pior enganador), nem traz tanto detalhe que torna-se
desajeitado e proibitivamente caro para construir e executar. A tendência
entre modeladores inexperientes é tentar incluir muitos detalhes.

Deve sempre desenhar o modelo em torno das questões a serem


respondidas ao invés de tentar imitar exatamente o sistema real. A Lei de
Parteto diz que em todos os grupos ou coleções de entidades, existe uma
quantidade vital e muito trivial. Na verdade, 80% do comportamento pode
ser explicado pela ação de 20% dos componentes. Nosso problema na
concepção do modelo de simulação é ter certeza de que identificamos
corretamente os componentes vitais e os incluímos em nosso modelo.

Ao definir o sistema, existem certas tarefas que devem ser feitas. Entre
estes são:

• Divida o sistema em subsistemas lógicos.


• Defina as entidades, que fluirão através do sistema.
• Para cada subsistema, defina as estações (locais onde algo é feito
para ou para as entidades).
• Defina os padrões básicos de fluxo de entidades através das
estações usando fluxogramas.
• Desenvolver fluxogramas para mostrar a lógica de roteamento para
caminhos flexíveis.

8 PROJETO EXPERIMENTAL PRELIMINAR E PREPARAÇÃO DE


DADOS

Definimos a simulação como experimentação através de um modelo para


obter informações sobre um processo ou sistema do mundo real. Em
seguida, segue-se que devemos nos preocupar com o planejamento
estratégico de como projetar um experimento ou experiências que
renderão a informação desejada ao menor custo.

O design dos experimentos entra em jogo em duas fases diferentes de um


estudo de simulação. Primeiro entra em jogo muito cedo no estudo, antes
da primeira linha de código ter sido escrita e antes da finalização do

8
design do modelo. O mais cedo possível, queremos selecionar a (s)
medida (s) de eficácia a ser utilizada no estudo, quais fatores vamos
variar, quantos níveis de cada um desses fatores investigaremos e o
número de amostras que precisaremos Para realizar todo o experimento.

Podemos calcular antecipadamente os tamanhos de amostra necessários


(Shannon, 1975). Se o número é grande, sabemos que o modelo deve ser
executado muito rápido e permitir que isso influencie o design do modelo
(ou seja, quanto detalha incluir). Tendo esta ideia bastante detalhada do
plano experimental cedo, permite que o modelo seja melhor planejado
para fornecer uma geração eficiente dos dados desejados.

Precisamos de dados para conduzir o nosso modelo de simulação. Todo


estudo de simulação envolve a coleta e análise de dados de entrada. Os
sistemas estocásticos contêm inúmeras fontes de aleatoriedade. Por
conseguinte, o analista deve estar preocupado com os dados a utilizar
para a entrada do modelo para coisas como a taxa de inter-chegada das
entidades ao sistema, os tempos de processamento necessários em várias
estações, o tempo entre as falhas do equipamento, as taxas de rejeição,
os tempos de viagem entre Estações etc.

A obtenção de bons dados para conduzir um modelo é tão importante


quanto a lógica e estrutura do modelo de som. O cliché antigo "lixo em-
lixo fora" aplica-se aos modelos de simulação, bem como a qualquer outro
programa de computador. A coleta de dados geralmente é interpretada
como significando a coleta de números, mas reunir números é apenas um
aspecto do problema. O analista também deve decidir quais dados são
necessários, quais dados estão disponíveis e se é pertinente, se os dados
existentes são válidos para o propósito necessário e como reunir os dados.
Nos estudos de simulação do mundo real (em oposição aos exercícios de
sala de aula), a coleta e avaliação de dados de entrada é muito demorada
e difícil. Até um terço do tempo total utilizado no estudo é muitas vezes
consumido por esta tarefa.

Dependendo da situação, existem várias fontes potenciais de dados. Esses


incluem:

• Recordes históricos
• Dados de observação
• Sistemas similares
• Estimativas do operador
• Reclamações do fornecedor
• Designer estima
• Considerações teóricas

9
Cada uma dessas fontes tem problemas potenciais (Brately et al 1983,
Pegden et al 1995). Mesmo quando temos dados copiosos, pode não ser
relevante. Por exemplo, podemos ter dados de vendas quando precisamos
de dados da demanda (as vendas não mostram demanda insatisfeita). Em
outros casos, podemos ter apenas estatísticas de resumo (mensalmente
quando precisamos diariamente).

Quando os dados históricos não existem (seja porque o sistema não foi
construído ou não é possível reuni-lo), o problema é ainda mais difícil.
Nesses casos, devemos estimar a distribuição de probabilidade e os
parâmetros com base em considerações teóricas. Para orientação veja
Law e Kelton (1991) e / ou Pegden et al. (1995).

9 MODELO DE TRADUÇÃO E SIMULAÇÃO LÍNGUAS

Estamos finalmente prontos para descrever ou programar o modelo em


um idioma aceitável para o computador a ser usado. Bem, mais de uma
centena de linguagens de simulação diferentes estão comercialmente
disponíveis. Além disso, existem literalmente centenas de outras linguas
desenvolvidas localmente em uso em empresas e universidades. Temos
três opções genéricas, a saber:

• Construa o modelo em uma linguagem de uso geral.


• Construa o modelo em uma linguagem de simulação de propósito
geral.
• Use pacotes de simulação de propósito especial.

Embora linguagens de programação de propósito geral como FORTRAN,


C++, Visual Basic ou Pascal possam ser usadas, elas raramente são mais.
O uso de um dos pacotes de simulação de propósito geral ou especial tem
vantagens distintas em termos de facilidade, eficiência e eficácia de uso.
Algumas das vantagens de usar um pacote de simulação são:

• Redução da tarefa de programação.


• Prestação de orientação conceitual.
• Maior flexibilidade ao mudar o modelo.
• Menos erros de programação.
• Reunião automatizada de estatísticas.

O objetivo de qualquer pacote de simulação é fechar a lacuna entre a


conceituação do usuário do modelo e um formulário executável. Os
pacotes de simulação dividem-se mais ou menos em duas categorias, a
saber: (a) linguagens de simulação de propósito geral e (b) simuladores de
propósito especial. Na primeira categoria estão aqueles que podem

10
resolver quase qualquer problema discreto de simulação. Entre estes,
existem sistemas como ARENA®, AweSim®, GPSS / H ™, Simscript II.5®,
Extend ™ etc.

Alguns sistemas são utilizados para a simulação de problemas de


fabricação e manuseio de materiais. Pacotes como SimFactory,
ProModel®, AutoMod ™, Taylor II® e Witness® se enquadram nesta
categoria. Outros são projetados para realizar estudos de Reengenharia de
Processos de Negócios. Estes incluem BPSimulator ™, ProcessModel ™,
SIMPROCESS® e Extend + BPR. Outros ainda são para entrega de
cuidados de saúde (MedModel®), ou redes de comunicação (COMNET II.5).

Uma vez que existem inúmeros tutoriais de software, bem como


demonstrações na conferência, não vamos prosseguir mais discussões
sobre este assunto.

10 VERIFICAÇÃO E VALIDAÇÃO

O fato de um modelo compilar, executar e produzir números não garante


que seja correto ou que os números que estão sendo gerados são
representativos do sistema que está sendo modelado. Após o
desenvolvimento do modelo estar funcionalmente completo, devemos
perguntar: "Isso funciona corretamente?" Há duas questões para essa
questão. Primeiro, ele opera da maneira que o analista pretendia? Em
segundo lugar, comporta-se a maneira como o sistema real ou o que o
faz? Encontramos as respostas a estas questões através da verificação do
modelo e da validação do modelo. A verificação procura mostrar que o
programa de computador funciona como esperado e pretendido. A
validação, por outro lado, questiona se o comportamento do modelo
representa validamente o do sistema do mundo real que está sendo
simulado.

A verificação é uma depuração vigorosa com o objetivo de mostrar que as


partes do modelo funcionam de forma independente e juntas usando os
dados corretos no momento certo. Mesmo que o analista pense que ele ou
ela sabe o que o modelo faz e como ele faz, qualquer pessoa que tenha
feito alguma programação sabe como é fácil fazer erros. Ao longo do
processo de verificação, tentamos encontrar e remover erros não
intencionais na lógica do modelo.

A validação, por outro lado, é o processo de alcançar um nível aceitável de


confiança que as inferências são corretas e aplicáveis ao sistema do
mundo real representado. Estamos basicamente tentando responder as
perguntas:
11
• O modelo representa adequadamente o sistema do mundo real.
• O modelo gerou dados comportamentais característicos dos dados
comportamentais do sistema do mundo real?
• O usuário do modelo de simulação tem confiança nos resultados do
modelo?

Através da validação, tentamos determinar se as simplificações e


omissões de detalhes que fizemos conscientemente e deliberadamente
em nosso modelo, introduziram erros inaceitavelmente grandes nos
resultados.

A validação é o processo de determinar que construímos o modelo certo,


enquanto que a verificação foi projetada para ver se nós construímos o
modelo direito. A verificação e a validação do modelo são muitas vezes
difíceis e demoradas, mas são extremamente importantes para o sucesso.
Se o modelo e os resultados não forem aceitos pelo (s) decisor (es), o
esforço foi desperdiçado. É absolutamente obrigatório que possamos
transferir nossa confiança no modelo para as pessoas que devem usar os
resultados. Várias referências excelentes são Pegden et al. (1995),
Shannon (1981), Balci (1995) e Sargent (1996).

11 PROJETO EXPERIMENTAL FINAL

Agora que desenvolvemos o modelo, verificamos a sua correção e


validamos sua adequação, novamente precisamos considerar os planos
estratégicos e táticos finais para a execução do (s) experimento (s).
Devemos atualizar as restrições do projeto no horário (cronograma) e os
custos para refletir as condições atuais. Embora tenhamos exercitado um
planejamento cuidadoso e controle de orçamento desde o início do
projeto, devemos agora ter um olhar rígido e realista sobre os recursos e a
melhor maneira de usá-los. Também teremos aprendido mais sobre o
sistema no processo de elaboração, construção, verificação e validação do
modelo que queremos incorporar nos planos finais.

O projeto de uma experiência de simulação por computador é


essencialmente um plano para a compra de uma quantidade de
informações que custa mais ou menos dependendo de como foi adquirida.
O design afeta profundamente o uso efetivo de recursos experimentais
porque:

• O desenho das experiências determina em grande parte a forma de


análise estatística que pode ser aplicada aos dados.
• O sucesso dos experimentos em responder às perguntas desejadas é
em grande parte função da escolha do design certo.

12
Os experimentos de simulação são caros tanto em termos de tempo e
trabalho do analista quanto em alguns casos, em termos de tempo de
computador. Devemos, portanto, cuidadosamente planejar e projetar não
apenas o modelo, mas também seu uso (Cook 1992, Hood e Welch 1992,
Nelson 1992, Swain e Farrington 1994, Kelton 1995, Montgomery, 1997).

12 EXPERIMENTAÇÃO E ANÁLISE

Em seguida, chegamos ao funcionamento real dos experimentos e à


análise dos resultados. Agora, temos que lidar com questões como, por
exemplo, quanto tempo para executar o modelo (ou seja, o tamanho da
amostra), o que fazer sobre as condições de partida, se os dados de saída
estão correlacionados e quais os testes estatísticos válidos nos dados.
Antes de abordar essas preocupações, primeiro devemos verificar se o
sistema real está terminando ou não terminando porque essa
característica determina os métodos de execução e análise a serem
usados.

Em um sistema de encerramento, a simulação termina quando ocorre um


evento crítico. Por exemplo, um banco abre na manhã vazio e ocioso. No
final do dia, está novamente vazio e ocioso. Outro exemplo seria um duelo
onde um ou ambos os participantes são mortos ou as armas estão vazias.
Em outras palavras, um sistema é considerado como encerrando se os
eventos que conduzem o sistema naturalmente cessam em algum
momento. Em um sistema que não termina, nenhum evento crítico ocorre
e o sistema continua indefinidamente (por exemplo, uma central
telefônica ou um hospital).

Uma segunda característica do sistema de interesse é se o sistema é


estacionário ou não estacionário. Um sistema é estacionário se a
distribuição da sua variável de resposta (e, portanto, sua média e
variância) não muda ao longo do tempo.

Com esses sistemas, geralmente estamos preocupados em encontrar as


condições de estado estacionário, isto é, o valor que é o limite da variável
de resposta se o comprimento da simulação for infinito sem término.

Se o sistema está terminando ou não terminando, devemos decidir por


quanto tempo executar o modelo de simulação, isto é, devemos
determinar o tamanho da amostra (Shannon, 1975). Mas primeiro
devemos definir com precisão o que constitui uma única amostra. Existem
várias possibilidades:

13
• Cada transação considerou uma amostra separada. Por exemplo,
tempo de turno para cada trabalho ou tempo total no sistema para
cada cliente.
• Uma corrida completa do modelo. Isso pode implicar considerar o
valor médio ou médio da variável de resposta para toda a corrida
como sendo um ponto de referência. Várias execuções são referidas
como replicação.
• Um período de tempo fixo em termos de tempo simulado. Assim,
uma simulação pode ser executada por n períodos de tempo, onde
um período de tempo é uma hora ou um dia ou um mês.
• Transações agregadas em grupos de tamanho fixo. Por exemplo,
podemos levar o tempo no sistema para cada 25 trabalhos que
fluem e, em seguida, usar o tempo médio do grupo como um único
ponto de referência. Isso geralmente é referido como lote.

Se o sistema é um sistema de estado estacionário sem terminação,


devemos nos preocupar com as condições iniciais, ou seja, o estado do
sistema quando começamos a coletar estatísticas ou dados. Se tivermos
um sistema vazio e ocioso, isto é, nenhum cliente presente, talvez não
possamos condições típicas de estado estacionário. Portanto, devemos
esperar até que o sistema atinja o estado estacionário antes de começar a
coletar dados (período de aquecimento), ou devemos começar com
condições de partida mais realistas. Ambas as abordagens requer que
possamos identificar quando o sistema atingiu o estado estacionário (um
problema difícil).

Finalmente, a maioria dos testes estatísticos exige que os pontos de dados


na amostra sejam independentes, isto é, não estão correlacionados. Uma
vez que muitos dos sistemas que modelamos são redes de enfileiramento,
eles não atendem a esta condição porque são auto-correlacionados.
Portanto, muitas vezes devemos fazer algo para garantir que os pontos de
dados sejam independentes antes que possamos prosseguir com a análise
(Law and Kelton 1991, Banks et al 1995, Kelton, 1996).

13 13 IMPLEMENTAÇÃO E DOCUMENTAÇÃO

Neste ponto, concluímos todas as etapas para a concepção, programação


e execução do modelo, bem como a análise dos resultados. Os dois
elementos finais que devem ser incluídos em qualquer estudo de
simulação são a implementação e a documentação. Nenhum estudo de
simulação pode ser considerado concluído com sucesso até que os
resultados tenham sido entendidos, aceitos e usados.

É surpreendente a frequência com que os modeladores passarão muito


tempo tentando encontrar as maneiras mais elegantes e eficientes de
14
modelar um sistema e, em seguida, juntar um relatório para o
patrocinador ou usuário no último minuto. Se os resultados não forem
utilizados, o projeto foi uma falha. Se os resultados não forem
apresentados de forma clara, concisa e convincente, eles não serão
usados. A apresentação dos resultados do estudo é uma parte crítica e
importante do estudo e deve ser tão cuidadosamente planejada como
qualquer outra parte do projeto (Sadowski, 1993).

Entre as questões a abordar na documentação do modelo e estudo estão:

• Escolhendo um vocabulário apropriado (sem jargão técnico).


• Comprimento e formato dos relatórios escritos e verbais (curto e
conciso).
• Pontualidade
• Deve abordar as questões que o patrocinador ou o usuário
consideram importantes.

14 CAMINHOS PARA FALHAR

Nem todos os estudos de simulação são sucessos não qualificados. Na


verdade, infelizmente, muitos falham em entregar como prometido.
Quando olhamos para os motivos pelos quais os projetos falham, achamos
que geralmente é rastreável pelas mesmas razões uma e outra vez. A
maioria das falhas ocorre em projetos iniciais, ou seja, o primeiro ou
segundo projeto realizado por uma organização. Muitos modeladores
inexperientes mordem mais do que podem mastigar. Isso não é
surpreendente, pois na maioria dos casos eles aprenderam a ciência, mas
não a arte da simulação. É por isso que é aconselhável começar com
pequenos projetos que não são de importância crítica para a organização
pai.

Quase todas as outras falhas podem ser atribuídas a uma das seguintes
opções:

• Falha na definição de um objetivo claro e realizável.


• Planejamento inadequado e subestimar os recursos necessários.
• Participação inadequada dos usuários.
• Escrever código muito cedo antes de o sistema ser realmente
compreendido.
• Nível inapropriado de detalhes incluídos (geralmente demais).
• Mistura incorreta de habilidades de equipe (veja a seção 3 acima).
• Falta de confiança, confiança e apoio pela administração.

15 CAMINHOS PARA O SUCESSO

15
Assim como podemos aprender do estudo de projetos que falham,
também podemos aprender com aqueles que conseguem (Musselman
1994, Robinson e Bhatia, 1995). Obviamente, a primeira coisa que
queremos fazer é evitar os erros daqueles que falham. Assim, queremos:

• Tem metas claramente definidas e realizáveis.


• Certifique-se de que temos recursos adequados disponíveis para
concluir o projeto com sucesso.
• Tenha suporte de gerenciamento e conheça aqueles que devem
cooperar conosco no fornecimento de informações e dados.
• Assegure-se de ter todas as habilidades necessárias para a duração
do projeto.
• Certifique-se de que existem canais de comunicação adequados
para o patrocinador e os usuários finais.
• Tenha uma compreensão clara com o patrocinador e os usuários
finais quanto ao escopo e objetivos do projeto, bem como horários.
• Tenha uma boa documentação de todos os esforços de planejamento
e modelagem.

16 SUMMING UP

Simulação é uma ferramenta segura de tomada de decisão para gerentes.


Isso nos permite minimizar os riscos ao nos permitir descobrir as decisões
certas antes de fazermos as erradas.

16

Você também pode gostar