Você está na página 1de 73

INTRODUO PESQUISA OPERACIONAL

8a Edio

FREDERICK S. HILLIER
Stanford University

GERALD J. LIEBERMAN
Ex-Professor Titular da Stanford University

Traduo ARIOVALDO GRIESI Reviso Tcnica JOO CHANG JUNIOR Doutor em Administrao FEA/USP Professor Titular do Programa de Mestrado da UNIP Professor Titular da FAAP

Bangcoc Bogot Beijing Caracas Cidade do Mxico Cingapura Lisboa Londres Madri Milo Montreal Nova Delhi Santiago So Paulo Seul Sydney Taip Toronto

C A P T U L O

20

Simulao

este captulo final, estamos prontos para nos concentrarmos na ltima das tcnicaschave da pesquisa operacional. A simulao se destaca entre essas tcnicas sendo a mais usada delas. Alm disso, por ser uma ferramenta to flexvel, poderosa e intuitiva, ela continua a ganhar rapidamente popularidade. Essa tcnica envolve o uso de um computador para imitar (simular) a operao de um inteiro processo ou sistema. Por exemplo, a simulao freqentemente usada para realizar anlises de risco em processos financeiros, imitando repetidamente a evoluo das transaes envolvidas para gerar um perfil de possveis resultados. A simulao tambm amplamente usada para analisar sistemas estocsticos que continuaro a operar indefinidamente. Para tais sistemas, o computador gera e registra, aleatoriamente, as ocorrncias dos vrios eventos que dirigem o sistema como se eles estivessem operando fisicamente. Em virtude de sua velocidade, o computador pode simular at mesmo anos de operao em uma questo de segundos. Registrar o desempenho da operao simulada do sistema para uma srie de projetos ou procedimentos operacionais alternativos habilita ento a avaliao e a comparao dessas alternativas antes de escolher uma. A Seo 20.1 descreve e ilustra a essncia da simulao. A Seo 20.2 apresenta uma srie de aplicaes comuns de simulao. As Sees 20.3 e 20.4 se concentram em duas ferramentas-chave da simulao: a gerao de nmeros aleatrios e a gerao de observaes aleatrias a partir das distribuies de probabilidades. A Seo 20.5 descreve o procedimento geral para aplicao da simulao. A Seo 20.6 mostra como as simulaes agora podem ser executadas de forma eficiente em planilhas e, depois, a Seo 20.7 estende essa metodologia baseada em planilhas em busca de uma soluo tima para modelos de simulao. Um suplemento do captulo contido no CD-ROM introduz algumas tcnicas especiais para melhorar a preciso das estimativas das medidas de desempenho do sistema simulado. Um segundo suplemento no CD-ROM apresenta um mtodo estatstico inovador para analisar a sada de uma simulao.

20.1

A ESSNCIA DA SIMULAO
A tcnica de simulao tem sido h muito tempo uma importante ferramenta do projetista. Por exemplo, a simulao de vo de um avio em um tnel de vento uma prtica comum quando se projeta um avio novo. Teoricamente, as regras da fsica poderiam ser usadas para se obter as mesmas informaes sobre como o desempenho da aeronave muda medida que forem alterados os parmetros de projeto, porm, por questes prticas, a anlise se tornaria muito complicada para resolver o problema todo. Outra opo seria construir aeronaves
1

CAPTULO 20

SIMULAO

reais com projetos alternativos e test-los em vos reais para escolher o projeto final, no entanto, isso seria muito caro (alm de no ser seguro). Portanto, aps a realizao de algumas anlises tericas preliminares para desenvolver um pr-projeto, a simulao de vo em um tnel de vento uma ferramenta vital para experimentar projetos especficos. Essa simulao equivale a imitar o desempenho de um avio de verdade em um ambiente controlado de modo a estimar qual ser o real desempenho. Aps um projeto detalhado ter sido desenvolvido dessa maneira, um modelo prottipo pode ser construdo e testado em um vo real para ajustar o projeto final. O Papel da Simulao em Estudos de Pesquisa Operacional A simulao desempenha o mesmo papel em muitos estudos de PO. Entretanto, em vez de projetar um avio, a equipe de PO se preocupa com o desenvolvimento de um projeto ou procedimento operacional para algum sistema estocstico (um sistema que evolui probabilisticamente ao longo do tempo). Alguns desses sistemas estocsticos lembram os exemplos das cadeias de Markov e sistemas de filas descritos nos Captulos 16 e 17, e outros so mais complexos. Em vez de usar um tnel de vento, o desempenho do sistema real imitado usando-se distribuies de probabilidades para gerar aleatoriamente diversos eventos que ocorrem no sistema. Portanto, um modelo de simulao sintetiza o sistema construindo-o, componente por componente, e evento por evento. Em seguida, o modelo executa o sistema simulado para obter observaes estatsticas do desempenho do sistema resultante de diversos eventos gerados aleatoriamente. Como as execues de simulao normalmente exigem a gerao e o processamento de um enorme volume de dados, esses experimentos estatsticos simulados so, inevitavelmente, realizados em um computador. Quando a simulao for usada como parte de um estudo de PO, ele comumente precedido e seguido pelas mesmas etapas descritas anteriormente para o projeto de um avio. Particularmente, feita alguma anlise preliminar (talvez com modelos matemticos aproximados) para se obter um esboo do sistema (inclusive de seus procedimentos operacionais). Em seguida, usada a simulao para experimentar projetos especficos para estimar o desempenho de cada um deles. Aps um projeto detalhado ter sido desenvolvido e selecionado dessa maneira, o sistema provavelmente testado na prtica para ajustes no projeto final. Para preparar a simulao de um sistema complexo, um modelo de simulao detalhado precisa ser formulado para descrever a operao do sistema e como ele deve ser simulado. Um modelo de simulao tem diversos blocos construtivos bsicos: 1. Uma definio do estado do sistema (por exemplo, o nmero de clientes em um sistema de filas). 2. Identificar os possveis estados do sistema que podem ocorrer. 3. Identificar os possveis eventos (por exemplo, chegadas e trminos de atendimento em um sistema de filas) que mudariam o estado do sistema. 4. Uma proviso para um relgio simulado, localizado no mesmo endereo do programa de simulao, que vai registrar a passagem do tempo (simulado). 5. Um mtodo para gerar eventos aleatoriamente de diversos tipos. 6. Uma frmula para identificar as transies de estado que so geradas pelos diversos tipos de eventos. Grandes avanos tm sido feitos no sentido do desenvolvimento de software especial (descrito na Seo 20.5) para integrar de forma eficiente o modelo de simulao em um programa de computador e ento realizar as simulaes. No obstante, ao lidar com sistemas relativamente complexos, a simulao tende a ser um procedimento relativamente caro. Aps formular um modelo de simulao detalhado, necessrio um tempo considervel para desenvolver e depurar os programas de computador necessrios para executar a simulao. Em seguida, talvez sejam necessrios diversos processamentos longos para se obter dados de qualidade sobre como ser o desempenho de todos os projetos alternativos do sistema. Finalmente, todos esses dados (que apenas fornecem estimativas do desempenho dos projetos alternativos) deveriam ser analisados cuidadosamente antes de se chegar a qualquer

20.1

A ESSNCIA DA SIMULAO

concluso final. Todo esse processo normalmente consome muito tempo e esforo. Portanto, a simulao no deveria ser usada quando existir um procedimento menos oneroso capaz de fornecer as mesmas (ou melhores) informaes. Normalmente a simulao usada quando o sistema estocstico envolvido for muito complexo para ser analisado satisfatoriamente pelos tipos de modelos matemticos (por exemplo, modelos de filas) descritos em captulos precedentes. Um dos principais pontos fortes de um modelo matemtico o fato de ele abstrair a essncia do problema e revelar sua estrutura subjacente fornecendo, portanto, as relaes causa-efeito contidas no sistema. Assim, se o modelador for capaz de construir um modelo matemtico que seja, ao mesmo tempo, uma idealizao razovel do problema e tratvel para soluo, essa abordagem geralmente superior em relao simulao. Entretanto, diversos problemas so muito complexos para permitir o uso dessa metodologia. Logo, a simulao normalmente a nica abordagem prtica a um problema. Simulao por Eventos Discretos versus Simulao Contnua Duas amplas categorias de simulaes so as simulaes por eventos discretos e as simulaes contnuas. A simulao por eventos discretos aquela em que as mudanas no estado do sistema ocorrem instantaneamente em pontos aleatrios no tempo como resultado da ocorrncia de eventos discretos. Por exemplo, em um sistema de filas no qual o estado do sistema o nmero de clientes no sistema, os eventos discretos que mudam esse estado so a chegada e a sada de um cliente em decorrncia da finalizao desse servio. A maioria das aplicaes de simulao, na prtica, simulao por eventos discretos. A simulao contnua aquela na qual as mudanas no estado do sistema ocorrem continuamente ao longo do tempo. Por exemplo, se o sistema de interesse for um avio em vo e seu estado for definido como a posio atual da aeronave, ento o estado est mudando continuamente ao longo do tempo. Algumas aplicaes de simulaes contnuas ocorrem em estudos de projetos de tais sistemas de engenharia. As simulaes contnuas normalmente exigem o emprego de equaes diferenciais para descrever a taxa de mudana das variveis de estado. Logo, a anlise tende a ser relativamente complexa. Aproximando as mudanas contnuas do estado de um sistema por mudanas ocasionais discretas, muitas vezes possvel usar a simulao por eventos discretos para aproximar o comportamento de um sistema contnuo. Isso tende a simplificar enormemente a anlise. Este captulo se concentra daqui em diante nas simulaes por eventos discretos. Assumimos esse tipo em todas as referncias feitas posteriormente simulao. Vejamos agora dois exemplos para ilustrar as idias bsicas da simulao. Esses exemplos so consideravelmente mais simples do que a aplicao usual dessa tcnica de modo a destacar as principais idias de forma mais rpida. De fato, o primeiro sistema to simples que a simulao nem mesmo precisa ser realizada em um computador. O segundo sistema incorpora um nmero maior de caractersticas comuns de uma simulao, embora ela seja, tambm, suficientemente simples para ser resolvida analiticamente. EXEMPLO 1 Um Jogo de Lanamento de Moeda Voc o felizardo de uma rifa. Seu prmio uma viagem com todas as despesas pagas em um luxuoso hotel em Las Vegas, incluindo algumas fichas para apostas no cassino do hotel. Aps entrar no cassino, voc descobre que, alm dos jogos usuais (blackjack, roleta etc.), eles dispem de um novo e interessante jogo com as seguintes regras. Regras do Jogo 1. Cada rodada do jogo envolve lanar repetidamente uma moeda no viciada at que a diferena entre o nmero de caras obtido e o nmero de coroas seja 3.

CAPTULO 20

SIMULAO

2. Caso decida participar do jogo, exigido uma aposta de US$ 1 para cada lanamento da moeda. No permitido abandonar o jogo durante uma rodada. 3. Voc receber US$ 8 no final de cada rodada do jogo. Logo, voc ganhar dinheiro caso o nmero de lanamentos necessrio for menor que 8, porm perder dinheiro caso sejam necessrios mais de 8 lanamentos. Eis alguns exemplos (em que H representa cara e T coroa).
HHH THTTT THHTHTHTTTT 3 lanamentos. 5 lanamentos. 11 lanamentos. Voc ganha US$ 5 Voc ganha US$ 3 Voc perde US$ 3

Como voc decidiria se deve ou no participar desse jogo? Muitas pessoas baseariam sua deciso em simulao, embora elas provavelmente no usasse essa denominao. Nesse caso, a simulao equivale a nada mais do que simplesmente participar do jogo muitas vezes sem apostar at que se torne claro se vale a pena ou no jogar por dinheiro. Meia hora jogando repetidamente uma moeda e registrando os ganhos ou perdas resultantes talvez seja suficiente. Essa uma simulao verdadeira, pois estamos imitando a realizao do jogo sem, na verdade, ganhar ou perder qualquer dinheiro. Vejamos agora como um computador pode ser usado para realizar esse mesmo experimento simulado. Embora um computador no seja capaz de lanar moedas, ele pode simular isso. Ele faz isso gerando uma seqncia de observaes aleatrias a partir de uma distribuio uniforme entre 0 e 1, em que essas observaes aleatrias sejam conhecidas como nmeros aleatrios uniformes ao longo do intervalo [0, 1]. Uma maneira fcil de gerar esses nmeros aleatrios uniformes usar a funo RAND() do Excel. Por exemplo, o canto inferior esquerdo da Figura 20.1 indica que RAND() foi introduzido na clula C13 e ento copiado no intervalo C14:C62 com o comando Copy. preciso empregar parnteses nessa funo, mas, na realidade, no se insere nada entre eles. Isso faz que o Excel gere os nmeros aleatrios mostrados nas clulas C13:C62 da planilha. As linhas 2756 foram ocultas para poupar espao na figura. As probabilidades para o resultado de se lanar uma moeda so P(caras) 1 , P(coroas) 2 1 . 2

Portanto, para simular o lanamento de uma moeda, o computador pode simplesmente deixar que qualquer metade dos possveis nmeros aleatrios corresponda a caras e a outra metade, a coroas. Para ser especfico, usaremos a seguinte correspondncia. 0,0000 a 0,4999 0,5000 a 0,9999 Usando a frmula, IF(RandomNumber 0.5, Caras, Coroas), corresponde a corresponde a caras. coroas.

em cada uma das clulas da coluna D da Figura 20.1, o Excel insere Caras se o nmero aleatrio for menor que 0,5 e insere Coroas, caso contrrio. Conseqentemente, os primeiros 11 nmeros aleatrios gerados na coluna C resultam na seguinte seqncia de caras (H) e coroas (T): HTTTHHHTHHH, em cujo ponto o jogo pra, pois o nmero de caras (7) excede o nmero de coroas (4) em trs unidades. As clulas D7 e D8 registram o nmero total de lanamentos (11) e as vitrias resultantes (US$ 8 US$ 11 US$ 3). As equaes na parte inferior da Figura 20.1 mostram as frmulas que foram introduzidas nas diversas clulas introduzindo-as na parte superior e depois usando o comando Copy para copi-las para baixo das colunas. Usando-se essas equaes, a planilha registra

20.1

A ESSNCIA DA SIMULAO
G

A B C D E F 1 Jogo de Lanamento de Moeda 2 Diferena Exigida 3 3 Dinheiro acumulado US$ 8 4 no final do jogo 5 Resumo do Jogo 6 Resumo do Jogo 11 7 Vitrias - US$ 3 8 9 10 Nmero Total Total 11 Resultado de Caras de Coroas 1 2 Lanamento Aleatrio 1 0,6961 Caras 1 0 13 2 0,2086 Coroas 1 1 14 3 0,1457 Coroas 1 2 15 4 0,3098 Coroas 1 3 16 5 0,6996 Caras 2 3 17 6 0,9617 Caras 3 3 18 7 0,6117 Caras 4 3 19 8 0,3948 Coroas 4 4 20 9 0,7769 Caras 5 4 21 22 10 0,5750 Caras 6 4 23 11 0,6271 Caras 7 4 24 12 0,2017 Coroas 7 5 25 13 0,7660 Caras 8 5 26 14 0,9918 Caras 9 5 45 0,2461 Coroas 23 22 57 46 0,7011 Caras 24 22 58 59 47 0,3533 Coroas 24 23 60 48 0,7136 Caras 25 23 61 49 0,7876 Caras 26 23 62 50 0,3580 Coroas 26 24

Parar?

Parar NA NA NA NA NA NA NA NA NA

6 7 8

D Resumo do Jogo NumeroDeLancamentos =COUNTBLANK(Stop?)+1 Vitorias =DinheiroAcumuladoNoFinalDoJogo-NumeroDeLancamentos

Nome da Faixa de Clulas DinheiroNoFinalDoJogo Lancamento NumeroDeLancamentos NumeroAleatorio DiferencaExigida Resultado Parar? TotalCaras TotalCoroas Vitorias

Clulas D4 B13:B62 D7 C13:C62 D3 D13:D62 G13:G62 E13:E62 F13:F62 D8

11 12 13 14 15 16 17

C Nmero

Aleatrio
=RAND() =RAND() =RAND() : :

E F Total Total Resultado Caras Coroas =Se(NumeroAleatorio<0.5,1,0) =IF(Resultado="Caras",1,0) =Lancamentos-TotalCaras =Se(NumeroAleatorio<0.5,"Coroas","Caras") =E13+IF(Resultado="Caras",1,0) =Lancamentos-TotalCaras =Se(NumeroAleatorio<0.5,"Coroas","Caras) =E14+IF(Resultado="Caras",1,0) =Lancamentos-TotalCaras : : : : : : D

G 12 Parar? 13 14 1 5 =IF(ABS(TotalCaras-TotalCoroas)>=DiferencaExigida,"Parar","") 1 6 =IF(G15="",IF(ABS(TotalCaras-TotalCoroas)>=DiferencaExigida,"Parar",""),"NA") 1 7 =IF(G16="",IF(ABS(TotalCaras-TotalCoroas)>=DiferencaExigida,"Parar",""),"NA") : 18 : 19

FIGURA 20.1 Um modelo de planilha para uma simulao do jogo de lanamento de moeda (Exemplo 1).

CAPTULO 20

SIMULAO

ento a simulao de uma rodada completa do jogo. Para praticamente garantir que o jogo ser completado, foram simulados 50 lanamentos da moeda. As colunas E e F registram o nmero cumulativo de caras e coroas aps cada lanamento. As equaes introduzidas nas clulas da coluna G deixam cada clula em branco at que a diferena no nmero de caras e coroas chegue a 3, cujo ponto PARE inserido na clula. A partir da, NA (de No se Aplica) inserido em seu lugar. Usando-se as equaes mostradas logo abaixo da planilha na Figura 20.1, as clulas D7 e D8 registram o resultado da rodada simulada do jogo. Tais simulaes de rodadas do jogo podem ser repetidas quanto for desejado com essa planilha. A cada vez, o Excel vai gerar uma nova seqncia de nmeros aleatrios e, portanto, uma nova seqncia de caras e coroas. O Excel vai repetir uma seqncia de nmeros aleatrios somente se selecionarmos o intervalo de nmeros que queremos repetir, copiar esse intervalo por meio do comando Copy, selecionarmos Paste Special do menu Edit, selecionarmos a opo Values e ento clicarmos em OK. As simulaes normalmente so repetidas muitas vezes para se obter uma estimativa mais confivel de um resultado mdio. Por essa razo, essa mesma planilha foi utilizada para gerar a tabela de dados da Figura 20.2 para 14 rodadas do jogo. Conforme indicado no canto superior direito dessa figura, isso feito introduzindo-se equaes na primeira linha da tabela de dados que se referem sada das clulas de interesse na Figura 20.1 e, portanto, NumeroDeLancamentos introduzido na clula K6 e Vitorias introduzido na clula L6. O prximo passo selecionar todo o contedo da tabela (clulas J6:L20) e selecionar Table do menu Data. Finalmente, selecione qualquer clula em branco (por exemplo, a clula E4) como clula para introduo na coluna e clique OK. O Excel recalcula ento as clulas de sada nas colunas K e L para cada linha na qual um nmero qualquer introduzido na linha J. Por intermdio da introduo dessas equaes, AVERAGE(K7:K20) ou (L7:L20), nas clulas K22 e L22, teremos as mdias dadas nessas clulas.

FIGURA 20.2 Uma tabela de dados que registra os resultados da realizao de 14 repeties de uma simulao com a planilha da Figura 20.1.
I 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 J K

Tabela de Dados para o Jogo de Lanamento de Moeda (14 repeties)


Nmero de Rodada Lanamentos 3 1 9 2 5 3 7 4 11 5 5 6 3 7 3 8 11 9 7 10 15 11 3 12 7 13 9 14 5 Mdia
J

Nome da Faixa de Clulas NumeroDelancamentos Vitorias


K 4 5 6

Clula D7 D8
L

Vitrias U$ 5 -U$ 1 U$ 3 U$ 1 -U$ 3 U$ 3 U$ 5 U$ 5 -U$ 3 U$ 1 -U$ 7 U$ 5 U$ 1 -U$ 1 3 U$ 0,86


L

Selecione a tabela inteira (J6:L20) antes de escolher Table do menu Data.

Nmero de Lanamentos =NumeroDeLancamentos

Vitrias =Vitorias

7.14
K

22

Mdia

=MEDIA(K7:K20)

=MEDIA(L7:L20)

20.1

A ESSNCIA DA SIMULAO

Embora essa execuo de simulao em particular exija o emprego de duas planilhas uma para executar cada repetio da simulao e a outra para registrar os resultados das repeties em uma tabela de dados devemos destacar que as repeties de algumas outras simulaes podem ser realizadas em uma nica planilha. Esse o caso toda vez que cada repetio puder ser realizada e registrada em uma nica linha da planilha. Por exemplo, se for necessrio apenas um nico nmero aleatrio uniforme para executar uma repetio, ento todo o processamento da simulao pode ser feito e registrado usando-se uma planilha similar quela da Figura 20.1. Retornando Figura 20.2, a clula K22 revela que essa amostra de 14 rodadas do jogo fornece uma mdia amostral igual a 7,14 lanamentos. A mdia amostral proporciona uma estimativa da verdadeira mdia da distribuio de probabilidades subjacente do nmero de lanamentos necessrios para uma rodada do jogo. Logo, essa mdia amostral igual a 7,14 poderia indicar que, em mdia, voc ganharia cerca de US$ 0,86 (clula L22) cada vez que participar desse jogo. Portanto, se no tiver uma averso relativamente alta a correr riscos, parece que voc deveria optar por participar desse jogo, preferencialmente um grande nmero de vezes. Entretanto, cuidado! Um erro comum no uso de simulao que as concluses se baseiam em amostras demasiadamente pequenas, pois a anlise estatstica era inadequada ou simplesmente ausente. Nesse caso, o desvio-padro da amostra 3,67, de modo que o desvio-padro estimado da mdia amostral 3,67/ 14 0,98. Dessa forma, mesmo se se supuser que a distribuio de probabilidades do nmero de lanamentos necessrios para uma rodada do jogo seja uma distribuio normal (que uma suposio grosseira, pois a verdadeira distribuio assimtrica), qualquer intervalo de confiana razovel para a verdadeira mdia dessa distribuio se estenderia bem acima de 8. Logo, necessrio um tamanho de amostra muito maior antes de podermos tirar uma concluso vlida em um nvel razovel de significncia estatstica. Infelizmente, como o desvio-padro de uma mdia amostral inversamente proporcional raiz quadrada do tamanho da amostra, preciso um grande aumento no tamanho da amostra para se obter um aumento relativamente pequeno na preciso da estimativa da mdia verdadeira. Nesse caso, parece que 100 rodadas simuladas (repeties) do jogo poderiam ser adequadas, dependendo de quo prximo a mdia da amostra se encontra em relao a 8, porm realizar 1.000 repeties seria muito mais seguro. Acontece que a mdia verdadeira do nmero de lanamentos necessrios para uma rodada desse jogo 9. Essa mdia pode ser encontrada analiticamente, mas no de forma fcil. Assim, a longo prazo, voc, na verdade, estaria perdendo em mdia US$ 1 cada vez que participar do jogo. Parte da razo para o experimento simulado descrito anteriormente ter falhado para se tirar essa concluso que voc tem uma pequena chance de perda muito grande em qualquer rodada do jogo, mas jamais poder ganhar mais de US$ 5 por vez. Entretanto, 14 rodadas simuladas do jogo no foram suficientes para obter quaisquer observaes distantes na cauda da distribuio de probabilidades da quantia ganha ou perdida em uma rodada do jogo. Somente uma rodada simulada forneceu uma perda de mais de US$ 3 e esta for de apenas US$ 7. A Figura 20.3 fornece os resultados da execuo da simulao para 1.000 rodadas dos jogos (com as linhas 171.000 no mostradas). A clula K1008 registra o nmero mdio de lanamentos como 8,97, muito prximo da mdia verdadeira igual a 9. Com esse nmero de repeties, as vitrias mdias de US$ 0,97 na clula L1008 agora oferece uma base confivel para concluir que esse jogo no lhe dar lucro a longo prazo. Pode apostar que o cassino j usou simulao para comprovar esse fato antecipadamente. Embora construir formalmente um modelo de simulao totalmente desenvolvido no tenha precisado dessa simulao simples, faremos isso agora para fins ilustrativos. O sistema estocstico simulado o lanamento sucessivo da moeda para uma rodada do jogo. O relgio de simulao registra o nmero de lanamentos (simulados) t que aconteceram at ento. As informaes sobre o sistema que define seu estado atual, isto , o estado do sistema, N(t) nmero de caras menos o nmero de coroas aps t lanamentos.

CAPTULO 20
I 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1001 1002 1003 1004 1005 1006 1007 1008

SIMULAO
J

Tabela de Dados para o Jogo de Lanamento de Moeda (14 repeties)


Nmero de Rodada Lanamentos Vitrias 5 US $ 3 1 3 US$5 2 3 US$5 3 7 US$1 4 11 -US$3 5 13 -US$5 US $1 6 7 US $5 7 3 8 7 US $1 9 3 US $5 -US$1 10 9 US $3 995 5 -US$19 996 27 997 7 US $1 998 3 US $5 -US$1 999 9 -US$9 1000 17 Mdia 8,97 -US$0,97

FIGURA 20.3 Esta tabela de dados aumenta a confiabilidade da simulao registrada na Figura 20.2 realizando 1.000 repeties em vez de apenas 14.

Os eventos que mudam o estado do sistema so a obteno de uma cara ou de uma coroa. O mtodo de gerao de eventos a gerao de um nmero aleatrio uniforme ao longo do intervalo [0, 1], em que 0,0000 a 0,4999 uma cara, 0,5000 a 0,9999 uma coroa. A frmula de transio de estado Reset N(t) N(t N(t 1) 1) 1 1 se o lanamento t der cara se o lanamento t der coroa.

O jogo simulado termina ento no primeiro valor de t no qual N(t) 3, em que a observao de amostragem resultante para o experimento simulado 8 t, a quantia ganha (positiva ou negativa) para essa rodada do jogo. O prximo exemplo ilustrar esses blocos componentes de um modelo de simulao para um sistema estocstico proeminente da teoria das filas. Exemplo 2 Um Sistema de filas M/M/1 Considere o modelo M/M/1 da teoria das filas (processo de entrada de Poisson, tempos de atendimento exponenciais e um nico atendente) que foi discutido no incio da Seo 17.6. Embora esse modelo j tenha sido resolvido analiticamente, ser instrutivo considerar como estud-lo pela simulao. Para ser mais especfico, suponha que os valores da taxa de chegada e taxa de atendimento sejam 3 por hora, 5 por hora.

Para resumir a operao fsica do sistema, os clientes que chegam entram na fila, so eventualmente atendidos e ento saem. Logo, necessrio para o modelo de simulao descrever e sincronizar a chegada e o atendimento dos clientes.

20.1

A ESSNCIA DA SIMULAO

Partindo do instante 0, o relgio de simulao registra o perodo (simulado) t que transcorreu at ento, durante a execuo da simulao. As informaes sobre o sistema de filas que define seu estado atual, isto , o estado do sistema, N(t) nmero de clientes no sistema no instante t.

Os eventos que mudam o estado do sistema so a chegada de um cliente ou o trmino de um atendimento para o cliente que est sendo atendido no momento (se existir realmente algum). Iremos descrever o mtodo de gerao de eventos um pouco mais frente. A frmula de transio de estados Reset N(t) N(t) N(t) 1 1 se as chegadas ocorrerem no instante t se o trmino do atendimento ocorrer no instante t.

H dois mtodos bsicos usados para avanar o relgio de simulao e registrar a operao do sistema. No faremos a distino entre esses mtodos para o Exemplo 1, pois eles, na verdade, coincidem para essa situao simples. Entretanto, agora, descreveremos e ilustraremos esses dois mtodos de avano de tempo (incremento de tempo fixo e incremento do prximo evento) um de cada vez. Pelo mtodo de avano de tempo com incrementos de tempo fixos, usado repetidamente o seguinte procedimento de dois passos. Resumo do Mtodo de Incrementos de Tempo Fixos 1. Avance no tempo de um pequeno valor fixo. 2. Atualize o sistema determinando que eventos ocorreram durante o intervalo de tempo decorrido e qual o estado resultante do sistema. Registre tambm as informaes desejadas sobre o desempenho do sistema. Para o modelo da teoria das filas considerado, podem ocorrer apenas dois tipos de eventos durante cada um dos intervalos de tempo decorridos, a saber: uma ou mais chegadas e um ou mais trminos de atendimento. Alm disso, a probabilidade de duas ou mais chegadas ou de dois ou mais trminos de atendimento durante um intervalo desprezvel para esse modelo se o intervalo for relativamente pequeno. Assim, os dois nicos eventos possveis durante tal intervalo que precisam ser investigados so a chegada de um cliente e o trmino do atendimento para um cliente. Cada um desses eventos possui uma probabilidade conhecida. Como ilustrao, usaremos 0,1 hora (6 minutos) como o menor perodo fixo com que o relgio avana por vez. Normalmente, seria usado um intervalo de tempo consideravelmente menor para tornar desprezvel a probabilidade de chegadas mltiplas ou de trminos de atendimento mltiplos, porm a opo aqui adotada criar mais dinmica para fins ilustrativos. Como tanto os tempos entre as chegadas como os tempos de atendimento possuem uma distribuio exponencial, a probabilidade PA de que um intervalo de tempo de 0,1 hora vai incluir uma chegada PA 1 e
3/10

0,259,

e a probabilidade PD de que ele incluir uma sada (trmino de atendimento), dado que um cliente estava sendo atendido no incio do intervalo, PD 1 e
5/10

0,393.

Para gerar aleatoriamente qualquer tipo de evento de acordo com essas probabilidades, a abordagem similar quela do Exemplo 1. Novamente o computador usado para gerar um nmero aleatrio uniforme ao longo do intervalo [0, 1], isto , uma observao aleatria da distribuio uniforme entre 0 e 1. Se representarmos esse nmero aleatrio uniforme por rA, rA rA 0,259 ocorreu uma chegada, 0,259 no ocorreu uma chegada.

10

CAPTULO 20

SIMULAO

Similarmente, com outro nmero aleatrio uniforme rD, rD rD 0,393 ocorreu uma sada, 0,393 no ocorreu uma sada,

dado que um cliente estava sendo atendido no incio do intervalo de tempo. Sem nenhum cliente em atendimento ento (isto , nenhum cliente no sistema), supe-se que no possa ocorrer nenhuma sada durante o intervalo, mesmo que ocorra efetivamente uma chegada. A Tabela 20.1 ilustra o resultado de se usar essa abordagem para dez iteraes do procedimento em incrementos de tempo fixos, iniciando com nenhum cliente no sistema e usando minutos como unidade de tempo. O Passo 2 do procedimento (atualizar o sistema) inclui o registro das medidas de desempenho desejadas sobre o comportamento agregado do sistema durante esse intervalo de tempo. Por exemplo, ele poderia registrar o nmero de clientes no sistema de filas e o tempo de espera de qualquer cliente que acabasse de ter completado seu tempo de espera. Se for suficiente estimar apenas a mdia em vez da distribuio de probabilidades de cada uma dessas variveis aleatrias, o computador vai meramente adicionar o valor (se houver algum) no final do intervalo de tempo atual a uma soma cumulativa. As mdias das amostras sero obtidas aps a execuo da simulao ter sido finalizada dividindo-se essas somas pelos tamanhos das amostras envolvidos, isto , respectivamente, o nmero total de intervalos de tempo e o nmero total de clientes. Para ilustrar esse procedimento estimativo, suponha que a execuo da simulao na Tabela 20.1 estivesse sendo usada para estimar W, o tempo de espera de estado estvel esperado de um cliente no sistema de filas (incluindo atendimento). Dois clientes chegaram durante essa execuo da simulao, um durante o primeiro intervalo de tempo e o outro durante o stimo, e cada um permaneceu no sistema para trs intervalos de tempo. Portanto, desde a durao de cada intervalo de tempo seja 0,1 hora, a estimativa de W Est{W} 3 2 3 (0,1 hora) 0,3 hora.

Isso , logicamente, apenas uma estimativa extremamente grosseira, baseada em um tamanho de amostra de apenas 2. Usando a frmula para W dada na Seo 17.6, seu valor verdadeiro W 1/( ) 0,5 hora. Normalmente seria usado um tamanho de amostra bem maior. Outra deficincia de se usar apenas a Tabela 20.1 que essa execuo de simulao iniciou sem nenhum cliente no sistema, o que faz que as observaes iniciais de tempos de espera tendem a ser ligeiramente menores que o valor esperado quando o sistema se encontra em uma condio de estado estvel. J que o objetivo estimar o tempo de espera de estado estvel esperado, importante rodar a simulao por algum tempo sem coletar dados at que se acredite que o sistema simulado tenha atingido basicamente uma condio de

TABELA 20.1 Incremento de tempo fixo aplicado ao Exemplo 2


t, tempo (min) 0 6 12 18 24 30 36 42 48 54 60 N(t) 0 1 1 1 0 0 0 1 1 1 0 rA 0,096 0,569 0,764 0,492 0,950 0,610 0,145 0,484 0,350 0,430 Chegada no Intervalo? rD 0,665 0,842 0,224 0,552 0,590 0,041 Sada no Intervalo?

Sim No No No No No Sim No No No

No No Sim

No No Sim

20.1

A ESSNCIA DA SIMULAO

11

estado estvel. O segundo suplemento para este captulo no CD-ROM descreve um mtodo especial para contornar esse problema. Esse perodo esperado para basicamente atingir uma condio de estado estvel antes de coletar dados chamado perodo de aquecimento. O incremento pelo prximo evento difere do incremento em tempo fixo em: o relgio de simulao incrementado por um valor varivel em vez de um valor fixo de cada vez. Esse valor varivel o tempo do evento que acaba de ocorrer at a ocorrncia do prximo evento de qualquer tipo, isto , o relgio pula de evento em evento. Segue um resumo. Resumo do Incremento pelo Prximo Evento 1. Avance o tempo para o tempo do prximo evento de qualquer tipo. 2. Atualize o sistema determinando seu novo estado que resulta desse evento e gerando alea toriamente o tempo at que a prxima ocorrncia de qualquer tipo de evento possa ocorrer desse estado (caso no tenha sido previamente gerado). Registre tambm as informaes desejadas sobre o desempenho do sistema. Para esse exemplo, o computador precisa acompanhar dois eventos futuros, isto , a prxima chegada e o prximo trmino de atendimento (se um cliente estiver sendo atendido no momento). Esses tempos so obtidos efetuando-se, respectivamente, uma observao aleatria da distribuio de probabilidades dos tempos entre chegadas e de atendimento. Como antes, o computador efetua uma observao aleatria gerando e usando um nmero aleatrio. Essa tcnica ser discutida na Seo 20.4. Logo, cada vez que ocorrer uma chegada ou trmino de atendimento, o computador determina quanto tempo levar at a prxima ocorrncia desse evento, adicionar esse tempo ao horrio atual do relgio e depois armazenar essa soma em um arquivo. Se o trmino de atendimento no deixar nenhum cliente no sistema, ento a gerao do tempo at o prximo trmino de atendimento adiada at a ocorrncia da prxima chegada. Para determinar qual evento vai ocorrer em seguida, o computador encontra o menor valor de horrio armazenado no arquivo. Para acelerar o processo de manuteno de registros envolvido, linguagens de programao de simulao fornecem uma rotina de horrios que determina o horrio de ocorrncia e o tipo do prximo evento, avana o horrio e transfere o controle para o subprograma apropriado para o tipo de evento. A Tabela 20.2 mostra o resultado da aplicao desse mtodo por meio de cinco iteraes do procedimento de incremento pelo prximo evento, iniciando sem nenhum cliente no sistema e usando minutos como unidade de tempo. Para referncia posterior, inclumos os nmeros aleatrios uniformes rA e rD usados para gerar os tempos entre chegadas e os tempos de atendimento, respectivamente, pelo mtodo a ser descrito na Seo 20.4. Esses rA e rD so os mesmos usados na Tabela 20.1 de modo a fornecer uma comparao mais consistente entre os dois mecanismos de avano do tempo. Os arquivos em Excel deste captulo no Courseware de PO incluem um procedimento automtico, chamado Queueing Simulator, para aplicao do procedimento de incremento pelo prximo evento em diversos tipos de sistemas de filas. O sistema pode ter um ou vrios atendentes. Encontram-se disponveis diversas opes (exponenciais, de Erlang, degeneradas, uniformes ou exponenciais transformadas) para as distribuies de probabilidades de tempos entre chegadas e tempos de atendimento. A Figura 20.4 ilustra a entrada e sada
TABELA 20.2 Incremento pelo prximo evento aplicado ao Exemplo 2
t, tempo (min) N(t) 0 2,019 15,142 18,852 40,994 47,730 0 1 0 1 0 1 Next Interarrival Time 2,019 16,833 28,878 Next Service Prxima Time Chegada 13,123 22,142 2,019 18,852 18,852 47,730 47,730 Prxima Sada 15,142 40,994 Prximo Evento Chegada Sada Chegadal Sada Chegadal

rA 0,096 0,569 0,764

rD 0,665 0,842

12

CAPTULO 20

SIMULAO

(usando horas como unidade) da aplicao do Queueing Simulator ao exemplo atual para uma execuo de simulao com 10.000 chegadas de clientes. Usando-se a notao para as diversas medidas de desempenho para sistemas de filas introduzida na Seo 17.2, a coluna F fornece a estimativa de cada uma dessas medidas obtidas pelo processamento da simulao. Usando-se as frmulas fornecidas na Seo 17.6 para um sistema de filas M/M/1, os valores reais dessas medidas so L 1,5; Lq 0,9; W 0,5; Wq 0,3; P0 0,4 e Pn 0,4(0,6)n. As colunas G e H mostram o intervalo de confiana de 95% correspondente para cada uma dessas medidas. Note que esses intervalos de confiana so ligeiramente mais amplos que o esperado aps um processamento de simulao to longo. Em geral, so necessrios processamentos de simulao surpreendentemente longos para se obter estimativas relativamente precisas (intervalos de confiana estreitos) para as medidas de desempenho de um sistema de filas (ou para a maioria dos sistemas estocsticos). O procedimento de incremento pelo prximo evento consideravelmente mais bem adequado a esse exemplo e a sistemas estocsticos similares que o procedimento de incrementos de tempo fixos. O procedimento de incremento pelo prximo evento requer um nmero menor de iteraes para cobrir o mesmo perodo de simulao, alm de gerar uma programao precisa da evoluo do sistema em vez de uma aproximao grosseira. O procedimento de incremento pelo prximo evento ser ilustrado novamente no segundo suplemento para este captulo contido no CD-ROM no contexto de um experimento estatstico completo para estimativa de certas medidas de desempenho para outro sistema de filas. Esse suplemento tambm descreve o mtodo estatstico que usado pelo Queueing Simulator para obter seus intervalos de confiana e estimativas pontuais. Ainda ficaram sem resposta diversas perguntas pertinentes sobre como conduzir um estudo de simulao desse tipo. Essas respostas so apresentadas em um contexto mais amplo em sees posteriores. Mais Exemplos no Courseware de PO Os exemplos de simulao so mais fceis de serem compreendidos quando puderem ser observados em ao, em vez de simples comentrios em uma pgina de um livro. Portanto, o setor de simulao do Tutorial IOR inclui um procedimento automtico intitulado Animation of a Queueing System (Animao de um Sistema de Filas) que mostra uma

FIGURA 20.4 A sada obtida pelo emprego do Queueing Simulator incluso nos arquivos em Excel deste captulo para realizar uma simulao do Exemplo 2 ao longo de um perodo de 10.000 chegadas de cliente.

20.2 ALGUNS TIPOS COMUNS DE APLICAES DE SIMULAO

13

simulao na qual se pode observar na prtica os clientes entrando e saindo de um sistema de filas. Logo, ver essa animao ilustra a seqncia de eventos que o procedimento de incremento pelo prximo evento geraria durante a simulao de um sistema de filas. Alm disso, a rea de simulao do Tutor PO inclui dois exemplos demonstrativos que deveriam ser vistos neste momento. Ambos os exemplos demonstrativos envolvem um banco que planeja abrir uma nova agncia. As questes so quantos caixas (postos de atendimento) oferecer e quantos caixas (funcionrios) ter em servio no incio de atividade. Portanto, o sistema estudado um sistema de filas. Entretanto, ao contrrio do sistema de fila M/M/1 que acabamos de considerar no Exemplo 2, esse sistema de filas muito complicado para ser resolvido de forma analtica. Esse sistema tem vrios atendentes (caixas) e as distribuies de probabilidades de tempos entre chegadas e tempos de atendimento no se ajustam aos modelos tradicionais da teoria das filas. Alm disso, na segunda demonstrao, decidiu-se que uma categoria de clientes (comerciantes) deve receber prioridade no-preemptiva em relao aos demais clientes, porm, as distribuies de probabilidades para essa categoria so diferentes daquelas dos demais clientes. Essas complicaes so tpicas daquelas que podem ser prontamente incorporadas em um estudo de simulao. Em ambas as demonstraes, voc poder ver clientes chegando e clientes atendidos deixarem o sistema, bem como o procedimento de incremento pelo prximo evento aplicado simultaneamente execuo da simulao. As demonstraes tambm introduzem um procedimento interativo denominado Interactively Simulate Queueing Problem (Problema de Fila com Simulao Interativa) do Tutorial IOR que voc achar muito til ao lidar com alguns dos problemas no final deste captulo.

20.2 ALGUNS TIPOS COMUNS DE APLICAES DE SIMULAO


A simulao uma tcnica extremamente verstil. Ela pode ser usada (com diversos graus de dificuldade) para investigar praticamente qualquer tipo de sistema estocstico. Essa versatilidade fez da simulao a tcnica de PO mais largamente utilizada para estudos que lidam com tais sistemas e sua popularidade continua a crescer. Por causa da enorme diversidade de suas aplicaes, torna-se impossvel enumerar todas as reas especficas nas quais a simulao vem sendo usada. Entretanto, descreveremos brevemente aqui algumas categorias particularmente importantes de aplicaes. As trs primeiras categorias dizem respeito a tipos de sistemas estocsticos considerados em alguns dos captulos precedentes. comum usarmos os tipos de modelos matemticos descritos naqueles captulos para analisar verses simplificadas do sistema e depois aplicar a simulao para refinar os resultados. Projeto e Operao de Sistemas de Filas A Seo 17.3 fornece muitos exemplos de sistemas de filas comumente encontrados, que ilustram como tais sistemas invadiram diversas reas da sociedade. Muitos modelos matemticos se encontram disponveis (incluindo aqueles apresentados no Captulo 17) para anlise de sistemas de filas relativamente simples. Infelizmente, esses modelos so capazes de fornecer, na melhor das hipteses, apenas aproximaes grosseiras para sistemas de filas mais complexos. Entretanto, a simulao se ajusta bem para lidar at mesmo com sistemas de filas muito complexos e, portanto, muitas de suas aplicaes recaem nessa categoria. Os dois exemplos demonstrativos de simulao no Tutor PO (ambos lidando com o caso de quantos caixas disponibilizar para os clientes de um banco) so desse tipo. Pelo fato de as aplicaes de simulao serem to dominantes, nosso Courseware de PO inclui um procedimento automtico denominado Queueing Simulator (ilustrado anteriormente na Figura 20.4) para simulao de sistemas de filas. Esse procedimento especial fornecido em um dos arquivos Excel deste captulo.

14

CAPTULO 20

SIMULAO

Entre as sete aplicaes consagradas apresentadas na Seo 17.3, duas delas tambm fazem uso intenso de simulao. Uma o estudo do sistema de deteno para acusao da cidade de Nova York que levou a grandes melhorias na eficincia desse sistema, bem como a uma economia anual de US$ 9,5 milhes. A outra o caso da AT&T que desenvolveu um sistema baseado em PCs para ajudar seus clientes comerciais no desenho ou redesenho de seus call centers, resultando em lucro anual de mais de US$ 750 milhes para esses clientes. Administrando Sistemas de Estoque As Sees 18.6 e 18.7 apresentam modelos para a administrao de sistemas de estoque quando os produtos envolvidos mostram uma demanda incerta. A Seo 18.8 descreve os tipos de sistemas de estoque maiores que comumente surgem na prtica. Embora os modelos matemticos possam algumas vezes ajudar a analisar esses sistemas mais complicados, a simulao tambm desempenha papel fundamental. Como exemplo, podemos citar o artigo da edio de abril de 1996 da OR/MS Today que descreve um estudo de PO desse tipo, que foi realizado para a IBM PC Company da Europa. Enfrentando implacvel presso de concorrentes cada vez mais geis e agressivos, a empresa tinha de encontrar uma maneira de melhorar substancialmente seu desempenho no atendimento rpido de encomendas feitas pelos clientes. A equipe de PO analisou como fazer isso, simulando os diversos redesenhos de toda a cadeia de suprimento da empresa (a rede de instalaes e recursos que abrangem a aquisio, manufatura e distribuio, inclusive de todos os estoques acumulados ao longo da cadeia). Isso levou a profundas mudanas no desenho e na operao da cadeia de suprimento (incluindo seus sistemas de estoque) que melhoraram substancialmente a posio competitiva da empresa. Foi alcanada tambm uma economia em custos diretos de US$ 40 milhes por ano. A Seo 20.6 vai ilustrar a aplicao da simulao a um tipo de sistema de estoque relativamente simples. Estimativas da Probabilidade de Completar um Projeto dentro do Prazo Uma das principais preocupaes de um gerente de projetos se sua equipe ser capaz de completar determinado projeto dentro do prazo. A Seo 22.4 (no CD-ROM) descreve como a metodologia Pert de trs estimativas pode ser usada para se obter uma estimativa grosseira da probabilidade de atender o prazo de um projeto atual. Esta seo tambm descreve trs aproximaes simplificadoras feitas por essa metodologia para estimar essa probabilidade. Infelizmente, em decorrncia dessas aproximaes, a estimativa resultante demasiadamente otimista e algumas vezes difere em muito da realidade. Conseqentemente, est se tornando cada vez mais comum usar-se simulao para obter melhor estimativa dessa probabilidade. Isso envolve a gerao de observaes aleatrias das distribuies de probabilidades da durao das diversas atividades nos projetos. Usando-se a rede de projetos, fica fcil ento simular quando cada atividade se inicia e termina e, portanto, quando o projeto termina. Repetindo-se essa simulao milhares de vezes (em uma execuo em um computador), pode-se obter uma estimativa muito boa da probabilidade de se cumprir o prazo. Uma ilustrao detalhada desse tipo particular de aplicao pode ser encontrada na Seo 28.2 do CD-ROM. Projeto e Operao de Sistemas de Manufatura Pesquisas demonstram que grande parte das aplicaes de simulao envolvem sistemas de manufatura. Muitos desses sistemas podem ser vistos como um sistema de filas de algum tipo (por exemplo, um sistema de filas no qual as mquinas so os atendentes e as tarefas a serem processadas so os clientes). Entretanto, vrios fatores complicadores inerentes a esses sistemas (como quebras de mquinas ocasionais, produtos com defeito que precisam ser retrabalhados e diversos tipos de tarefas) vo alm do escopo dos modelos

20.2 ALGUNS TIPOS COMUNS DE APLICAES DE SIMULAO

15

de filas usuais. Tais fatores complicadores podem ser tratados prontamente por meio da simulao. Eis alguns exemplos dos tipos de questes que poderiam ser resolvidas. 1. Quantas mquinas de cada tipo deveriam ser providenciadas? 2. Quantas unidades de manipulao de materiais de cada tipo deveriam ser providenciadas? 3. Considerando-se prazos para trmino de todo o processo produtivo, que regra deveria ser usada para escolher a ordem na qual as tarefas alocadas no momento a uma mquina deveriam ser processadas? 4. Que prazos de entrega seriam realistas para tais tarefas? 5. Qual ser o gargalo em termos de operaes em um novo processo produtivo em conformidade com seu projeto atual? 6. Qual ser a produo (taxa de produo) de um novo processo produtivo? Projeto e Operao de Sistemas de Distribuio Qualquer indstria de porte precisa de um sistema de distribuio eficiente para distribuir os produtos de suas fbricas e depsitos para seus clientes. Existem muitas incertezas envolvidas na operao de um sistema destes. Quando estaro disponveis veculos para transporte dos produtos? Quanto tempo levar para carreg-los e transport-los? Quais sero as demandas dos diversos clientes? Gerando-se observaes aleatrias das distribuies de probabilidades relevantes, a simulao pode lidar prontamente com esses tipos de incertezas. Logo, ela usada com bastante freqncia para testar diversas possibilidades para aperfeioamento do projeto e operao desses sistemas. Uma aplicao consagrada desse tipo descrita na edio de janeiro-fevereiro de 1991 da Interfaces. A Reynolds Metal Company gasta mais de US$ 250 milhes anuais para entregar seus produtos e receber matrias-primas. O transporte feito por caminho, trem, navio e avio por meio de uma rede de mais de uma centena de locais para despacho entre fbricas, depsitos e fornecedores. Uma combinao de programao inteira binria mista (Captulo 11) e simulao foi usada para projetar um novo sistema de distribuio com despacho centralizado. O novo sistema melhorou tanto a entrega pontual das mercadorias como reduziu os custos anuais com frete em mais de US$ 7 milhes. Anlise de Risco Financeiro A anlise de risco financeiro foi uma das primeiras reas de aplicao da simulao e ela continua a ser uma rea muito ativa. Por exemplo, considere a avaliao de uma proposta de investimento de capital com fluxos de caixa futuros incertos. Gerando-se observaes aleatrias a partir das distribuies de probabilidades para o fluxo de caixa em cada um dos respectivos perodos (e considerando-se as relaes entre esses perodos), a simulao capaz de gerar milhares de cenrios de como resultar o investimento. Isso fornece uma distribuio de probabilidades do retorno (por exemplo, valor presente lquido) sobre o investimento. Essa distribuio (algumas vezes chamada perfil de risco) permite que os administradores avaliem o risco envolvido em fazer um investimento. Uma abordagem similar permite analisar o risco associado a investir em diversos papis, incluindo os mais exticos instrumentos financeiros, como opes de venda, opes de compra, mercado de futuros, aes etc. A Seo 28.4 do CD-ROM fornece um exemplo detalhado do emprego da simulao na anlise de risco financeiro. Aplicaes na rea da Sade Sade outra rea onde, assim como na avaliao de riscos em investimentos, a anlise das incertezas futuras fundamental para a tomada de deciso no momento. Entretanto, em vez de lidar com fluxos de caixa futuros incertos, as incertezas agora envolvem coisas, como a evoluo de doenas do ser humano.

16

CAPTULO 20

SIMULAO

Eis alguns exemplos dos tipos de simulaes que podem ser realizados para orientar o desenvolvimento de sistemas para a rea da sade. 1. 2. 3. 4. 5. 6. 7. Simular o emprego de recursos hospitalares ao tratar pacientes com doenas coronarianas. Simular despesas com sade em diferentes planos de seguro. Simular o custo e a eficincia de check-ups para a deteco precoce de doenas. Simular o emprego do complexo de servios cirrgicos em um centro mdico. Simular o tempo e a localizao de pedidos de ambulncias. Simular a aceitao de rins doados em receptores para transplante. Simular a operao de um pronto-socorro.

Aplicaes em Outros Segmentos de Servios Assim como na sade, outros segmentos de servios tambm provaram ser terreno frtil para a aplicao de simulao. Entre esses segmentos podemos destacar: servios governamentais, bancos, hotelaria, restaurantes, instituies educacionais, planejamento contra desastres, as foras armadas, centros de entretenimento e muitos outros. Em muitos casos, os sistemas simulados so, na verdade, sistemas de filas de algum tipo. A edio de janeiro-fevereiro de 1992 da Interfaces descreve uma aplicao consagrada nessa categoria. O United States Postal Service identificou a tecnologia de automao como a nica maneira de ele poder lidar com o crescente volume de correspondncias e outros tipos de remessas e, ao mesmo tempo, ter preos competitivos e atender s metas de atendimento. Foi necessrio um extensivo planejamento ao longo de vrios anos para fazer a converso para um sistema altamente automatizado que atendesse a essas metas. A espinha dorsal de uma anlise que levasse ao plano adotado foi realizada por um modelo de simulao abrangente chamado Meta (modelo para avaliao de alternativas tecnolgicas). Esse modelo foi aplicado pela primeira vez de forma extensiva e em todo o territrio norteamericano e ento transferido para o nvel local para planejamento detalhado. O plano resultante precisava de um investimento total na casa de US$ 12 bilhes, mas tambm foi projetado para alcanar economias de mais de US$ 4 bilhes por ano. Outra conseqncia dessa aplicao bem-sucedida da simulao foi que o valor das ferramentas de PO agora reconhecido nos mais altos escales do Correio norte-americano. Tcnicas de pesquisa operacional continuam a ser usadas pelo pessoal de planejamento tanto na matriz quanto nas filiais. Novas Aplicaes Aplicaes mais inovadoras de simulao esto sendo feitas a cada ano que passa. Muitas dessas aplicaes so anunciadas publicamente pela primeira vez na conferncia anual Winter Simulation Conference, realizada no ms de dezembro em alguma cidade dos Estados Unidos. Desde seu princpio em 1967, essa conferncia tem sido uma instituio no campo da simulao. Atualmente participam dessa conferncia quase mil indivduos, divididos de forma aproximadamente igual entre acadmicos e profissionais da rea. Centenas de trabalhos so apresentados para anunciar avanos na metodologia, bem como novas aplicaes.

20.3 GERAO DE NMEROS ALEATRIOS


Conforme demonstrado pelos exemplos da Seo 20.1, implementar um modelo de simulao requer nmeros aleatrios para se obter observaes aleatrias a partir das distribuies de probabilidades. Um mtodo para gerao de tais nmeros aleatrios usar um dispositivo fsico como um disco giratrio ou um gerador aleatrio eletrnico. Diversas tabelas de nmeros aleatrios foram geradas dessa forma, inclusive uma contendo 1 milho de dgitos aleatrios, publicada pela Rand Corporation. Um trecho dessa tabela da Rand fornecido na Tabela 20.3. Os dispositivos fsicos agora foram substitudos por computadores como principal fonte para gerao de nmeros aleatrios. Por exemplo, destacamos na Seo 20.1 que o

20.3 GERAO DE NMEROS ALEATRIOS


TABELA 20.3 Tabela de dgitos aleatrios
09656 24712 07202 84575 38144 48048 41936 73391 57580 92646 07118 57842 65078 04294 48381 00459 38824 91465 50874 26644 96657 55799 96341 46820 87037 56349 58566 94006 08954 41113 12707 57831 44981 96120 06807 62045 81681 22232 00807 75871 64842 60857 23699 54083 46626 01986 31276 03822 73554 91411 35622 24130 81009 67629 43775 19249 33323 02907 77751 15618 49222 73479 76171 43918 70529 29814 19952 81845 28698 56215 81485 75408 33697 55265 09708 67095 64086 01050 73952 50310 49506 33581 79126 46989 27918 69800 01352 76158 29022 69302 73354 83784 98324 26248 73199 22752 55970 07121 03073 72610 10145 17360 04512 05379 34191 91609 18834 41352 11568 86419 49800 64307 46928 40602 53406 24636 04849 53536 69063 66205 48455 30406 15426 70682 98668 65374 99596 40596 35668 61224 60805 91620 34198 25566 02910 16965 24819 71070 16894 82640 23505 05842 15980 43081 33482 22928 09302 14325 59906 41936 05648 40810 96032 12520 83292 91836 20749 26916 85570 86205 90430 72044 88898 66171 43998 09704 20087 27020 39557 56939 28898 06539 98426 89785 59249 00582 51711 47620 81746 73453

17

04180 90764 06358 38942 75733 59343 19063 17546 27217 27816 60933 70387 77488 93932 18597 46721 86173 01619 07568 90232

Fonte: Reproduzido com a permisso da The Rand Corporation. A Million Random Digits with 100,000 Normal Deviates. Copyright pela The Free Press, Glencoe, IL, 1955, parte superior da pgina 182.

Excel usa a funo RAND() para essa finalidade. Muitos outros pacotes de software tambm possuem a capacidade de gerar nmeros aleatrios sempre que necessrio durante uma simulao. Caractersticas dos Nmeros Aleatrios O procedimento usado por um computador para obter nmeros aleatrios chamado gerador de nmeros aleatrios. Um gerador de nmeros aleatrios um algoritmo que produz seqncias de nmeros que seguem uma distribuio de probabilidades especificada e possui o aspecto de aleatoriedade. A referncia s seqncias de nmeros significa que o algoritmo produz diversos nmeros aleatrios de uma forma serial. Embora um usurio comum normalmente possa precisar apenas de alguns nmeros, geralmente o algoritmo deve ser capaz de produzir muitos nmeros. A distribuio de probabilidades implica que a declarao de probabilidade possa ser associada ocorrncia de cada nmero produzido pelo algoritmo. Iremos reservar o termo nmero aleatrio para significar uma observao aleatria de alguma forma de distribuio uniforme, de modo que todos os possveis nmeros sejam igualmente provveis. Quando estivermos interessados em alguma outra distribuio de probabilidades (como na seo seguinte), iremos usar o termos observaes aleatrias dessa distribuio. Os nmeros aleatrios podem ser divididos em duas categorias principais, nmeros aleatrios inteiros e nmeros aleatrios uniformes, definidos como se segue: Um nmero aleatrio inteiro uma observao aleatria de uma distribuio uniforme discretizada ao longo de algum intervalo n, n 1, . . . , n. As probabilidades para essa distribuio so
P(n ) P(n 1) ... P(n ) n 1 n 1 .

18

CAPTULO 20

SIMULAO

Normalmente, n 0 ou 1, e esses so valores convenientes para a maioria das aplicaes. Se n tiver outro valor, ento subtraindo-se n ou ento n 1 do nmero aleatrio inteiro muda-se o trecho inferior do intervalo para 0 ou ento 1. Um nmero aleatrio uniforme uma observao aleatria de uma distribuio uniforme (contnua) ao longo de algum intervalo [a, b]. A funo densidade probabilstica dessa distribuio uniforme

f(x)

1 b 0

se a

caso contrrio. 0eb 1.

Quando a e b no forem especificados, supe-se que eles sejam a

Os nmeros aleatrios gerados inicialmente por um computador normalmente so nmeros aleatrios inteiros. Entretanto, se desejado, esses nmeros podem ser imediatamente convertidos em um nmero aleatrio uniforme como se segue:
Para dado nmero aleatrio inteiro no intervalo 0 a n, dividir esse nmero por n resulta (aproximadamente) em um nmero aleatrio uniforme. Se n for pequeno, essa aproximao deve ser melhorada somando-se 1 ao nmero aleatrio inteiro e depois dividindo-se 2 por n 1.

Esse o mtodo usual para gerao de nmeros aleatrios uniformes. Com os valores imensos de n comumente usados, ele passa a ser essencialmente um mtodo exato. A rigor, os nmeros gerados por um computador no deveriam ser designados nmeros aleatrios, pois eles so previsveis e reproduzveis (o que, algumas vezes, vantajoso), dado o gerador de nmeros aleatrios empregado. Portanto, s vezes, eles recebem a denominao nmeros pseudo-aleatrios. Entretanto, o ponto importante que eles desempenham satisfatoriamente o papel de nmeros aleatrios na simulao se o mtodo usado para ger-los for vlido. Foram propostos vrios procedimentos estatsticos relativamente sofisticados para testar se uma seqncia de nmeros gerada tem um aspecto aceitvel de aleatoriedade. Basicamente, as exigncias so que cada nmero sucessivo da seqncia tenha uma probabilidade igual de assumir qualquer um dos valores possveis e que ele seja estatisticamente independente dos demais nmeros da seqncia. Mtodos Congruentes para Gerao de Nmeros Aleatrios H uma srie de geradores de nmeros aleatrios disponvel, dos quais os mais populares so os mtodos congruentes (aditivos, multiplicativos e mistos). O mtodo congruente misto inclui recursos dos outros dois e, portanto, iremos apresent-lo em primeiro lugar. O mtodo congruente misto gera uma seqncia de nmeros aleatrios inteiros ao longo do intervalo que vai de 0 a m 1. O mtodo sempre calcula o nmero aleatrio seguinte a partir do ltimo obtido, dado um nmero aleatrio inicial x0, chamado semente, que pode ser obtido de alguma fonte publicada como a tabela Rand. Particularmente, ele calcula o (n 1)o nmero aleatrio xn 1 a partir do n-simo nmero aleatrio xn usando a relao de recorrncia xn
1

(axn

c)(mdulo m),

em que a, c e m so inteiros positivos (a m, c m). Essa notao matemtica significa que x n 1 o resto quando axn c for dividido por m. Logo, os possveis valores de x n 1 so 0, 1, . . . , m 1, de modo que m represente o nmero desejado de valores diferentes que poderiam ser gerados para os nmeros aleatrios. Para fins ilustrativos, suponha que m 8, a 5, c 7 e x0 4. A seqncia de nmeros aleatrios resultante calculada na Tabela 20.4. A seqncia no pode ser continuada alm, pois ela simplesmente comearia a repetir os nmeros na mesma ordem. Note que essa seqncia inclui cada um dos oito nmeros possveis exatamente uma vez. Essa propriedade necessria para uma seqncia de nmeros aleatrios inteiros, mas ela no ocorre com

20.3 GERAO DE NMEROS ALEATRIOS

19

alguns valores de a e c. Experimente a 4, c 7 e x0 3. Felizmente, existem regras disponveis para escolha dos valores de a e c que garantiro o cumprimento dessa propriedade. No h restries na semente x0, porque ela afeta apenas o incio da seqncia e no a progresso dos nmeros. O nmero de nmeros consecutivos em uma seqncia antes de ela comear a repetirse conhecida como durao do ciclo. Logo, a durao do ciclo no exemplo 8. A durao de ciclo mximo m, de modo que os nicos valores de a e c considerados sejam aqueles que resultam nessa durao de ciclo mximo. A Tabela 20.5 ilustra a converso de nmeros aleatrios inteiros em nmeros aleatrios uniformes. A coluna da esquerda fornece os nmeros aleatrios inteiros obtidos na coluna mais direita da Tabela 20.4. A coluna direita fornece os nmeros aleatrios uniformes correspondentes a partir da frmula nmero aleatrio inteiro Nmero aleatrio uniforme m 1 2

Note que cada um desses nmeros aleatrios uniformes cai no ponto mdio de um dos oito intervalos de igual tamanho 0 a 0,125, 0,125 a 0,25, . . . , 0,875 a 1. O menor valor de m 8 no nos permite obter outros valores ao longo do intervalo [0, 1], portanto estamos obtendo aproximaes relativamente grosseiras dos nmeros aleatrios uniformes reais. Na prtica, geralmente so usados valores de m bem maiores. A seo de Exemplos Trabalhados no CD-ROM inclui outro exemplo de aplicao do mtodo congruente misto com um valor m relativamente menor (m 16) e depois conver-

TABELA 20.4 Ilustrao do mtodo congruente misto


n 0 1 2 3 4 5 6 7 xn 4 3 6 5 0 7 2 1 5xn 27 22 37 32 7 42 17 12 7 (5xn 3 2 4 4 0 5 2 1 7)/8 3 8 6 8 5 8 0 8 7 8 2 8 1 8 4 8 xn 3 6 5 0 7 2 1 4
1

TABELA 20.5 Convertendo nmeros aleatrios inteiros em

nmeros aleatrios uniformes


Nmero Aleatrio Inteiro 3 6 5 0 7 2 1 4 Nmero Aleatrio Uniforme 0,4375 0,8125 0,6875 0,0625 0,9375 0,3125 0,1875 0,5625

20

CAPTULO 20

SIMULAO

te os nmeros aleatrios inteiros resultantes em nmeros aleatrios uniformes. Esse exemplo explora ento os problemas que surgem do emprego de um valor m to pequeno. Para um computador binrio com uma palavra de tamanho b bits, a opo usual para m m 2b; esse o nmero total de inteiros no-negativos que pode ser expresso dentro da capacidade do tamanho da palavra. Quaisquer inteiros indesejados que surgem na seqncia de nmeros aleatrios simplesmente no so usados. Com essa opo de m, podemos garantir que cada nmero possvel ocorre exatamente apenas uma vez antes de qualquer nmero ser repetido selecionando qualquer um dos valores a 1, 5, 9, 13, . . . e c 1, 3, 5, 7, . . . . Para um computador decimal com uma palavra de tamanho d dgitos, a opo usual para m m 10d, e a mesma propriedade garantida selecionando-se qualquer um dos valores a 1, 21, 41, 61, . . . e c 1, 3, 7, 9, 11, 13, 17, 19, . . . (isto , todos os inteiros mpares positivos, exceto aqueles que terminam com o dgito 5). A seleo especfica pode ser feita baseando-se na correlao serial entre nmeros gerados sucessivamente, que difere consideravelmente entre essas alternativas.1 Ocasionalmente, so desejados nmeros aleatrios inteiros com um nmero de dgitos relativamente pequeno. Suponha, por exemplo, que sejam desejados apenas trs dgitos, de forma que os possveis valores possam ser expressos como 000, 001, . . . , 999. Em tal caso, o procedimento usual ainda usar m 2b ou m 10d, de forma que um nmero extremamente grande de nmeros aleatrios inteiros possa ser gerado antes de a seqncia comear a se repetir. Entretanto, exceto para fins de clculo do prximo nmero aleatrio inteiro dessa seqncia, todos, exceto trs dgitos de cada nmero gerado, seriam descartados para se obter o nmero aleatrio inteiro de trs dgitos desejado. Uma conveno pegar os ltimos trs dgitos (isto , os trs dgitos finais). O mtodo congruente multiplicativo apenas o caso especial do mtodo congruente misto em que c 0. O mtodo congruente aditivo tambm similar, porm ele configura a 1 e substitui c por algum nmero aleatrio xn precedente na seqncia, por exemplo, xn 1 (de modo que mais de uma semente seja necessria para comear a calcular a seqncia). O mtodo congruente misto fornece enorme flexibilidade na escolha de determinado gerador de nmeros aleatrios (uma combinao especfica de valores para a, c e m). Entretanto, preciso tomar muito cuidado na escolha do gerador de nmeros aleatrios, pois a maioria das combinaes de valores de a, c e m leva a propriedades indesejadas (por exemplo, uma durao de ciclo menor que m). Quando os pesquisadores identificam geradores de nmeros aleatrios interessantes so feitos testes exaustivos em busca de qualquer falha e isso pode levar a um gerador de nmeros aleatrios melhor. Por exemplo, vrios anos atrs, m 231 era considerada uma escolha interessante, porm atualmente os especialistas a consideram inaceitvel e esto recomendando em seu lugar certos nmeros muito maiores, inclusive valores especficos de m prximos de 2191.2

20.4

GERAO DE OBSERVAES ALEATRIAS DE UMA DISTRIBUIO DE PROBABILIDADES


Dada uma seqncia de nmeros aleatrios, como se pode gerar uma seqncia de observaes aleatrias de dada distribuio de probabilidades? Existem vrias metodologias diferentes, dependendo da natureza da distribuio. Distribuies Discretas Simples Para algumas distribuies discretas simples, uma seqncia de nmeros aleatrios inteiros pode ser usada para gerar observaes aleatrias de forma direta. Simplesmente aloque os

Ver COVEYOU, R. R. Serial Correlation in the Generation of Pseudo-Random Numbers. Journal of the Association of Computing Machinery, n. 7, p. 72-74, 1960. Para recomendaes recentes sobre a escolha do gerador de nmeros aleatrios, ver LECUYER, P. et al. An Object-Oriented Random-Number Package with Many Long Streams and Substreams. Operations Research, v. 50, p. 1.073-1.075, 2002.

20.4 GERAO DE OBSERVAES ALEATRIAS DE UMA DISTRIBUIO

21

possveis valores de um nmero aleatrio aos diversos resultados na distribuio de probabilidades em proporo direta s respectivas probabilidades desses resultados. Para o Exemplo 1 da Seo 20.1, em que esto sendo simulados lanamentos de uma moeda, os resultados possveis de um lanamento so cara ou coroa, no qual cada resultado tem uma probabilidade igual a 1 de vir a ocorrer. Portanto, em vez de usar nmeros aleat2 rios uniformes (como foi feito na Seo 20.1), teria sido suficiente usar dgitos aleatrios para gerar os resultados. Cinco dos dez possveis valores de um dgito aleatrio (digamos, 0, 1, 2, 3, 4) seriam associados ao resultado cara e os outros cinco (digamos, 5, 6, 7, 8, 9) ao resultado coroa. Como outro exemplo, considere a distribuio de probabilidades do resultado do lanamento de dois dados. conhecido que a probabilidade de se obter 2 316 (assim como a probabilidade de se obter 12), a probabilidade de se obter 3 326 e assim por diante. Portanto, 1 36 dos possveis valores de um nmero aleatrio inteiro deve ser associado obteno de 2, 2 36 dos valores com a obteno de 3 e assim por diante. Logo, se estiverem sendo usados nmeros aleatrios inteiros de dois dgitos, 72 dos 100 valores sero selecionados para considerao, de forma que um nmero aleatrio inteiro ser rejeitado se ele assumir qualquer um dos demais 28 valores. Ento, 2 dos 72 valores possveis (digamos, 00 e 01) sero associados obteno de 2, quatro deles (digamos 02, 03, 04 e 05) associados obteno de 3 e assim por diante. Usar nmeros aleatrios inteiros dessa forma conveniente quando eles estiverem sendo extrados de uma tabela de nmeros aleatrios ou ento estiverem sendo gerados diretamente por um mtodo congruente. Entretanto, ao realizar a simulao em um computador, normalmente mais conveniente fazer que um computador gere nmeros aleatrios uniformes e ento us-los da maneira correspondente. Todos os prximos mtodos para gerao de observaes aleatrias usam nmeros aleatrios uniformes. Mtodo de Transformao Inversa Para distribuies mais complicadas, ou discreta ou contnuas, o mtodo da transformao inversa pode, algumas vezes, ser usado para gerar observaes aleatrias. Fazendo que X seja a varivel aleatria envolvida, representamos a funo de distribuio cumulativa por F(x) P{X x}.

Gerar cada observao requer ento as duas etapas a seguir. Resumo do Mtodo de Transformao Inversa 1. Gere um nmero aleatrio uniforme r entre 0 e 1. 2. Configure F(x) r e resolva em termos de x, que ento a observao aleatria desejada da distribuio de probabilidades. Esse procedimento ilustrado na Figura 20.5 para o caso no qual F(x) representado graficamente e o nmero aleatrio uniforme r por acaso 0,5269. Embora o procedimento grfico ilustrado pela Figura 20.5 seja conveniente se a simulao for feita manualmente, o computador tem de reverter a alguma metodologia alternativa. Para distribuies discretas, pode-se adotar uma metodologia de pesquisa em tabelas, construindo uma tabela que fornea um intervalo (salto) no valor de F(x) para cada possvel valor de X x. O Excel dispe de uma funo conveniente, VLOOKUP, para implementar essa metodologia ao realizar uma simulao em uma planilha. Para ilustrar o funcionamento dessa funo, suponha que uma empresa esteja simulando o programa de manuteno para suas mquinas. O tempo entre quebras dessas mquinas sempre 4, 5 ou 6 dias, em que esses tempos ocorrem, respectivamente, com probabilidades 0,25, 0,5 e 0,25. O primeiro passo na simulao dessas quebras criar a tabela mostrada na Figura 20.6 em algum ponto da planilha. Note que cada nmero na segunda coluna fornece a probabilidade cumulativa anterior ao nmero de dias na terceira coluna. A segunda e terceira colunas (abaixo dos cabealhos de coluna) constituem a pesquisa em tabela. A funo VLOOKUP possui trs argumentos. O primeiro fornece o endereo da clula que est for-

22 FIGURA 20.5 Ilustrao do mtodo da transformao inversa para se obter a observao aleatria de dada distribuio de probabilidades.

CAPTULO 20 F(x)

SIMULAO

0,5269

0 Observao aleatria

FIGURA 20.6 A tabela que seria construda em uma planilha para emprego da funo VLOOKUP do Excel para implementar o mtodo da transformao inversa para o exemplo do programa de manuteno.

Distribuio de tempo entre quebras


Probabilidade 0,25 0,5 0,25 Cumulativa 0.00 0,25 0,75 Nmero de Dias 4 5 6

necendo o nmero aleatrio uniforme sendo usado. O segundo argumento identifica o intervalo de endereos de clula para a pesquisa em tabela. O terceiro indica qual coluna da pesquisa em tabela fornece a observao aleatria, portanto esse argumento igual a 2 nesse caso. A funo VLOOKUP com esses trs argumentos introduzida como equao para cada clula na planilha onde a observao aleatria da distribuio deve ser introduzida. Para certas distribuies contnuas, o mtodo de transformao inversa pode ser implementado em um computador resolvendo-se primeiramente a equao F(x) r analiticamente em termos de x. Um exemplo na seo de Exemplos Trabalhados no CD-ROM ilustra essa abordagem (aps aplicar primeiramente o mtodo grfico). Tambm ilustraremos essa metodologia a seguir com a distribuio exponencial. Distribuies Exponenciais e de Erlang Conforme indicado na Seo 17.4, a funo de distribuio cumulativa para a distribuio exponencial F(x) 1 e x, para x 0, r resulta ento em

em que 1/ a mdia da distribuio. Configurando-se F(x) 1 e


x

r,

de modo que e
x

r.

Portanto, tomando-se o logaritmo natural de ambos os lados ln e


x

ln (1

r),

de forma que x ln (1 r),

20.4 GERAO DE OBSERVAES ALEATRIAS DE UMA DISTRIBUIO

23

que resulta em x ln (1 r)

como observao aleatria desejada da distribuio exponencial. Essa aplicao direta do mtodo de transformao inversa fornece a maneira mais direta de se gerar observaes aleatrias de uma distribuio exponencial. Tambm foram desenvolvidas tcnicas mais complexas para essa distribuio3 que so mais rpidas para um computador do que calcular um logaritmo. Observe que 1 r por si s um nmero aleatrio uniforme. Portanto, para economizar uma subtrao, comum na prtica simplesmente usar o nmero aleatrio uniforme original r diretamente no lugar de 1 r. Uma extenso natural desse procedimento para a distribuio exponencial tambm pode ser usada para gerar a observao aleatria de uma distribuio de Erlang (gama) (ver Seo 17.7). A soma de k variveis aleatrias exponenciais independentes, cada uma delas com mdia 1/(k ), possui uma distribuio de Erlang com parmetro de forma k e mdia 1/ . Assim, dada uma seqncia de k nmeros aleatrios uniformes entre 0 e 1, digamos, r1, r2, . . . , rk, a observao aleatria desejada da distribuio de Erlang
k

x
i 1

ln (1 k

ri)

que se reduz a x 1 ln k
k

(1
i 1

ri) ,

em que indica multiplicao. Enfatizando, as subtraes podem ser eliminadas simplesmente usando-se ri diretamente no lugar de 1 ri. Distribuies Normais e Qui-quadrado Uma tcnica particularmente simples (mas ineficiente) para gerar uma observao aleatria de uma distribuio normal obtida aplicando-se o teorema do limite central. Como um nmero aleatrio uniforme tem uma distribuio uniforme de 0 a 1, ela possui mdia 1 e 2 desvio-padro 1/ 12. Portanto, esse teorema implica que a soma de n nmeros aleatrios uniformes tem aproximadamente uma distribuio normal com mdia n/2 e desvio-padro n/12. Logo, se r1, r2, . . . , rn forem uma amostra de nmeros aleatrios uniformes, ento
n

n/12

ri
i 1

n 2

n/12

uma observao aleatria de uma distribuio aproximadamente normal com mdia e desvio-padro . Essa aproximao excelente (exceto nas caudas da distribuio), mesmo com valores pequenos para n. Logo, valores n de 5 a 10 podem ser adequados; n 12 tambm um valor conveniente, pois ele elimina termos da raiz quadrada da expresso anterior. J que h ampla disponibilidade de tabelas da distribuio normal (ver, por exemplo, o Apndice 5), outro mtodo simples para gerar uma aproximao mais justa da observao aleatria usar uma tabela dessas para implementar diretamente o mtodo de transformao inversa. Isso bastante conveniente quando estamos gerando algumas observaes aleatrias manualmente, mas bem menos para implementao por computador j que requer o armazenamento de uma grande tabela e ento usar uma pesquisa em tabela.

Por exemplo, ver AHRENS, J. H.; DIETER, V. Efficient Table-Free Sampling Methods for Exponential, Cauchy and Normal Distributions. Communications of the ACM, v. 31, p. 1.330-1.337, 1988.

24

CAPTULO 20

SIMULAO

Diversas tcnicas exatas para gerar observaes aleatrias de uma distribuio normal tambm foram desenvolvidas.4 Essas tcnicas exatas so suficientemente rpidas que, na prtica, so usadas em vez dos mtodos aproximados descritos anteriormente. Uma rotina para cada uma dessas tcnicas normalmente j est incorporada em um pacote de software com recursos de simulao. Por exemplo, o Excel usa a funo NORMINV(RAND(), , ) para gerar a observao aleatria de uma distribuio normal com mdia e desviopadro . Um mtodo simples para manipular a distribuio qui-quadrado usar o fato que ela obtida somando-se os quadrados das variveis aleatrias normais padronizadas. Logo, se y1, y2, . . . , yn so n observaes aleatrias de uma distribuio normal com mdia 0 e desvio-padro 1, ento
n

x
i 1

yi2

uma observao aleatria de uma distribuio qui-quadrado com n graus de liberdade. Mtodo da Aceitao-Rejeio Para muitas distribuies contnuas, no vivel aplicar o mtodo de transformao inversa, pois x F 1(r) no pode ser calculado (ou pelo menos calculado de forma eficiente). Portanto, foram desenvolvidos diversos outros tipos de mtodos para gerar observaes aleatrias de tais distribuies. Freqentemente, esses mtodos so consideravelmente mais rpidos que o mtodo de transformao inversa, mesmo quando o ltimo mtodo pode ser usado. Para fornecer a mesma noo da abordagem para esses mtodos alternativos, agora ilustraremos uma abordagem chamada mtodo da aceitao-rejeio em um exemplo simples. Considere a distribuio triangular com uma funo densidade probabilstica f(x)

x 1 0

(x

1)

se 0 x 1 se 1 x 2 caso contrrio.

O mtodo da aceitao-rejeio usa os dois passos a seguir (talvez repetidamente) para gerar uma observao aleatria. 1. Gere um nmero aleatrio uniforme r1 entre 0 e 1 e faa que x intervalo de possveis valores de x se encontre de 0 a 2). 2. Aceite x com Probabilidade x 1 (x 1) se 0 se 1 x x 1 2, 2r1 (de modo que o

para ser a observao aleatria desejada [j que essa probabilidade igual a f(x)]. Caso contrrio, rejeite x e repita os dois passos. Para gerar aleatoriamente o evento de aceitar (ou rejeitar) x de acordo com essa probabilidade, o mtodo implementa o passo 2 como se segue: 2. Gere um nmero aleatrio uniforme r2 entre 0 e 1. Aceite x Rejeite x se r2 se r2 f(x). f(x).

Se x for rejeitado, repita os dois passos. Como x 2r1 est sendo aceito com uma probabilidade f(x), a distribuio de probabilidades de valores aceitos tem f(x) como sua funo densidade, de forma que valores aceitos so observaes aleatrias vlidas de f(x).
4

Ibid.

20.5

DESCRIO DE UM IMPORTANTE ESTUDO DE SIMULAO

25

Fomos felizardos nesse exemplo que o maior valor de f(x) para qualquer x era exatamente 1. Se esse maior valor fosse, ao contrrio, L 1, ento r2 seria multiplicado por L no passo 2. Com esse ajuste, o mtodo facilmente estendido para outras funes densidade probabilsticas ao longo de um intervalo finito e conceitos similares podem ser usados ao longo de um intervalo infinito tambm.

20.5

DESCRIO DE UM IMPORTANTE ESTUDO DE SIMULAO


At ento, este captulo se concentrou principalmente no processo de realizar uma simulao e algumas aplicaes. Agora, veremos esse material de uma perspectiva mais ampla, descrevendo brevemente todos os passos envolvidos em um importante estudo de pesquisa operacional que se baseia na aplicao de simulao. Praticamente os mesmos passos tambm se aplicam quando o estudo estiver aplicando outras tcnicas de pesquisa operacional. Devemos enfatizar que algumas aplicaes de simulao no requerem todo o esforo descrito nos passos a seguir. O advento do Excel e de programas complementares para Excel para realizar, de forma eficiente, simulaes bsicas em uma planilha (conforme descrito na prxima seo) muitas vezes permite conduzir o estudo em tempo muito menor e mais barato que antes. Entretanto, aplicaes mais complexas de simulao ainda exigem o esforo estendido descrito nesta seo. Passo 1: Formular o Problema e Planejar o Estudo A equipe de pesquisa operacional precisa iniciar agendando uma reunio com a direo para resolver os seguintes tipos de questes. 1. 2. 3. 4. 5. 6. Qual o problema que a direo quer que seja estudado? Quais so os objetivos gerais do estudo? Que questes especficas devem ser resolvidas? Que tipos de configuraes de sistema alternativas devem ser considerados? Que medidas de desempenho do sistema so de interesse para a direo? Quais so as restries de tempo para realizao do estudo?

Alm disso, a equipe de PO tambm precisa se reunir com engenheiros e pessoal operacional para conhecer os detalhes de exatamente como o sistema deveria operar. Essa equipe geralmente tambm vai incluir um ou mais membros com um conhecimento prtico do sistema. Se existir uma verso atual do sistema em operao, a equipe de PO observar o sistema para identificar seus componentes e as ligaes entre eles. Antes de concluir essa etapa, o lder da equipe de PO tambm precisa planejar o estudo geral em termos do nmero de pessoas, suas responsabilidades, o cronograma e o oramento para o estudo. Passo 2: Coletar os Dados e Formular o Modelo de Simulao Os tipos de dados necessrios dependem da natureza do sistema a ser simulado. Para um sistema de filas, dados fundamentais seriam a distribuio de tempos entre chegadas e a distribuio de tempos de atendimento. Para um sistema de estoque de um nico produto, a equipe de PO precisaria da distribuio de demanda para o produto e a distribuio do tempo de espera entre colocar um pedido para reabastecer o estoque e receber a quantidade solicitada. Para um sistema de manufatura envolvendo mquinas que quebram ocasionalmente, a equipe de PO precisa determinar a distribuio do tempo at uma mquina quebrar e a distribuio de tempos de reparo. Em cada um desses exemplos, note que so as distribuies de probabilidades das quantidades relevantes que so necessrias. De modo a gerar cenrios representativos de como um sistema deveria atuar, essencial que uma simulao gere observaes aleatrias dessas distribuies em vez de simplesmente usar mdias. Geralmente, ser possvel apenas estimar essas distribuies. Isso feito aps se fazer observaes diretas de uma verso existente do sistema em estudo ou de um sistema simi-

26

CAPTULO 20

SIMULAO

lar. Aps examinar esses dados para determinada quantidade, se a forma da distribuio no for clara, mas relembrar a forma de um tipo padro de distribuio, poder ser usado um teste de aderncia de valor estatstico para testar se os dados se ajustam a essa formapadro. Conforme descrito na Referncia Selecionada 14, testes desse tipo amplamente usados so os testes do qui-quadrado, Kolmogorov-Smirnov e Anderson-Darling. Diversos pacotes de software de simulao podem aplicar um teste destes para identificar a forma da distribuio. Por exemplo, o pacote Crystal Ball introduzido na Seo 20.6 inclui uma extensa gama de distribuies e um recurso especial para identificar qual distribuio melhor se ajusta aos dados histricos, conforme descrito em detalhes na Seo 28.6 do CD-ROM. A mdia da amostra e a varincia da amostra dos dados tambm fornecem uma estimativa da mdia e da varincia da distribuio. Se no se puder obter nenhum dado relevante em razo da inexistncia de um sistema similar, outras possveis fontes de informao para estimativa de uma distribuio so os estudos de tempo de engenharia industrial, registros de engenharia, manuais de operao, especificaes de mquinas e entrevistas com indivduos com experincia similar nesses tipos de operaes. Normalmente formulado um modelo de simulao em termos de um diagrama de fluxo que rene os diversos componentes do sistema. So fornecidas regras de operao para cada componente, inclusive as distribuies de probabilidades que controlam quando os eventos vo ocorrer ali. O modelo precisa apenas conter detalhes suficientes para capturar a essncia do sistema. Para um estudo mais amplo uma boa idia iniciar formulando e depurando uma verso relativamente simples do modelo antes de acrescentar detalhes importantes. Passo 3: Verifique a Preciso do Modelo de Simulao Antes de construir um programa de computador, a equipe de PO deve juntar as pessoas mais intimamente familiarizadas com a questo de como o sistema vai operar na verificao da preciso do modelo de simulao. Isso normalmente feito realizando-se um ensaio estruturado do modelo conceitual, usando-se um retroprojetor, diante de um pblico formado por todas as pessoas-chave. Em uma tpica reunio destas, diversas suposies de modelo errneas sero descobertas e corrigidas, algumas poucas suposies sero acrescidas e algumas questes sero resolvidas em relao profundidade de detalhes necessria nas diversas partes do modelo. Alm de ajudar a garantir a preciso do modelo de simulao, esse processo tende a fornecer as pessoas-chave com algum senso de propriedade do modelo e do estudo. Passo 4: Selecionar o Software e Construir um Programa de Computador5 Existem quatro classes principais de software usadas para simulaes via computador. Uma delas a planilha de software. O Exemplo 1 da Seo 20.1 ilustrou como o Excel capaz de realizar algumas simulaes bsicas em uma planilha. Alm disso, alguns excelentes programas complementares para Excel agora esto disponveis para aperfeioar esse tipo de modelagem de planilha. A prxima seo se concentra no uso desses programas. As outras trs classes de software para simulaes se destinam a aplicaes mais extensivas em que no mais conveniente usar planilha software. Uma classe destas uma linguagem de programao de propsito genrico, como o C, Fortran, Pascal, Basic etc. Tais linguagens (e suas predecessoras) normalmente eram usadas nos primrdios da rea em virtude de sua grande flexibilidade para programar qualquer tipo de simulao. Entretanto, em decorrncia de um tempo considervel de programao elas no so to usadas hoje em dia. A terceira classe uma linguagem de simulao de propsito genrico. Essas linguagens fornecem muitos dos recursos necessrios para programar um modelo de simulao e,
5

Essa subseo no tenta enumerar ou descrever os vrios pacotes de software de simulao disponveis no momento. Para detalhes sobre uma srie de pacotes desse tipo, ver as pesquisas de software de simulao nas pginas 45-51 da edio de maio de 2002 da IIE Solutions e nas pginas 46-57 da edio de agosto de 2003 da OR/MS Today.

20.5

DESCRIO DE UM IMPORTANTE ESTUDO DE SIMULAO

27

portanto, podem eventualmente reduzir substancialmente o tempo de programao exigido. Elas fornecem uma estrutura natural para modelagem de simulao, j que seus construtores de modelagem bsicos so desenvolvidos especificamente para esse fim. Isso tambm simplifica a tarefa de modificar e manter um modelo de simulao aps ele ser construdo inicialmente. Alm disso, essas linguagens fornecem uma boa deteco de erros devido a diversos tipos de erro potenciais em um modelo de simulao serem verificados automaticamente. Embora menos flexveis que uma linguagem de programao de propsito genrico, elas so capazes de programar praticamente qualquer tipo de modelo de simulao. Entretanto, necessria alguma especializao na linguagem. Um desenvolvimento-chave nas dcadas de 1980 e 1990 foi o surgimento da quarta classe de software, chamada simuladores orientados a aplicaes (ou simplesmente simuladores de forma abreviada). Cada um desses simuladores desenvolvido para simular tipos bastante especficos de sistemas, tal como certos tipos de sistemas de manufatura, computador e comunicaes. Alguns deles so muito especficos (por exemplo, para engenharia de produo de gs e petrleo ou anlise de usinas de energia nuclear ou fisiologia cardiovascular). A meta deles ser capaz de construir um programa de simulao pelo uso de menus e grficos, sem a necessidade de programao. Eles so relativamente fceis de aprender e possuem blocos de modelagem intimamente relacionados com o sistema de interesse. Um simulador pode ser excelente se o sistema que voc pretende simular se ajusta perfeitamente categoria prescrita para o simulador. Entretanto, a prescrio de recursos de sistema permitidos tende a ser bastante estreita. Portanto, o principal inconveniente de muitos simuladores o fato de eles serem limitados apenas modelagem daquelas configuraes de sistema que so permitidas pelos seus recursos-padro. Alguns simuladores possuem a opo de incorporar rotinas escritas em uma linguagem de programao de fim genrico para lidar com recursos no-padro. Essa opo freqentemente necessria ao simular sistemas relativamente complexos. Recentemente, essa distino entre linguagens de simulao de propsito genrico e simuladores orientados a aplicaes est se tornando cada vez mais indistinta. Linguagens de simulao de propsito genrico agora podem incluir alguns recursos especiais que as tornam quase to adequadas quanto os simuladores para certos tipos especficos de aplicaes. No entanto, os simuladores tendem a incluir maior flexibilidade do que tinham anteriormente para lidar com uma classe de sistemas mais ampla. Outro desenvolvimento fundamental nos ltimos anos foi o de recursos de animao para exibir simulaes computadorizadas em ao. Em uma animao, elementos-chave de um sistema so representados na tela de um computador por cones que mudam de forma, cor ou posio quando h uma alterao no estado do sistema de simulao. A maioria dos fornecedores de software de simulao atualmente oferece uma verso de seus softwares com recursos de animao. Alm disso, a animao est se tornando cada vez mais elaborada, incluindo at recursos tridimensionais em alguns casos. A principal razo para a popularidade da animao sua habilidade de transmitir a essncia de um modelo de simulao (ou da execuo de uma simulao) a gerentes e outras pessoas-chave. Isso aumenta incrivelmente a credibilidade da metodologia de simulao. Tambm, a animao pode ser til na depurao do programa de computador para um programa de simulao. Passo 5: Testar a Validade do Modelo de Simulao Aps o programa de computador ter sido criado e depurado, o prximo passo fundamental testar o modelo de simulao incorporado no programa para ver se ele est fornecendo resultados vlidos para o sistema que est representando. Especificamente, as medidas de desempenho para o sistema real sero aproximadas de forma suficiente pelos valores dessas medidas geradas pelo modelo de simulao? Essa questo normalmente difcil de se responder, pois a maioria das verses do sistema real no existe no momento. Tipicamente, o objetivo da simulao investigar e comparar diversas configuraes de sistema propostas para ajud-lo a escolher a melhor delas.

28

CAPTULO 20

SIMULAO

Entretanto, alguma verso do sistema real deve estar em operao no momento. Caso isso ocorra, seus dados de desempenho devem ser comparados queles das medidas de sada correspondentes geradas por execues-piloto do modelo de simulao. Em alguns casos, pode ser que haja um modelo matemtico disponvel para uma verso simples do sistema. Nesse caso, esses resultados tambm devem ser comparados com os resultados da simulao. Quando no tivermos nenhum dado real disponvel para comparao com os resultados da simulao, uma possibilidade conduzir um teste de campo para coletar tais dados. Isso envolveria a construo de um pequeno prottipo de alguma verso do sistema proposto e coloc-lo em operao. Esse prottipo talvez tambm pudesse ser usado, aps o estudo de simulao ter sido completado, para fazer um ajuste fino do desenho do sistema, antes de o sistema real ser instalado. Outro teste de validao til fazer que o pessoal operacional experiente verifique a credibilidade de como os resultados da simulao mudam medida que a configurao do sistema simulado alterada. Mesmo quando no existe nenhuma base de comparao para verificar a sensatez das medidas de desempenho obtidas para determinada verso do sistema, muitas vezes pode-se tirar algumas concluses sobre como o desempenho relativo do sistema deve mudar medida que seus parmetros so alterados. Assistir a animaes de processamentos de simulao outra maneira de se verificar a validade do modelo de simulao. Assim que o modelo estiver funcionando apropriadamente, as animaes tambm geram interesse e credibilidade no estudo de simulao tanto no plano gerencial como operacional. Passo 6: Planejar as Simulaes a serem Realizadas Neste ponto, precisamos comear a tomar decises sobre quais configuraes de sistema devem ser simuladas. Isso normalmente um processo evolutivo, no qual os resultados iniciais para uma srie de configuraes o ajudam a aperfeioar em relao a quais configuraes especficas garantiro uma investigao detalhada. Tambm precisam ser tomadas decises em relao a algumas questes estatsticas. Uma delas (a menos que estejamos usando a tcnica especial descrita no segundo suplemento para este captulo contido no CD-ROM) a durao do perodo de aquecimento enquanto se aguarda o sistema basicamente atingir uma condio de estado estvel, antes de comear a coletar dados. Normalmente so usadas execues preliminares de simulao para analisar esse aspecto. J que os sistemas normalmente requerem um tempo surpreendentemente longo para atingir uma condio de estado estvel, til selecionar condies iniciais para um sistema simulado que parecem aproximadamente representativas das condies de estado estvel de modo a reduzir esse tempo necessrio o mximo possvel. Outra questo estatstica fundamental a durao da execuo da simulao aps o perodo de aquecimento para cada configurao de sistema simulada. Tenha em mente que a simulao no produz valores exatos para as medidas de desempenho de um sistema. Em vez disso, cada execuo de simulao pode ser interpretada como um experimento estatstico que est gerando observaes estatsticas do desempenho do sistema simulado. Essas observaes so usadas para produzir estimativas estatsticas das medidas de desempenho. Aumentar a durao de uma simulao expande a preciso dessas estimativas. O primeiro suplemento para este captulo contido no CD-ROM tambm descreve tcnicas especiais para reduo de varincia que algumas vezes podem ser empregadas para elevar a preciso dessas estimativas. A teoria estatstica para elaborao de experimentos estatsticos conduzidos por meio de simulao um pouco distinta para aquela de experimentos conduzidos diretamente pela observao do desempenho de um sistema fsico.6 Portanto, a incluso de um estatstico (ou de pelo menos um analista com experincia em simulao e slidos conhecimentos de estatstica) em sua equipe de PO pode ser inestimvel nesta etapa.
6

Para detalhes sobre a teoria estatstica relevante para aplicao de simulao, ver os Captulos 9-12 em LAW, A. M.; KELTON, W. D. 3. ed. Simulation Modeling and Analysis. Nova York: McGraw-Hill, 2000.

20.6

REALIZANDO SIMULAES EM PLANILHAS

29

Passo 7: Realizar as Execues de Simulao e Analisar os Resultados A sada obtida das execues de simulao agora fornece estimativas estatsticas das medidas de desempenho desejadas para cada configurao de sistema de interesse. Alm de uma estimativa pontual de cada medida, normalmente se deve obter um intervalo de confiana para indicar o intervalo de valores provveis da medida (exatamente como foi feito no Exemplo 2 da Seo 20.1). O segundo suplemento para este captulo contido no CD-ROM descreve um mtodo para fazer isso.7 Esses resultados podem indicar imediatamente que determinada configurao de sistema claramente superior s demais. Com maior freqncia eles identificaro alguns candidatos mais fortes ao posto de melhor configurao. Em ltimo caso, sero executadas algumas simulaes mais longas de forma a comparar melhor esses candidatos.8 Processamentos adicionais tambm poderiam ser usados para fazer um ajuste fino nos detalhes daquilo que parece ser a melhor configurao. Passo 8: Apresentar Recomendaes Administrao Aps completar sua anlise, a equipe de PO precisa apresentar suas recomendaes administrao. Isso normalmente seria feito por intermdio de um relatrio e uma apresentao formal aos diretores/gerentes responsveis pela tomada de deciso referente ao sistema em estudo. O relatrio e a apresentao devem sintetizar a forma como o estudo foi conduzido, incluindo documentao da validao do modelo de simulao. Uma demonstrao da animao de uma execuo de simulao poderia ser includa para melhor transmitir o processo de simulao e acrescentar credibilidade. Resultados numricos que fornecem a lgica para as recomendaes tambm precisam ser includos. A administrao normalmente envolve mais a equipe de PO na implementao inicial do novo sistema, incluindo o treinamento do pessoal envolvido.

20.6

REALIZANDO SIMULAES EM PLANILHAS


A Seo 20.5 descreve os passos tpicos envolvidos em estudos de simulao de sistemas complexos, incluindo o emprego de linguagens de simulao genricas ou de simuladores especializados que so necessrios para estudar a maioria de tais sistemas de forma eficiente. Entretanto, nem todos os estudos de simulao so to complicados assim. Na realidade, ao estudar sistemas relativamente simples, algumas vezes possvel rodar as simulaes necessrias de forma rpida e fcil em planilhas. Particularmente, sempre que um modelo de planilha puder ser formulado para analisar um sistema sem levar em conta incertezas (exceto pela anlise de sensibilidade), normalmente possvel estender o modelo para usar simulao para considerar o efeito das incertezas. Portanto, agora iremos nos concentrar nesses casos mais simples nos quais as planilhas podem ser usadas para realizar as simulaes de forma eficiente. Conforme ilustrado no Exemplo 1 da Seo 20.1, o pacote de software padro do Excel possui alguns recursos bsicos de simulao, inclusive a habilidade para gerar nmeros aleatrios uniformes e observaes aleatrias de algumas distribuies de probabilidades. Um interessante progresso atingido em anos recentes foi o desenvolvimento de poderosos programas complementares para o Excel que aumentam em muito seus recursos originais. Um desses programas complementares o Crystal Ball, desenvolvido pela Decisioneering, Inc., que nos cedeu generosamente a verso para estudantes do Crystal Ball 2000.5 (Professional Edition) para experimentao por 140 dias e que se encontra incluso no CD-ROM. Alm de
7 8

Ver as pginas 530-531 na referncia citada na nota de rodap anterior para outros mtodos alternativos. A metodologia para emprego de simulao na tentativa de identificar a melhor configurao de sistema conhecida como otimizao de simulao. Trata-se de uma rea bem interessante no campo de pesquisas atual. Por exemplo, consulte BOESEL, J. et al. Using Ranking and Selection to Clean Up After Simulation Otimization. Operations Research, v. 51, p. 814-825, 2003. Ver tambm Referncias Selecionadas 8 e 9.

30

CAPTULO 20

SIMULAO

sua tima funcionalidade na realizao de simulaes, a Professional Edition do Crystal Ball tambm inclui dois outros mdulos. Um dos programas tambm o CB Predictor para gerao de previses a partir de dados de srie de tempos, conforme descrito e ilustrado no Captulo 27 (um captulo suplementar contido no CD-ROM). O outro o OptQuest, que aperfeioa o Crystal Ball usando sua sada de uma srie de execues de simulao para procurar automaticamente uma soluo tima para um modelo de simulao, conforme descrito na prxima seo. Alguns dos outros programas complementares se encontram disponveis como shareware. Um deles o RiskSim, desenvolvido pelo professor Michael Middleton. Fornecemos a verso acadmica do RiskSim no Courseware de PO. Embora no to elaborado e poderoso como o Crystal Ball, o RiskSim fcil de usar e bem documentado no CD-ROM. Caso queira continuar a us-lo aps esse curso, voc deve registr-lo e pagar uma taxa de shareware. Assim como qualquer programa complementar do Excel, eles precisam ser instalados antes de poderem ser usados no Excel. A presente seo se concentra no uso do Crystal Ball para ilustrar o que pode ser feito com os programas complementares de simulao. Embora tais programas sem dvida nenhuma continuaro a evoluir ao longo do tempo, sua funcionalidade atual deve continuar a ser uma parte bsica de sua funcionalidade futura. Portanto, a nfase aqui ilustrar tal funcionalidade. Inclumos problemas no final do captulo tanto para esta seo como para a prxima para uso do Crystal Ball. O RiskSim contido no CD-ROM tambm pode ser usado para os problemas desta seo. Planilhas comerciais normalmente incluem algumas clulas de entrada que exibem dados fundamentais (por exemplo, os diversos custos associados produo ou comercializao de um produto) e uma ou mais clulas de sada que mostram medidas de desempenho (por exemplo, o lucro obtido pela produo ou comercializao de um produto). O usurio cria equaes em Excel para associar as entradas s sadas de forma que as clulas de sada mostrem os valores correspondentes queles que foram introduzidos nas clulas de entrada. Em alguns casos, haver incerteza em relao a quais seriam os valores corretos para as clulas de entrada. A anlise de sensibilidade pode ser usada para verificar como as sadas mudam medida que os valores para as clulas de entrada so alterados. Entretanto, se houver um nvel de incerteza considervel em relao aos valores de algumas clulas de entrada, uma abordagem mais sistemtica para anlise do efeito da incerteza seria til. a que a simulao entra em cena. Pela simulao, em vez de introduzirmos um nico nmero em uma clula de entrada na qual existe incerteza, a distribuio de probabilidades que descreve essa incerteza introduzida em seu lugar. Gerando-se uma observao aleatria a partir da distribuio de probabilidades para cada clula de entrada destas, a planilha capaz de calcular os valores de sada da forma usual. Isso chamado tentativa pelo Crystal Ball. Realizando-se o nmero de tentativas especificado pelo usurio (normalmente centenas ou milhares), a simulao gera ento o mesmo nmero de observaes aleatrias dos valores de sada. O programa Crystal Ball registra todas essas informaes e fornece ento a opo de se imprimir estatsticas detalhadas na forma de tabelas ou grficos (ou ambas) que ilustram de forma aproximada a distribuio de probabilidades subjacente dos valores de sada. Um resumo dos resultados tambm inclui estimativas da mdia e do desvio-padro dessa distribuio. Vejamos agora um exemplo em detalhes para ilustrar esse processo. Exemplo de Controle de Estoque O Problema do Jornaleiro Freddie Considere o seguinte problema enfrentado por um jornaleiro chamado Freddie. Um dos jornais que Freddie vende em sua banca o Financial Journal. Um distribuidor traz as edies do dia do Financial Journal para a banca de manh cedinho. Quaisquer cpias no vendidas no final do dia so devolvidas ao distribuidor na manh seguinte. Entretanto, para encorajar o pedido de um grande nmero de exemplares, o distribuidor oferece um pequeno reembolso para exemplares no vendidos.

20.6

REALIZANDO SIMULAES EM PLANILHAS

31

Eis os nmeros referentes a custos da banca de Freddie. Freddie paga US$ 1,50 por exemplar entregue. Freddie o vende a US$ 2,50 por exemplar. Freddie recebe um reembolso de US$ 0,50 por exemplar no vendido. Em parte por causa do reembolso, Freddie sempre encomenda um bom nmero de exemplares. Entretanto, ele comeou a ficar preocupado sobre pagar tanto pelos exemplares que ento devem ser devolvidos por no terem sido vendidos, particularmente desde que isso comeou a ocorrer quase todos os dias. Agora ele est pensando que talvez fosse melhor encomendar um nmero mnimo de exemplares e poupar esse custo extra. Para investigar isso mais a fundo, ele compilou os seguintes dados de suas vendas dirias. Freddie vende algo em torno de 40 a 70 exemplares em um dia qualquer. As freqncias dos nmeros entre 40 e 70 so aproximadamente iguais. A deciso que Freddie precisa tomar o nmero de exemplares a ser encomendado por dia do distribuidor. Seu objetivo maximizar seu lucro mdio dirio. Talvez voc reconhea esse problema como um exemplo do problema do jornaleiro discutido na Seo 18.7. Logo, o modelo de estoque estocstico de um perodo para produtos perecveis (sem nenhum custo de implantao) aqui apresentado pode ser usado para resolver esse problema. Entretanto, para fins ilustrativos, agora mostramos como a simulao pode ser usada para analisar esse sistema de estoque simples da mesma forma que ele analisa sistemas de estoque mais complexos que esto fora do alcance de modelos de estoque disponveis. Modelo de Planilha para Esse Problema A Figura 20.7 mostra um modelo de planilha para esse problema. Estipuladas as clulas de dados C4:C6, a varivel de deciso a quantidade encomendada a ser introduzida na clula C9. O nmero 60 foi introduzido arbitrariamente nessa figura como uma primeira aproximao para um valor razovel. A parte inferior da figura mostra as equaes usadas para calcular as clulas de sada C15:C17. Essas clulas de sada so ento usadas para calcular a clula de sada Lucro (C19). O nico valor de entrada incerto nessa planilha a demanda diria na clula C12. Esse valor se encontra entre 40 e 70 inclusive. J que a freqncia dos nmeros entre 40 e 70 praticamente a mesma, a distribuio de probabilidades da demanda diria pode ser suposta de forma razovel como uma distribuio uniforme entre 40 e 70, conforme indicado nas clulas D12:F12. Em vez de introduzir um nico nmero de forma permanente em DemandaSimulada (C12), o que o Crystal Ball vai fazer introduzir essa distribuio de probabilidades nessa clula. Antes de passar para o Crystal Ball, um nmero arbitrrio 55 foi introduzido temporariamente nessa clula na Figura 20.7. Usando o Crystal Ball para gerar uma observao aleatria dessa distribuio de probabilidades, a planilha capaz de calcular as clulas de sada da forma usual para completar uma tentativa. Executando o nmero de tentativas especificado pelo usurio (tipicamente centenas ou milhares), a simulao gera portanto o mesmo nmero de observaes aleatrias dos valores nas clulas de sada. O Crystal Ball registra essas informaes para a(s) clula(s) de sada de interesse particular (o lucro dirio do Freddie) e ento, no final, as exibe em uma variedade das formas convenientes que revelam uma estimativa da distribuio de probabilidades subjacente do lucro dirio de Freddie. Falaremos mais a esse respeito posteriormente. J que a distribuio uniforme uma distribuio contnua, o valor em DemandaSimulada (C12) pode assumir qualquer valor entre 40 e 70, inclusive valores de no-inteiros. Entretanto, a demanda real de qualquer dia em particular tem de ser um nmero inteiro de exemplares do Financial Journal. Portanto, a funo ROUND do Excel usado para arredondar DemandaSimulada (C12) para o prximo inteiro mais prximo para obter a demanda real na clula C13. por isso que Demanda (C13) usado em vez de DemandaSimulada (C12) nas equaes usadas para calcular ReceitaVendas (C15) e ValorSobras (C17).

32

CAPTULO 20

SIMULAO

A 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Freddie, o jornaleiro
Preo de Venda Inicial Custo de Compra Unitrio Valor de Sobras Unitrio Dados US$ 2,50 US$ 1,50 US$ 0,50 Varivel de Deciso 60 Simulao 55 55 US$ 137,50 US$ 90,00 US$ 2,50 US$ 50,00 Mnimo 40 Mximo 70

Quantidade Encomendada

Demanda Simulada Demanda (arredondada) Receita de Vendas Custo de Compra Valor de Sobras Lucro

Uniforme

B C 11 Simulao 12 Demanda Simulada 55 13 Demanda (arredondada) =ROUND(DemandaSimulada,0) 14 Receita de Vendas =PrecoVendaUnitario*MIN(QuantidadeEncomendada,Demanda 15 Custo de Compras =PrecoCompraUnitario*QuantidadeEncomendada 16 Valor de Sobras =PrecoSobrasUnitario*MAX(QuantidadeEncomendada-Demanda,0) 17 18 Profit =ReceitasVendas-CustoCompra+ValorSobras 19

Nome da Faixa Clulas de Clulas Demanda C13 QuantidadeEncomendada C9 Lucro C19 CustoCompra C16 ReceitaVendas C15 ValorSobras C17 DemandaSimulada C12 CustoCompraUnitario C5 PrecoVendaUnitario C4 PrecoSobrasUnitario C6

FIGURA 20.7 Um modelo de planilha para aplicar simulao ao exemplo envolvendo o jornaleiro Freddie. A clula suposta DemandaSimulada (C12), a clula de previso Lucro (C19) e a varivel de deciso QuantidadeEncomendada (C9).

A Aplicao do Crystal Ball So necessrios quatro passos para usar a planilha na Figura 20.7 para realizar a simulao com o Crystal Ball. 1. 2. 3. 4. Definir as clulas de entrada aleatrias. Definir as clulas de sada a serem previstas. Configurar as preferncias para execuo. Rodar a simulao.

Descreveremos agora cada um dos quatro passos, um de cada vez. Definir as Clulas de Entrada Aleatrias. Uma clula de entrada aleatria uma clula de entrada que possui um valor aleatrio (como a demanda diria para o Financial Journal) e, portanto, necessrio introduzir uma distribuio de probabilidades suposta na clula em vez de introduzir permanentemente um nico nmero. A nica clula de entrada aleatria na Figura 20.7 DemandaSimulada (C12). O Crystal Ball refere-se a cada uma dessas clulas de entrada aleatria como uma clula pressuposta. O procedimento a seguir usado para definir uma clula pressuposta.

20.6

REALIZANDO SIMULAES EM PLANILHAS

33

Procedimento para Definio de uma Clula Pressuposta 1. Selecione a clula clicando sobre ela. 2. Se a clula j no contiver um valor, introduza qualquer nmero na clula. 3. Clique no primeiro boto (o boto Define Assumption) na barra de ferramentas do Crystal Ball mostrada na Figura 20.8 (ou selecione Define Assumption do menu Cell). 4. Selecione uma distribuio de probabilidades para introduzir na clula clicando nessa distribuio em Distribution Gallery mostrado na Figura 20.9. 5. Clique em OK (ou d um clique duplo na distribuio) para acionar uma caixa de dilogo para a distribuio selecionada. 6. Use essa caixa de dilogo para introduzir os parmetros para a distribuio, preferencialmente referindo-se s clulas na planilha que contm os valores desses parmetros. Se desejado, tambm pode ser introduzido para a clula pressuposta. Se a clula j tiver um nome prximo a ela na planilha, esse nome aparecer na caixa de dilogo. 7. Clique em OK. A Distribution Gallery mencionada no passo 4 oferece 17 distribuies de probabilidades diferentes para escolher. A Figura 20.9 mostra 12 dessas distribuies, porm existem mais outras cinco disponveis clicando-se no boto More. Quando existe incerteza sobre qual distribuio contnua fornece a melhor aderncia aos dados histricos, o Crystal Ball fornece

FIGURA 20.8 A barra de ferramentas do Crystal Ball.


ptions

ption

iv it y C h a rt

sts

ces

ti o n

tion

ns

ws

Run P referen

S im u la

Stop S imula

Data

Clear D ata

Copy D ata

Foecas

Create

O v e rl a

S e n s it

t Data Extrac

Define

Define

Select

Select

Select

Single

FIGURA 20.9 A caixa de dilogo Distribution Gallery do Crystal Ball. Alm das 12 distribuies aqui exibidas, pode-se acessar cinco distribuies a mais clicando-se no boto More.

Trend

Reset

Paste

S ta rt

Crysta

Define

l Ball H elp

st

tion

t Wind o

y Cha rt

Decisio

Decisio

Foreca

Foreca

Assum

Assum

Simula

Chart

Step

Report

34

CAPTULO 20

SIMULAO

um procedimento para escolher uma distribuio apropriada. Esse procedimento descrito na Seo 28.6 do CD-ROM. No caso de Freddie, dar um clique duplo na distribuio uniforme no Distribution Gallery aciona a caixa de dilogo Uniform Distribution mostrada na Figura 20.10, que usada para a introduo dos parmetros da distribuio. Para cada um dos parmetros (Mn e Mx), nos referimos s clulas de dados em C9 e C10 na planilha digitando as frmulas mostradas na Figura 20.10. Quando so usadas referncias a clulas dessa maneira, necessrio fazer uma escolha entre a opo Static e a opo Dynamic, clicando nos botes logo abaixo da tela da distribuio. A opo Static significa que cada clula de referncia avaliada apenas uma vez, no incio da execuo da simulao e ento cada valor de parmetro (Mn e Mx) no ponto usado para todas as tentativas da simulao. Isso razovel quando o valor do parmetro em cada clula jamais muda, que o caso nesse exemplo, portanto foi escolhida a opo Static na Figura 20.10. A opo Dynamic significa que cada clula de referncia avaliada para cada tentativa distinta, que seria necessrio se o valor do parmetro em cada clula pudesse mudar, pois ele depende de outra clula pressuposta. Embora o modelo da planilha de Freddie tenha apenas uma nica clula pressuposta, outros modelos de planilha normalmente possuem vrias clulas pressupostas. Quando vrias clulas pressupostas na mesma coluna possuem o mesmo tipo de distribuio de probabilidades, mas com parmetros diferentes, necessrio usar o procedimento anterior para introduzir a distribuio somente na primeira clula pressuposta. Um processo de cortar-ecolar pode ento ser usado para rapidamente introduzir a distribuio com os parmetros apropriados nas demais clulas pressupostas. Veremos um modelo de planilha com vrias clulas pressupostas na prxima seo (Figura 20.26), portanto, iremos dar mais detalhes sobre o processo de cortar-e-colar nessa oportunidade. Definir as Clulas de Sada a serem Previstas. O Crystal Ball refere-se sada de uma simulao como uma previso, j que ela est prevendo qual ser a distribuio de probabilidades do desempenho do sistema real aps ele comear a operar. Logo, cada clula de sada que est sendo usada por uma simulao a prever a medida de desempenho conhecida como clula de previso. O modelo de planilha para uma simulao via computador

FIGURA 20.10 A caixa de dilogo Uniform Distribution do Crystal Ball. Ela est sendo usada aqui para introduzir uma distribuio uniforme, com os parmetros nas clulas E12 e F12, na clula pressuposta DemandaSimulada (C12) no modelo de planilha da Figura 20.7.

20.6

REALIZANDO SIMULAES EM PLANILHAS

35

no inclui uma clula de destino, porm uma clula de previso desempenha basicamente o mesmo papel. A medida de desempenho de interesse para Freddie seu lucro dirio da venda do Financial Journal e, portanto, a nica clula de previso na Figura 20.7 Lucro (C19). O procedimento a seguir usado para definir uma clula de sada desse tipo como clula de previso. Procedimento para Definio de uma Clula de Previso 1. Selecione a clula clicando sobre ela. 2. Clique no terceiro boto (o boto Define Forecast) na barra de ferramentas do Crystal Ball mostrada na Figura 20.8 (ou selecione Define Forecast no menu Cell), que aciona a caixa de dilogo Define Forecast (conforme mostrado na Figura 20.11 do problema de Freddie). 3. Essa caixa de dilogo pode ser usada para definir um nome e (opcionalmente) unidades para a clula de previso. Caso j exista um nome para a faixa de clulas, esse nome aparecer na caixa de dilogo. 4. Clique em OK. Configurar Run Preferences. O terceiro passo configurar as preferncias para execuo refere-se a coisas como escolher o nmero de tentativas a serem executadas e decidir sobre outras opes referentes ao modo de realizao da simulao via computador. Esse passo iniciado clicando-se no boto Run Preferences da barra de ferramentas do Crystal Ball ou selecionando-se Run Preferences no menu Run. A caixa de dilogo Run Preferences possui as seis guias mostradas no lado direito da Figura 20.12. Podemos clicar em qualquer um desses botes para introduzir ou modificar qualquer uma das especificaes controladas pela guia sobre a maneira como ser executada a simulao. Por exemplo, a Figura 20.12 mostra como ficaria a caixa de dilogo caso fosse selecionada a guia Trials. Essa figura indica que foi selecionado 500 como nmero mximo de tentativas para a simulao via computador. A segunda opo na caixa de dilogo Run Preferences Trials Stop if Specified Precision is Reached (Parar caso a preciso especificada seja alcanada) ser descrita posteriormente. Executar a Simulao. Neste ponto, o palco est pronto para comearmos a rodar a simulao. Para inici-la basta clicar no boto Start Simulation (ver a parte central da Figura 20.8) ou selecionar Run Simulation do menu Run. Entretanto, se uma simulao foi executada anteriormente, devemos inicialmente clicar sobre o boto Reset Simulation ou selecionar Reset Simulation no menu Run para reinicializar a simulao antes de comear uma nova. Uma vez iniciada, uma janela de previso exibe os resultados da simulao medida que ela processada. A Figura 20.13 mostra a previso para o Lucro Total (o lucro dirio de Freddie pela venda do Financial Journal) aps todas as 500 tentativas terem sido completadas. A visualizao-padro da previso um grfico de freqncias mostrado na metade superior da figura. A altura das linhas verticais no grfico de freqncias indica uma fre-

FIGURA 20.11 A caixa de dilogo Define Forecast do Crystal Ball. Ela est sendo usada aqui para definir a clula de previso Lucro (C19) no modelo de planilha da Figura 20.7.

36

CAPTULO 20

SIMULAO

FIGURA 20.12 A caixa de dilogo Run Preferences do Crystal Ball aps selecionar a guia Trials.

qncia relativa dos diversos valores de lucro que foram obtidos durante a execuo da simulao. Por exemplo, considere a linha vertical mais alta em US$ 60. O lado direito do grfico indica uma freqncia 175 naquele ponto, o que significa que 175 das 500 tentativas levaram a um lucro de US$ 60. Logo, o lado esquerdo do grfico indica que a probabilidade estimada de um lucro de US$ 60 175/500 0,350. Esse o lucro resultante toda vez que a demanda igualar ou exceder a quantidade encomendada 60. O restante do tempo, o lucro distribudo de forma relativamente igual entre US$ 20 e US$ 60. Esses valores de lucro correspondem a tentativas nas quais a demanda se encontra entre 40 e 60 unidades, com valores de lucro mais baixos correspondendo a demandas mais prximas de 40 e valores de lucro mais altos correspondendo a demandas mais prximas de 60. A mdia dos 500 valores de lucro US$ 46,67, conforme indicado por uma linha mdia (a linha vertical tracejada) nesse ponto. A metade inferior da Figura 20.13 mostra a tabela que obtida selecionando-se Statistics do menu View. Essas estatsticas sintetizam o resultado das 500 tentativas de simulao. Essas 500 tentativas fornecem uma amostra de 500 observaes aleatrias a partir da distribuio de probabilidades subjacente do lucro dirio de Freddie. O dado estatstico mais interessante sobre essa amostra fornecida pela tabela inclui a mdia de US$ 46,67, a mediana US$ 50,00 (indicando que US$ 50 era o valor de lucro central das 500 tentativas ao listar os lucros do menor para o maior), a moda US$ 60 (significando que esse era o valor de lucro que ocorreu com maior freqncia) e o desvio-padro US$ 13,36. As informaes prximas da parte inferior da tabela referentes ao intervalo de valores de lucro tambm so particularmente teis. Quais dessas informaes estatsticas da Figura 20.13 so particularmente relevantes depende realmente do que Freddie quer alcanar. A mdia normalmente o dado mais importante j que, apesar de amplas flutuaes nos lucros dirios, o lucro dirio mdio vai convergir para uma mdia medida que o tempo for passando. Portanto, multiplicando-se a mdia pelo nmero de dias que a banca permanecer aberta durante o ano fornece (de forma muito prxima) qual ser o lucro total anual da venda do Financial Journal, que um valor muito relevante que queremos maximizar. Entretanto, se Freddie for um indivduo que se concentra muito mais no presente que no futuro, ento a mediana e a moda poderiam ser de interesse considervel para ele. Se ele considerar um lucro de US$ 50 como um bom dia e

20.6

REALIZANDO SIMULAES EM PLANILHAS

37

FIGURA 20.13 O grfico de freqncias e a tabela de estatsticas fornecida pelo Crystal Ball para sintetizar os resultados de rodar o modelo de simulao na Figura 20.7 para o exemplo concernente ao caso do jornaleiro Freddie.

sua meta for atingir um bom dia pelo menos metade das vezes, ento ele vai querer que a mediana seja pelo menos US$ 50 (como realmente ). Se para ele for mais conveniente atingir o maior lucro possvel de US$ 60 (dada uma encomenda de 60 unidades), ento ele vai querer ter certeza de que isso vai acontecer mais freqentemente do que qualquer outro lucro especfico (conforme indicado pela moda US$ 60). No entanto, se Freddie for avesso a riscos e, portanto, for particularmente preocupado em evitar dias ruins (lucros bem abaixo da mdia) o mximo possvel, ento ele teria um interesse especial em ter um desvio-padro relativamente pequeno e um mnimo do intervalo relativamente grande. Tenha em mente que os dados estatsticos da Figura 20.13 se baseiam no emprego de uma quantidade encomendada igual a 60 unidades, ao passo que o objetivo determinar a melhor quantidade a ser encomendada. Se Freddie tiver um particular interesse em mais do que um dado estatstico, uma abordagem seria executar novamente o modelo de simulao da Figura 20.13 com diversas quantidades encomendadas e ento deixar que Freddie escolha aquele conjunto de dados estatsticos que melhor se ajuste sua preferncia. Entretanto, na maioria das situaes, a mdia ser o dado estatstico de especial interesse. Nesse caso,

38

CAPTULO 20

SIMULAO

o objetivo determinar a quantidade encomendada que maximiza a mdia. Daqui em diante vamos supor que este seja o objetivo. Aps estimar a quantidade encomendada tima de acordo com esse objetivo, Freddie deve tomar conhecimento do grfico de freqncias e da tabela de estatsticas correspondentes (e, talvez, outras informaes descritas posteriormente tambm) para certificar-se de que tudo o mais satisfatrio com essa quantidade encomendada. Alm do grfico de freqncias e da tabela de estatsticas apresentados na Figura 20.13, o menu View fornece algumas outras maneiras teis de se exibir os resultados de uma simulao, inclusive uma tabela de percentis, um grfico cumulativo e um grfico cumulativo reverso. Essas formas alternativas de visualizao so apresentadas na Figura 20.14. A tabela de percentis se baseia em listar os valores de lucro gerados pelas 500 tentativas do menor para o maior, dividindo essa lista em dez partes iguais (50 valores em cada) e ento registrando o valor no final de cada parte. Logo, o valor 10% pela lista US$ 26, o valor 20% pela lista US$ 32 e assim por diante. Por exemplo, a interpretao intuitiva do percentil 10% de US$ 26 que existe 10% das tentativas com valores de lucro menores ou iguais a US$ 26 e ento os demais 90% de tentativas apresentam valores de lucro maiores ou iguais a US$ 26; portanto, US$ 26 a linha divisria entre os 10% dos valores menores e os 90% maiores. O grfico cumulativo fornece informaes similares (porm mais detalhadas) sobre essa mesma lista dos valores de lucro do menor para o maior. O eixo horizontal mostra o intervalo inteiro de valores desde o menor valor de lucro possvel (US$ 20) at o maior valor de lucro possvel (US$ 60). Para cada valor nesse intervalo, o grfico acumula o nmero total de lucros reais gerados pelas 500 tentativas que so menores ou iguais a esse valor. Esse nmero equivale freqncia exibida direita ou, quando dividido pelo nmero de tentativas, a probabilidade mostrada esquerda. O grfico cumulativo reverso construdo da mesma maneira que o grfico cumulativo, exceto pela seguinte diferena crucial. Para cada valor no intervalo de US$ 20 a US$ 60, o grfico cumulativo reverso acumula o nmero de lucros reais gerados pelas 500 tentativas que so maiores ou iguais a esse valor. A Figura 20.15 ilustra outra de diversas maneiras fornecidas pelo Crystal Ball para extrao de informaes teis dos resultados de uma simulao. Freddie, o jornaleiro, acredita que um dia relativamente satisfatrio aquele no qual se obtm um lucro de pelo menos US$ 40 na venda do Financial Journal. Portanto, ele gostaria de saber a porcentagem de dias em que ele poderia esperar alcanar esse lucro caso viesse a adotar a quantidade encomendada que est sendo analisada no momento (ou seja, 60). Uma estimativa dessa porcentagem (68,40%) mostrada na caixa Certainty abaixo do grfico de freqncias da Figura 20.15. Partindo do grfico de freqncias da Figura 20.13, a nica medida que foi tomada para fazer que o Crystal Ball fornecesse essa porcentagem foi arrastar o tringulo esquerda abaixo do grfico (originalmente em US$ 20 na Figura 20.13) para a direita at que chegasse a US$ 40 (como indicado na Figura 20.15). Alternativamente, pode-se digitar US$ 40 diretamente no retngulo inferior esquerdo. Se desejado, a probabilidade de se obter um lucro entre dois valores quaisquer tambm poderia ser estimada imediatamente arrastandose os dois tringulos at esses valores. Qual a Preciso dos Resultados da Simulao? Um nmero importante fornecido pela Figura 20.13 a mdia US$ 46,67. Esse nmero foi calculado como o valor mdio das 500 observaes aleatrias da distribuio de probabilidades subjacente do lucro dirio de Freddie que foram geradas pelas 500 tentativas. Essa mdia da amostra igual a US$ 46,67 d portanto uma estimativa da mdia verdadeira dessa distribuio. Entretanto, a mdia verdadeira poderia se desviar ligeiramente de US$ 46,67. Quo precisa podemos esperar que seja essa estimativa? A resposta a essa questo fundamental fornecida pelo erro-padro mdio de US$ 0,60 dado na parte inferior da tabela de estatsticas da Figura 20.13. Um erro-padro mdio calculado como s/ n, em que s o desvio-padro da amostra e n o nmero de tentativas. Ele uma estimativa do desvio-padro da mdia da amostra e, portanto, a mdia da amostra se encontra, na maior parte do tempo, dentro de um intervalo de um erro-padro mdio da

20.6

REALIZANDO SIMULAES EM PLANILHAS

39

FIGURA 20.14 Trs outras formas pelas quais o Crystal Ball exibe os resultados da execuo do modelo de simulao da Figura 20.7 para o exemplo envolvendo o jornaleiro Freddie.

40

CAPTULO 20

SIMULAO

FIGURA 20.15 Aps estabelecer um limite inferior de US$ 40 para valores de lucro desejveis, a caixa Certainty abaixo desse grfico de freqncias revela que 68,40% das tentativas na simulao do caso Freddie forneceram um lucro pelo menos igual a esse.

mdia verdadeira. Em outras palavras, a mdia verdadeira pode prontamente se desviar da mdia da amostra at um valor igual ao erro-padro mdio, porm na maior parte do tempo (aproximadamente 68% do tempo), ela no se desviar mais do que esse valor. Logo, o intervalo de US$ 46,67 US$ 0,60 US$ 46,07 a US$ 46,67 US$ 0,60 US$ 47,27 um intervalo de confiana de 68% para a mdia verdadeira. De modo similar, um intervalo de confiana maior pode ser obtido pelo emprego de um mltiplo apropriado do erro-padro mdio a ser subtrado da mdia da amostra e ento adicionado mdia da amostra. Por exemplo, o mltiplo apropriado para um intervalo de confiana de 95% 1,965, de modo que o intervalo de confiana v de US$ 46,67 1,965(US$ 0,60) US$ 45,49 a US$ 46,67 1,965(US$ 0,60) US$ 47,85. Esse mltiplo 1,965 mudar ligeiramente caso o nmero de tentativas seja diferente de 500. Portanto, muito provvel que a mdia verdadeira se encontre em algum ponto entre US$ 45,49 e US$ 47,85. Se for necessria uma preciso maior, o erro-padro mdio normalmente pode ser reduzido aumentando-se o nmero de tentativas na execuo da simulao. Entretanto, essa reduo tende a ser pequena a menos que o nmero de tentativas seja aumentado substancialmente. Por exemplo, cortar o erro-padro mdio pela metade requer aproximadamente que se quadruplique o nmero de tentativas. Logo, um nmero de tentativas surpreendentemente grande pode ser necessrio para se obter o grau de preciso desejado. J que o nmero de tentativas necessrias para se obter o grau de preciso desejado no pode ser previsto muito bem antes de se rodar a simulao, a tentao especificar um nmero de tentativas extremamente alto. Esse nmero especificado poderia acabar sendo muitas vezes maior que o necessrio e, conseqentemente, provocar um processamento excessivamente longo no computador. Felizmente, o Crystal Ball possui um mtodo especial para controle de preciso para fazer que a execuo da simulao seja interrompida antes, to logo a preciso desejada tenha sido atingida. Esse mtodo disparado escolhendo-se a segunda opo (Stop if Specified Precision is Reached parar caso a preciso especificada seja alcanada) na caixa de dilogo Run Preferences Trials mostrada na Figura 20.12. A preciso especificada introduzida na caixa de dilogo Expanded Define Forecast exibida na Figura 20.16. Essa caixa de dilogo acionada clicando-se no boto More da caixa de dilogo Define Forecast mostrada na Figura 20.12. O canto inferior direito da Figura 20.16 indica que o controle de preciso est sendo aplicado mdia (mas no ao desvio-padro nem a um percentil especificado) e que est sendo adotado um intervalo de confiana de 95%. A largura de metade do intervalo de confiana, medida desse ponto mdio a

20.6

REALIZANDO SIMULAES EM PLANILHAS

41

qualquer uma das extremidades, considerada como a preciso a ser atingida. A preciso desejada pode ser especificada tanto em termos absolutos (usando-se as mesmas unidades do intervalo de confiana) como em termos relativos (expresso como uma porcentagem do ponto mdio do intervalo de confiana). A parte central da caixa de dilogo da Figura 20.16 indica que se decidiu especificar a preciso desejada em termos absolutos como US$ 1. Constatou-se que o intervalo de confiana de 95% para a mdia aps 500 tentativas US$ 46,67 mais ou menos US$ 1,18 e, portanto, US$ 1,18 a preciso que foi alcanada aps todas essas tentativas. O Crystal Ball tambm calcula periodicamente o intervalo de confiana (e, portanto, a preciso atual) para verificar se a preciso atual se encontra abaixo de US$ 1, em cujo caso a execuo seria interrompida. Entretanto, isso jamais aconteceu, de modo que o Crystal Ball permitiu que a simulao fosse executada at o nmero mximo de tentativas (500) ter sido atingido. Para obter a preciso desejada, a simulao precisaria ser reiniciada para gerar tentativas adicionais. Isso feito introduzindo-se um nmero maior (como 1.000) para o nmero mximo de tentativas (inclusive os 500 j obtidos) na caixa de dilogo Run Preferences (mostrada na Figura 20.12) e ento clicando-se no boto Start Simulation da barra de ferramentas do Crystal Ball. A Figura 20.17 mostra os resultados dessa ao. A primeira linha indica que a preciso desejada foi obtida aps apenas 250 tentativas adicionais, para um total de 750 tentativas. O valor-padro para a freqncia de verificao da preciso a cada 50 tentativas e, portanto, a preciso de US$ 1 foi realmente atingida em algum ponto entre 700 e 750 tentativas. Em razo das tentativas adicionais, parte das estatsticas mudaram ligeiramente em relao quelas fornecidas na Figura 20.13. Por exemplo, a melhor estimativa da mdia agora US$ 46,61, com preciso US$ 0,96. Logo, muito provvel (confiana, de 95%) que o valor verdadeiro da mdia se encontre dentro do intervalo de US$ 0,96, ou seja, US$ 46,61. Intervalo de confiana de 95%: US$ 45,65 Mdia US$ 47,57

FIGURA 20.16 Essa caixa de dilogo expandida, Define Forecast, est sendo usada para especificar o grau de preciso desejado na execuo da simulao para o caso Freddie.

42

CAPTULO 20

SIMULAO

FIGURA 20.17 Os resultados obtidos aps continuar-se a execuo da simulao do caso Freddie at a preciso especificada na Figura 20.16 ter sido atingida.

A preciso tambm dada para as estimativas atuais da mediana e do desvio-padro, bem como para as estimativas dos percentis dados na tabela de percentis. Portanto, um intervalo de confiana de 95% tambm pode ser calculado para cada uma dessas quantidades adicionando-se e subtraindo-se sua preciso de sua estimativa. Aplicao da Ferramenta Decision Table Os resultados apresentados nas Figuras 20.13 e 20.17 foram de uma simulao que fixava a quantidade diria encomendada por Freddie em 60 exemplares do Financial Journal (conforme indicado na clula C9 da planilha da Figura 20.7). Freddie queria que essa quantidade encomendada fosse testada primeiro, pois parece fornecer uma relao de compromisso entre ser capaz de atender completamente demanda em vrios dias (cerca de dois teros deles) e no ter muitas vezes vrios exemplares no vendidos nesses dias. Entretanto, os resultados obtidos no revelam se 60 a quantidade encomendada tima que maximizaria seu lucro dirio mdio. Ser necessrio um nmero muito maior de execues de simulao

20.6

REALIZANDO SIMULAES EM PLANILHAS

43

com outras quantidades encomendadas para determinar (ou pelo menos estimar) a quantidade encomendada tima. Felizmente, o Crystal Ball oferece um recurso especial chamado ferramenta Decision Table que aplica sistematicamente simulao para identificar pelo menos uma aproximao de uma soluo tima para problemas com apenas uma ou duas variveis de deciso. O problema de Freddie tem apenas uma nica varivel de deciso, QuantidadeEncomendada (C9) no modelo de planilha da Figura 20.7 e, portanto, iremos aplicar essa ferramenta agora. Uma abordagem intuitiva para buscar uma soluo tima seria usar tentativa e erro. Experimente valores diferentes da(s) varivel(is) de deciso, execute a simulao para cada um deles e observe qual fornece a melhor estimativa da medida de desempenho escolhida. isso que a ferramenta Decision Table faz, mas ela no faz isso de maneira sistemtica. Suas caixas de dilogo permitem que se especifique rapidamente o que desejamos. Ento, aps clicar um boto, todas as simulaes desejadas so executadas e os resultados so prontamente exibidos na Decision Table. Se desejado, pode-se visualizar alguns grficos, entre os quais um grfico de tendncias, que fornece detalhes adicionais sobre os resultados. Se for usada previamente uma tabela de dados do Excel ou a tabela Solver Table que includa no Courseware de PO para realizao sistemtica de anlise de sensibilidade, a Decision Table funciona praticamente da mesma maneira. Particularmente, o layout de uma tabela de decises com uma ou duas variveis de deciso similar quele para uma tabela Solver Table unidimensional ou bidimensional (introduzida na Seo 6.8). Dois o nmero mximo de variveis de deciso que podem ser variadas simultaneamente em uma tabela de deciso. J que o nmero de exemplares que os clientes de Freddie querem comprar varia muito dia a dia (qualquer nmero entre 40 e 70 exemplares), pareceria sensato comear tentando algumas quantidades encomendadas possveis, digamos, 40, 45, 50, 55, 60, 65 e 70. Para fazer isso com a ferramenta Decision Table, o primeiro passo definir a varivel de deciso investigada, a saber, QuantidadeEncomendada (C9) na Figura 20.7, usando o seguinte procedimento. Procedimento para Definio de uma Varivel de Deciso 1. Selecione a clula contendo a varivel de deciso clicando sobre ela. 2. Se a clula j no contiver um valor, introduza qualquer nmero na clula. 3. Clique no segundo boto (o boto Define Decision) na barra de ferramentas do Crystal Ball (ou selecione Define Decision do menu Cell), que aciona a caixa de dilogo Define Decision Variable (conforme mostrado na Figura 20.18 para o problema do Freddie). 4. Introduza os limites inferior e superior do intervalo de valores a ser simulado para a varivel de deciso. 5. Clique em Continuous ou em Discrete para definir se a varivel de deciso contnua ou discreta. 6. Se for selecionado Discrete no passo 5, use a caixa Step para especificar a diferena entre possveis valores sucessivos (no apenas aqueles a serem simulados) da varivel de deciso. O valor-padro 1. 7. Clique em OK. A Figura 20.18 mostra a aplicao desse procedimento para o caso de Freddie. Uma vez que sero executadas simulaes para quantidades encomendadas variando entre 40 e 70, esses limites para o intervalo foram introduzidos na esquerda. A quantidade encomendada pode assumir qualquer valor inteiro dentro desse intervalo e, portanto, isso indicado direita. Agora estamos prontos para selecionar Decision Table do menu Tools do Crystal Ball. Isso aciona a seqncia de trs caixas de dilogo indicada na Figura 20.19. A caixa de dilogo Step 1 usada para escolher uma das clulas de previso listadas ali para ser a clula de destino para a tabela de deciso. O modelo de planilha de Freddie na Figura 20.7 possui uma nica clula de previso, Lucro (C19), portanto selecione-a e depois clique no boto Next.

44

CAPTULO 20

SIMULAO

FIGURA 20.18 Essa caixa de dilogo Define Decision Variable especifica as caractersticas da varivel de deciso QuantidadeEncomendada (C9) no modelo de simulao da Figura 20.7 para o exemplo que envolve o jornaleiro Freddie.

Inicialmente, o lado esquerdo da caixa de dilogo Step 2 inclui uma lista de todas as clulas que foram definidas como variveis de deciso. Esta consiste apenas nessa nica varivel de deciso, QuantidadeEncomendada (C9), para o problema de Freddie. O propsito dessa caixa de dilogo escolher qual de uma ou duas variveis de deciso variar para a tabela de deciso. Isso feito selecionando-se essas variveis de deciso no lado esquerdo e ento clicando-se nas setas duplas para a direta ( ) entre as duas caixas, que levam essas variveis de deciso para o lado direito. A Figura 20.19 mostra o resultado de se fazer isso com a varivel de deciso de Freddie. A caixa de dilogo Step 3 usada para especificar as opes para a tabela de deciso. A primeira caixa de entrada registra o nmero de valores da varivel de deciso para quais simulaes sero executadas. O Crystal Ball distribui igualmente os valores ao longo do intervalo dos valores especificados na caixa de dilogo Define Decision Variable (Figura 20.18). Para o problema de Freddie, o intervalo de valores entre 40 a 70, de forma que introduzir 7 na primeira caixa de entrada na caixa de dilogo Step 3 resulta em escolher 40, 45, 50, 55, 60, 65 e 70 como os sete valores da quantidade encomendada para quais simulaes sero executadas. Aps selecionar o nmero de rodadas a ser adotado para cada simulao e especificar o que desejamos ver enquanto as simulaes esto sendo executadas, o ltimo passo clicar o boto Start. Aps o Crystal Ball rodar as simulaes, a tabela de deciso criada em uma nova planilha conforme mostrada na Figura 20.20. Para cada uma das quantidades encomendadas expostas na parte superior, a linha 2 d a mdia dos valores da clula de destino, Lucro (C19), obtida em todas as tentativas daquela simulao. As clulas D2:F2 revelam que uma quantidade encomendada igual a 55 atingiu o maior lucro mdio (US$ 47,49), ao passo que as quantidades encomendadas 50 e 60 basicamente empataram no segundo lugar para esse lucro. A brusca queda nos lucros mdios em ambos os lados dessas quantidades encomendadas praticamente garante que a quantidade encomendada tima esteja entre 50 e 60 (e provavelmente prxima a 55). Para fixar isso melhor, o prximo passo lgico seria gerar outra tabela de deciso que considere todas as quantidades encomendadas inteiras entre 50 e 60. Isso lhe ser solicitado no Problema 20.6-6. Enquanto isso, usaremos o mdulo OptQuest do Crystal Ball na prxima seo para fixar a quantidade encomendada tima de outra forma. O canto superior esquerdo da caixa de dilogo Decision Table oferece trs opes para obter informaes mais detalhadas sobre os resultados das execues da simulao para as clulas que selecionamos. Uma opo visualizar o grfico de previso de interesse, tal como o grfico de freqncias ou grfico cumulativo, escolhendo uma clula de previso na

20.6

REALIZANDO SIMULAES EM PLANILHAS

45

FIGURA 20.19 Para preparar a gerao de uma tabela de deciso, essas trs caixas de dilogo especificam: (1) que clula de previso ser a clula de destino, (2) qual (uma ou duas variveis de deciso) ser variada e (3) as opes de execuo. As opes feitas aqui so para o exemplo que envolve o jornaleiro Freddie.

FIGURA 20.20 A tabela de deciso para o problema de Freddie.

46

CAPTULO 20

SIMULAO

linha 2 e ento clicando no boto Forecast Charts. Outra opo verificar os resultados de duas ou mais execues de simulao juntas. Isso feito selecionando-se um conjunto das clulas de previso, digamos, as clulas E2:F2 na Figura 20.20, e ento clicando no boto Overlay Chart. O grfico de sobreposio resultante mostrado na Figura 20.21. As linhas escuras mostram um grfico de freqncias para a clula E2 (uma quantidade encomendada igual a 55) ao passo que as linhas claras do mesmo para a clula F2 (uma quantidade encomendada igual a 60), de modo que os resultados para esses dois casos podem ser comparados lado a lado. Em um monitor colorido, veremos cores diferentes usados para distinguir casos diferentes. A terceira opo selecionar todas as clulas de previso de interesse (clulas B2:H2 na Figura 20.20) e depois clicar no boto Trend Chart. Isso gera um grfico interessante, chamado grfico de tendncias, mostrado na Figura 20.22. Os pontos-chave ao longo do eixo horizontal so as sete linhas de grade verticais correspondentes aos sete casos (quantidades encomendadas iguais a 40, 45, . . . , 70) para os quais as simulaes foram executadas. O eixo vertical fornece os valores de lucro obtidos nas tentativas dessas execues de simulao. As faixas no grfico sintetizam informaes sobre a distribuio de freqncias dos lucros de cada simulao. Em um monitor colorido, as faixas aparecem em cores azul-claro para a faixa central, vermelho para o par adjacente de faixas, verde para o par seguinte e azul-escuro para o par mais externo das faixas. Essas faixas so centralizadas nas medianas das distribuies de freqncia. Em outras palavras, o centro da faixa central (aquela mais clara) fornece o lucro tal que metade das tentativas fornea um valor maior e metade um valor menor. Essa faixa central contm os 10% centrais dos valores de lucro (e, portanto, 45% em cada lado da faixa). De forma similar, as trs faixas centrais contm 25% dos valores de lucro, as cinco faixas centrais possuem 50% dos valores de lucro e todas as setes faixas detm os 90% dos valores de lucro. Essas porcentagens so enumeradas direita do grfico de tendncias. Logo, 5% dos valores de lucro gerados nas tentativas de cada execuo de simulao caem na faixa superior e 5% na faixa inferior. O grfico de tendncias recebeu esse nome pelo fato de ele mostrar graficamente as tendncias medida que o valor da varivel de deciso (nesse caso, a quantidade encomendada) aumenta. Na Figura 20.22, por exemplo, considere a faixa central (que fica oculta na parte estreita do grfico esquerda). Passar da terceira quantidade encomendada (50) para a quar-

FIGUER 20.21 O grfico de superposio que compara as distribuies de freqncia para as quantidades encomendadas iguais a 55 e 60 no problema de Freddie.

20.7

OTIMIZAO POR MEIO DO OPTQUEST

47

FIGUERA 20.22 O grfico de tendncias que ilustra a tendncia no intervalo de vrios trechos da distribuio de freqncias medida que a quantidade encomendada aumentada no problema do jornaleiro Freddie.

ta (55), a faixa central tende para cima, porm ela tende para baixo depois disso. Logo, o valor mdio dos valores de lucro gerados nas respectivas execues de simulao aumenta medida que a quantidade encomendada aumenta at a mediana atingir seu pico em uma quantidade encomendada igual a 55, aps o qual a mediana tende para baixo. De modo similar, a maioria das demais faixas tambm apresenta uma tendncia de diminuio medida que a quantidade encomendada cresce acima de 55. Isso sugere que uma quantidade encomendada igual a 55 particularmente interessante em termos de toda sua distribuio de freqncias e no apenas em termos de seu valor mdio. O fato de o grfico de tendncias se espalhar medida que se desloca para a direita sugere que a variabilidade dos valores de lucro aumenta medida que a quantidade encomendada aumentada. Embora maiores quantidades encomendadas forneam alguma chance de lucros particularmente altos em dias ocasionais, elas tambm levam a um lucro muito baixo em dado dia. O perfil de risco pode ser relevante para Freddie caso ele esteja preocupado com a variabilidade de seus lucros dirios. Caso queira ler mais sobre como realizar simulaes em planilhas usando o Crystal Ball, o Captulo 28 no CD-ROM d vrios outros exemplos e mais detalhes. Entre esses exemplos, temos aplicaes para licitaes, gerenciamento de projetos, administrador de fluxo de caixa, anlise de risco financeiro e administrao de receitas.

20.7

OTIMIZAO POR MEIO DO OPTQUEST


Na Seo 20.6, vimos como a ferramenta Decision Table pode ser usada algumas vezes para encontrar, pelo menos, uma aproximao razovel de uma soluo tima. O exemplo l apresentado (o problema de controle de estoque da banca de jornal de Freddie) ilustra o tipo de problema no qual a ferramenta Decision Table pode fazer isso perfeitamente. O problema tinha apenas uma nica varivel de deciso (a quantidade encomendada). Lembre-se de que uma tabela de deciso pode considerar, no mximo, duas variveis de deciso. Alm disso, a nica varivel de deciso era uma varivel discreta que tinha apenas um nmero moderado de possveis valores que precisavam ser considerados (isto , inteiros ao longo de um intervalo razoavelmente pequeno). Isso permitiu que usssemos uma tabela de deciso

48

CAPTULO 20

SIMULAO

para identificar um pequeno intervalo de valores que fornecia as melhores solues. Se desejado, uma segunda tabela de deciso pode ento ser gerada para avaliar todos os possveis valores da varivel de deciso dentro desse pequeno intervalo. Entretanto, essa abordagem no funciona to bem quando a nica varivel de deciso for uma varivel contnua ou discreta com um grande intervalo de possveis valores. Tambm mais difcil com duas variveis de deciso. No vivel de forma alguma para problemas maiores com mais de duas variveis de deciso e inmeras solues possveis. Muitos problemas na prtica caem nessas categorias. Felizmente, o Crystal Ball inclui outro mdulo chamado OptQuest que busca automaticamente uma soluo tima para modelos de simulao com um nmero qualquer e variveis de deciso. Esse mdulo atualmente s pode ser encontrado na Professional Edition do Crystal Ball. Baseado em anos de pesquisa nos campos da otimizao e da inteligncia artificial, a OptQuest dispe de um poderoso mecanismo de busca para conduo de uma busca inteligente e eficiente pela melhor soluo. Essa busca orientada por uma meta-heurstica cujas idias so semelhantes (mas no idnticas) quelas descritas na Seo 13.4 para algoritmos genticos. A busca conduzida executando-se uma srie de simulaes para experimentar uma srie de candidatos em potencial a uma soluo tima, em que os resultados at ento so usados para determinar o candidato mais promissor restante para tentar em seguida. O OptQuest no capaz de garantir que a melhor soluo que ele encontre ser literalmente a soluo tima. Entretanto, dado tempo suficiente, ele normalmente encontrar uma soluo tima e, em caso negativo, normalmente ir encontrar uma soluo prxima soluo tima. Para problemas com apenas algumas variveis de deciso discretas, ele freqentemente encontrar uma soluo tima relativamente cedo no processo e ento gastar o restante do tempo descartando outros candidatos a solues. Logo, embora o OptQuest no possa informar quando ele encontrou uma soluo tima, ele capaz de estimar (dentro do intervalo de preciso fornecido pelas execues de simulao) que os demais candidatos em potencial no so melhores que a melhor soluo encontrada at ento. Para ilustrar o emprego do OptQuest, comearemos com um problema que ele capaz de lidar de forma extremamente fcil, isto , o exemplo envolvendo a banca de jornal de Freddie que foi considerado na seo anterior. Aps resumir o procedimento geral, iremos nos referir a um exemplo mais desafiador envolvendo a seleo de projetos. Aplicao do OptQuest ao Problema da Banca de Jornal de Freddie Na seo anterior, as tabelas de deciso geradas na Figura 20.20 indicavam que Freddie, o jornaleiro, deveria encomendar algo entre 50 e 60 exemplares do Financial Journal, a cada dia. Vejamos agora como o OptQuest pode estimar que quantidade encomendada especfica maximizaria esse lucro dirio mdio. Antes de abrir o OptQuest, os passos iniciais so os mesmos descritos na Seo 20.6 para preparo de uma simulao simples. Logo, aps formular o modelo de simulao em uma planilha, conforme ilustrado na Figura 20.7, o Crystal Ball usado para definir a clula pressuposta DemandaSimulada (C12) e a clula de previso Lucro (C19), incluindo a especificao do controle de preciso para a clula de previso (como indicado na Figura 20.16). As caixas de dilogo Run Preferences tambm so usadas da forma usual. Essas definies e preferncias de execuo configuradas no Crystal Ball so aquelas que sero utilizadas pelo OptQuest. As caixas de dilogo da Figura 20.23 mostram as preferncias de execuo que so recomendadas para a maioria das aplicaes do OptQuest. A caixa Trials na parte superior direita da figura indica que o nmero mximo de tentativas para cada execuo de simulao foi configurado em 500. Este nmero representa uma relao de compromisso entre dois objetivos de interesse. Um deles atingir alto grau de preciso tendo um grande nmero de tentativas em cada execuo de simulao. O objetivo conflitante deixar tempo para um grande nmero de execues de simulao de forma que um grande nmero de candidatos a serem uma soluo tima seja avaliado. Quando as estatsticas fundamentais obtidas de cada simulao for uma mdia dos valores na clula de previso, 500 tentativas fornecem

20.7

OTIMIZAO POR MEIO DO OPTQUEST

49

FIGURA 20.23 Essas trs caixas de dilogo mostram as preferncias de execuo que so recomendadas para a maioria das aplicaes do OptQuest.

uma boa relao de compromisso entre esses dois objetivos, pois a mdia tende a se estabilizar o suficiente com esse nmero de tentativas. Entretanto, quando a estatstica de interesse for uma que seja mais difcil de estimar com preciso, como um percentil no final da cauda da distribuio de freqncias (ou at mesmo os valores mximo ou mnimo nessa distribuio), ento deve ser usado um nmero maior de tentativas (pelo menos 1.000). Na caixa de dilogo Run Preferences Sampling apresentada na parte superior da Figura 20.23, devemos selecionar a opo de usar a mesma seqncia de nmeros aleatrios (com um valor semente inicial igual a 999) para toda execuo de simulao. Isso permite que o padro dos nmeros aleatrios afete cada execuo de simulao da mesma forma, a qual aumenta a preciso ao comparar os resultados de diferentes execues de simulao. O mtodo de amostragem Latin Hypercube tambm recomendado. Esse mtodo garante uma amostragem representativa de toda a distribuio de probabilidades introduzida em cada clula pressuposta, que melhora a qualidade dos resultados (especialmente a mdia) de cada execuo de simulao. A caixa de dilogo Run Preferences Options na parte inferior da Figura 20.23 usada para especificar com que freqncia o controle de preciso deve ser verificado. A opopadro a cada 50 tentativas razovel, pois permite ao OptQuest parar uma execuo de simulao relativamente rpido aps seus resultados indicarem que a soluo atual tem poucas chances de ser melhor que a melhor soluo encontrada at ento.

50

CAPTULO 20

SIMULAO

O passo final antes de abrir o OptQuest definir as variveis de deciso para o problema usando o procedimento apresentado prximo do final da seo anterior. Nesse caso, a nica varivel de deciso QuantidadeEncomendada (C9). A Figura 20.18 (na Seo 20.6) exibe a caixa de dilogo que foi usada para definir essa varivel, incluindo a configurao de seus limites em 40 e 70. Agora estamos prontos para abrir o OptQuest. Isso feito selecionando-se OptQuest do menu Tools do Crystal Ball e ento selecionando New no menu File. Isso aciona sucessivamente as quatro caixas de dilogo mostradas na Figura 20.24. A primeira caixa de dilogo usada para selecionar as variveis de deciso que vo variar (clicando-se em Select column) e para configurar os seus limites na terceira e quinta colunas. Todas as variveis de deciso que foram definidas sero listadas aqui, juntamente

FIGURA 20.24 Essas quatro caixas de dilogo OptQuest so usadas para (1) selecionar as variveis de deciso que vo variar e configurar seus limites, (2) especificar quaisquer restries, (3) especificar o objetivo da otimizao e (4) controlar o tempo de execuo. As opes feitas aqui so para o exemplo envolvendo a banca de jornal de Freddie.

20.7

OTIMIZAO POR MEIO DO OPTQUEST

51

com seus limites, tipo de varivel e (caso ela seja discreta) tamanho do passo. Todas essas informaes para a nica varivel de deciso de Freddie provm da caixa de dilogo Define Decision Variable da Figura 20.18. A entrada 60 na coluna Suggested Value provm do valor que foi usado na primeira simulao da seo anterior. As entradas nas colunas Bound e na coluna Suggested Value devem ser marcadas nesse ponto para ver se voc quer alter-las. O OptQuest considerar apenas valores entre os limites, portanto configurar os limites da forma mais estreita possvel sem eliminar o valor timo ir acelerar a busca por uma soluo tima. O OptQuest usar o valor sugerido para a primeira execuo da simulao e, portanto, uma boa previso para esse valor tambm tender a acelerar a busca. Para melhor ilustrar o que o OptQuest capaz de fazer sem a ajuda de uma tabela de deciso, iremos ignorar os resultados da seo anterior e nos ateremos aos valores mostrados na primeira caixa de dilogo da Figura 20.24. Clicando-se em OK nos leva ento para a caixa de dilogo Constraints. Esta usada para digitar qualquer restrio relevante do tipo usado em programao linear. A probabilidade de Freddie no possui restries desse tipo e, portanto, deixaremos essa caixa de dilogo em branco e clicaremos em OK. Nosso prximo exemplo ilustrar a incluso de uma restrio. O propsito da caixa Forecast Selection especificar o objetivo da otimizao. Isto requer vrios passos. 1. A coluna Name da caixa de dilogo Forecast Selection lista todas as previses que foram definidas. Decida qual delas voc quer otimizar e clique na mesma linha da coluna Forecast Statistic. 2. O menu suspenso na coluna Forecast Statistic lista diversas estatsticas possveis (entre as quais Mean (mdia), Median (mediana), Mode (moda), Standard Deviation (desviopadro) e Certainty (certeza)). Selecione aquela que quer otimizar. 3. No menu suspenso na coluna Select, escolha Maximize Objective (para maximizar a estatstica selecionada) ou Minimize Objective (para minimizar a estatstica selecionada). 4. Caso queira acrescentar a exigncia que uma soluo no deve ser considerada se dada estatstica para essa soluo cair abaixo de um limite inferior ou acima de um limite superior, ento (1) clique na linha de previso selecionada, (2) selecione Duplicate do menu Edit (que cria uma duplicata dessa linha de previso), (3) use a duplicata da linha para selecionar Requirement do menu suspenso na coluna Select, (4) selecione a estatstica de interesse do menu suspenso Forecast Statistic e (5) introduza o limite inferior ou o limite superior (seja qual for o necessrio para a estatstica escolhida) na coluna correspondente. 5. Clique em OK. Para o problema de Freddie, a nica clula de previso Lucro (C19). A Figura 20.24 indica que ele deseja maximizar a mdia dessa clula de previso. O passo 4 poderia ter sido usado, por exemplo, para eliminar quaisquer quantidades encomendadas cuja variabilidade (desvio-padro) de seus lucros dirios muito alta, porm Freddie no optou por acrescentar essa exigncia. A caixa de dilogo Options mostrada na parte inferior da Figura 20.24 usada para controlar quanto tempo deve durar a otimizao (cinco minutos no caso do problema de Freddie). A opo Automatic Stop pode ser selecionada, se desejada, para interromper a otimizao antes, caso o processo no tenha encontrado uma soluo melhor para um nmero significativo de simulaes. Entretanto, voc tambm pode encerrar uma busca manualmente selecionando Stop no menu Run (ou pressionando Esc ou clicando no cone Stop) quando observar que nenhum progresso est sendo feito. Sempre que desejado, podemos modificar as opes feitas em qualquer uma das quatro caixas de dilogo da Figura 20.24 selecionando-se Decision Variables, Constraints, Forecasts ou Options no menu Tools (ou clicando-se no boto correspondente na barra de ferramentas OptQuest). Nessa altura, clicar em OK na caixa de dilogo Options e selecionar Start no menu Run inicia a busca por uma soluo tima. Enquanto a busca est em andamento, podemos observar o progresso na janela Status and Solutions. A Figura 20.25 mostra essa janela na

52

CAPTULO 20

SIMULAO

concluso de uma busca. esquerda, a rea de solues indica que a primeira simulao foi executada com o valor sugerido para a quantidade encomendada (60) dado na caixa de dilogo da Figura 20.24. Essa execuo resultou em um lucro mdio de US$ 46,6680. O OptQuest tentou uma quantidade encomendada de 55 na simulao 2 seguinte, que resultou em um lucro mdio de US$ 47.5040. As simulaes seguintes (inclusive a ltima listada na tabela) tentaram outras quantidades encomendadas, porm no foi possvel melhorar esse lucro mdio, de modo que a simulao 2 realada na tabela como a melhor delas. Logo, constatou-se que uma quantidade encomendada igual a 55 (com todas as possibilidades) a soluo tima para o problema de Freddie. O grfico de desempenho do lado direito da Figura 20.25 mostra o melhor valor de lucro mdio encontrado at ento por meio do processo de busca. Aps esse grfico permanecer plano depois de vrias simulaes, da simulao 2 em diante, o OptQuest determinou que nenhuma outra quantidade encomendada conduziria a um resultado de lucro mdio melhor que US$ 47,5040, de modo que a otimizao foi encerrada e o OptQuest relatou que foi encontrada uma soluo tima. O passo final escolher a melhor soluo e ento selecionar Copy to Excel no menu Edit para transferir essa soluo para seu modelo de planilha. Isso tambm vai exibir automaticamente a distribuio de freqncias da execuo de simulao que gerou a melhor soluo. Caso deseje, voc tambm poder ver um resumo das estatsticas dessa execuo selecionando Statistics no menu View. Eis um resumo de todo o procedimento para aplicao do OptQuest que acaba de ser ilustrado para o problema de Freddie. Procedimento para Aplicao do OptQuest 1. Formule um modelo de simulao em uma planilha. 2. Use o Crystal Ball para completar a formulao definindo as clulas pressupostas, clulas de previso e variveis de deciso, bem como configure as preferncias para execuo.

FIGURA 20.25 Os resultados de otimizao fornecidos pelo OptQuest para o exemplo introduzido na Seo 20.6. A melhor soluo encontrada para o caso de Freddie usar uma quantidade encomendada igual a 55.

20.7

OTIMIZAO POR MEIO DO OPTQUEST

53

3. 4. 5. 6. 7. 8. 9.

Selecione OptQuest do menu Tools do Crystal Ball e selecione New no menu File. Use a caixa de dilogo Decision Variable Selection para selecionar as variveis de deciso. Use a caixa de dilogo Constraints para especificar restries (se existir alguma). Use a caixa de dilogo Forecast Selection para especificar o objetivo. Use a caixa de dilogo Options para especificar o tempo de execuo. Selecione Start no menu Run para executar a otimizao. Selecione Copy to Excel no menu Edit para copiar os resultados para o modelo de planilha.

Aplicao do OptQuest a um Exemplo de Seleo de Projeto Passemos agora para um exemplo mais interessante para aplicao do OptQuest. Esse exemplo se baseia no Caso 8.3 que acompanha o Captulo 8. Eis alguns dados essenciais. A Tazer Corp., uma indstria farmacutica, est iniciando a pesquisa de um novo medicamento revolucionrio. Foram identificados cinco projetos potenciais de pesquisa e desenvolvimento enumerados a seguir na tentativa de desenvolver tal medicamento. Projeto Para Cima: Projeto Estvel: Projeto Escolha: Projeto Esperana: Projeto Alvio: Desenvolver um antidepressivo mais eficaz que no cause srias mudanas repentinas de humor. Desenvolver uma droga que alivie os sintomas dos manaco-depressivos. Desenvolver um mtodo de controle de natalidade menos invasivo para mulheres. Desenvolver uma vacina para evitar a infeco por Aids. Desenvolver uma droga mais eficaz para diminuio da presso arterial.

Em contraste com o Caso 8.3, a direo da Tazer agora concluiu que a empresa no pode destinar dinheiro suficiente para pesquisa e desenvolvimento de modo a levar avante todos esses projetos. Esto disponveis apenas US$ 1,2 bilho, o suficiente para apenas dois ou trs desses projetos. A segunda coluna da Tabela 20.6 mostra a quantia necessria (em milhes de dlares) para cada um desses projetos. A terceira coluna estima a probabilidade de que cada projeto teria para desenvolver uma droga bem-sucedida. Se um projeto for bemsucedido, as receitas que seriam geradas pelo novo produto so bem incertas. A estimativa do volume de receitas (em milhes de dlares) que ela tenha uma distribuio normal com mdia e desvio-padro dados nas ltimas duas colunas da tabela. A direo da Tazer agora quer determinar quais desses projetos deveriam ser levados adiante para maximizar o lucro total esperado obtido pelas receitas resultantes (se efetivamente houver algum). Em virtude do alto grau de incerteza de qual ser o lucro total, a direo tambm gostaria de ter uma probabilidade razoavelmente alta de alcanar um lucro total satisfatrio (de pelo menos US$ 100 milhes). A Figura 20.26 ilustra um modelo de simulao em uma planilha para o presente problema. Os dados da Tabela 20.6 foram transferidos diretamente para as clulas de dados C7:F11. As clulas na coluna seguinte, Bem-sucedido? (G7:G11), so clulas pressupostas que tero um valor 0 ou 1 para cada tentativa de uma execuo de simulao. Esse valor indica se o projeto correspondente falharia (valor 0) ou seria bem-sucedido (valor 1) naque-

TABELA 20.6 Dados para o problema de seleo de projetos da Tazer


Investimentos em P&D Projeto Para Cima Estvel Escolha Esperana Alvio (US$ milhes) 400 300 600 500 200 Taxa de Sucesso 50% 35% 35% 20% 45% Receitas (US$ milhes) se Bem-sucedido Mdia 1.400 1.200 2.200 3.000 600 Desvio-padro 400 400 600 900 200

54

CAPTULO 20

SIMULAO

la tentativa se ele fosse levado adiante. Logo, a distribuio de probabilidades introduzida em cada uma dessas clulas pressupostas precisa ser uma distribuio binomial, em que os parmetros so: o nmero de tentativas para essa distribuio 1 e a probabilidade de obterse sucesso nessa tentativa dada na coluna D. Para introduzir essa distribuio na primeira clula pressuposta (G7), d um clique duplo na distribuio binomial na Distribution Gallery do Crystal Ball (mostrada na Figura 20.9) para acionar a caixa de dilogo Uniform Distribution. Em seguida, introduza 1 como nmero de tentativas e refira-se clula de dados D7 introduzindo a frmula D7 para a probabilidade de se obter sucesso. Em vez de repetir esse processo para as clulas pressupostas G8:G11, mais rpido copiar e colar o parmetro de probabilidade-de-sucesso para essas outras clulas pressupostas. Isso iniciado selecionando-se a clula G7 e clicando-se no boto Copy Data na barra de ferramentas do Crystal Ball (o stimo boto da esquerda para a direita) ou selecionando-se Copy Data do menu Cell. Em seguida, selecione as clulas nas quais colar os dados (G8:G11) e escolha Paste Data (clicando nesse boto na barra de ferramentas do Crystal Ball ou ento selecionando esse item no menu Cell). Os nmeros das linhas sero atualizados apropriadamente para fazer referncia clula de dados na linha correta da coluna D durante esse processo de copiar e colar. Por exemplo, o parmetro de probabilidade-de-sucesso da distribuio binomial na clula G8 ser atualizado para D8. As clulas na coluna H, Receita (H7:H11), tambm so clulas pressupostas. A distribuio de probabilidades para cada uma delas uma distribuio normal com os parmetros dados nas colunas E e F. Logo, a caixa de dilogo Normal Distribution seria usada para introduzir-se essa distribuio na primeira dessas clulas pressupostas (H7). Os parmetros de mdia e de desvio-padro nessa caixa de dilogo precisam se referir s clulas de dados E7 e F7 e, portanto, as frmulas E7 e F7 seriam introduzidas nesses pontos. O processo de copiar e colar descrito anteriormente seria ento usado para introduzir a distribuio normal com os parmetros apropriados nas clulas pressupostas H8:H11. As clulas na coluna J, Decises (J7:J11), so as variveis de deciso para o modelo. Cada uma dessas variveis de deciso uma varivel binria, isto , uma varivel cujos nicos valores possveis so 0 e 1. Por exemplo, a caixa de dilogo Define Decision Variables da Figura 20.27 mostra como a varivel de deciso na clula J7 definida dessa maneira dando a ela limites de 0 e 1 e ento especificando que se trata de uma varivel discreta com um tamanho de passo igual a 1. As outras quatro variveis de deciso so definidas da mesma forma. Para cada projeto listado na coluna B, a varivel de deciso correspondente na coluna J tem a seguinte interpretao. Varivel de deciso 1, 0, se aprovar o projeto se rejeitar o projeto

O oramento (C15) fornece a quantia mxima que pode ser investida nesses projetos de pesquisa e desenvolvimento. A clula de sada Investido (C13) registra a quantia total investida nos projetos, dadas as decises sobre quais deles foram aprovados. A equao introduzida nessa clula mostrada abaixo da planilha no lado esquerdo da Figura 20.26. O oramento limitado significa que as variveis de deciso devem satisfazer a seguinte restrio Investido (C13) Oramento (C15)

As clulas de sada Lucro (I7:I11) do o lucro (receita menos investimento) de cada projeto em cada tentativa de uma execuo de simulao. O lucro de um projeto 0 se ele for rejeitado. Caso seja aprovado, a receita 0 se o projeto no for bem-sucedido (conforme indicado por um 0 na linha correspondente da coluna G). Se o projeto for bem-sucedido (conforme indicado por um 1 em sua linha da coluna G), a receita nessa tentativa ser o valor aleatrio que aparece na linha correspondente da coluna H. Portanto, as equaes introduzidas em Lucro (I7:I11) so aquelas expostas no canto inferior direito da Figura 20.26. Note tambm que SUM (Lucro) fornece o valor na clula de previso LucroTotal (I13).

20.7

Lucro 0,00 0,00 0,00 0,00 0,00 0,00

A B C D E F G H 1 Seleo de Projeto com Restrio no Oramento 2 Receita Estimada 3 (US$ milhes) se Bem-sucedido Investimentos 4 (Distribuio Normal) Taxa de Receita (US$ milhes) 5 em P&D Projeto (US$ milhes) Sucesso Mdia Desvio-padro Bem-sucedido? (Bem-sucedido) 6 1.400 Para Cima 400 50% 1.400 400 0,5 7 1.200 Estvel 300 35% 1.200 400 0,35 8 2.200 Escolha 600 35% 2.200 600 0,35 9 3.000 Esperana 500 20% 3.000 900 0,2 10 600 Alvio 200 45% 600 200 0,45 11 12 Lucro total (US$ milhes) Investido 0 13 <= 14 Oramento 1.200 15 Decises 0 0 0 0 0

OTIMIZAO POR MEIO DO OPTQUEST

13

B C Investido = SUMPRODUCT(RandDInvestment,Decisions)

6 7 8 9 10 11

I Profit =Decisions*(Success?*Revenue-RandDInvestment) =Decisions*(Success?*Revenue-RandDInvestment) =Decisions*(Success?*Revenue-RandDInvestment) =Decisions*(Success?*Revenue-RandDInvestment) =Decisions*(Success?*Revenue-RandDInvestment)

Nome da Faixa de Clula Oramento Decisoes Investido Lucro RandDInvestemt Receita Bem-sucedido? LucroTotal Clulas C15 J7:J11 C13 I7:I11 C7:C11 H7:H11 G7:G11 I13

13

H Lucro total (US$ milhes)

I =SUM(Profit)

FIGURA 20.26 Um modelo de planilha para aplicao da simulao ao problema de seleo de projeto da Tazer Corp. As clulas pressupostas so Bem-sucedidas? (G7:G11) e Receita (H7:H11), as variveis de deciso so Decises (J7:J11) e a clula de previso LucroTotal (I13).

55

56

CAPTULO 20

SIMULAO

FIGURA 20.27 Essa caixa de dilogo Define Decision Variable especifica as caractersticas da primeira varivel de deciso Projeto Para Cima no modelo de simulao da Figura 20.26. As demais variveis de deciso so definidas da mesma maneira.

Aps usar o Crystal Ball para definir as clulas pressupostas e a clula de previso da forma usual (juntamente com as variveis de deciso), abrir o OptQuest aciona em seqncia as quatro caixas de dilogo apresentadas na Figura 20.28. A segunda coluna da caixa de dilogo Decision Variable Selection lista as cinco variveis de deciso, usando os nomes dados a elas na caixa de dilogo Define Decision Variable. J que ainda no conhecemos o melhor valor para nenhuma delas, todas as cinco variveis de deciso foram selecionadas na coluna Select para instruir um procedimento de busca para considerar seus valores alternativos (0 ou 1). As entradas 0 na coluna Suggested Value provm das entradas arbitrrias 0 em Decises (J7:J11) no modelo de planilha mostrado na Figura 20.26. Introduzir um palpite melhor para uma boa soluo na coluna Suggested Value aceleraria o OptQuest, porm iremos nos ater aos valores 0 para criar um desafio maior para o OptQuest. Alm dos limites sobre as variveis de deciso individuais, o oramento limitado impe outra restrio nas variveis de deciso. Essa restrio precisa ser digitada na caixa de dilogo Constraints no formato de uma restrio de programao linear, conforme ilustrado na Figura 20.28. Um asterisco * usado para indicar multiplicao. No so permitidas referncias a clulas ao introduzir-se restries no OptQuest. Portanto, preciso digitar os nomes das variveis de deciso ou ento clicar nos botes correspondentes do lado direito da caixa de dilogo para fazer que o OptQuest introduza esses nomes para voc onde necessrio. Ser necessrio tambm digitar para menor que ou igual a. Outras restries podem ter ou em seu lugar. A direo da Tazer est procurando uma soluo que maximize a mdia de LucroTotal (I13) na Figura 20.26 e, portanto, esse objetivo introduzido na caixa de dilogo Forecast Selection na Figura 20.28. Foi especificado um tempo de execuo de cinco minutos na caixa de dilogo Options. A Figura 20.29 sintetiza os resultados obtidos por OptQuest durante essa execuo. A simulao 1 usou os valores das variveis de deciso que haviam sido introduzidos na coluna Suggested Value da caixa de dilogo Decision Variable Selection. A tabela na Figura 20.29 indica que o OptQuest encontrou solues melhores com as simulaes 4, 5, 6, 11, 16 e 17. Diversas simulaes subseqentes no foram bem-sucedidas em encontrar qualquer melhoria adicional, conforme representado graficamente pela longa linha horizontal na parte superior do grfico de desempenho. Nesse ponto, o OptQuest determinou que no havia nenhuma soluo melhor disponvel e, portanto, a otimizao foi encerrada. A linha em destaque na tabela mostra a melhor soluo que foi encontrada. Conseqentemente, a concluso que a soluo a seguir

20.7

OTIMIZAO POR MEIO DO OPTQUEST

57

FIGURA 20.28 Essas quatro caixas de dilogo do OptQuest mostram as escolhas necessrias para aplicao do OptQuest ao problema de seleo de projetos da Tazer Corp. formulado na Figura 20.26.

Escolher os Projetos Para Cima, Escolha e Alvio Mdia do lucro total US$ 551.330 milhes , com todas as chances, a soluo tima. A Figura 20.30 mostra um grfico de freqncias obtido com a execuo da simulao que usou a melhor soluo. Esse grfico revela alto grau de variabilidade nos valores de lucro obtidos durante as vrias tentativas de simulao. H uma probabilidade substancial de se incorrer em perdas causadas pelos projetos de pesquisa e desenvolvimento selecionados (o que bastante comum nesse mercado). De fato, 98 das 500 tentativas resultaram em perda de US$ 1,2 bilho, pois todos os trs projetos falharam. Felizmente, existe tambm

58

CAPTULO 20

SIMULAO

FIGURA 20.29 Os resultados da otimizao fornecidos pelo OptQuest para o problema de seleo de projetos da Tazer Corp. A melhor soluo encontrada aprovar os projetos Para Cima, Escolha e Alvio.

FIGURA 20.30 Um grfico de freqncias para a melhor soluo encontrada na Figura 20.29. A caixa Certainty mostra a porcentagem das tentativas que geraram um lucro de pelo menos US$ 100 milhes.

20.7

OTIMIZAO POR MEIO DO OPTQUEST

59

uma boa chance de se alcanar lucros extremamente grandes. Como a direo da Tazer gostaria de ter alta probabilidade de obter um lucro total de pelo menos US$ 100 milhes, essa quantia foi introduzida na caixa no canto inferior esquerdo. A caixa Certainty indica que 59,60% das tentativas obtiveram no mnimo esse resultado. A direo da Tazer tinha uma expectativa de alta probabilidade de obter um lucro total de pelo menos US$ 100 milhes. Portanto, a questo a ser levantada se haveria outra combinao de projetos de pesquisa e desenvolvimento que aumentariam essa probabilidade. Para responder a essa questo, selecione Forecasts no menu Tools no OptQuest (ou clique no boto correspondente na barra de ferramentas OptQuest). Isso acionar a caixa de dilogo Forecast Selection mostrada na parte superior da Figura 20.31. Em vez de maximizar a mdia, use o menu suspenso na coluna Forecast Statistic para escolher Certainty. Isso acionar a caixa de dilogo Certainty na parte inferior da Figura 20.31. Introduza um limite inferior igual a 100. J que estamos usando milhes de dlares como unidade, isso altera o objetivo na caixa de dilogo Forecast Selection (conforme mostrado na figura) que passa a ser encontrar a soluo que maximiza a probabilidade (certeza) de que o lucro total ser no mnimo US$ 100 milhes. Rodando o OptQuest com esse novo objetivo nos leva aos resultados apresentados na Figura 20.32. As simulaes 3, 5, 6 e 11 foram bem-sucedidas em obter melhorias em relao soluo anterior. O grfico de desempenho representa o progresso obtido. A melhor soluo encontrada no final da execuo (simulao 11) tinha 65,2% das tentativas gerando um lucro total de pelo menos US$ 100 milhes. Essa soluo Escolher os projetos Para Cima, Estvel e Alvio 65,2% de certeza de lucro total US$ 100 milhes Substituindo-se o projeto Estvel pelo projeto muito mais caro Escolha, obtido da melhor soluo encontrada na Figura 20.29, essa soluo mais conservadora foi capaz de aumentar a probabilidade de se obter um lucro total satisfatrio, passando de 59,6% para 65,2%. Se desejado, poderiam ser feitas muitas outras perguntas o que aconteceria se usando o OptQuest de maneira similar. Por exemplo, o que aconteceria se o lucro mnimo desejado de US$ 100 milhes fosse alterado para 0 (ponto de equilbrio)? Ou para US$ 250 milhes? O que aconteceria se o oramento de US$ 1,2 bilho para projetos de pesquisa e desenvolvimento fosse reduzido para US$ 800 milhes? Ou aumentado para US$ 1,5 bilho?

FIGURA 20.31 As escolhas feitas na caixa de dilogo Forecast Selection e sua caixa de dilogo Certainty permitiro ao OptQuest maximizar a probabilidade de a Tazer Corp. obter um lucro de no mnimo US$ 100 milhes com os projetos de pesquisa e desenvolvimento por eles escolhidos.

60

CAPTULO 20

SIMULAO

FIGURA 20.32 Os resultados de otimizao fornecidos pelo OptQuest para a reviso do problema de seleo de projetos da Tazer Corp. que usa o objetivo especificado na Figura 20.31. A melhor soluo encontrada aprovar os projetos Para Cima, Estvel e Alvio.

Entretanto, aps copiar a melhor soluo da Figura 20.32 para o Excel e exibir os resultados para essa execuo de simulao, um grfico de freqncias na Figura 20.33 revela uma desvantagem dessa soluo conservadora. A mdia do lucro total obtida por essa soluo foi de apenas US$ 510,83 milhes versus US$ 551,33 milhes para a melhor soluo encontrada na Figura 20.29 quando o objetivo era maximizar esse valor. Ao mesmo tempo, a soluo conservadora havia reduzido a maior perda possvel de US$ 1,2 bilho para US$ 900 milhes. Concluindo, o OptQuest deu direo da Tazer dois tipos diferentes de solues para escolha, juntamente com um volume considervel de informaes sobre cada uma delas. Uma parece ser a melhor soluo de alto risco e altos ganhos que disponvel, pois maximiza o lucro total que seria obtido em mdia. A outra parece ser a melhor soluo conservadora disponvel, visto que maximiza as chances de se obter um lucro satisfatrio. Avaliando-se a relao de compromisso entre risco e ganhos, a direo da empresa agora capaz de tomar uma deciso equilibrada sobre qual soluo adotar.

20.8

CONCLUSES
A simulao uma ferramenta largamente usada para estimar o desempenho de sistemas estocsticos complexos se desenhos ou polticas operacionais previstos forem usados. Concentramo-nos neste captulo no uso da simulao para prever o comportamento de estado estvel de sistemas cujos estados mudam apenas em pontos discretos ao longo do

20.8

CONCLUSES

61

FIGURA 20.33 Um grfico de freqncias para os valores de lucro obtidos na execuo de simulao que forneceu a melhor soluo na Figura 20.32. A caixa Certainty mostra a porcentagem de tentativas que geraram um lucro de pelo menos US$ 100 milhes.

tempo. Entretanto, por meio de uma srie de execues partindo de condies iniciais prescritas, tambm podemos usar a simulao para descrever o comportamento transiente de um sistema proposto. Alm disso, se usarmos equaes diferenciais, a simulao poder ser aplicada a sistemas cujos estados mudam continuamente ao longo do tempo. A simulao uma das tcnicas de pesquisa operacional mais populares, pois uma ferramenta muito flexvel, poderosa e intuitiva. Em uma questo de segundos ou minutos, ela capaz de simular at mesmo anos de operao de um sistema tpico gerando, ao mesmo tempo, uma srie de observaes estatsticas sobre o desempenho do sistema ao longo desse perodo. Em virtude de sua excepcional versatilidade, a simulao tem sido aplicada a diversas reas. Alm disso, seus horizontes continuam a se alargar em razo do grande progresso que vem sendo feito nos pacotes de software para simulao, inclusive software para realizao de simulaes em planilhas. No entanto, a simulao no pode ser vista como uma panacia ao se estudar sistemas estocsticos. Quando aplicvel, mtodos analticos (como aqueles apresentados nos Captulos 15 a 19) possuem algumas vantagens significativas. A simulao inerentemente uma tcnica imprecisa. Ela fornece apenas estimativas estatsticas e no resultados exatos e compara alternativas e no gera uma alternativa tima (a menos que algum pacote de software especial, como o OptQuest, seja usado). Alm disso, apesar de grandes avanos de software, a simulao ainda pode ser considerada uma forma relativamente lenta e custosa no estudo de sistemas estocsticos complexos. Para tais sistemas, normalmente se requer grandes despesas e quantidade de tempo para anlise e programao, alm de considervel tempo de processamento em computador. Os modelos de simulao tendem a se tornar incontrolveis, de modo que o nmero de casos que possam ser executados e a preciso dos resultados obtidos normalmente acabem sendo inadequados. Finalmente, a simulao gera apenas dados numricos sobre o desempenho de um sistema e, portanto, no fornece nenhuma viso extra sobre as relaes causa-efeito contidas no sistema, exceto pelas dicas que podem ser deduzidas desses nmeros (e de uma anlise necessria para construir o modelo de simulao). Assim, muito caro conduzir uma anlise de sensibilidade dos valores de parmetros assumidos pelo modelo. A nica maneira possvel seria conduzir novas sries de simulaes com diferentes valores de parmetros, que tenderia a fornecer relativamente pouca informao a um custo relativamente alto. Por todas essas razes, os mtodos analticos (quando disponveis) e a simulao tm papis complementares importantes no estudo de sistemas estocsticos. Um mtodo analti-

62

CAPTULO 20

SIMULAO

co adequado para realizao de pelo menos uma anlise preliminar, para examinar relaes de causa-efeito, para uma otimizao grosseira e para conduzir anlises de sensibilidade. Quando o modelo matemtico para o mtodo analtico no captura todas as caractersticas importantes do sistema estocstico, a simulao bem-vinda para incorporar todas essas caractersticas e ento obter informaes detalhadas sobre as medidas de desempenho de alguns candidatos em potencial para a configurao final do sistema. A simulao fornece uma maneira de experimentao com sistemas ou polticas propostos sem, na verdade, implement-los. Deve ser usada teoria estatstica slida no desenho desses experimentos. Normalmente so necessrios processamentos surpreendentemente longos de simulao para se obter resultados significativos em termos estatsticos. Entretanto, tcnicas de reduo de varincia (descritas no primeiro suplemento para este captulo e contido no CD-ROM) ocasionalmente podem ser muito teis na reduo do tempo de processamento necessrio para essas simulaes. Surgem diversos problemas estratgicos ao se aplicar procedimentos de estimao estatstica a experimentos simulados. Entre tais problemas, temos de prescrever condies iniciais adequadas, determinar qual o perodo de aquecimento necessrio para se atingir basicamente uma condio de estado estvel e lidar com observaes estatisticamente dependentes. Esses problemas podem ser eliminados usando-se o mtodo regenerativo de anlise estatstica (descrito no segundo suplemento para este captulo contido no CD-ROM). Entretanto, h algumas restries em relao a quando esse mtodo pode ser aplicado. Inquestionavelmente a simulao tem um lugar de grande importncia na teoria e prtica da PO. Ela uma ferramenta inestimvel para uso naqueles problemas nos quais as tcnicas analticas so inadequadas e seu emprego est em contnuo crescimento.

REFERNCIAS SELECIONADAS
1. BANKS, J. (Ed.). Handbook of Simulation: Principles, Methodology, Advances, Applications, and Practice. Nova York: Wiley; Norcross, GA: Industrial Engineering & Management Press, 1998. 2. BANKS, J. et al. Discrete-Event Simulation System. 3. ed. Upper Saddle River, NJ: Prentice-Hall, 2001. 3. BANKS, J.; GIBSON, R. Simulating in the Real World. IIE Solutions, v. 33, n. 4, p. 38-40, abr. 2001. 4. CHISMAN, J. A. Industrial Cases in Simulation Modeling. Belmont, CA: Duxbury Press, 1996. 5. COCHRAN, J. K. et al. Simulation Project Characteristics in Industrial Settings. Interfaces, v. 25, n. 4, p. 104-113, jul./ago. 1995. 6. FISHMAN, G. S. Discrete-Event Simulation. Nova York: Springer, 2001. 7. ______. Monte Carlo: Concepts, Algorithms and Applications. Nova York: Springer-Verlag, 1996. 8. FU, M. C. Otimization for Simulation: Theory vs. Practice. INFORMS Journal on Computing, v. 14, p. 192-215, 2002. 9. GOLDSMAN, D. et al. Ranking and Selection for Steady-State Simulation: Procedures and Perspectives. INFORMS Journal on Computing, v. 14, p. 2-19, 2002. 10. HARRELL, C. et al. Simulation Using ProModel. 2. ed., Nova York: McGraw-Hill, 2004. 11. HILLIER, F. S.; HILLIER, M. S. Introduction to Management Science: A Modeling and Case Studies Approach with Spreadsheets. Captulos 15-16. Burr Ridge, IL: McGraw-Hill/Irwin, 2003. 12. KELTON, W. D. et al. Simulation with Arena. 3. ed. Nova York: McGraw-Hill, 2004. 13. KLEIJNEN, J. P. C. Statistical Tools for Simulation Practitioners. Nova York: Marcel Dekker, 1987. 14. LAW, A. M.; KELTON, W. D. Simulation Modeling and Analysis. 3. ed., Nova York: McGrawHill, 2000. 15. NANCE, R. E.; SARGENT, R. G. Perspectives on the Evolution of Simulation. Operations Research, v. 50, p. 161-172, 2002. 16. PRITSKER, A. A. B.; OREILLY, J. J. Simulation with Visual SLAM and AweSim. 2. ed. Nova York: Wiley, 1999. 17. RUBENSTEIN, R. Y. et al. Modern Simulation and Modeling. Nova York: Wiley, 1998. 18. SCHRIBER, T. J. An Introduction to Simulation Using GPSS/H. Nova York: Wiley, 1991. 19. STEIGER, N. M.; WILSON, J. R. An Improved Batch Means Procedure for Simulation Output Analysis. Management Science, v. 48, p. 1.569-1.586, 2002. 20. THOMPSON, J. R. Simulation: A Modelers Approach. Nova York: Wiley, 1999. 21. WHITT, W. Planning Queueing Simulations. Management Science, v. 35, p. 1.341-1.366, 1989.

PROBLEMAS

63

FERRAMENTAS DE APRENDIZADO PARA ESTE CAPTULO INCLUDAS NO CD-ROM


Exemplos Trabalhados: Exemplos para o Captulo 20 Exemplos Demonstrativos no Tutor PO: Simulao de um Sistema de Filas Bsico Simulao de um Sistema de Filas com Prioridades Procedimento Automtico no Tutorial IOR: Animao de um Sistema de Filas Procedimentos Interativos no Tutorial IOR: Problema de Entrada em Filas Problema de Simulao Interativa de Filas Arquivos em Excel (Captulo 20 Simulao): Exemplos de Planilhas Queueing Simulator Mdulos de Programa Adicionais para Excel: Crystal Ball 2000.5 Professional Edition Student Version (inclui OptQuest) RiskSim (verso acadmica) Glossrio para o Captulo 20 Suplementos para Este Captulo: Tcnicas de Reduo de Varincia Mtodo Regenerativo de Anlise Estatstica Ver o Apndice 1 para obter documentao sobre o software.

PROBLEMAS
Os smbolos esquerda de alguns problemas (ou parte deles) tm o seguinte significado: D: Os exemplos demonstrativos para este captulo podem ser teis. I: Sugerimos que voc use os procedimentos interativos correspondentes listados anteriormente (a impresso registra seu trabalho). E: Use o Excel. A: Use um mdulo de programa adicional para Excel, como o RiskSim ou Crystal Ball listados antes. Q: Use o Queueing Simulator. R: Use nmeros aleatrios uniformes de trs dgitos (0,096, 0,569 etc.) que so obtidos dos dgitos aleatrios consecutivos da Tabela 20.3, partindo em frente da linha superior, para executar cada parte do problema. 20.1-1.* Use os nmeros aleatrios uniformes nas clulas C13:C18 da Figura 20.1 para gerar seis observaes aleatrias para cada uma das seguintes situaes. (a) Lanamento de uma moeda no viciada. (b) Um arremessador de beisebol que lana um strike 60% das vezes e uma ball 40% das vezes. (c) A cor de um semforo encontrada por um carro que chega aleatoriamente verde 40% das vezes, amarelo 10% das vezes e vermelho 50% das vezes. 20.1-2. O clima pode ser considerado um sistema estocstico, pois ele evolui de maneira probabilstica de um dia para outro. Suponha que para determinado local essa evoluo probabilstica satisfaa a seguinte descrio: A probabilidade de chuva para amanh de 0,6, caso esteja chovendo hoje. A probabilidade de o tempo estar claro (sem chover) amanh 0,8, caso ele esteja claro hoje. (a) Use os nmeros aleatrios uniformes nas clulas C17:C26 da Figura 20.1 para simular a evoluo do tempo em dez dias, comeando no dia seguinte a um dia claro. E (b) Agora, use um computador com os nmeros aleatrios uniformes gerados pelo Excel para realizar em uma planilha a simulao solicitada no item (a). 20.1-3. Jessica Williams, gerente da loja de departamentos central da Kitchen Appliances, acredita que os nveis de estoque de foges esto acima do necessrio. Aps revisar a poltica de estoques para

64

CAPTULO 20

SIMULAO usuais para esse sistema de filas. Em seguida, compare esses resultados exatos com as estimativas pontuais correspondentes e com os intervalos de confiana de 95% obtidos na execuo de simulao do item (d). Identifique qualquer medida cujos resultados exatos caem fora do intervalo de confiana de 95%. 20.1-6. A Rustbelt Manufacturing Company emprega uma equipe de manuteno para reparar suas mquinas conforme a necessidade. A gerncia quer que seja feito um estudo de simulao para analisar o tamanho da equipe, onde os tamanhos das equipes considerados so 2, 3 e 4. O tempo necessrio pela equipe para reparar uma mquina tem uma distribuio uniforme ao longo do intervalo que vai de 0 a duas vezes a mdia, em que a mdia depende do tamanho da equipe. A mdia de quatro horas com equipe formada por dois membros, trs horas com trs membros e de duas horas com uma equipe de quatro membros. O tempo entre quebras de alguma mquina possui uma distribuio exponencial com mdia de cinco horas. Quando uma mquina quebra e, portanto, exige conserto, a gerncia quer que o tempo mdio de espera antes de o reparo comear no seja superior a trs horas. A gerncia tambm quer que o tamanho da equipe no seja maior do que o estritamente necessrio para alcanar esse objetivo. (a) Desenvolva um modelo de simulao para esse problema descrevendo seus blocos formadores listados na Seo 20.1 medida que eles forem aplicados ao presente caso. R (b) Considere o caso de uma equipe formada por dois membros. Partindo do caso em que nenhuma mquina precise de reparo, use o procedimento de incremento pelo prximo evento para realizar a simulao manualmente para 20 horas de tempo simulado. R (c) Repita o item (b), porm, dessa vez, com incrementos de tempo fixos (ficando 1 hora como unidade de tempo). D,I (d) Use o procedimento interativo para simulao contido no Tutorial IOR (que incorpora o procedimento de incremento pelo prximo evento) para executar interativamente uma simulao ao longo de um perodo de dez quebras para cada um dos trs tamanhos de equipe considerados. Q (e) Use o Queueing Simulator para simular esse sistema ao longo de um perodo de 10.000 quebras para cada um dos trs tamanhos de equipe considerados. (f) Use o modelo de filas M/G/1 apresentado na Seo 17.7 para obter o tempo de espera Wq analiticamente para cada um dos trs tamanhos de equipe. Voc pode calcular Wq manualmente ou ento usar o gabarito para esse modelo nos arquivos em Excel para o Captulo 17. Que tamanho de equipe deveria ser usado? 20.1-7. Ao realizar uma simulao com um sistema de filas com um nico atendente, o nmero de clientes no sistema 0 nos dez primeiros minutos, 1 para os 17 minutos seguintes, 2 para os 24 minutos seguintes, 1 para os 15 minutos seguintes, 2 para os 16 minutos seguintes e 1 para os 18 minutos seguintes. Aps esse total de 100 minutos, o nmero volta a 0 novamente. Baseado nesses resultados para os 100 primeiros minutos, realize a seguinte anlise (usando a notao para modelos de filas introduzida na Seo 17.2). (a) Crie um grfico que mostre a evoluo do nmero de clientes no sistema ao longo desses 100 minutos.

foges, ela registra o nmero vendido em um perodo de 25 dias, conforme resumido a seguir.
Nmero de foges vendidos Nmero de dias 2 4 3 7 4 8 5 5 6 1

(a) Use esses dados para estimar a distribuio de probabilidades das vendas dirias. (b) Calcule a mdia da distribuio obtida no item (a). (c) Descreva como nmeros aleatrios uniformes podem ser usados para simular vendas dirias. (d) Use os nmeros aleatrios uniformes 0,4476, 0,9713 e 0,0629 para simular vendas dirias durante trs dias. Compare a mdia com a mdia obtida no item (b). E (e) Formule um modelo de planilha para realizar a simulao das vendas dirias. Realize 300 repeties e obtenha a mdia das vendas ao longo dos 300 dias simulados. 20.1-4. A William Graham Entertainment Company abrir um novo guich onde os clientes podero comprar passagens com antecedncia para os diversos eventos de entretenimento que esto ocorrendo na regio. Est sendo usada simulao para analisar se eles devem ter um ou dois bilheteiros de planto no guich. Ao simular o incio de um dia nesse guich, constatou-se que o primeiro cliente chega cinco minutos aps ele ser aberto e depois os tempos entre chegadas para os quatro clientes seguintes (em ordem) so de trs minutos, nove minutos, um minuto e quatro minutos, aps o qual h um grande intervalo at a chegada do prximo cliente. Os tempos de atendimento para esses cinco primeiros clientes (em ordem) so de oito minutos, seis minutos, dois minutos, quatro minutos e sete minutos. (a) Para a alternativa de um nico bilheteiro, desenhe um grfico que mostre a evoluo do nmero de clientes no guich ao longo desse perodo. (b) Use essa figura para estimar as medidas de desempenho usuais L, Lq, W, Wq e Pn (conforme definies na Seo 17.2) para esse sistema de filas. (c) Repita o item (a) para a alternativa de dois bilheteiros. (d) Repita o item (b) para a alternativa de dois bilheteiros. 20.1-5. Considere o modelo M/M/1 de teoria das filas que foi discutido na Seo 17.6 e Exemplo 2, Seo 20.1. Suponha que a taxa mdia de chegada seja de 5 por hora, a taxa mdia de atendimento seja de 10 por hora e voc precise estimar o tempo de espera antes de o atendimento ser iniciado usando simulao. R (a) Partindo de um sistema vazio, use incrementos pelo prximo evento para realizar a simulao manualmente at terem ocorrido dois trminos de atendimento. R (b) Partindo de um sistema vazio, use incrementos de tempo fixos (adotando dois minutos como unidade de tempo) para realizar a simulao manualmente at terem ocorrido dois trminos de atendimento. D,I (c) Use o procedimento interativo para simulao contido no Tutorial IOR (que incorpora o mtodo de incremento pelo prximo evento) para executar interativamente uma simulao at terem sido completados 20 trminos de atendimento. Q (d) Use o Queueing Simulator para executar uma simulao com 10.000 chegadas de cliente. E (e) Use o gabarito em Excel para esse modelo nos arquivos Excel para o Captulo 17 para obter medidas de desempenho

PROBLEMAS (b) Desenvolva estimativas para P0, P1, P2, P3. (c) Desenvolva estimativas para L e Lq. (d) Desenvolva estimativas para W e Wq. 20.1-8. Observe o primeiro exemplo demonstrativo (Simulao de um Sistema de Filas Bsico) na rea de simulao do Tutor PO. D,I (a) Introduza esse mesmo problema no procedimento interativo para simulao no Tutorial IOR. Execute interativamente uma simulao para 20 minutos de tempo de simulao. Q (b) Use o Queueing Simulator com 5.000 chegadas de clientes para estimar as medidas de desempenho usuais para esse sistema de filas segundo o plano atual de disponibilizar dois caixas. Q (c) Repita o item (b) para o caso de serem disponibilizados trs caixas. Q (d) Agora, faa uma anlise de sensibilidade verificando o efeito caso o volume de negcios acabe sendo maior que o projetado. Particularmente, parta do pressuposto de que o tempo mdio entre chegadas de clientes acabe sendo apenas 0,9 minuto em vez de 1,0 minuto. Avalie as alternativas de dois e trs caixas segundo essa hiptese. (e) Suponha que voc seja o gerente desse banco. Use seus resultados de simulao como base para uma deciso gerencial sobre quantos caixas deveriam ser disponibilizados. Justifique sua resposta.
D,I

65 modo que dois carros desse tipo poderiam ser consertados ao mesmo tempo. Cada carro ser atendido nica e exclusivamente por um mecnico. Repita o item (b) para essa opo. Q (f) Use o Queueing Simulator com 10.000 chegadas de carros alemes para avaliar a opo descrita no item (e). Q (g) Outra opo seria treinar os dois mecnicos atuais para trabalhar em qualquer tipo de carro. Isso aumentaria o tempo de conserto esperado em 10%, passando de 0,2 dia atual para 0,22 dia. Use o Queueing Simulator com 20.000 chegadas de carros de ambos os tipos para avaliar essa opo. (h) Como a distribuio de tempos entre chegadas e de tempos de atendimento so exponenciais, os modelos de filas M/M/1 e M/M/s introduzidos na Seo 17.6 podem ser usados para avaliar analiticamente todas as opes anteriores. Use esses modelos para determinar W, o tempo de espera at o prximo reparo ser completado, para cada um dos casos considerados nos itens (c), (d), (f) e (g). Voc poder calcular W manualmente ou ento usar o gabarito para o modelo M/M/s nos arquivos em Excel para o Captulo 17. Para cada um dos casos, compare a estimativa de W obtida pela simulao computadorizada com o valor analtico. O que isso quer dizer sobre o nmero de chegadas de carros que deveriam ser includos na simulao? (i) Baseado nos resultados anteriores, que opo voc selecionaria, caso voc fosse Hugh? Por qu? 20.1-11. A Vistaprint produz monitores e impressoras para computadores. No passado, apenas parte deles foi inspecionada em uma base de amostragem. Entretanto, o novo plano que todos eles sero inspecionados antes de serem liberados. Sob esse plano, os monitores e impressoras sero trazidos para a estao de inspeo um de cada vez medida que forem completados. Para monitores, o tempo entre chegadas ter uma distribuio uniforme entre dez e 20 minutos. Para impressoras, o tempo de atendimento ser uma constante de 15 minutos. A estao de inspeo possui dois inspetores. Um deles trabalha apenas com monitores e o outro apenas inspeciona impressoras. Em ambos os casos, o tempo de inspeo apresenta uma distribuio exponencial com mdia de dez minutos. Antes de iniciar o novo plano, a gerncia quer que seja feita uma avaliao de quantos monitores e impressoras sero mantidos na estao de inspeo. (a) Formule um modelo de simulao para executar uma simulao a fim de estimar os tempos de espera (tanto antes de se iniciar a inspeo quanto aps complet-la) para os monitores e para as impressoras. D,I (b) Considerando-se apenas os monitores, use o procedimento interativo para simulao contido no Tutorial IOR para realizar interativamente essa simulao ao longo de um perodo de dez chegadas de monitores. D,I (c) Repita o item (b) para as impressoras. Q (d) Use o Queueing Simulator para repetir os itens (b) e (c) com 10.000 chegadas em cada caso. Q (e) A gerncia est considerando a opo de fornecer novo equipamento de inspeo para os inspetores. Esse equipamento no alteraria o tempo esperado para realizar uma inspeo, porm ele diminuiria a variabilidade dos tempos. Particularmente, para ambos os produtos, o tempo de inspeo teria uma distribuio de Erlang com mdia de 10 minutos e par-

20.1-9. Veja o segundo exemplo demonstrativo (Simulao de um Sistema de Filas com Prioridades) na rea de simulao do Tutor PO. Em seguida introduza esse mesmo problema no procedimento interativo para simulao no Tutorial IOR. Execute interativamente uma simulao para 20 minutos de tempo de simulao.

20.1-10.* A Hughs Repair Shop se especializou em consertar carros alemes e japoneses. A oficina possui dois mecnicos. Um deles trabalha somente em carros alemes, ao passo que o outro apenas em carros japoneses. Em ambos os casos, o tempo necessrio para reparar um carro apresenta uma distribuio exponencial com mdia igual a 0,2 dia. O movimento na oficina vem crescendo constantemente, em especial para os carros alemes. Hugh projeta que, no prximo ano, carros alemes chegaro aleatoriamente oficina a uma taxa mdia de 4 por dia e, portanto, o tempo entre chegadas apresentar uma distribuio exponencial com mdia igual a 0,25 dia. A taxa mdia de chegada para carros japoneses projetada em 2 por dia e, assim, a distribuio dos tempos entre chegadas ser exponencial com mdia de 0,5 dia. Para ambos os tipos de carro, Hugh gostaria que o tempo de espera na oficina antes de o conserto ter sido completado fosse de no mximo 0,5 dia. (a) Formule um modelo de simulao para realizar uma simulao para estimar qual ser, no ano que vem, o tempo de espera at que o conserto seja completado para cada tipo de carro. D,I (b) Considerando-se apenas carros alemes, use o procedimento interativo para simulao contido no Tutorial IOR para realizar essa simulao interativamente ao longo de um perodo de dez chegadas de carros alemes. Q (c) Use o Queueing Simulator para realizar essa simulao para carros alemes ao longo de um perodo de chegada de 10.000 carros. Q (d) Repita o item (c) para carros japoneses. D,I (e) Hugh est considerando a possibilidade de contratar um segundo mecnico especializado em carros alemes, de

66

CAPTULO 20

SIMULAO
E

metro de forma k 4. Use o Queueing Simulator para repetir o item (d) segundo essa opo. Compare os resultados com aqueles obtidos no item (d). 20.2-1. A Seo 20.2 introduziu quatro aplicaes reais de simulao que so descritas em artigos da Interfaces. As citaes para as duas que tambm usam modelos de fila so dadas na Seo 17.3. Selecione uma dessas aplicaes e leia o artigo correspondente. Redija um resumo de duas pginas da aplicao e os benefcios por ela gerados. 20.2-2. Leia os artigos sobre todas as quatro aplicaes de simulao mencionadas no Problema 20.2-1. Para cada uma delas, redija um resumo de uma pgina da aplicao e os benefcios por elas gerados. 20.3-1.* Use o mtodo congruente misto para gerar as seguintes seqncias de nmeros aleatrios. (a) Uma seqncia de dez nmeros aleatrios inteiros de um dgito de modo que x n 1 (xn 3) (mdulo 10) e x0 2. (b) Uma seqncia de oito nmeros aleatrios inteiros entre 0 e 7 de modo que x n 1 (5xn 1) (mdulo 8) e x0 1. (c) Uma seqncia de cinco nmeros aleatrios inteiros de dois dgitos de modo que x n 1 (61xn 27) (mdulo 100) e x0 10. 20.3-2. Reconsidere o Problema 20.3-1. Suponha agora que voc queira converter esses nmeros aleatrios inteiros em nmeros aleatrios uniformes (aproximados). Para cada uma das trs partes, fornea uma frmula para essa converso que torne a aproximao a mais prxima possvel. 20.3-3. Use o mtodo congruente misto para gerar uma seqncia de cinco nmeros aleatrios inteiros de dois dgitos de modo que x n 1 (41xn 33) (mdulo 100) e x0 48. 20.3-4. Use o mtodo congruente misto para gerar uma seqncia de nmeros aleatrios inteiros de trs dgitos de modo que x n 1 (201xn 503) (mdulo 1.000) e x0 485. 20.3-5. Voc precisa gerar cinco nmeros aleatrios uniformes. (a) Prepare-se para fazer isso usando o mtodo congruente misto para gerar uma seqncia de cinco nmeros aleatrios inteiros entre 0 e 31 de modo que x n 1 (13xn 15) (mdulo 32) e x0 14. (b) Converta esses nmeros aleatrios inteiros em nmeros aleatrios uniformes o mais prximo possvel. 20.3-6. So fornecidos o gerador congruente multiplicativo x0 1 e x n 1 7xn (mdulos 13) para n 0, 1, 2, . . . (a) Calcule xn para n 1, 2, . . . , 12. (b) Com que freqncia cada inteiro entre 1 e 12 aparece nas seqncias geradas no item (a)? (c) Sem realizar clculos adicionais, indique como x13, x14, . . . ser comparado com x1, x2, . . . 20.4-1. Reconsidere o jogo de lanamento de moeda introduzido na Seo 20.1 e analise por meio de simulao nas Figuras 20.1, 20.2 e 20.3. (a) Simule uma rodada desse jogo lanando repetidamente sua prpria moeda at o jogo terminar. Registre os resultados no formato indicado nas colunas B, D, E, F e G da Figura 20.1. Quanto voc teria ganhado ou perdido caso esta tivesse sido uma rodada real desse jogo?

E E

(b) Revise o modelo de planilha na Figura 20.1 usando a funo VLOOKUP do Excel em vez da funo IF para gerar cada lanamento simulado da moeda. Em seguida, realize uma simulao de uma rodada desse jogo. (c) Use esse modelo de planilha revisado para gerar uma tabela de dados com 14 repeties como a da Figura 20.2. (d) Repita o item (c) com 1.000 repeties (como na Figura 20.3).

20.4-2.* Aplique o mtodo de transformao inversa, conforme indicado a seguir, para gerar trs observaes aleatrias a partir da distribuio uniforme entre 10 e 40 usando os seguintes nmeros aleatrios uniformes: 0,0965, 0,5692, 0,6658. (a) Aplique esse mtodo graficamente. (b) Aplique esse mtodo algebricamente. (c) Escreva a equao que o Excel usaria para gerar cada uma dessas observaes aleatrias.
R

20.4-3. Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, gere trs observaes aleatrias de cada uma das seguintes distribuies de probabilidades. (a) A distribuio uniforme de 25 a 75. (b) A distribuio cuja funo densidade probabilstica f(x)

1 (x 4 0 1 (x 200 0

1)3

se

caso contrrio.

(c) A distribuio cuja funo de densidade probabilstica 40) f(x) se 40 x 60

caso contrrio.

20.4-4. Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, gere trs observaes aleatrias de cada uma das seguintes distribuies de probabilidades. (a) A varivel aleatria X tem P{X 0} 1. Dado X 0, ela 2 apresenta uma distribuio uniforme entre 5 e 15. (b) A distribuio cuja funo densidade probabilstica
R

f(x)

x 3

1 x

se 1 se 2

x x

2 3.
1 3

(c) A distribuio geomtrica com parmetro p P{X k}

, de modo que

1 3

2 3

k 1

se k

1, 2, . . .

caso contrrio.

20.4-5. Cada vez que uma moeda no viciada for lanada trs vezes, a probabilidade de dar 0, 1, 2 e 3 caras , respectivamente, 1 3 3 1 8, 8, 8, e 8. Portanto, com oito grupos de trs lanamentos cada, em mdia, um grupo daria 0 cara, trs grupos dariam 1 cara, trs grupos dariam 2 caras e um grupo daria 3 caras. (a) Usando uma moeda prpria, lane-a 24 vezes divididas em oito grupos de trs lanamentos cada e registre o nmero de grupos com 0 cara, 1 cara, 2 caras e 3 caras. (b) Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, simule os lanamentos especificados no item (a) e registre as informaes indicadas no item (a). E (c) Formule um modelo de planilha para realizar uma simulao de trs lanamentos da moeda e registre o nmero de

PROBLEMAS caras. Realize uma repetio dessa simulao. (d) Use essa planilha para gerar uma tabela de dados com oito repeties da simulao. Compare essa distribuio de freqncias do nmero de caras com a distribuio de probabilidades do nmero de caras com trs lanamentos. E (e) Repita o item (d) com 800 repeties.
E

67 (c) Use suas observaes aleatrias dos itens (a) e (b) para gerar observaes aleatrias de uma distribuio qui-quadrado com 2 graus de liberdade. 20.4-10.* Use suas observaes aleatrias dos itens (a) e (b) para gerar observaes aleatrias de uma distribuio qui-quadrado com 2 graus de liberdade. (a) A distribuio exponencial com mdia 4. (b) A distribuio de Erlang com mdia 4 e parmetro de forma k 2 (isto , desvio-padro 2 2). (c) A distribuio normal com mdia 4 e desvio-padro 2 2. Use o teorema do limite central e n 6 para cada observao.
R

20.4-6.* O jogo de craps requer que o jogador lance dois dados uma ou mais vezes at que se chegue a uma deciso se ele ganhou ou perdeu. Ele ganhar se os primeiros resultados de lanamentos dos dados for uma soma 7 ou 11 ou, alternativamente, se a primeira soma for 4, 5, 6, 8, 9 ou 10 e a mesma soma reaparecer antes de se obter uma soma igual a 7. Ao contrrio, ele perder o jogo se os resultados dos primeiros lanamentos for uma soma 2, 3 ou 12 ou, ento, se a primeira soma for 4, 5, 6, 8, 9 ou 10 e a soma 7 ocorrer antes de a primeira soma dar de novo. E (a) Formule um modelo de planilha para realizar uma simulao do lanamento de dois dados. Realize uma repetio. E (b) Realize 25 repeties dessa simulao. (c) Pesquise entre essas 25 repeties para determinar tanto o nmero de vezes que o jogador simulado teria ganhado o jogo de craps quanto o nmero de derrotas quando cada jogada comear com o prximo lanamento aps a jogada anterior terminar. Use essas informaes para calcular uma estimativa preliminar da probabilidade de se ganhar uma nica rodada do jogo. (d) Para um grande nmero de rodadas, a proporo de vitrias possui uma distribuio aproximadamente normal com mdia 0,493 e desvio-padro 0,5 n. Use essas informaes para calcular o nmero de rodadas simuladas que seriam necessrias para se ter uma probabilidade de pelo menos 0,95 de que a proporo de vitrias ser menor que 0,5.
R

20.4-11. Richard Collins, gerente e proprietrio da Richards Tire Service, deseja usar simulao para analisar a operao de sua loja. Uma das atividades a ser includa na simulao a instalao de pneus de automveis (inclusive balanceamento). Richard estima que a funo de distribuio cumulativa (CDF) da distribuio de probabilidades do tempo (em minutos) necessrio para a instalao de um pneu apresente a forma de grfico mostrada a seguir. CDF 1,0 0,8

0,2 0 7 9 11 13 Tempo

20.4-7. Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, use o mtodo de transformao inversa e a tabela da distribuio normal dada no Apndice 5 (com interpolao linear entre valores na tabela) para gerar dez observaes aleatrias (at trs casas decimais) de uma distribuio normal com mdia 1 e varincia 4. Em seguida, calcule a mdia da amostra dessas observaes aleatrias. 20.4-8. Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, gere trs observaes aleatrias (aproximadas) de uma distribuio normal com mdia 0 e desvio-padro 1. (a) Faa isso aplicando o teorema do limite central, usando trs nmeros aleatrios uniformes para gerar cada observao aleatria. (b) Agora, faa isso usando a tabela para a distribuio normal dada no Apndice 5 e aplicando o mtodo de transformao inversa. 20.4-9. Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, gere quatro observaes aleatrias (aproximadas) de uma distribuio normal com mdia 0 e desvio-padro 1. (a) Faa isso aplicando o teorema do limite central, usando trs nmeros aleatrios uniformes para gerar cada observao aleatria. (b) Agora, faa o mesmo usando a tabela para a distribuio normal dada no Apndice 5 e aplicando o mtodo de transformao inversa.

(a) Use o mtodo de transformao inversa para gerar cinco observaes aleatrias dessa distribuio ao usar os cinco nmeros aleatrios uniformes a seguir: 0,2655; 0,3472; 0,0248; 0,9205; 0,6130. (b) Use uma funo aninhada IF para escrever uma equao que o Excel possa usar para gerar cada observao aleatria a dessa distribuio.
R 20.4-12. Obtendo nmeros aleatrios uniformes conforme instruo no incio da seo Problemas, gere quatro observaes aleatrias de uma distribuio normal com mdia 1. Em seguida, use essas quatro observaes para gerar uma observao aleatria de uma distribuio de Erlang com mdia 4 e parmetro de forma k 4.

20.4-13. Faamos que r1, r2, . . . , rn sejam nmeros aleatrios uniformes. Defina xi ln ri e yi ln (1 ri), para i 1, 2, . . . ,
n

n, e z
i 1

xi. Classifique cada uma das seguintes afirmaes como

verdadeira ou falsa e ento justifique sua resposta. (a) Os nmeros x1, x2, . . . , xn e y1, y2, . . . , yn so observaes aleatrias da mesma distribuio exponencial. (b) A mdia de x1, x2, . . . , xn igual mdia de y1, y2, . . . , yn. (c) z uma observao aleatria de uma distribuio de Erlang (gama). 20.4-14. Considere uma varivel aleatria discreta X que uniformemente distribuda (probabilidades iguais) no conjunto {1, 2, . . . , 9}. Desejamos gerar uma srie de observaes aleatrias xi (i 1, 2, . . .) de X. Foram feitas as trs propostas a seguir para tal. Para

68

CAPTULO 20

SIMULAO to do nmero de tentativas sobre essa aleatoriedade. Considere o exemplo envolvendo a banca de jornal de Freddie que foi introduzido na Seo 20.6. O modelo de planilha se encontra disponvel nos arquivos em Excel deste captulo contidos no CD-ROM. Ao usar o Crystal Ball, certifique-se de que a opo Use Same Sequence of Random Numbers no esteja marcada e que MonteCarlo Sampling Method esteja selecionado na guia Sampling de Run Preferences. Use uma quantidade encomendada de 60. (a) Configure o nmero de tentativas em 100 em Run Preferences e execute a simulao do problema do Freddie cinco vezes. Observe o lucro mdio para cada simulao. (b) Repita o item (a) exceto configurando o nmero de tentativas para 1.000 em Run Preferences. (c) Compare os resultados dos itens (a) e (b) e comente sobre quaisquer diferenas.
A

cada uma delas, analise se um mtodo vlido e, caso no seja, como ele poderia ser ajustado para se tornar um mtodo vlido. (a) Proposta 1: Gere nmeros aleatrios uniformes ri (i 1, 2, . . .) e em seguida faa que xi n, em que n o inteiro que satisfaz n/8 ri (n 1)/8. (b) Proposta 2: Gere nmeros aleatrios uniformes ri (i 1, 2, . . .) e em seguida faa que xi seja igual ao maior inteiro menor ou igual a 1 8ri. (c) Proposta 3: Gere xi do gerador congruente misto xn 1 (5xn 7) (mdulos 8), partindo do valor x0 4.
R

20.4-15. Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, use o mtodo da aceitaorejeio para gerar trs observaes aleatrias da distribuio triangular usada para ilustrar esse mtodo na Seo 20.4. 20.4-16. Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, use o mtodo da aceitaorejeio para gerar trs observaes aleatrias de uma funo densidade probabilstica f(x)

1 (x 50 0

10)

se 10

20

caso contrrio.

20.4-17. Uma companhia de seguros possui aplices para quatro tipos de risco importantes. O nmero de perdas para cada risco independente e distribudo de forma idntica nos pontos {0, 1, 2} com probabilidades, respectivamente, 0,7, 0,2 e 0,1. O tamanho de uma perda individual apresenta a seguinte funo distribuio cumulativa:

F(x)

x 20 x 200 1

se 0 se 100 se x

x x 200.

100 200

Obtendo nmeros aleatrios uniformes, conforme instruo no incio da seo Problemas, realize um experimento de simulao com o dobro da perda total gerada pelos quatro tipos de risco. 20.4-18. Uma empresa oferece a seus trs funcionrios um segurosade dentro de um plano de grupo. Para cada funcionrio, a probabilidade de se incorrer em despesas mdicas durante um ano 0,9 e, portanto, o nmero de funcionrios incorrendo em despesas mdicas durante um ano tem uma distribuio binomial com p 0,9 e n 3. Dado que um funcionrio incorre em despesas mdicas durante um ano, a quantia total para o ano apresenta a distribuio US$ 100 com probabilidade 0,9 ou US$ 10.000 com probabilidade 0,1. A empresa tem uma clusula de deduo de US$ 5.000 com a empresa seguradora de modo que a cada ano a empresa seguradora paga um extra de US$ 5.000 para o total das despesas mdicas para o grupo. Use os nmeros aleatrios uniformes 0,01 e 0,20, na ordem dada, para gerar o nmero de solicitaes baseadas em uma distribuio binomial a cada dois anos. Use os seguintes nmeros aleatrios uniformes, na ordem dada, para gerar o valor de cada solicitao: 0,80; 0,95; 0,70; 0,96; 0,54; 0,01. Calcule a quantia total que a empresa seguradora paga por dois anos.
A 20.6-1. Os resultados de uma simulao so inerentemente aleatrios. Esse problema demonstrar esse fato e investigar o impac-

20.6-2. A Aberdeen Development Corporation (ADC) est reconsiderando o projeto Aberdeen Resort Hotel. Ele seria localizado nas pitorescas margens de Grays Harbor e ter um campo de golfe profissional. O custo para aquisio do terreno seria de US$ 1 milho, pagvel agora. Os custos de construo seriam de aproximadamente US$ 2 milhes, pagveis no final do ano 1. Entretanto, os custos de construo so incertos. Esses custos poderiam estar 20% acima ou abaixo da estimativa de US$ 2 milhes. Partindo do pressuposto que os custos de construo seguiriam uma distribuio triangular. A ADC est muito insegura em relao aos lucros (ou perdas) operacionais anuais que seriam gerados assim que o hotel estivesse pronto. Sua melhor estimativa para o lucro operacional anual que seria gerado nos anos 2, 3, 4 e 5 de US$ 700.000. Em virtude do alto grau de incerteza, a estimativa do desvio-padro do lucro operacional anual em cada ano tambm seria de US$ 700.000. Suponha que os lucros anuais sejam estatisticamente independentes e sigam a distribuio normal. Aps o ano 5, a ADC planeja vender o hotel. O preo de venda provvel est em torno de US$ 4 milhes a US$ 8 milhes (suponha uma distribuio uniforme). A ADC adota uma taxa de desconto de 10% para calcular o valor presente lquido. Para fins desse clculo, suponha que os lucros de cada ano sejam recebidos no final do ano. Execute 1.000 tentativas de uma simulao desse projeto em uma planilha. (a) Qual o valor presente lquido (VPL) mdio do projeto? Dica: A funo VPL (taxa, fluxo de caixa) no Excel retorna o VPL de uma seqncia de fluxos de caixa supostamente comeando daqui a um ano. Por exemplo, o VPL(10%, C5:F5) retorna o VPL a uma taxa de desconto de 10% quando C5 um fluxo de caixa no final do ano 1, D5 no final do ano 2, E5 no final do ano 3 e F5 no final do ano 4. (b) Qual a probabilidade estimada de que o projeto render um VPL maior que US$ 2 milhes? (c) A ADC tambm est preocupada com o fluxo de caixa nos anos 2, 3, 4 e 5. Gere uma previso da distribuio do lucro operacional mnimo (sem desconto) ganho em qualquer um dos quatro anos. Qual o valor mdio do lucro operacional mnimo ao longo dos quatro anos? (d) Qual a probabilidade de o lucro operacional anual ser de pelo menos US$ 0 em cada um dos quatro anos de operao?

20.6-3. A fbrica Avery Co. tem tido um problema de manuteno com o painel de controle para um de seus processos de pro-

PROBLEMAS duo. Esse painel de controle contm quatro rels eletromecnicos idnticos que foram a causa do problema. O problema que os rels caem com bastante freqncia, forando, portanto, o painel de controle (e o processo de produo que ele controla) a ser desligado enquanto feita uma manuteno. A prtica atual substituir os rels apenas quando eles falham. O custo total mdio de se fazer isso tem sido de US$ 3,19 por hora. Para tentar reduzir esse custo, foi feita uma proposta para substituir todos os quatro rels toda vez que qualquer um deles falhar na tentativa de reduzir a freqncia na qual o painel de controle tem de ser desligado. Essa proposta iria realmente reduzir o custo? Os dados pertinentes so os seguintes. Para cada rel, o tempo operacional at a falha apresenta uma distribuio aproximadamente uniforme de 1.000 a 2.000 horas. O painel de controle deve ser desligado por uma hora para substituir um rel ou de duas horas para substituir os quatro rels. O custo total associado ao desligamento do painel de controle e substituio dos rels de US$ 1.000 por hora mais US$ 200 para cada rel novo. Use simulao em uma planilha para avaliar o custo da proposta e compare-o com a prtica atual. Realize 1.000 tentativas (em que o final de cada tentativa coincide com o final de um desligamento do painel de controle) e determine o custo mdio por hora.
A 20.6-4. Para um produto novo ser produzido pela Aplus Company, tero de ser feitos furos para buchas em um bloco de metal e eixos cilndricos sero inseridos nesses furos. Os eixos precisam ter um raio de pelo menos 1,0000, porm o raio deveria ser um pouco maior do que o possvel. Com o processo de produo proposto para fabricar os eixos, a distribuio de probabilidades do raio de um eixo apresenta uma distribuio triangular com um mnimo de 1,0000, um valor mais provvel de 1,0010 e um valor mximo de 1,0020. Com o mtodo proposto de furao para as buchas, a distribuio de probabilidades do raio de uma bucha tem uma distribuio normal com mdia igual a 1,0020 e desviopadro 0,0010. A folga entre uma bucha e um eixo a diferena de seus raios. Como eles so escolhidos ao acaso, geralmente ocorrem interferncias (isto , folga negativa) para encaixe de uma bucha e um eixo. A gerncia est preocupada com o comprometimento na produo do novo produto que seria causado por essa interferncia ocasional. Talvez os processos de produo para os eixos e buchas devessem ser aperfeioados (a um custo considervel) para diminuir a chance de interferncia. Para avaliar a necessidade para tais melhorias, a gerncia solicitou que voc determine com que freqncia ocorreria essa interferncia com os processos de produo atualmente propostos. Estime a probabilidade de interferncia realizando 500 tentativas de uma simulao em uma planilha. A 20.6-5. Reconsidere o Problema 20.4-6 envolvendo o jogo de craps. Agora, o objetivo estimar a probabilidade de se ganhar uma rodada desse jogo. Se a probabilidade for maior que 0,5, voc vai querer ir para Las Vegas participar desse jogo inmeras vezes at eventualmente ganhar uma considervel quantia. Entretanto, se a probabilidade for menor que 0,5, voc permanecer em casa. Voc decidiu realizar uma simulao em planilha para estimar essa probabilidade. Realize o nmero de tentativas (rodadas do jogo) indicadas a seguir duas vezes. (a) 100 tentativas. (b) 1.000 tentativas. (c) 10.000 tentativas.

69 (d) A probabilidade real 0,493. Que concluso voc tira das simulaes anteriores em relao ao nmero de tentativas que parecem ser necessrias para dar uma certeza razovel de se obter uma estimativa que se encontre dentro de um intervalo de 0,007 em relao real probabilidade?
A

20.6-6. Considere o exemplo envolvendo Freddie que foi introduzido na Seo 20.6. O modelo de planilha se encontra disponvel nos arquivos em Excel para este captulo contidos no CD-ROM. A tabela de deciso gerada na Seo 20.6 (ver a Figura 20.20) para o problema de Freddie sugere que 55 a melhor quantidade encomendada, porm essa tabela considerou apenas quantidades encomendadas que eram um mltiplo de 5. Refine a busca gerando uma tabela de deciso para o problema de Freddie que considere todas as quantidades encomendadas inteiras entre 50 e 60. Nota: Os problemas remanescentes requerem o emprego do OptQuest, que est disponvel apenas na Professional Edition do Crystal Ball. Esse pacote de software fornecido no CD-ROM. 20.7-1. Michael Wise opera uma banca em um movimentado cruzamento no centro da cidade. A demanda pelo Sunday Times em mdia de 300 exemplares com desvio-padro de 50 exemplares (suponha uma distribuio normal). Michael compra os jornais por US$ 0,75 e os revende a US$ 1,25. Qualquer exemplar que sobre no final do dia reciclado sem nenhum reembolso. (a) Suponha que Michael compre 350 exemplares para sua banca para cada manh de domingo. Use o Crystal Ball para realizar 500 tentativas de simulao em uma planilha. Qual ser o lucro mdio de Michael na venda do Sunday Times? Qual ser a probabilidade de Michael pelo menos empatar o capital aplicado (lucro US$ 0)? (b) Gere uma tabela de deciso que considere cinco quantidades encomendadas possveis entre 250 e 350. Que quantidade encomendada maximizaria o lucro mdio de Michael? (c) Gere um grfico de tendncias para as cinco quantidades encomendadas consideradas no item (b). (d) Use o OptQuest para encontrar a quantidade encomendada que maximiza o lucro mdio de Michael. 20.7-2. Susan uma cambista. Ela compra ingressos para os jogos do Los Angeles Laker antes do incio da temporada a US$ 100 cada. J que os ingressos esto esgotados, Susan pode vend-los por US$ 150 em dia de jogo. Os ingressos que Susan no consegue vender no dia do jogo no possuem mais valor. Baseada em experincia passada, Susan previu a distribuio de probabilidades de quantos ingressos ela poder vender, conforme mostrado na tabela a seguir.

Ingressos 10 11 12 13 14 15 16 17 18

Probabilidade 0,05 0,10 0,10 0,15 0,20 0,15 0,10 0,10 0,05

(a) Suponha que Susan compre 14 ingressos para cada jogo. Use o Crystal Ball para realizar 500 tentativas de uma simulao

70

CAPTULO 20

SIMULAO A passagem com desconto vendida por US$ 150 e no reembolsvel. A demanda por tarifas com desconto para compra com sete dias de antecedncia est, tipicamente, entre 50 e 150, mas muito mais provvel estar prximo de 90. Suponha uma distribuio triangular. A tarifa cheia (sem exigncia de compra com antecedncia e totalmente reembolsvel antes do horrio de checkin) de US$ 400. Excluindo-se os clientes que compraram essa passagem e ento cancelaram antes do horrio de check-in, a demanda igualmente provvel de se encontrar entre 30 e 70 para essas passagens (com toda a demanda ocorrendo essencialmente a uma semana do vo). A mdia de passageiros que no comparecem para embarcar de 5% para as passagens com desconto e sem reembolso e de 15% para as passagens reembolsveis e com preos cheios. Se comparecerem um nmero de passageiros com passagens maior que o nmero de assentos disponveis, os passageiros extras tm de ser descartados. Um passageiro descartado realocado para outro vo e recebe um voucher para uma passagem gratuita em um vo futuro. O custo total para a companhia area que descarta um passageiro de US$ 600. H um custo total de US$ 10.000 para operar o vo. H duas decises a serem tomadas. Primeiramente, no perodo de uma semana antes do vo, quantas passagens deveriam ser disponibilizadas com desconto? Muitas, e a empresa corre o risco de perder potenciais passageiros para a compra de passagens a preo cheio. Poucas, e a empresa pode ter um vo sem sua capacidade total preenchida. Em segundo lugar, quantas passagens deveriam ser emitidas no total? Muitas, e a empresa correria o risco de precisar descartar passageiros. Poucas, e a empresa correria o risco de ter um vo sem sua capacidade total preenchida. (a) Suponha que a companhia area disponibilize um mximo de 75 passagens para a tarifa com desconto e um mximo de 120 passagens no total. Use o Crystal Ball para gerar uma previso de 1.000 tentativas da distribuio do lucro, o nmero de assentos preenchidos e o nmero de passageiros descartados. (b) Gere uma Solver Table bidimensional que fornea um lucro mdio para todas as combinaes dos seguintes valores das duas variveis de deciso: (1) o nmero mximo de passagens disponibilizadas com tarifa com desconto um mltiplo de 10 entre 50 e 90 e (2) o nmero mximo de passagens disponibilizadas para ambas as tarifas so de 112, 117, 122, 127 ou 132. (c) Use o OptQuest para tentar determinar o nmero mximo de passagens com desconto e o nmero mximo total de passagens disponibilizadas de modo a maximizar o lucro esperado da companhia area.

em planilha. Qual ser o lucro mdio de Susan obtido na venda dos ingressos? Qual ser a probabilidade de Susan pelo menos empatar o capital (lucro US$ 0)? Dica: Use uma Custom Distribution (distribuio personalizada) para simular a demanda por ingressos. (b) Gere uma tabela de deciso para considerar todas as nove quantidades possveis de ingressos a serem comprados entre 10 e 18. Que quantidade comprada maximiza o lucro mdio de Susan? (c) Gere um grfico de tendncias para as nove quantidades compradas consideradas no item (b). (d) Use o OptQuest para encontrar a quantidade comprada que maximize o lucro mdio de Susan. 20.7-3. A Road Pavers, Inc. (RPI) est considerando a possibilidade de participar de uma concorrncia no projeto de construo de uma rodovia estadual. A RPI estimou o custo dessa obra em particular em torno de US$ 5 milhes. O custo de preparar uma proposta para a concorrncia estimado em torno de US$ 50.000. O Estado tambm receber quatro outras propostas do projeto de concorrentes da RPI. A experincia passada com esses concorrentes sugere que as propostas de cada concorrente estaro muito provavelmente 20% acima do custo, mas poderiam estar 5% acima ou at 40% acima do custo. Suponha uma distribuio triangular para cada uma dessas propostas. (a) Suponha que a RPI faa uma proposta de US$ 5,7 milhes no projeto. Use o Crystal Ball para realizar 500 tentativas de uma simulao em planilha. Qual ser a probabilidade de a RPI no ganhar a concorrncia? Qual o lucro mdio da RPI? (b) Gere uma tabela de deciso para considerar oito propostas possveis entre US$ 5,3 milhes e US$ 6 milhes e faa uma previso do lucro mdio da RPI. Que proposta maximizaria o lucro mdio da RPI? (c) Gere um grfico de tendncias para as oito propostas consideradas no item (b). (d) Use o OptQuest para encontrar a proposta que maximiza o lucro mdio da RPI. 20.7-4. O vo 120 entre Seattle e So Francisco um vo popular entre os viajantes, ou a negcios ou turismo. O avio tem capacidade para 112 passageiros em um nico compartimento. So oferecidas tarifas com desconto para compra com sete dias de antecedncia e tarifas cheias. A direo da companhia area est tentando decidir (1) quantos assentos alocar para a tarifa com desconto para compra com sete dias de antecedncia e (2) quantas passagens emitir no total.

CASOS
CASO 20.1 REDUO DE ESTOQUE DE ITENS EM FABRICAO (REVISITADO) Reconsidere o caso 17.1. Os sistemas de filas atual e propostos nesse caso deviam ser analisados com a ajuda de modelos de fila para determinar como reduzir o mximo possvel o estoque de itens em fabricao. Entretanto, esses mesmos sistemas de filas tambm podem ser analisados efetivamente aplicando-se simulao com a ajuda do Queueing Simulator no Courseware de PO. Use a simulao para realizar toda a anlise solicitada neste caso.

CASE 20.2

HISTRIAS DE AVENTURA

71

CASE 20.2 HISTRIAS DE AVENTURA A Adventure Toys Company fabrica uma popular linha de super-heris e os distribui para lojas de brinquedos a um preo de distribuidor de US$ 10 por unidade. A demanda pelos super-heris sazonal, com as vendas mais elevadas ocorrendo antes do Natal e durante a primavera. As menores vendas ocorrem durante os meses de vero e inverno. A cada ms as vendas mensais base seguem uma distribuio normal com mdia igual s vendas base reais do ms anterior e com desvio-padro de 500 unidades. As vendas reais em qualquer ms so as vendas mensais-base multiplicadas pelo fator de sazonalidade para o ms em questo, conforme mostrado na tabela a seguir. As vendasbase em dezembro de 2004 foram de 6.000 unidades, com vendas reais iguais a (1,18)(6.000) 7.080. Hoje 1o de janeiro de 2005.
Ms Fator de Sazonalidade 0,79 0,88 0,95 1,05 1,09 0,84 Ms Fator de Sazonalidade 0,74 0,98 1,06 1,10 1,16 1,18

Janeiro Fevereiro Maro Abril Maio Junho

Julho Agosto Setembro Outubro Novembro Dezembro

Tipicamente, as vendas vista contribuem com cerca de 40% das vendas mensais, mas esse nmero tem chegado a um mnimo de 28% e um mximo de 48% em alguns meses. O restante das vendas feito a crdito em 30 dias sem cobrana de juros, com o pagamento total feito um ms depois aps a entrega. Em dezembro de 2004, 42% das vendas foram vista e 58% a crdito. Os custos de produo dependem de custos de matriaprima e mo-de-obra. O plstico necessrio para fabricar os super-heris flutua em termos de preo ms a ms, dependendo das condies de mercado. Em decorrncia dessas flutuaes, os custos de produo podem se encontrar em qualquer ponto entre US$ 6 e US$ 8 por unidade. Alm desses custos de produo variveis, a empresa incorre em um custo fixo de US$ 15.000 por ms para fabricar os super-heris. A empresa monta os produtos encomendados. Quando um lote de determinado super-heri for encomendado, ele fabricado imediatamente e despachado em alguns dias. A empresa utiliza oito mquinas de molde para moldar os super-heris. Essas mquinas quebram ocasionalmente e exigem uma pea de reposio de US$ 5.000. Cada mquina requer uma pea de reposio com uma probabilidade de 10% a cada ms. A empresa tem uma poltica de manter um saldo em caixa mnimo de pelo menos US$ 20.000 no final de cada ms. O saldo no final de dezembro de 2004 (ou, equivalen-

temente, no incio de janeiro de 2005) de US$ 25.000. Se necessrio, a empresa tomar um emprstimo de curto prazo (um ms) para cobrir despesas e manter um saldo mnimo. Os emprstimos tm de ser pagos no ms seguinte com juros (usando a taxa de juros de emprstimo do ms corrente). Por exemplo, se a taxa de juros anual de maro for de 6% (portanto, 0,5% ao ms) e for levantado um emprstimo de US$ 1.000 em maro, ento US$ 1.005 devido em abril. Entretanto, um novo emprstimo pode ser levantado a cada ms. Qualquer saldo que sobre no final de um ms (inclusive o saldo mnimo) transportado para o ms seguinte e tambm recebe juros de poupana. Por exemplo, se o saldo final em maro for de US$ 20.000 e a taxa de juros de maro for de 3% ao ano (portanto, 0,25% ao ms), ento US$ 50 de juros de poupana ganho em abril. Tanto a taxa de juros de emprstimo como a taxa de juros de poupana so estabelecidas mensalmente baseadas na taxa Prime. A taxa de juros de emprstimo estabelecida em Prime 2%, ao passo que a taxa de juros de poupana estabelecida em Prime 2%. Entretanto, a taxa de juros de emprstimo tem um teto de (no pode exceder) 9% e a taxa de juros de poupana jamais cair abaixo de 2%. A taxa Prime em dezembro de 2004 era de 5% ao ano. Essa taxa depende dos caprichos do Federal Reserve . Particularmente, para cada ms, h uma probabilidade de 70% de ela permanecer inalterada, uma probabilidade de 10% de ela aumentar em 25 pontos (0,25%), uma probabilidade de 10% de ela diminuir em 25 pontos, uma probabilidade de 5% de ela aumentar em 50 pontos e uma probabilidade de 5% de ela diminuir em 50 pontos.
(a) Formule um modelo de simulao em planilha para controlar ms a ms os fluxos de caixa da empresa. Indique as distribuies de probabilidades (tanto o tipo como os parmetros) para as clulas pressupostas diretamente na planilha. Simule 1.000 tentativas para o ano de 2005 e cole os resultados obtidos na planilha. (b) A direo da Adventure Toys quer informaes sobre qual seria o patrimnio lquido da empresa no final de 2005, incluindo a probabilidade de o patrimnio lquido ultrapassar zero. O patrimnio lquido definido aqui como o saldo em caixa final mais juros de poupana e contas a receber menos quaisquer emprstimos e juros devidos. Exiba os resultados de sua simulao realizada no item (a) nas diversas formas que voc imagina que seriam teis para a direo analisar essa questo. (c) So necessrias providncias para se obter um limite de crdito especfico do banco para emprstimos a curto prazo que eventualmente seriam necessrios durante o ano 2005. Portanto, a direo da Adventure Toys tambm gostaria de ter informaes referentes ao volume mximo de emprstimos a curto prazo que poderiam ser necessrios durante 2005. Exiba os resultados da simulao realizada no item (a) nos vrios formatos que voc imagina que seriam teis para a direo analisar essa questo.

72

CAPTULO 20

SIMULAO

PRVIAS DE CASOS ADICIONAIS NO CD-ROM


CASO 20.3 PLAINAS NO PROCESSO PRODUTIVO O setor de plainas de uma fbrica teve um perodo particularmente difcil para conseguir atender o seu volume de trabalho, que comprometeu seriamente o cronograma de produo para operaes seguintes. s vezes, surge um grande volume de trabalho e h um grande acmulo de trabalho atrasado. Em seguida, poderia haver um longo intervalo sem muita coisa para fazer de modo que as plainas ficavam ociosas parte do tempo. Foram feitas trs propostas distintas para atenuar o gargalo no setor de plainas: (1) adquirir mais uma plaina, (2) eliminar a variabilidade dos tempos entre chegadas das tarefas e (3) reduzir a variabilidade do tempo necessrio para realizao das tarefas. Qualquer uma dessas ou uma combinao destas propostas pode ser adotada. Com o auxlio do Queueing Simulator, deve-se usar simulao para determinar o que deve ser feito de modo a minimizar o custo total esperado por hora. CASE 20.4 DETERMINANDO PREOS SOB PRESSO Um cliente de um grande banco de investimentos est interessado em comprar uma opo de compra europia para determinada ao que lhe d o direito de comprar a ao a um preo fixo 12 semanas antes. O cliente faria uso ento dessa opo em 12 semanas somente se seu preo fixo fosse menor que o preo de mercado naquele momento. O banco precisa determinar que preo deveria ser cobrado por essa opo de compra. Esse preo deve ser um valor mdio da opo em 12 semanas. Baseado em um modelo de movimentao aleatrio de como o preo da ao evolui de semana em semana, deve-se usar simulao para estimar esse valor mdio. Como ponto de partida devem ser cuidadosamente formulados os diversos elementos de um modelo de simulao.