SIMULAÇÃO DE

SISTEMAS
PRODUTIVOS

Gabriela Fonseca Parreira Gregorio

Processo de amostragem
e coleta dos dados
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:

 Discutir os conceitos relacionados à amostragem.

 Descrever o processo de observação e coleta de informações.
 Planejar o processo de coleta de dados para modelagem.

Introdução
O processo de modelagem e simulação auxilia os gestores na tomada
de decisões. No entanto, a assertividade desse processo depende da
seleção adequada dos dados a serem coletados e analisados para a
construção dos modelos.
Existem inúmeras ferramentas que podem auxiliar você na obtenção
dos dados. Essa obtenção pode ser planejada por meio de um processo
estruturado e organizado que orienta quanto à definição da amostra, à
identificação dos dados, à seleção dos métodos de coleta, entre outros
aspectos.
Neste capítulo, você vai conhecer os principais conceitos relaciona-
dos à amostragem. Também vai ver as principais técnicas de coleta de
informações. Além disso, vai verificar como planejar a coleta de dados
para modelagem.

Conceitos relacionados à amostragem

Geralmente, os estudos são realizados com base em uma amostra, por meio da
qual são feitas algumas inferências sobre a população. Enquanto a população
refere-se à coleção de todas as observações potenciais sobre determinado fenô-
meno, os dados realmente extraídos ou observados constituem uma amostra
da população (FARIAS; SOARES; CÉSAR, 1996).
2 Processo de amostragem e coleta dos dados

Magalhães e Lima (2011) reiteram que existem várias dificuldades para

fazer observações em todos os elementos da população. Assim, é necessário
selecionar um subconjunto consideravelmente menor, a amostra. Como você
pode inferir, a amostra é uma parcela da população. Segundo Spiegel (1993),
ela deve ser representativa para que conclusões importantes sobre a população
sejam obtidas. Na Figura 1, a seguir, veja a relação entre a população e a amostra.

Figura 1. Relação entre população e amostra.

Fonte: Adaptada de Magalhães e Lima (2011).

A técnica para a seleção de uma parte da população é denominada amostra-

gem. Muitas vezes, é necessário o uso da amostragem pois existem restrições
temporais, econômicas, operacionais, entre outras que inviabilizam estudos
com a população (POMMER, 2013).
Observando a Figura 1, você pode notar que a inferência descritiva busca
tirar conclusões de modo informal e direto, enquanto a inferência estatística é
o estudo de técnicas que possibilitam a extrapolação (MAGALHÃES; LIMA,
2011). Os dados da população e da amostra precisam ser consistentes, e al-
gumas interpretações iniciais podem ser feitas sobre o fenômeno estudado.
Além disso, a partir de análises da amostra, é possível estimar quantidades
desconhecidas, fazer extrapolação dos resultados e testar hipóteses.
Em relação à amostragem, conhecer alguns conceitos é fundamental. Consi-
dere, por exemplo, os conceitos de: população-alvo, característica de interesse,
 Processo de amostragem e coleta dos dados 3

amostragem probabilística e amostragem não probabilística. Segundo Farias,

Soares e César (1996), a população-alvo é a população sobre a qual são feitas
inferências baseadas na amostra. É o conjunto de todas as partes sobre as quais
algumas conclusões são formuladas. Ainda segundo os autores, características
de interesse são as características que serão medidas. São atributos ou predicados
de dada população que podem variar de elemento para elemento. A orientação
é que não devem ser incluídas muitas características no estudo.
Na amostragem probabilística, o elemento da população é escolhido ao
acaso ou de forma aleatória. A probabilidade dessa escolha pode ser estimada
por meio de cálculos probabilísticos (POMMER, 2013). Segundo Farias, Soares
e César (1996), a amostra precisa ser representativa para que seja possível fazer
inferências sobre a população. Uma maneira de se alcançar essa representativi-
dade é fazer com que a seleção da amostra aconteça por meio de um processo
aleatório. Por isso, as amostras probabilísticas são preferidas. Quando se fala
que um método de seleção produz amostras probabilísticas, isso significa que
ele define claramente a probabilidade de um elemento fazer parte da amostra.
Por outro lado, na amostragem não probabilística, faz-se um julgamento:
a escolha dos elementos da amostra é feita de forma subjetiva. Nesse caso, não
é possível conhecer a probabilidade de determinado elemento da população
(POMMER, 2013).

Existem alguns tipos de amostragem, como você pode ver a seguir (FARIAS; SOARES;
CÉSAR, 1996).
 Amostragem aleatória simples: a amostra é escolhida elemento a elemento,
casualmente.
 Amostragem estratificada: os elementos da população são divididos em grupos
homogêneos de acordo com a característica que se deseja medir. Escolhe-se uma
amostra aleatória dentro de cada grupo.
 Amostragem por conglomerado: é uma amostra aleatória simples, na qual cada
unidade de amostragem é um grupo.

Observação e coleta de informações

A coleta de informações é a fase inicial de muitos estudos (FARIAS;
SOARES; CÉSAR, 1996). Nos casos da modelagem e da simulação de
4 Processo de amostragem e coleta dos dados

sistemas, não é diferente. Para realizar a coleta, é necessário conhecer

bem as partes do sistema e as variáveis consideradas no estudo. Segundo
Banks, Carson e Nelson (1996), os dados influenciam consideravelmente
a precisão dos modelos.
Os elementos podem ser coletados por meio de métodos de amostragem.
Os dados e informações necessários para a construção de modelos podem
ser classificados em dois tipos de variáveis, como você pode ver a seguir
(MOREIRA, 2011).

 Variáveis não controladas pelo analista do problema: são definidas

pela situação, pelo problema, pelas propriedades da organização ou
pelas restrições. Adotam valores que não podem ser controlados, mas
dos quais se conhece a medida ou a distribuição de probabilidade.
Exemplos: capacidade produtiva da empresa, tempo padrão de uma
operação.
 Variáveis de decisão: seu valor é atribuído pelo analista, por meio do
modelo, compondo a solução do problema predeterminado.

Assim, as informações necessárias para a modelagem e a simulação de

sistemas são os valores das variáveis não controladas. Para conseguir essas
informações, algumas técnicas podem ser utilizadas. A seguir, você vai co-
nhecer melhor essas técnicas.
A observação consiste em analisar, visualizar e acompanhar dada situa-
ção capturando determinados valores para que algumas inferências iniciais
possam ser feitas. A interação entre as partes que formam o sistema pode ser
avaliada por meio de observação. Trata-se de uma técnica simplificada, em
que o analista vai para campo a fim de conhecer melhor algumas variáveis
que compõem o sistema.
Outra forma de coleta de dados é o questionário. Nessa técnica, um
formulário é confeccionado contendo todos os levantamentos que serão
necessários. Ao utilizar o questionário, é importante pensar nos tipos de
questões mais adequadas (abertas e fechadas), na ordem das questões e
na clareza das perguntas (FARIAS; SOARES; CÉSAR, 1996). Além do
questionário, as empresas podem utilizar também entrevistas para a coleta
de informações. Na entrevista, existe uma interação momentânea entre os
interlocutores. As informações podem ser registradas de forma manual
ou gravadas.
A análise de documentos também é fonte de várias informações para a
modelagem e a simulação de sistemas. Ela envolve registros formais, docu-
 Processo de amostragem e coleta dos dados 5

mentados pela organização por meio de ordens de serviço, ordens de produção

e relatórios diversos. Essa técnica ganhou maior importância com o advento
dos sistemas computacionais, pois são inúmeras as informações armazenadas
que podem ser combinadas de diferentes formas.
As informações podem ser coletadas também por meio de medições feitas
in loco com instrumentos adequados. Alguns exemplos de medições são:
cronometragem de tempos, pesagem de materiais, etc. Como você deve ima-
ginar, é possível combinar as formas de obtenção de dados de acordo com as
necessidades de cada organização.

A análise documental e a observação são formas de coleta de dados muito utilizadas

no processo de modelagem e simulação.

Planejamento da coleta de dados para

modelagem
Planejar o processo de coleta é importante para que todos os dados estejam
disponíveis quando os analistas precisarem deles e para que tais dados sejam
representativos. Como você pode imaginar, esses aspectos dependem da técnica
de amostragem selecionada. De acordo com Farias, Soares e César (1996), o
processo de coleta de dados pode ser planejado conforme:

 os objetivos da pesquisa;
 a população a ser submetida à amostragem;
 os dados a serem coletados;
 o grau de precisão desejado;
 os métodos de obtenção da informação;
 a escolha da amostra;
 a organização do trabalho em campo;
 a coleta dos dados;
 a análise dos dados.

Independentemente da forma de coleta adotada (observação, questionário,

análise documental, etc.), os objetivos do projeto precisam estar claros e ser
6 Processo de amostragem e coleta dos dados

disseminados para toda a equipe. Afinal, eles têm como função conduzir as
próximas ações de um projeto de simulação, incluindo ações relacionadas à
coleta de dados.

A modelagem de sistemas diferentes exige dados distintos. Segundo Miyake e Sakurada

(2009), a elaboração de um modelo que represente os sistemas de operação de serviço,
por exemplo, exige os seguintes tipos básicos de dados: demanda; configuração e
dimensões da infraestrutura física; e tempos de serviço.

Diante de objetivos bem definidos, é importante identificar a população a

ser submetida à amostragem, ou seja, o conjunto de todos os elementos que
representam determinado fenômeno. Posteriormente, as ações elencadas a
seguir são necessárias.

 Listar todos os dados necessários, todas as variáveis não controladas

e estabelecer o grau de precisão desejado.
 Definir a estratégia mais adequada para a obtenção da informação
(observação, questionário, análise de documentos, etc.).
 Definir o método de amostragem e selecionar a amostra, avaliando se
será adotada amostra probabilística ou não probabilística.
 Organizar o trabalho em campo, ou seja, preparar formulários, instru-
mentos e demais meios necessários para a coleta dos dados.
 Analisar os dados, verificando como eles serão tratados, classificados
e analisados para que informações possam ser geradas para auxiliar o
processo de tomada de decisão.

Além disso, é necessário definir no planejamento:

 quem serão os responsáveis pela coleta de dados;

 os prazos de coleta, datas de início e término;
 os recursos financeiros e materiais necessários para a coleta de dados;
 o local de aquisição dos dados.
 Processo de amostragem e coleta dos dados 7

No Quadro 1, a seguir, você pode ver um modelo de plano para coleta de

dados.

Quadro 1. Modelo de plano para coleta de dados.

Forma Data Data Local de

Dados Responsável de coleta Instrumentos de de aquisição
necessários pela coleta do dado necessários início término do dado

BANKS, J.; CARSON, J.; NELSON B. Discrete-event system simulation. New Jersey: Prentice
Hall, 1996.
FARIAS, A.; SOARES, J.; CÉSAR, C. Introdução à estatística. 2. ed. Rio de Janeiro: LTC, 1996.
MAGALHÃES, M.; LIMA, A. Noções de probabilidade e estatística. São Paulo: Universidade
de São Paulo, 2011.
MIYAKE, D.; SAKURADA, N. Aplicação de simuladores de eventos discretos no processo
de modelagem de sistemas de operações de serviços. Revista Gestão & Produção, v.
16, n. 1, p. 25-43, jan.-mar. 2009. Disponível em: http://www.scielo.br/pdf/gp/v16n1/
v16n1a04.pdf. Acesso em: 9 abr. 2019.
MOREIRA, D. A. Administração da produção e operações. 2. ed. São Paulo: Cengage
Learning, 2011.
POMMER, W. M. Conceitos e aplicações de estatística para cursos de ciências gerenciais:
uma abordagem introdutória. São Paulo: [S.n.], 2013. Disponível em: http://stoa.usp.br/
wmpommer/files/3915/20691/Livro%20Estat%C3%ADstica%20para%20Gerenciais%20
2013.pdf. Acesso em: 9 abr. 2019.
SPIEGEL, M. Estatística. 3. ed. São Paulo: Pearson, 1993.

Leitura recomendada
FOGO, J. C. [Disciplinas]. São Carlos: UFSCAR, 2017. Disponível em: www.ufscar.br/jcfogo.
Acesso em: 9 abr. 2019.