Você está na página 1de 44

Simulao de Sistemas

Parte 1

Introduo Simulao
Parte 2

INPUT/OUTPUT : Entrada e Sada de Simulao


Material preparado por Miguel Antonio Bueno da Costa (Mian), para dar suporte disciplina de graduao Simulao Aplicada Engenharia de Produo, do Departamento de Engenharia de Produo, da Universidade Federal de So Carlos. So Carlos,incio da primavera de 2002

Grupo SimuCAD ! www.simucad.dep.ufscar.br

1. Introduo Simulao
" Simulao [ETIM lat. Simulatio,onis] S.f. ao ou efeito de simular... 3 imitao do funcionamento de um processo por meio do funcionamento de outro 4 teste, experincia ou ensaio em que se empregam modelos para simular o ser humano, em especial em casos de grande perigo de vida... " s.analgica teste ou experincia em que os modelos empregados tm comportamento anlogo ao da realidade " s. digital experincia ou ensaio constitudo por uma srie de clculos numricos e decises de escolha limitada, executados de acordo com um conjunto de normas preestabelecidas e apropriadas utilizao de computadores ... [Dicionrio HOUAISS da lngua portuguesa, 1a. Edio, pg. 2575, Editora Objetiva, 2001]

Simulao de Sistemas uma tcnica tradicional da Pesquisa Operacional. uma das ferramentas mais importantes e teis para analisar o projeto e a operao de sistemas complexos. Normalmente, a simulao de sistemas utilizada quando no possvel fazer experimentaes no sistema real (devido, por exemplo, ao longo tempo necessrio para realizar o experimento, ou ao alto custo do experimento ou, ainda, dificuldade de tratar fisicamente o experimento). A simulao utilizada, tambm, quando no possvel desenvolver um modelo que solucione o problema atravs de tcnicas da Pesquisa Operacional que otimizam a soluo, como a Programao Linear e a Programao Dinmica, dentre outras. Neste sentido existe uma forte afirmao de M.Fox [1990] que diz : "Se existe um algoritmo que otimiza a soluo, utilize-o". Por outro lado, segundo G.Gordon [1978], a quantidade de problemas que podem ser resolvidos matematicamente limitada. As tcnicas matemticas requerem que o problema possa ser expresso num modelo matemtico, de formato particular. Ao se estudar um problema essencial considerar os mtodos analticos primeiro, e verificar se o grau de abstrao, necessrio para obter uma soluo analtica , no muito severo. Quando no for possvel gerar solues para um sistema por meios analticos, necessrio utilizar mtodos de computao numrica, por exemplo a simulao. R.Shannon [1975] comenta que, ao contrrio de muitas tecnologias que so classificadas de acordo com a disciplina na qual ela se origina (fsica ou qumica por exemplo), a simulao pode ser aplicada a todas as disciplinas. Incontveis trabalhos, relatrios, teses de mestrado e doutorado, revistas e livros mostram vrios campos de aplicao para a Simulao, como negcios, economia, marketing, educao, poltica, cincias sociais, cincia comportamental, relaes internacionais, transportes, estudos urbanos, e muitos sistemas produtivos dos mais diferentes setores da economia. Segundo T.Naylor [1971] o uso moderno do verbo simular tem origem no trabalho de Von Newman & Ulam que, em 1940, associaram a expresso Anlise de Monte Carlo a uma tcnica matemtica que foi utilizada para solucionar certos problemas de

blindagem em reatores nucleares. O tratamento experimental desses problemas seria muito caro e uma abordagem analtica seria muito complicada. A anlise ou mtodo de Monte Carlo consiste na amostragem experimental com nmeros randmicos. A simulao e o mtodo de Monte Carlo se confundem. Ambos so tcnicas de computao numrica. Porm, segundo G.Gordon [1978], a simulao aplicada em modelos dinmicos, enquanto a anlise de Monte Carlo aplicada a modelos estticos. Em sntese, os modelos de simulao so valiosos e necessrios, uma vez que frmulas fechadas e equaes analticas raramente conseguem descrever, de forma adequada, sistemas reais complexos [Widman,1990]. Uma grande vantagem da Simulao permitir estudos de sistemas reais sem modific-los, com velocidade e baixo custo. Alternativas de mudanas para o sistema podem ser tentadas e estudadas de forma sistemtica sem interferir no sistema real [Baker,1982]. A rpida evoluo do software e do hardware nos ltimos tempos tem facilitado muito o desenvolvimento de simuladores. Esses simuladores podem ser de grande valia quando decises precisam ser tomadas num sistema que no completamente conhecido devido s diversas interaes existentes no mesmo.

1.1 Definies para Simulao de Sistemas


Existe um grande nmero de definies para simulao. A seguir so apresentadas algumas delas, provenientes de livros clssicos sobre o assunto, e uma definio particular nossa. So feitas, tambm, algumas colocaes relevantes na busca de elucidar o que vem a ser simulao de sistemas. R.Shannon : "Simulao o processo de desenvolvimento de um modelo de um sistema real, e a conduo de experimentos nesse modelo, com o propsito de entender o comportamento do sistema e/ou avaliar vrias estratgias (com os limites impostos por um critrio ou conjunto de critrios) para a operao do sistema". [Shannon,1975] T.Naylor : "Simulao uma tcnica numrica para realizar experincias em um computador digital, envolvendo certos tipos de modelos lgicos que descrevem o comportamento de um sistema econmico ou de negcios (ou um aspecto parcial de um deles) sobre extensos intervalos de tempo". [Naylor,1971] G.Gordon : "Simulao de sistemas a tcnica de solucionar problemas observando o desempenho no tempo de um modelo dinmico do sistema". [Gordon,1978] A definio de T.Naylor especifica experimentaes em computadores, enquanto que, tanto a definio dada por R.Shannon quanto a fornecida por G.Gordon so

amplas o suficiente para englobarem os modelos fsicos dinmicos. Nesses modelos os resultados so derivados de medidas fsicas, em vez de computaes numricas. Porm, segundo G.Gordon [1978], normalmente as pessoas referem-se simulao em termos de modelos matemticos e computaes numricas. Na nossa opinio simulao de sistemas " o processo de construo de um modelo representativo de um sistema real, e a experimentao no mesmo. Os resultados das experimentaes, aps anlises, apresentam uma viso futura do sistema. As informaes geradas auxiliam nas tomadas de deciso, necessrias no momento presente, e contribuem para uma melhor compreenso do sistema estudado". Alm de auxiliar na tomada de deciso, importante enfatizar a contribuio da simulao para a compreenso do sistema estudado pois, como afirma D.Knuth [1969], "...freqentemente nos enganamos, pensando saber mais do que realmente sabemos sobre uma coisa, at que tentamos simul-la num computador". Atravs da simulao o usurio pode comparar seus resultados com os do sistema e validar seus prprios processos de raciocnio. A simulao de sistemas , portanto, uma metodologia experimental que busca descrever o comportamento de um sistema. Esta metodologia constri formas de quantificar o comportamento observado, prevendo o comportamento futuro. A proposta da simulao produzir dados (e ela uma grande geradora de nmeros) que, quando analisados, identificaro importantes aspectos do sistema estudado, auxiliando na explicao, compreenso e melhoria do mesmo. Segundo G.Doukidis [1987] a funo primria de um modelo de simulao examinar como o sistema se comporta durante um perodo de tempo. Para atingir este objetivo, o modelo deve providenciar facilidades, para representar o estado atual do sistema, e vrias pr-condies que, se satisfeitas, iro resultar num estado futuro. Outra colocao bastante construtiva para se compreender melhor o que simulao de sistemas dada por M.Shubik [1960] que diz : "Simulao de um sistema ou de um organismo a operao de um modelo (ou simulador) que representa esse sistema ou organismo. O modelo passvel de manipulaes que seriam difceis de levar a cabo na entidade que ele representa, quer pelo custo, quer pela impossibilidade de faz-las. As propriedades concernentes ao comportamento de um sistema podem ser inferidas estudando-se a operao do modelo".

1.2 O Processo de Simulao


Entende-se por processo de simulao o desenvolvimento de um modelo de simulao, a experimentao do mesmo e a implementao dos resultados.

R.Shannon [1975] coloca que o desenvolvimento de um processo de simulao mais uma extenso das artes do que das cincias. Esta caracterstica talvez explique a dificuldade de se apresentar um mecanismo sistemtico para que um usurio interessado possa desenvolver simulaes. Apesar das dificuldades, pode-se estabelecer os elementos que participam de um modelo de simulao e alguns passos que, se seguidos, podem ajudar um modelista, mesmo novato, a ter um bom desempenho no desenvolvimento de simulaes. Todo modelo de Simulao possui, de forma combinada ou isolada, os seguintes elementos [Shannon,1975] : Componentes : so as partes (ou subsistemas) integrantes do sistema. Entende-se por sistema, um conjunto de objetos, que interagem entre si, para atingir um objetivo comum. Parmetros e Variveis : so elementos do sistema que recebem valores. Os parmetros podem receber valores arbitrrios, enquanto que as variveis recebem valores associados funo a qual elas esto atreladas. Existem dois tipos de variveis : Endgenas (Dependentes) e Exgenas (Independentes). Variveis endgenas so aquelas produzidas dentro do sistema ou resultantes de causas internas. So tambm chamadas variveis de estado (pois mostram o estado do sistema) ou variveis de sada (pois so responsveis por gerar e apresentar os resultados oriundos do sistema). Variveis exgenas, tambm chamadas variveis de entrada, so originrias de (ou produzidas por) causas externas. Relaes Funcionais : so normalmente apresentadas na forma de equaes matemticas , que relacionam as variveis endgenas com as exgenas. Essas relaes podem ser de ordem determinstica (onde para uma dada entrada existe uma nica sada) ou estocstica (onde para uma dada entrada existe(m) incerteza(s) associada(s) sada). Restries : so limitaes, impostas pelo modelista ou pela natureza do problema, que restringem os valores das variveis. Objetivos : o estabelecimento das metas do sistema e como elas podem ser avaliadas. A manipulao do modelo orientada de forma a satisfazer esses objetivos.

1.2.1 Terminologia da Simulao


A terminologia utilizada na simulao no nica, mas h uma certa tendncia geral em aceitar a que apresentada a seguir. a) Modelo : a representao de um sistema. Existem vrias formas de se classificar modelos. M.A.B.Costa [2001] apresenta uma explanao sinttica

sobre modelos, reproduzida a seguir. Os modelos so tipificados como icnicos (representao fiel do sistema, geralmente em escala diferente da real), analgicos (as propriedades do sistema so representadas por outras equivalentes) e simblicos (as propriedades do sistema so representadas por smbolos). Outro tipo de classificao separa os modelos em estticos e dinmicos. Os modelos estticos no consideram explicitamente a varivel tempo, possuem relaes determinsticas e so, normalmente, tratados por tcnicas analticas. Os modelos dinmicos tratam com interaes variveis no tempo (o estudo do sistema em um certo instante interfere no estado do sistema no instante seguinte). Tambm existe uma caracterizao importante para os modelos, que diz respeito s situaes discreta e contnua. Um modelo discreto sofre alteraes repentinas no tempo. As mudanas no estado do sistema so expressas em termos do estado do sistema no incio do perodo. As mudanas durante um intervalo de tempo so calculadas e deduzido um novo estado do sistema para o final deste perodo e incio do seguinte. Um modelo contnuo sofre constantes e suaves alteraes no tempo. Uma situao bastante comum tratar um sistema contnuo como sendo uma seqncia de pequenas alteraes discretas no tempo. Por fim, tambm so diferenciados os modelos determinsticos dos estocsticos. Os modelos determinsticos no tratam variveis randmicas e as caractersticas operacionais envolvem relaes exatas. Quando pelo menos uma varivel do sistema se comporta de forma probabilstica, diz-se tratar de um modelo estocstico. b) Entidade : tambm chamada de transao, um elemento essencial para o modelo. Cada tipo de entidade (pessoa ou objeto) possui um ciclo de vida, onde estados ativos e passivos se alternam. Uma entidade pode ser classificada como temporria ou permanente. As entidades temporrias entram no sistema, percorrem o seu ciclo de vida e abandonam o sistema. As entidades permanentes executam a sua funo sem abandonar o sistema. A chegada de entidades ao sistema gerada por um procedimento externo, ou de acordo com a necessidade imposta pelo estado do sistema. Na viso da simulao discreta convencional, as entidades temporrias so criadas primeiro. Elas engajam atividades e requisitam recursos. Uma vez terminada a atividade, a entidade removida. Trata-se de uma transao passiva, onde nenhum mecanismo considerado inteligente assumido ou modelado. c) Atributo : so as propriedades caractersticas de cada entidade. d) Atividade: uma seqncia de procedimentos que causa mudana no sistema. A atividade corresponde a um estado ativo, comum a uma ou mais entidades (ou classe de entidades). A durao de uma atividade pode ser determinstica ou estocstica. Assume-se que uma atividade indivisvel. Uma vez iniciada, ela no mais interrompida. Segundo R.Reddy [1986] , as atividades podem ser fsicas ou cognitivas. As atividades fsicas so as formas convencionais de atividades, em torno das quais a simulao tem sido

desenvolvida. As atividades cognitivas so formas de tomada de deciso racional e inteligente. Da mesma forma que as atividades fsicas, as atividades cognitivas possuem tempo finito de durao, que pode ser randmico ou dependente das informaes e/ou decises do sistema. e) Evento : as atividades so iniciadas e terminadas por eventos. Eventos so instantes no tempo, enquanto atividades possuem duraes no tempo. Evento o ponto no tempo no qual acontece alguma mudana no sistema modelado. O processamento de um evento realizado por uma rotina. Normalmente a ocorrncia de um evento dispara a ocorrncia de outro(s) evento(s). Da mesma forma que as atividades, os eventos podem ser fsicos ou cognitivos. As rotinas associadas aos eventos fsicos so anlogas s rotinas dos eventos tradicionais da simulao discreta. Os eventos cognitivos envolvem processamento de conhecimento, anlogo ao procedimento cognitivo desempenhado pelo tomador de deciso. Rotinas de eventos cognitivos iro conter conhecimentos, representados por regras de produo e heursticas, que sero processados quando uma deciso precisar ser tomada [Reddy,1986]. f) Acumuladores: so variveis que permitem medir o desempenho do sistema. Possuem esse nome porque vo acumulando valores no tempo, para depois receberem tratamento de anlise e gerar as estatsticas da simulao. g) Relgio : varivel que marca o tempo da Simulao. h) Lista de Eventos Futuros: estrutura de dados que armazena os eventos previstos para ocorrer no futuro. Esses eventos so armazenados por ordem cronolgica de ocorrncia. i) Cenrio: uma experimentao estruturada, com um conjunto de configuraes de dados e de entidades do sistema. Pode-se construir vrios cenrios para testar vrias hipteses (Torres, 2002). j) Replicao: a execuo do modelo no computador. k) Rodada: o perodo compreendido entre o incio e o fim da replicao. l) Variveis de Estado: o conjunto de variveis que identificam o estado do sistema em um determinado instante de tempo. m) Recurso: uma entidade esttica do modelo que serve entidades dinmicas. Esse atendimento pode ser feito simultaneamente a vrias entidades. Uma entidade pode solicitar parte da capacidade ou a capacidade total do recurso (Torres, 2002). n) Filas: constituem locais de espera onde as entidades dinmicas esperam sua vez de seguir atravs do sistema. As filas podem ser chamadas de reas de

espera ou pulmes (buffers). Depois de dar entrada na fila a entidade retirada seguindo algum tipo de critrio, por exemplo, FIFO (First In First Out), LIFO (Last In Last Out), HVF (High Value First), LVF (Lower Value First) ou um critrio aleatrio (Torres,2002).

1.2.2 Uma Metodologia para Desenvolver Simulaes


Em linhas gerais a metodologia de trabalho adotada pela simulao de sistemas no difere da metodologia apresentada pela pesquisa operacional. Mesmo porque a simulao uma tcnica da pesquisa operacional que, junto com a programao linear, ocupa um lugar de destaque em termos de utilizao prtica, se comparada s demais tcnicas. A figura 1 apresenta uma forma de visualizar as diversas etapas de um processo de simulao e suas interaes.

Figura 1: Etapas do Processo de Simulao (figura adaptada da referncia Law & Kelton, 1991) A seguir so comentadas as etapas do processo tradicional da simulao de sistemas.

1.2.2.1 Definio do Problema e Plano de Estudo No possvel solucionar um problema sem conhec-lo a fundo. Como primeiro passo preciso definir claramente os objetivos relacionados ao problema a ser resolvido. No raro acontecer do pesquisador resolver "corretamente o problema errado". R.Shannon [1975] faz uma afirmao que, sem dvida, se encaixa perfeitamente nos dias de hoje. Ele diz: "...milhes de dlares so gastos anualmente trazendo respostas sofisticadas e elegantes para questes erradas". A formulao de um problema um processo contnuo atravs do estudo do mesmo. Novas informaes surgem e trazem novas restries, alteram objetivos e fornecem novas alternativas de investigao. Essas informaes devem ser utilizadas para atualizar continuamente a formulao e definio do problema. A formulao do problema uma etapa vital para todo o processo de simulao. Deve ser feita com muito cuidado e competncia. Nessa fase cada informao relevante deve ser analisada a fim de definir o problema no nvel de objetivos, restries e complexidade. importante lembrar que o mundo muito complexo. As situaes-problema contm, normalmente, um grande nmero de variveis, parmetros, relacionamentos, restries e metas. Entretanto, se somente alguns aspectos so de interesse do estudo, muitas caractersticas do sistema real podem ser ignoradas. Trata-se, portanto, de abstrair da situao real os aspectos relevantes, formando uma verso idealizada do evento real. Deve-se pensar o projeto de simulao como o desenvolvimento de um grande modelo simples. Conforme as metas estabelecidas vo sendo atingidas, novos problemas vo sendo identificados, obtendo-se um maior realismo. Isso levar revises do modelo e, conseqentemente, obteno de melhores solues. Trata-se portanto de um enriquecimento contnuo do modelo. O problema formulado depender da tcnica e experincia do modelista em obter informaes e do seu relacionamento junto ao usurio. Este relacionamento ditar a velocidade com que o modelo atingir o ponto desejado de realismo. O modelista deve conhecer formas de extrair, do usurio, informaes suficientes e consistentes a respeito do problema tratado. Existem metodologias especficas para auxiliar nesta etapa, que podem ser encontradas em publicaes ligadas s reas de anlise de sistemas , de gerenciamento de projetos, e de aquisio de conhecimento (Inteligncia Artificial). Em termos prticos, W.D.Kelton e outros (1998) colocam algumas questes que deveriam ser feitas e respondidas para facilitar a identificao dos objetivos da simulao, descrever o sistema de estudo, estabelecer o grau e necessidade de animao, definir as entradas e sadas do modelo e estabelecer os elementos de gesto do projeto de simulao. As questes so as seguintes:

O que deve conter o modelo de simulao? Qual o nvel de detalhes necessrio? Quais os recursos primrios do sistema? Quais as atividades e processos associados ao sistema? Existem diagramas de fluxo e de processo disponveis? Eles esto atualizados? Esses diagramas so seguidos ou so somente prescries? Sob quais condies eles no so seguidos? Existem restries fsicas, tecnolgicas ou legais na operao do sistema? Essas restries podem ser alteradas? Os procedimentos do sistema esto bem definidos? Como so tomadas as decises? Existem dados disponveis? Quem vai cuidar da coleta de dados? Quem vai cuidar do projeto de levantamento de dados, caso no existam dados disponveis? Qual tipo de animao necessrio? Quem vai verificar e validar o modelo, e como o far? Quais as sadas necessrias? Quo geral ou especfico deve ser o modelo? Quem vai fazer as anlises de resultados? Quantos e quais cenrios devem ser considerados? Quais os pontos de controle do projeto (milestones)?

W.D.Kelton e outros (1998) comentam que esta lista no exaustiva mas pode oferecer uma idia geral do nvel de detalhes necessrios.

1.2.2.2

Coleta de Dados e Representao do Problema

Aps estabelecer a situao a ser tratada, deve-se passar para a fase de representao da mesma. Trata-se, no caso da simulao, de transladar o sistema real para um diagrama de fluxo lgico. O diagrama representar o problema atravs de associaes feitas entre as entidades e as atividades. Um diagrama bastante conhecido o Diagrama Ciclo Atividade (Ativity Cycle Diagram - ACD). Esses diagramas so constitudos por Filas e Atividades, cujos relacionamentos estabelecem o Ciclo de Vida de cada entidade participante do sistema. Detalhes da estrutura ACD podem ser obtidos na obra de Clementson (1982) e na de Pidd (1996). A utilizao de um ACD indicada para sistemas que possuem forte estrutura de filas. Todas as entidades envolvidas, a cada instante da simulao, estaro sempre em uma das situaes : ativada (participando da execuo de uma atividade) ou esperando numa fila. O Estado de um sistema modelado definido pela situao de cada entidade componente. Um ciclo de vida utilizado para descrever uma seqncia de situaes nas quais uma entidade dever atuar. Em linhas gerais a representao dos diagramas ACD feita atravs de "crculos" e "retngulos", simbolizando respectivamente filas e atividades. Os retngulos representam atividades (estados ativos) que envolvem, normalmente, a coparticipao de diferentes entidades. As duraes dessas atividades so definidas baseadas em funes, probabilsticas ou no. Os crculos representam filas (estados passivos), compostas de entidades que aguardam alguma mudana no sistema. Essas mudanas acontecem com a ocorrncia de um evento, que liberar outras entidades que podero ser utilizadas na realizao de uma atividade comum. No clssico exemplo do PUB apresentado nas figuras seguintes, pode-se ter uma viso desses diagramas e uma idia do processo de construo dos mesmos.

Exemplo aproveitado da referncia Paul & Balmer (apud Costa, 2001).


O PUB consiste num bar ingls que envolve as seguintes entidades: clientes, garom, copo e porta. O leitor pode reparar que uma entidade pode ser tanto um ser humano como um objeto. Pode ser tambm uma entidade concreta ou abstrata. Por exemplo, uma informao que circula num sistema pode ser entendida como uma entidade abstrata. Tambm pode ser temporria no sistema (o cliente por exemplo) ou permanente (o copo). Cada entidade possui o que se chama de ciclo de vida da entidade. Esse ciclo de vida mostra toda a sequncia de atividades da qual a entidade participar. Uma atividade envolve, na maioria das vezes, mais de uma entidade. Por exemplo, como ser visto a seguir, a atividade Servir envolver um cliente, um garom e um copo. Na falta de qualquer uma dessas entidades a atividade Servir no se realizar.

No estudo de qualquer sistema muito importante definir o grau de abstrao no qual se deseja trabalhar. Esse grau de abstrao definir a complexidade do modelo. Recomenda-se que se inicie o desenvolvimento do modelo da forma mais simples possvel, envolvendo somente as variveis que realmente so necessrias para representar o problema a ser estudado. Na medida que os resultados da simulao no forem respondendo s questes colocadas, diminui-se o grau de abstrao do modelo, acrescentando-se novas variveis ao mesmo. Nesse exemplo a complexidade tratada ser pequena mas suficiente para atender situao que se deseja analisar, que o tamanho da fila de espera dos clientes aguardando atendimento. comum num problema de fila o interesse pelas medidas de tempo de espera e quantidade mdia de clientes na fila. No PUB o cliente chega, a partir de uma fila de clientes que esto fora do bar (Outside), entra no sistema e nesse momento so gerados dois valores: um que especifica o quanto ele vai beber (quantidade de drinks) e outro que estabelece o intervalo entre a sua chegada e a do prximo cliente. Participam da atividade Chegada duas entidades, o cliente e a porta. O cliente entra no bar e fica numa fila de espera, aguardando ser servido. Aps ser servido, ele est pronto para beber. Encerrada a atividade Beber, e de acordo com a quantidade de drinks gerada, ele volta para a fila de espera ou sai do sistema, indo para a fila Outside. A fila Outside funciona como fonte e sumidouro de entidades. A entidade garom pode participar da atividade Servir ou da atividade Lavar, caso contrrio ele entra na fila de garons ociosos. O copo participa da atividade Servir, Beber e Lavar. Quando est parado ele est em uma das filas de copos Sujos ou Limpos. Para todas as atividades so gerados tempos de processamento, que podem seguir qualquer tipo de distribuio, por exemplo, uma Normal, Triangular, Erlang, Weibull, Uniforme, etc. Uma restrio importante a ser respeitada na construo de um ACD diz que as atividades e as filas devem aparecer intercaladas no diagrama. No podem ocorrer atividades em seqncia. Entre elas deve haver uma fila. E vice-versa. No exemplo, para contornar essa questo, sero criadas duas filas fantasmas chamadas OK e OK . Nas filas fantasmas o tempo de espera nulo. Dado esse contexto, criam-se os ciclos de vida individuais de cada entidade. *Obs.: O diagrama ACD composto de apenas dois tipos de smbolos:
ATIVIDADE FILA

Ciclo de Vida do Cliente


CHEGADA

Ciclo de Vida do Copo


SERVIR BEBER

OK

Espera

Outside

OK Limpos SERVIR BEBER LAVAR Sujos

Ciclo de Vida do Garom


SERVIR

Ciclo de Vida da Porta


Fechada

Ocioso CHEGADA LAVAR

Aps desenhar os diagramas individuais, para ter uma viso do sistema todo basta agrupar os ciclos de vidas atravs das atividades comuns. No exemplo obtm-se o seguinte diagrama:
PUB
Fechada

CHEGADA

Espera OK

Outside

SERVIR OK Ocioso

BEBER

Limpos

LAVAR

Sujos

Um diagrama apresentado na forma de um ACD o primeiro passo para se utilizar uma ferramenta computacional de gerao de cdigos automtica. No caso o software eLSE (extended Lancastar Simulation Environment) gera todos os cdigos na linguagem PASCAL, criando automaticamente o programa que simular o PUB. O passo seguinte levantar os dados que sero responsveis pelo estabelecimento das distribuies que representam a chegada de clientes, tempos das atividades e quantidade de drinks de cada cliente. preciso estabelecer tambm o cenrio que se deseja simular, especificando os parmetros de entrada, como a quantidade de garons e quantidade de copos. Feito isso, roda-se o programa, obtmse os resultados e atravs de uma anlise dos mesmos, levanta-se o tempo mdio na fila de espera e a quantidade mdia de clientes nessa fila. Caso os resultados no contemplem a poltica desejada de tempo mximo de espera na fila, cria-se um novo cenrio modificando, por exemplo, a quantidade de garons ou a de copos. Roda-se novamente, analisa-se os resultados e faz-se a opo por um novo cenrio ou no. Essa a sntese da simulao de sistemas. Criar um modelo representativo de um sistema real e fazer experimentaes nesse modelo, obtendo informaes que orientem nas tomadas de deciso para futuras alteraes nesse sistema real. importante que o leitor sinta a grande vantagem que se tem quando se faz experimentaes num modelo computacional. No computador possvel analisar muitas situaes (cenrios) diferentes, num tempo extremamente pequeno. 1.2.2.3 Escolha da Ferramenta Computacional Existem basicamente quatro tipos de ferramentas computacionais que podem ser utilizadas no desenvolvimento de simuladores : Linguagens de Aplicao Geral; Linguagens Especficas de Simulao; Geradores Automticos de Cdigos de Simulao; e Ambientes de Simulao.

Existe uma contraposio entre flexibilidade e facilidade de desenvolvimento, de acordo com a ferramenta escolhida. Por exemplo, uma linguagem de aplicao geral permite alta flexibilidade no desenvolvimento de um programa de simulao, porm exige grande conhecimento da linguagem e demanda um grande esforo de programao. Por outro lado um ambiente de simulao muito amigvel e permite fcil utilizao por parte do usurio, mas no oferece muita flexibilidade no desenvolvimento. As linguagens de aplicao geral so mais poderosas ou menos poderosas de acordo com suas caractersticas individuais. Linguagens fortes como PASCAL e C so muito utilizadas no desenvolvimento de simulaes.

Linguagens especficas de simulao (ou simplesmente linguagens de simulao) j tiveram seus bons tempos, embora algumas delas (por exemplo, GPSS (Gordon,1978, Bulgren,1982, Banks et al,1989, Schriber, 1991)) ainda sejam muito utilizadas graas s facilidades que proporcionam no desenvolvimento de modelos de Simulao. Algumas linguagens de simulao bastante conhecidas so : GPSS, SIMAN, SIMSCRIPT, DINAMO, GASP, SIMPAC, CLS e SIMULA. Em relao linguagem SIMULA interessante comentar que, apesar de ser uma das primeiras linguagens especficas de simulao, hoje ela reconhecida como a primeira linguagem orientada a objeto que surgiu. As principais caractersticas das linguagens especficas de simulao so [Ogata,1992] : Produz uma estrutura genrica para criar modelos de simulao; Fornece uma maneira rpida de se converter um modelo de simulao em um programa computacional; Fornece facilidades para alteraes no programa computacional; Fornece sadas flexveis, teis para anlises.

Alm das vantagens associadas reduo do tempo e facilidade de programao, as linguagens especficas de simulao tambm fornecem bons mecanismos para localizao de erros. Os geradores automticos de cdigos de simulao surgiram para facilitar a tarefa do modelista no processo de programao computacional. A partir de uma representao formal do problema estudado, esse tipo de ferramenta produz um programa fonte, que uma verso executvel do modelo especificado. Alguns desses geradores chegam a desenvolver a quase totalidade dos cdigos computacionais exigidos. So exemplos desses geradores: PASSIM [Shearn,1990], LANGEN [Crookes,1986], GERSIMUL [Saliby,1991], AUTOSIM [Paul,1987], CAPS [Clementson,1982]. Segundo R.Paul [1987] o CAPS foi o primeiro e o mais famoso gerador de cdigos de simulao. Os ambientes de simulao so sistemas que tem por objetivo auxiliar o usurio no desenvolvimento de modelos de simulao, atuando em vrias etapas do processo, e no somente na gerao de cdigos. Uma outra etapa na qual um ambiente de simulao normalmente atua na anlise dos resultados da simulao. So exemplos desses ambientes: KBMC (Knowledge-Based Model Construction) [Murray,1988], ROSS [McArthur et al,1986], KBS (Knowledge-Based Simulation) [Reddy et al,1986], SIMKIT [Harmon & King,1985].

1.2.2.4 Desenvolvimento do Modelo Computacional O desenvolvimento do modelo vai depender da ferramenta computacional escolhida. O resultado poder ser um simulador tradicional ou um complexo sistema de simulao (por exemplo um sistema inteligente ou baseado em conhecimento). Nessa fase so criados os cdigos de simulao, por gerao automtica ou no. A dificuldade, e conseqente velocidade no desenvolvimento do simulador, estar associada tanto ferramenta computacional utilizada, como complexidade do modelo e experincia do modelista. 1.2.2.5 Verificao e Validao do Modelo Duas fases muito delicadas no processo de desenvolvimento de modelos de simulao correspondem verificao e validao desses modelos. Verificao do modelo a etapa onde o modelista checa se o modelo desenvolvido corresponde ao idealizado. Neste ponto verificado se o modelo foi construdo corretamente. Nesta fase busca-se fazer testes exaustivos no simulador. O modelista precisa se convencer de que o simulador est correto e rodando bem. Na verificao de um modelo deve-se variar os valores dos parmetros de entrada (inclusive utilizando as fronteiras do intervalo de valores) e analisar se os resultados so coerentes. Nesse momento possvel sentir a fora da simulao, que agiliza a etapa de testes, tornando-os viveis em termos de tempo e dinheiro. A validao a etapa onde ser checado se o modelo desenvolvido representa bem o sistema real. a busca da resposta para a pergunta: foi desenvolvido o modelo correto?. A idia passar confiana ao usurio, mostrando que qualquer experimento com o modelo ir gerar resultados que coadunam com a realidade do sistema estudado. A validao normalmente conseguida executando o modelo e comparando seus resultados com os oriundos do sistema real. Se os resultados da simulao se aproximarem dos valores reais, dentro de um nvel de confiana desejado, o simulador ser validado. Segundo Annino [1981] a tcnica de validao mais efetiva apresentar o programa para algum familiar ao sistema em estudo. Num esquema interativo entre o especialista no funcionamento do sistema real e o modelista, ser mais fcil corrigir desvios do modelo em relao ao sistema real. A validao do modelo extremamente importante pois os simuladores normalmente tendem a parecerem reais e, tanto o modelista como o usurio, passam a acreditar nele.

1.2.2.6 Planejamento dos Experimentos O planejamento de experimentos tem dois objetivos: (1) rodar muitas vezes o modelo, a baixo custo e de forma rpida, e (2) providenciar uma estrutura para o processo de aprendizado dos investigadores, para que os mesmos possam aprender mais a respeito do sistema. O planejamento de experimentos pode ser dividido em duas fases : estratgica e ttica. No nvel estratgico importante projetar os experimentos visando alcanar as metas estabelecidas. Portanto deve-se combinar os valores dos parmetros que otimizaro as variveis de respostas, e explicar as relaes entre as variveis de respostas e os fatores controlveis do sistema. a fase que consiste em executar o modelo computacional sob os diversos cenrios de simulao estabelecidos. Os cenrios so tratados individualmente, com a preocupao de se estabelecer exatamente os pontos de incio e fim da simulao, para efeito de anlises estatsticas. Esses pontos correspondem fase transiente (warm-up) e ao tempo total de simulao (length of simulation) da rodada (running). bom lembrar que a simulao, a partir de situaes iniciais diferentes, oferece linhas de ao alternativas para o tomador de deciso. E como a fase de execuo do modelo , via de regra, extremamente rpida, pode-se abusar do nmero de cenrios a serem rodados. 1.2.2.7 Execuo do Modelo A execuo do modelo a fase ttica do planejamento de experimentos. Nenhum projeto de simulao pode ser considerado completo se no for aceito, entendido e utilizado. Estabelecido o projeto dos experimentos, a fase ttica determinar como cada um dos testes especificados nos experimentos sero executados. Para isso devem ser definidas as condies iniciais, e como elas afetam o equilbrio do sistema. O pano de fundo dessa fase a necessidade de diminuir a varincia das respostas e, ao mesmo tempo, buscar minimizar o tamanho das amostras necessrias. Os problemas associados ao incio da Simulao podem ser amenizados excluindo-se dados gerados durante um certo perodo inicial, para efeito de contabilidade, ou escolhendo-se condies iniciais que diminuam o tempo necessrio para alcanar o equilbrio. O resultado dessa fase o estabelecimento de diversos cenrios que sero rodados. 1.2.2.8 Anlise das Alternativas de Ao Esta fase consiste em fazer inferncias a partir dos dados gerados na execuo do modelo. uma fase crtica, demorada, difcil e muito importante. Uma sada de

simulao uma avalanche de nmeros, que precisam ser tratados e analisados. A anlise dos resultados da simulao comumente realizada por especialistas caros e pouco disponveis. Para suavizar os problemas enfrentados nessa fase surgiram ferramentas computacionais, j disponveis em boa parte das linguagens, geradores e ambientes de simulao visuais (grficos e imagens). To somente a disponibilidade de ferramentas visuais no soluciona o problema de anlise de resultados. necessrio possuir profissionais com condies de realizar anlises concretas ao final do processo de Simulao. Nos ltimos anos tem ocorrido a utilizao de sistemas especialistas para desempenhar o trabalho dos analistas de resultados de Simulao. Esses sistemas especialistas, contendo o conhecimento de expertos na rea em estudo, analisam os resultados fornecidos pelo simulador, orientando o tomador de deciso. 1.2.2.9 Documentao e Implementao Uma das grandes falhas nos projetos, em geral, a apresentao ruim dos resultados para o usurio. Isso uma falha de implementao. O pouco tempo gasto na implementao normalmente no suficiente para as tarefas existentes nessa fase. Fazem parte dessas tarefas: lapidao e ajuste do modelo, treinamento do usurio e a garantia da validade dos resultados. Essa ltima tarefa, que s possvel com a implementao, tende a ser, segundo R.Shannon [1975] o problema mais difcil a ser enfrentado pelo analista. A documentao est intimamente ligada implementao. Alm de facilitar a implementao e a possvel necessidade de alteraes no modelo, auxilia o modelista em futuros projetos, alm de for-lo a questionar seus prprios procedimentos.

1.3 Simulando o Simulador


Exerccio para entender os procedimentos de Controle da Simulao O tipo de simulao aqui tratado Simulao Discreta de Eventos Futuros. Vamos entender o que significa este tipo de simulao e qual a sua aplicao. Evento qualquer fato que altere o sistema em estudo. A chegada de um cliente a um posto de atendimento um evento. O trmino de atendimento de um cliente , tambm, um evento. A simulao discreta pois o relgio que registra o tempo simulado trabalha aos saltos, avanando o relgio sempre para o instante no qual ir acontecer o prximo evento.

Para entender melhor os procedimentos que controlam a simulao, considere o seguinte exemplo: O sistema composto de uma fila nica (como tudo em simulao analogia, pode ser uma fila de caixa numa agncia bancria, pode ser uma fila no balco de atendimento de uma agncia de correio, pode ser uma fila de navios que aguardam para serem descarregados num porto, pode ser uma fila de carros num pedgio, ...). O objetivo do estudo desse sistema verificar o tempo gasto pelo cliente na fila. Pretende-se estabelecer como minimizar o tempo de espera na fila, sem que a ociosidade dos atendentes supere, por exemplo, 30% do tempo trabalhado. Diante da idia de faa o mais simples, considere dois eventos somente: Chegada de Cliente e Trmino de Atendimento. Caso o problema seja solucionado nesse grau de complexidade, timo, caso contrrio considera-se outros tipos de eventos, novos componentes do sistema e assim por diante.

Controle da Simulao
T= 0; Gerar CH ; Inserir na Lista (Chegada, CH); ENQUANTO T <= Perodo de Simulao Desejado Retire da Lista (Info, tempo); T = tempo; SE Info = Chegada ENTO Chegada de Cliente CASO CONTRRIO Trmino de Atendimento

Chegada de Cliente
Gerar CH; Inserir na Lista (Chegada, SE C(1) <= T ENTO Q= Q + T Gerar AT; Inserir na C(1) = T + T+CH); C(1); Lista (Trmino, T + AT); AT

CASO CONTRRIO Inserir na Fila (Tempo de Entrada na Fila); Quantidade_Fila = Quantidade_Fila + 1

Trmino de Atendimento
SE Quantidade_Fila >= 1 ENTO Retire da Fila (Tempo de Entrada na Fila); Wait = Wait + T Tempo de Entrada na Filq; Atendimentos = Atendimentos + 1; Gerar AT; Inserir na Lista (Trmino, T+AT) C(1) = T+AT Quantidade_Fila=Quantidade_Fila - 1

Considere os seguintes conjuntos de nmeros aleatrios para serem utilizados na simulao. Faam uma abstrao e imaginem que toda vez que a simulao precisar de um nmero aleatrio, o computador ir gerar um valor entre 0 e 1, e ir corriglo de acordo com a distribuio que melhor represente (maior aderncia) os dados colhidos da operao simulada. CH = { 2 , 4 , 3 , 4 , 5 , 3 , 1, 6 } AT = { 5 , 4 , 6 , 3 , 4 , 2 , 5 , 4 } Vamos simular (na mo, imitando o computador) o modelo da pgina anterior e verificar como a simulao trata os eventos futuros da Lista, como so gerados os nmeros da simulao, como so atualizados os acumuladores (que iro fornecer as respostas estatsticas), enfim, como funciona uma rodada de simulao no computador.

CH

AT

C(1)

FILA (T)

Q_FILA

WAIT

LISTA (Evento, Instante de Ocorr)

1.4 Concluso do Captulo


A Simulao de Sistemas faz anlises de problemas. Ela serve como ferramenta para a anlise do comportamento do sistema sob condies especificadas pelo usurio. A simulao pode evitar problemas que ocorrem quando se faz experimentaes com o sistema real. Por exemplo, na simulao : No necessrio interromper as operaes do sistema real; fcil manter as mesmas condies de operao para cada rplica do experimento; possvel explorar muitos tipos de alternativas na experimentao; O consumo de tempo e dinheiro extremamente menor para se obter o mesmo tamanho de amostra.

R.Shannon [1975] coloca que o analista deve considerar o uso de simulao sempre que : Uma formulao matemtica completa do problema no exista, ou mtodos analticos para resolver o modelo matemtico no foram ainda desenvolvidos; Mtodos analticos estejam disponveis, mas os procedimentos necessrios para a utilizao dos mesmos so to complexos e rduos que a simulao acaba fornecendo um mtodo mais simples de soluo; Solues analticas existam e sejam viveis em termos de complexidade, mas esto alm da habilidade matemtica do pessoal disponvel. O custo de desenvolvimento, teste, e execuo da simulao deve ser avaliado, comparativamente ao custo de obteno de ajuda externa; A Simulao pode ser a nica opo possvel dadas as dificuldades de observao de fenmenos no ambiente real.

Uma vantagem adicional da Simulao a sua contribuio para se compreender melhor e aprender a respeito do sistema. O desenvolvimento e utilizao de um modelo de Simulao permitem ao projetista enxergar e manipular o sistema. Isso leva a um crescente entendimento do mesmo, permitindo que modelos simples de simulao sofram alteraes at se tornarem complexos o suficiente para representar bem a situao estudada.

2 INPUT/OUTPUT :ENTRADA e SADA DE SIMULAO


Breve tutorial aproveitado (e adaptado) das referncias: (1)Kelton,W.D., Sadowski,R.P., Sadowski,D.A., Simulation with Arena, McGrawHill (2)Freitas,P., Paragon, Anlise de Dados e Tomada de Deciso com Simulao (3)Harrel,C., Tumay,K., Simulation made easy, EMP Books)

2.1 Conceitos Bsicos de Probabilidade


Experimento qualquer atividade que pode ser realizada, cujo resultado exato incerto. Ex.: No arremesso de um dado, sair o nmero 4? Ocorrer um nmero mpar? O nmero estar no intervalo entre 2 e 5? Ex.: Quanto tempo voc levar para ir da sua casa at a universidade amanh? Voc atrasar porque ser atingido por um meteoro? Ex.: Analisando a atividade de um Call Center, durante uma semana, quantas chamadas ocorrero? Quanto tempo os clientes ficaro esperando para serem atendidos? Quantos clientes desistiro de esperar devido demora?

Espao Amostral de um experimento a lista completa de todos os resultados individuais que podem ocorrer quando for realizada a atividade. Para a atividade de arremesso de um dado (ou de uma moeda) fcil estabelecer o espao amostral do experimento, porm em alguns casos (como o tempo que voc gastar para ir da sua casa at a universidade amanh) o nmero de possibilidades infinito. Felizmente, possvel entender um experimento e sua estrutura probabilstica sem descrever, explicitamente, todo o espao amostral. Evento um subconjunto do espao amostral. Probabilidade de um evento a possibilidade relativa de ocorrncia do mesmo, quando o experimento for realizado. Por conveno, probabilidades so valores que se encontram no intervalo de 0 a 1. P(E) denota a probabilidade do evento E ocorrer.

Existe uma quantidade grande de diferentes tipos de eventos e probabilidades que podem acontecer na simulao. Por exemplo, voc pode estar interessado em saber qual a probabilidade de: uma pea passar pela inspeo; uma pea que chega ter prioridade 1; um tempo de atendimento estar entre 2 e 6 minutos; nenhum cliente chegar durante um intervalo de x minutos; o mximo comprimento de uma fila no exceder 10 elementos; o tempo mdio de sistema das peas no ultrapassar 4 horas; muitas outras situaes.

Eventos podem ser definidos de muitas maneiras diferentes e podem ser muito complexos. Uma forma de quantificar e simplificar eventos estabelecer variveis randmicas associadas a eles. Uma varivel randmica um nmero cujo valor determinado pelo resultado de um experimento, que pode ser pensado como uma quantificao do experimento. Tecnicamente uma varivel randmica uma funo definida a partir do espao amostral dos nmeros reais. Assim, ela uma regra ou um mapeamento que atribui um nmero para cada resultado possvel de um experimento. um valor que voc no sabe ao certo qual , antes de realizar o experimento, mas, normalmente, voc conhece algo a respeito dele, como o conjunto de valores possveis ou a probabilidade dele estar em um certo intervalo de valores. Existem dois tipos bsicos de variveis randmicas: discreta e contnua. Uma varivel discreta assume valores pontuais, dentro de um intervalo finito ou infinito de valores. Por exemplo: o nmero de itens expedidos, dentre uma coleo de 50 itens, s pode estar no intervalo entre 0 e 50; o nmero de vezes que uma pea passa pela inspeo, at ser liberada, um nmero inteiro sem limite superior. Uma varivel contnua pode assumir qualquer valor real, possivelmente limitada direita e esquerda. Variveis contnuas representam, geralmente, medidas fsicas como tempo e distncia. O comportamento probabilstico de uma varivel randmica descrita pela sua distribuio de probabilidade. Existem algumas propriedades bsicas dessas variveis, como valor esperado e varincia.

2.2 Variveis Randmicas


2.2.1 Varivel Discreta
Para uma varivel randmica discreta X existir uma lista x1, x2,... (finita ou infinita) de valores possveis que ela pode assumir. Note que os valores x1, x2, ... so fixos, no-randmicos, mas a varivel X randmica. Funo Massa de Probabilidade a funo que fornece a probabilidade de X assumir cada um dos valores possveis:
p(xi) = P(X=xi), para todo i.

A funo massa de probabilidade estimada a partir de dados, ou simplesmente assumida. Supondo que xi represente todos os valores possveis para o evento X, ento:
p(xi) = 1 i

Funo Distribuio Acumulada de uma varivel randmica discreta X a funo que fornece a probalidade de X ser menor ou igual ao seu argumento:
F(x) = p(xi) , para todo i, tal que xi x

F(x) uma funo no-decrescente, variando de 0 a 1. Portanto,


P(a X b) = p(xi) ,

todo i, tal que a xi < b

Valor Esperado (tambm chamado de mdia ) de X definido como E(X) = xi . p(xi), para todo i

Trata-se, portanto, de uma mdia ponderada. A Varincia (medida de variabilidade da varivel randmica discreta X) definida como:
Var(X) = (xi - )2. p(xi), para todo i

Desvio Padro a raiz quadrada (positiva) da varincia.

2.2.2 Varivel Contnua


Uma varivel randmica contnua pode assumir qualquer valor real em um intervalo (limitado ou no limitado). Mesmo em um intervalo pequeno, esta varivel pode assumir infinitos valores reais. Portanto no faz sentido falar sobre a probabilidade de uma varivel contnua ser igual a um nmero x. Tecnicamente, esta probabilidade ser zero. A Funo Densidade de Probabilidade de uma varivel randmica contnua X definida como a funo f(x), tal que: f(x) 0, para todo valor real x. A rea total sob f(x) 1, ou seja - f(x) dx = 1
+

P(a x b) = a f(x) dx
b

A funo de distribuio acumulada de uma varivel randmica contnua X tem interpretao anloga a da varivel randmica discreta. No caso,
F(x) = - f(t) dt
x

Dependendo da forma da funo densidade de probabilidade, a funo de distribuio acumulada F(x) pode ou no ser expressa como uma frmula envolvendo x. Por exemplo, as distribuies Weibull e Exponencial tm frmulas simples para a funo densidade acumulada, enquanto que a Gamma e a Normal no possuem. Nestes casos so utilizados mtodos numricos ou tabelas para express-las. O valor esperado de uma varivel randmica contnua uma medida do centro da distribuio e a mdia das muitas (infinitas) observaes em X. difinida como:
E(X) = - f(x) dx
+

A Varincia de X mede sua disperso e denotada por:


VAR(X) = - (x- E(X))2 . f(x) dx
+

O desvio padro a raiz quadrada da varincia.

2.3 Amostragem e Coleta de Dados


POPULAO #

AMOSTRA (quantidade representativa da populao)

Na amostra so feitas inferncias estatsticas para estimar os parmetros populacionais. A partir destes parmetros so feitos estudos sobre toda a populao.

2.3.1 Tamanho mnimo da Amostra

Considere: N : tamanho (nmero de elementos) da populao n : tamanho (nmero de elementos) da amostra no : primeira aproximao para o tamanho da amostra Eo : erro amostral tolervel Um primeiro clculo do tamanho da amostra pode ser feito, mesmo sem conhecer o tamanho da populao, atravs da seguinte expresso:
1 no = Eo2

Conhecendo o tamanho N da populao, podemos corrigir o clculo anterior, por:


(N * no) n= (N + no)

Exemplo: Dada uma populao de 200 peas, pretende-se estabelecer um tamanho de amostra para avaliar diversas caractersticas dessa populao. Qual deve ser o tamanho mnimo de uma amostra aleatria simples, que garanta que os erros amostrais no ultrapassem 4% (Eo = 0.04). (Aplique as frmulas e voc ver que a resposta : 152 peas)

2.3.2 Distribuio de Frequncias


Tabelas que apresentam um conjunto de dados subdivididos em categorias ou classes, mostrando o nmero de elementos (frequncias) contidos em cada uma delas. Exemplo.: Durante dois meses foram levantados os dados de produo de uma seo. Os dados tabulados so:
65 55 76 74 36 62 74 34 49 22 70 84 82 51 79 88 40 56 50 75 28 60 56 43 56 45 67 57 35 36 46 62 43 39 52 78 57 63 37 73 32 40 65 80 68 59 64 72 48 57

Trabalhando com classes (20-29; 30-39; ...; 80-89, por exemplo), traa-se o histograma, onde se tem um visual da curva representativa dos dados, apresentando a frequncia com que cada classe aparece no conjunto de dados (frequncias relativas). A partir desses dados so calculados os parmetros associados aos dados, no caso a mdia, a varincia, o desvio padro e o coeficiente de variao = DP/Mdia. Essa ltima medida a medida de disperso utilizada no Arena.

2.3.3 Escolha de uma Distribuio Terica de Probabilidade


Uma das mais importantes tarefas na anlise de dados para a simulao consiste em encontrar uma distribuio terica de probabilidades, que seja compatvel com a freqncia de dados observada. A seleo da distribuio feita utilizando critrios visuais, experincia do estatstico e consideraes tericas. Exemplo: EXPONENCIAL(Mdia) ou EXPO(Mdia) Funo Densidade de Probabilidade f(x) = 1/B * e x/B Onde : * B a mdia especificada como um valor real * Intervalo de validade [0, + ) * Varincia B2 Esta distribuio frequentemente utilizada para modelar tempos entre eventos, como chegadas randmicas de clientes em postos de atendimento (ou peas na linha de produo) e processos de quebra de equipamentos.

2.3.4 Testes de Aderncia


O objetivo dos testes de aderncia a verificao da qualidade na escolha da distribuio que acreditamos ser a melhor representao dos dados da populao.

Normalmente, so utilizados mtodos grficos e/ou tericos. Graficamente, a qualidade medida visualmente, de acordo com a proximidade ou aderncia entre os dois desenhos. Teoricamente, procura-se provar a hiptese de que o conjunto de dados amostrais no diferem significativamente, daqueles esperados de uma distribuio terica especificada. Dois mtodos tericos bastante utilizados so: Chii-Quadrado e KolmogorovSmirnov (KS). Estes testes procuram medir e avaliar os desvios entre a distribuio amostral e a terica. Exemplo: Chi-Quadrado (fo fe)2 Valor Crtico X2 = k onde: k = nmero de classes ou intervalos fo = freqncia observada nas classes fe = freqncia esperada nas classes Se X2 = 0, ento as duas distribuies esto casando perfeitamente. Quanto maior o valor de X2, maior a discrepncia entre as duas distribuies. Jogando-se um dado 120 vezes, obtm-se os valores vistos na tabela abaixo. Na mesma tabela observa-se tambm os valores esperados para as seis faces.
FACE Freq. Obs. Freq. Esp. 1 25 20 2 17 20 3 15 20 4 23 20 5 24 20 6 16 20

fe

Testando a hiptese do dado ser correto, sob um nvel de significncia de 5%, utilizando Chi-Quadrado, temos: (25-20)2 X2 = 20 + ...+ 20 (16-20)2 = 5,0

O nmero de graus de liberdade no caso na distribuio uniforme = No. de Classes 1 =5 Neste caso, da tabela de Chi-Quadrado, o valor = 11,1. Portanto 5,0 < 11,1, e no se pode rejeitar a hiptese de que o dado justo, ou seja, pode-se afirmar, com 95% de certeza que, estatisticamente, os resultados da amostra esto coerentes com o que se esperava.

Observao: O teste KS utilizado com a mesma inteno que o Chi-Quadrado, ou seja, testar se a distribuio amostral segue uma determinada distribuio terica contnua. Este teste baseia-se na comparao das probabilidades acumuladas das duas distribuies (observada e a terica). Para a consulta em uma tabela de valores crticos, toma-se o maior valor/desvio entre as duas distribuies (valores calculados dentro de cada classe).

2.4 Input Analyzer


Esta ferramenta, presente no ARENA, determina a distribuio de probabilidades que melhor adere (representa) um certo conjunto de dados. Esses dados devem ser listados em um arquivo TXT gerado em Word, Lotus, Excel, etc... Faz aderncia de distribuies especficas (pertencentes ao software). Permite a comparao de vrias distribuies. Mostra os efeitos da troca dos parmetros das distribuies e permite a manipulao dos dados de entrada.

2.4.1 Iniciando o Input Analyzer


Vamos utilizar os dados do exemplo de produo para rodar o Input Analyser no ARENA. No Menu Tools do ARENA , escolha Input Analyzer Aberto o Input Analyser, no menu File, escolha New. No mesmo menu File, escolha Data File e Using Existing ... Na janela Abrir selecione o arquivo de dados desejado. Surgir na tela (prxima figura) um histograma dos dados estudados com as seguintes informaes: number of data points: nmero de pontos da amostra number of intervals: nmero de intervalos do histograma. Este nmero dadopela raiz quadrada do no. de pontos (reais), ou da diferena entre o maior e o menor valor +1 (inteiros). histogram range: intervalo onde esto todos os valores da amostra

sample mean: mdia dos pontos da amostra sample Std Dev: desvio padro dos pontos da amostra min e max data value: menor e maior valor da amostra

Pode-se selecionar uma distribuio em particular ou usar o Fit All (melhor aderncia). Por exemplo, para os dados apresentados no histograma acima, o comando Fit All ir gerar o resultado apresentado na figura seguinte:

Observao (1): A qualidade da curva escolhida baseada primeiramente no critrio do quadrado dos erros, ou seja, so verificadas as distncias de cada ponto dos dados de entrada, em relao aos pontos ideais da distribuio desejada. A distribuio cujo somatrio dos quadrados das distncias for menor, considerada a melhor curva. Observao (2): Os testes de aderncia Chi-Quadrado e KS tambm so mostrados. Valores de p (p value) menores que 0.1 so geralmente considerados valores de aderncia fracos. Mais precisamente, o p value a probabilidade de obteno de um conjunto de dados mais inconsistente com a distribuio escolhida do que o conjunto de dados que voc realmente obteve. Observao (3): Diferentes testes estatsticos podem rankear as distribuies de forma diferente. Tambm mudanas na preparao dos dados podem influir no ranking (por exemplo, a quantidade de classes). Na opo Input data do menu Window do Input Analyzer voc pode enxergar todos os seus dados da amostra.

Na mesma janela Window, na opo Curve Fit Summary so apresentadas as informaes sobre a curva escolhida, relacionadas com os dados da amostra. Na mesma janela Window, na opo Fit All Summary apresentado o ranking das curvas (figura abaixo), ordenado de acordo com o erro quadrtico de cada curva emprica e sua respectiva curva terica.

2.5. Output Analyzer


A simulao, em si, alm de no otimizar os resultados, nem sequer apresenta solues. Este trabalho fica sob responsabilidade do modelista e do usurio do modelo. Para se obter concluses corretas dos resultados da simulao preciso que os dados, gerados pelo modelo, sejam confiveis e que sejam corretamente analisados. Harrell & Tumay comentam que existem vrios tipos de relatrios de simulao. So eles: Relatrios de uma nica replicao (Mostram o desempenho da rodada de simulao utilizando mdia e varincia.) Histricos detalhados (Mostram conjuntos de dados e plotagens de observaes ocorridas no tempo, por exemplo: medidas do tempo de espera das entidades em uma fila; utilizao de um recurso no tempo. Esses outputs so chamados de estatsticas dependente do tempo ou estatstica temporal.) Relatrios relmpagos (Resumos estatsticos mostrando o estado do sistema em algum instante de tempo)

Relatrios de mltiplas replicaes (Apresenta resultados combinados de mltiplas rodadas de simulao. Providencia tratamentos estatsticos para os resultados, como estimativas de erros baseadas em intervalo de segurana, estabelecimento do tempo de warm-up atravs de mdia mvel,...) Comparao de mltiplos cenrios (Compara as sadas de diferentes conjuntos de variveis representativas de cenrios da simulao)

2.5.1 Tipos de Output


Existem dois tipos de dados de sada: dados observacionais e dados de tempo ponderado. Os relatrios que apresentam dados de observaes possuem as seguintes caractersticas: As observaes so contadores de ocorrncias As observaes possuem, todas, mesmo peso (mesma ponderao) O resumo estatstico apresenta as observaes durante um certo perodo de tempo

Exemplo: Nmero mdio de entidades processadas por hora no sistema. Simplesmente so contadas todas as entidades que deixaram o sistema e divide-se esse nmero pela quantidade de horas transcorridas. Exemplo: Tempo mdio que a entidade permaneceu no sistema. Quando uma entidade adentra o sistema, a mesma identificada com uma marca de tempo (instante de chegada). Quando esta entidade deixa o sistema subtrai-se do tempo de simulao atual o instante de chegada da mesma. Este resultado adicionado a um acumulador de tempo. Para se chegar ao tempo mdio de sistema basta dividir o valor desse acumulador pelo nmero de entidades que deixaram o sistema. Os dados de tempo ponderado possuem as seguintes caractersticas: Os valores persistem no tempo (consideram a dinmica do tempo) Durante a simulao so registrados e mantidos: o valor atual de cada varivel, o instante da ltima mudana neste valor e o produto valor-tempo acumulado O resumo estatstico apresenta o valor da varivel do tempo ponderado

Exemplo: Um exemplo de estatstica de tempo ponderado o nmero mdio de entidades no sistema (em cada instante). Neste caso, toda vez que uma entidade entra ou sai do sistema, o contador multiplicado pelo tempo transcorrido desde a ltima

mudana. Este produto adicionado a um acumulador de tempo-entidade. Ao final da simulao a quantidade mdia de entidades no sistema pode ser calculada pela diviso do acumulador de tempo-entidade pelo tempo de simulao.

2.5.2 Medidas Desejadas (Estatsticas)


As medidas de desempenho esto sempre associadas a um dos seguintes elementos da simulao: Entidade (Entity) Localizao (Location) Estao (Station) Fila (Queue) Recurso (Resource) Varivel (Variable) Atributo (Atribute)

Uma lista de estatsticas, normalmente desejadas, a seguinte: (1) Estatstica Geral da Entidade

Nmero de entidades, por tipo, que entra em uma estao Nmero total de entidades que sai do sistema Nmero total de entidades que permanece no sistema Nmero mdio de entidades no sistema Tempo mdio gasto em fila, processando ou em trnsito

(2) Estatstica Particular da Entidade Tempo gasto em cada estao por cada entidade Tempo de sistema para cada entidade Tempo gasto na fila, no processamento,..., por cada entidade

(3) Estatstica Geral de Fila Nmero total de entidades que entrou na fila Tempo mdio de fila Tempo mximo de fila Tempo mnimo de fila Quantidade mdia de entidades na fila Porcentagem do tempo mdio na fila, em relao ao tempo de simulao

(4) Estatstica Particular da Fila Contedo da fila no tempo Histograma dos tempos de espera

(5) Estatstica Geral da Estao Nmero total de entidades que entrou em cada estao Tempo mdio gasto por entidade (tempo ocupado/nmero de entradas) Utilizao (tempo ocupado/tempo disponvel) Percentual de tempo que ficou em operao, disponvel, bloqueada, esperando, quebrada, em preparao, ...

Nmero de setups Tempo mdio de setups

(6) Estatstica Particular da Estao Contedo no tempo Tempo que cada entidade gastou na estao Grfico de Gantt mostrando as entidades nas estaes, no tempo, por tipo

(7) Estatstica Geral do Recurso Nmero de vezes que foi utilizado Tempo mdio de utilizao Porcentagem de utilizao, ociosidade, quebra, disponibilidade Porcentagem de tempo em trnsito

(8) Estatstica Particular do Recurso Quantidade utilizada no tempo Utilizao de cada unidade de recurso

(9) Estatstica de Atributo e Varivel Valor mdio Valor mnimo e mximo Valor final Mudanas de valores no tempo Histograma dos valores

sempre possvel customizar os prprios relatrios, utilizando as informaes geradas pela simulao.

2.6 Anlises Estatsticas dos Resultados da Simulao


A simulao, como modelo estocstico, segue a regra RIRO (random input, random output). Se o sistema possui um conjunto de valores aleatrios associados aos seus processos de manufatura, transporte, manuteno, setups, etc, a simulao apresentar um conjunto de resultados randmicos do que poder acontecer no futuro, caso o sistema opere sob tais condies. Diante disto, fcil observar que uma nica rodada de simulao inadequada para se obter qualquer estimativa precisa do comportamento esperado do sistema. Para realizar inferncias corretas a partir dos resultados da simulao essencial ter um conhecimento bsico da estatstica descritiva. Na estatstica descritiva, ns trabalhamos com espao amostral, amostra e quantidade de amostras. importante que a quantidade de amostras seja suficiente para garantir as inferncias. Em outras palavras, importante estabelecer a quantidade certa de replicaes do modelo de simulao (nmero de rodadas). Por exemplo, se estivermos interessados em determinar o tempo mdio gasto pelas entidades na fila, preciso fazer n replicaes da simulao, em condies idnticas de operao, alterando apenas a semente (seed) do gerador de nmeros randmicos. A partir da possvel estimar a mdia, a varincia, o desvio padro, etc. Fica claro, tambm, que o n ideal seria igual a infinito.

2.6.1 Intervalo de Confiana


Tendo calculado a mdia e o desvio padro, baseado em uma quantidade de amostras de n rodadas, ns poderemos estar interessados em saber quo perto, da mdia verdadeira, est a mdia das rodadas. O mtodo utilizado para isso a estimativa do intervalo de confiana. Um intervalo de confiana um range (intervalo) no qual ns podemos ter um certo nvel de confiana de que a mdia l se encontra. Este mtodo trabalhado mais a frente, neste texto.

2.6.2 Problemas Estatsticos com as Sadas da Simulao


Utilizar os mtodos padres para analisar a simulao significa seguir trs importantes premissas sobre as observaes amostradas. So elas: As observaes so consideradas independentes, de tal forma que no existe correlao entre observaes consecutivas; As observaes consideram distribuies idnticas durante toda a durao do processo (so invariantes no tempo); As observaes so normalmente distribudas.

As duas primeiras observaes raramente coadunam com as sadas da simulao. As observaes so dependentes. Por exemplo, os tempos de espera em uma fila. A primeira entidade que entra no processo encontra a fila vazia (tempo de espera zero). Durante a simulao, caso o processo v se congestionando, os tempos de espera tendem a crescer. Se o tempo de espera de uma entidade grande, o tempo da sua sucessora tambm tende a ser grande. Essas observaes so autocorrelacionadas. As sadas da simulao tambm so no-estacionrias. No ocorre uma mesma distribuio durante toda a simulao. Por exemplo, em um sistema de servio (call center, agncia de correio, pedgio,...) o comportamento do sistema varia no tempo. Ocorrem perodos de pico, perodos normais e perodos de baixo movimento. A terceira premissa tambm violada, uma vez que os tempos de espera em uma fila, por exemplo, tendem a uma distribuio crescente. Para garantir que a sada normalmente distribuda, necessrio trabalhar com uma grande amostra, onde cada observao, em si, uma mdia de um grande nmero de observaes. De acordo com o teorema do limite central, a distribuio das mdias de mltiplas amostragens normalmente distribuda.

2.6.3 Comportamento transiente e comportamento em regime


O comportamento do sistema transiente se no existe constncia ou regularidade na flutuao estatstica do desempenho das variveis do sistema. O sistema est em um estado de transio entre um conjunto de condies e outro. Por exemplo, quando o sistema se inicia, ele passa por um estado de ausncia de entidades no sistema para outro, com um certa taxa positiva de chegadas no sistema. Uma vez que o sistema absorveu o impacto dessa taxa de chegada, o sistema dito ter entrado em regime. Durante o perodo no qual o sistema encontra-se em regime, o comportamento mdio estatstico do sistema no se altera no tempo. Uma vez, estando em regime, caso alguma regra de operao, ou a taxa de chegada varie, o sistema volta ao estado transiente. O sistema pode estar no estado transiente por uma das seguintes razes: O sistema inicia-se vazio e leva um tempo para atingir o estado de regime; O sistema encontra-se em regime, sofre alterao e atinge um novo estado de regime; Uma interferncia anormal acontece no sistema (uma quebra ou um tempo de setup fora do previsto) e leva o sistema a entrar em regime transiente.

Um exemplo de um sistema em estado transiente um restaurante no qual os tempos de espera tendem a crescer ou diminuir, de acordo com o perodo do dia (e/ou da semana). A condio do sistema estar em regime no aquela onde as observaes so sempre as mesmas, ou onde as variaes nas observaes so menores que na condio transiente. Simplesmente significa que todas as observaes, no sistema em regime, tero a mesma distribuio.

2.6.4 Sistemas Terminais e Sistemas No-Terminais


A simulao pode ser identificada como sendo Terminal ou No-Terminal. A diferena entre as duas est na possibilidade de ser definido um comprimento para a simulao. Se um sistema tem claramente definido um instante de incio e um instante de trmino, o sistema considerado terminal. Caso contrrio, chamado de sistema no-terminal. Exemplos de sistemas terminais podem ser: a produo de uma fbrica que tem um horrio de incio de turno e um horrio de trmino de turno, onde todas as tarefas do dia so encerradas; um sistema de prestao de servios que tem um horrio de expediente. Simulao terminal possui, normalmente, um estado transiente. Este tipo de simulao freqentemente repete um ciclo: o sistema inicia vazio, fica ocupado por um perodo de tempo e termina vazio novamente. Para a simulao terminal importante estabelecer quantas corridas (replicaes) devem acontecer para que os resultados estatsticos tenham consistncia. A simulao no-terminal (ou simulao em regime) aquela na qual no existe um evento ou instante de tempo onde a simulao termina. Isto no significa que a simulao nunca termina, mas que, teoricamente, a simulao pode transcorrer infinitamente sem afetar as sadas (resultados). Para a Simulao no-terminal, o modelista precisa determinar o comprimento da corrida de simulao, que garanta a consistncia dos resultados. Exemplos de sistemas no terminais: (1) uma empresa que trabalha em dois turnos, com uma hora de intervalo entre eles. Cada turno inicia seu trabalho a partir do ponto em que parou o turno anterior; (2) sistema de atendimento de emergncia em um hospital.

2.7 Output Analyzer para Sistemas Terminais


2.7.1 Construo do Intervalor de Confiana
Considere o seguinte quadro, de 10 replicaes, onde so apresentados os resultados, medidos nas simulaes, da varivel de controle Peas Produzidas.
Nmero da Replicao 1 2 3 4 5 6 7 8 9 10 Peas Produzidas 93 113 107 103 112 103 112 100 98 105

Deseja-se construir um Intervalo de Confiana para a mdia diria de Peas Produzidas, de forma que se possa afirmar, com uma confiana estabelecida 1-, que a verdadeira mdia da populao () encontra-se nesse intervalo. = [ x-h, x+h ] Onde: : mdia da populao x: estimativa da mdia populacional h: semi-intervalo (meio comprimento do intervalo de confiana; half-width) Observao: h a medida de preciso, obtida a partir da amostra (replicaes); quanto menor o h, melhor a estimativa da mdia; h pode ser reduzido aumentando-se a quantidade de observaes da amostra; Obteno de h
x= i xi n

Onde n= nmero de elementos da amostra (no ex. n=10)

O semi-intervalo dado por: h = tn-1, 1- ( /2) * S(x) O fator tn-1, 1- ( /2) obtido da tabela de distribuio t-student. S(x) uma medida de disperso dos dados da amostra (replicaes) em relao mdia x . Ela calculada da seguinte forma:
____ S(x) = S2(x) S2(x) S (x) = -------n
2

(xi x)2 S (x) = ----------n-1


2

Com os dados do exemplo, temos: A mdia da amostra x= 104.6 Ento S2(x) = 43.38. Portanto S2(x) = 4.338 e S(x) = 2.08 Considerando um grau de confiana de 95%, significa que o risco (erro) = 0.05 (5%). Da tabela t-student temos t10-1, 1-( 0.05/2) # t9, 0.975 = 2.262 Finalmente, h = 2.262 * 2.08 # h = 4.7 Portanto o intervalo de confiana que garante, com 95% de certeza, que a mdia populacional encontra-se nele :
104.6 ---------------[----------|---------]---------------99.9 109.3

2.7.2 Reduzir o intervalo de confiana


Caso deseje-se reduzir o tamanho de h, sabemos que, mantido o grau de confiana, devemos aumentar a amostra. Mas aumentar para quanto?

Considere:

n1 = tamanho da amostra anterior n2 = novo tamanho da amostra h1 = semi-intervalo anterior h2 = semi-intervalo desejado

(no ex. = 10) (a ser calculado) (no ex. = 4.7) (por ex., vamos considerar = 3)

A frmula a ser utilizada : n2 = [n1 * (h1/ h2)2] No exemplo teremos n2 = 24.6, que podemos aproximar para n2 = 25. Portanto devese rodar o modelo 25 vezes, e repetir o tratamento aqui realizado, checando o novo intervalo de confiana que ser gerado.

2.7.3 No Arena/Output Analyzer


Mdulo Statistics (no Painel Common): a varivel de controle deve ser armazenada em um arquivo gerado pelo ARENA, durante as replicaes executadas. Este arquivo deve ser criado pelo mdulo Statistics (no confundir com Statics). Neste mdulo, ao dar ADD na rea OUTPUTS abrir uma caixa secundria de dilogo, onde o usurio dever escolher o tipo de estatstica (Type of Statistics), o nome da varivel desejada, o tipo de informao (mdia, por exemplo) e solicitar que os valores sejam salvos em um arquivo ( Save Observations to a File). O usurio escolhe o nome do arquivo ( por exemplo SAIDA.DAT) e o digita entre aspas. Este arquivo conter todos os valores, da varivel de controle, gerados pelas diversas rodadas de simulao. Este arquivo ser tratado pelo Output Analyzer. Software Output Analyzer: abrindo o Output Analyzer, escolha NEW e ADD para o arquivo a ser trabalhado (por ex. o SAIDA.DAT). O comando Classical Confidence Interval on Mean solicitar o nome do arquivo e uma informao sobre as Replicaes: 1, All, Lumped (uma, todas ou todas misturadas). Escolha Lumped. O usurio estabelecer o grau de confiana com qual deseja trabalhar (default = 95%) no campo Confidence Level. Feito isso o Output Analyzer mostrar uma tela com o intervalo de confiana desenhado e vrias informaes textuais (lembre-se que o semi-intervalo de confiana o valor que aparece na coluna half-width).

2.7.4 Output Analyzer para Sistemas No-Terminais


O objetivo o mesmo do tratamento anterior: encontrar uma estimativa pontual e um intervalo de confiana para a medida de desempenho escolhida (varivel sob controle, varivel em estudo, varivel a ser tratada estatisticamente).

A idia, nesse caso onde a simulao no termina, realizar uma longa simulao, cuja amostra de dados gerada ser subdividida em sub-amostras, consideradas independentes. Essas sub-amostras sero tratadas como se fossem inmeras replicaes, de forma anloga ao caso dos sistemas terminais. Ento preciso saber qual o tamanho dessa Longa Simulao. Receita de Bolo: Executar uma simulao piloto (de preferncia, j longa, ou seja com o Length of Replication, do mdulo Simulate, grande). Identificar e excluir a fase transiente inicial (Mdia Mvel; Moving Average e Batch/Truncate) Determinar o tamanho do lote mnimo para a independncia entre os eventos (Correlograma; Correlogram) Determinar o tamanho apropriado do lote e o nmero de lotes necessrios anlise final. Executar novamente a simulao por um tempo que contemple o nmero de lotes estabelecido; Analisar o sistema de forma anloga a do sistema terminal (Classical Confidence Interval on Mean).

2.7.5 Output Analyzer


$ Moving Average: Neste mdulo, o usurio escolhe o nome do arquivo de dados (Data File) a ser tratado (o nome do arquivo foi dado no mdulo Statistics, no modelo de simulao, lembra?), e estabelece a quantidade de observaes (intervalo da mdia mvel) desejadas para a mdia mvel trabalhar. O resultado ser um conjunto de dados bem menos disperso, onde ser possvel visualizar a fase transiente da simulao. Caso ainda continue bastante disperso o grfico plotado (Plot), basta aumentar o campo Value no Moving Average. $ Batch/Truncate: Determinada a fase transiente, utiliza-se o mdulo Batch/Truncate para remover essa fase (quando se deseja trabalhar com o sistema em regime). Basta fornecer o nome do Data File, na rea Truncation da caixa de dilogo optar por Time e colocar o instante de trmino da fase transiente. No ltimo campo da caixa (Save Batch Means in File) escrever o nome do arquivo onde ficar esse novo conjunto de dados truncados ou filtrados (Arquivo.flt). Se o usurio plotar o Arquivo.flt, verificar que a fase transiente foi removida.

$ Correlogram: Utilizado para determinar o tamanho do lote mnimo para a independncia entre os eventos. Procura-se, portanto, determinar o mnimo lote de observaes onde a correlao entre os primeiros e ltimos elementos do lote seja prxima de zero. Na opo Correlogram, escolher o Data File (arquivo.flt) a ser tratado, e o Maximum Lags (nmero de observaes que se deseja visualizar no correlograma). A tela mostrar o correlograma e os valores das correlaes. Quanto atingir o valor zero (valores trocando de sinal, positivo para negativo, ou vice-versa), anotar a quantidade de observaes tratadas at este ponto. o lote mnimo de observaes. Adota-se um fator de segurana: por exemplo, 10. Teremos ento: Nmero de Observaes * 10 * tempo associado a uma observao (por exemplo, se estivermos estudando o tempo de sistema de uma entidade, o tempo individual da entidade ser igual mdia esperada da curva utilizada no Time Between/mdulo Arrive). Teremos como resultado o tamanho da simulao de um lote. Estabelece-se a quantidade de lote (por exemplo, 20), multiplica-se pelo tamanho da simulao de um lote e obtm-se o comprimento total da simulao. Executa-se a simulao durante esse tempo total encontrado + tempo transiente calculado anteriormente (colocar o valor no campo length of replication/mdulo Simulate). Voltando para o software Output Analyzer, abrir o Batch/Truncate, definir o Data File (arquivo.dat), na rea Truncation colocar os parmetros para eliminar a fase transiente, na rea Batches optar por Observations e no campo Size colocar o nmero de observaes do lote mnimo. OK? No Save Batch Means in File, escolher um nome para o arquivo de dados aqui tratado (arquivo.flt). $ Classical Confidence Interval on Means: repetir os mesmos procedimentos adotados no caso dos sistemas terminais. A analogia que os diversos lotes independentes, originrios da nica replicao longa (no caso do sistema ser noterminal), so tratados como se fossem vrias replicaes de um modelo de sistema terminal.