Simulação de Sistemas

Simulação de Sistemas
Aprimorando processos de logística,
serviços e manufatura
Robert E. Bateman
Royce G. Bowden
Thomas J. Gogg
Charles R. Harrell
Jack R. A. Mott
José Arnaldo B. Montevechi
Belge Engenharia (organizador)
Revisão técnica: Raphael Ambrico

Tradução: Alain de Norman et d’Audenhove (coordenação),
Denise Barnabé Abackerli, Edni de Castro Paranhos,
Emilson Antônio Martinez Roveri (principal executor),
Luis Fernando Gesteira, Maria Helena de O. Richards,
Victor Rubens Svoll
Do original: System Improvement Using Simulation – 5th edition.
© 2013, Elsevier Editora Ltda.
Direitos da edição na língua portuguesa © 2013 – IST Corporation, JMI Consulting Group, PROMODEL
Corporation e Belge Engenharia e Sistemas Ltda.
Todos os direitos reservados. Este material não pode, nem mesmo parcialmente, ser:
Reproduzido, distribuído ou transmitido de qualquer maneira (como fotocópias, scanerização ou
redigitação), sem que haja autorização expressa da BELGE.
Marcas Registradas: ProModel, ServiceModel e MedModel são marcas da PROMODEL Corporation.
Windows é uma marca da Microsoft Corporation.
Todos os direitos reservados e protegidos pela Lei 9.610 de 19/02/98. Nenhuma parte deste livro, sem
autorização prévia por escrito da editora, poderá ser reproduzida ou transmitida sejam quais forem os
meios empregados: eletrônicos, mecânicos, fotográficos, gravação ou quaisquer outros.
Copidesque: Iara Arakaki
Editoração Eletrônica: Thomson Digital
Revisão Gráfica: Gabriel Pereira
Tradução: Alain de Norman et d’Audenhove (coordenação), Denise Barnabé Abackerli, Edni de Castro
Paranhos, Emilson Antônio Martinez Roveri (principal executor), Luis Fernando Gesteira, Maria Helena
de O. Richards, Victor Rubens Svoll
Revisor Técnico: Raphael Ambrico
Elsevier Editora Ltda.
Conhecimento sem Fronteiras
Rua Sete de Setembro, 111 – 16° andar
20050-006 – Centro – Rio de Janeiro – RJ – Brasil
Rua Quintana, 753 – 8° andar
04569-011 – Brooklin – São Paulo – SP
Serviço de Atendimento ao Cliente
0800-0265340 sac@elsevier.com.br
ISBN: 978-85-352-7162-1
ISBN (versão eletrônica): 978-85-352- 7163-8
Nota: Muito zelo e técnica foram empregados na edição desta obra. No entanto, podem ocorrer erros de
digitação, impressão ou dúvida conceitual. Em qualquer das hipóteses, solicitamos a comunicação ao nosso
Serviço de Atendimento ao Cliente, para que possamos esclarecer ou encaminhar a questão.
Nem a editora nem o autor assumem qualquer responsabilidade por eventuais danos ou perdas a pessoas
ou bens, originados do uso desta publicação.
CIP-BRASIL. CATALOGAÇÃO-NA-FONTE
SINDICATO NACIONAL DOS EDITORES DE LIVROS, RJ
S
Simulação de sistemas : aprimorando processos de logística, serviços e manufatura
/ Robert E. Bateman ... [et al.] ; [organização Belge Engenharia e Sistemas ; tradução
Alain de Norman et d’Audenhove ... et al.]. - 1. ed. - Rio de Janeiro : Elsevier, 2013.
200 p. : il. ; 23 cm.
Tradução de: System improvement using simulation
ISBN 978-85-352-7162-1
1. ProModel. 2. Simulação (Computadores). 3. Métodos de simulação. I. Bateman, Robert E. II. Belge
Engenharia e Sistemas. III. Título.
13-00515 CDD: 003.35369
26/04/2013 26/04/2013
Sobre os autores
Robert E. Bateman é diretor internacional da PROMODEL Corporation e desen-

volvedor do programa educacional original da PROMODEL. Interessa-se profis-
sionalmente por política tecnológica e aplicação de transferência tecnológica para o
desenvolvimento de indústrias nas nações em desenvolvimento. Rob viveu e trabalhou
na Europa, América do Sul e Central e na Ásia. É Ph.D. pela Universidade de Utah,
graduado pela Brigham Young University (BYU) e MBA pela American University
em Washington DC.
Royce O. Bowden é Professor-Associado de Engenharia Industrial na Universidade

Estadual do Mississippi e diretor do laboratório de simulação e computação avançada.
Antes de ingressar como docente nessa universidade foi engenheiro de manufatura na
Martin Marietta Aerospace e na Texas Instruments. É autor de numerosas publicações
e com frequência tem sido convidado por lideranças industriais e governamentais a
ministrar palestras sobre simulação e otimização. Royce é Ph.D. em Engenharia pela
Universidade do Mississippi.
Thomas J. Gogg é diretor de engenharia no JMI Consulting Group, em Palos Verdes,

Califórnia. Trabalhou por 11 anos em funções técnicas na área de operações da
manufatura da Xerox Corporation e da Hughes Aircraft Company. Nos últimos
cinco anos esteve focado em aplicações de simulação em manufatura e em sistemas
de movimentação de materiais. Palestrante em vários seminários sobre simulação e
coautor em publicações da revista Industrial Engineering. É graduado em Engenharia
Industrial pela Universidade do Estado de Iowa.
Charles R. Harrell é proprietário e fundador da ProModel Corporation, em Orem,

Utah. Professor-Associado de Engenharia de Manufatura na BYU foi também de-
senvolvedor do software original de simulação da ProModel. Atuou em simulação e
desenvolvimento de sistemas na Ford Motor Company e na Eaton Kenway. É graduado
em Engenharia de Manufatura pela BYU, mestre em Engenharia Industrial pela Uni-
versidade de Utah e Ph.D. em Engenharia de Manufatura pela Universidade Técnica
da Dinamarca.
Jack R. A. Mott é presidente da JMI Consulting Group. Anteriormente trabalhou na

Arthur Andersen & Co., na Levi Strauss Inc. e na Xerox Corp. Jack é graduado em
Contabilidade e Economia pela Universidade de Loyola e mestre pela Universidade
de Loyola Marymount. Seu foco de atuação é na área de integração de finanças dentro
da engenharia e das operações da manufatura. Dirigiu empresas no Japão, Europa,
América do Sul e México.
v
vi Sobre os autores
José A. B. Montevechi é o atual diretor do Instituto de Engenharia de Produção e

Gestão (IEPG) da Universidade Federal de Itajubá (UNIFEI). Pós-doutorado pela
Universidade do Texas (EUA). Doutor pela Escola Politécnica da Universidade de
São Paulo. Mestre pela Universidade Federal de Santa Catarina. Engenheiro pela
Escola Federal de Engenharia de Itajubá. Professor-Titular da UNIFEI. Autor de
vários artigos em eventos e revistas. Apresentou vários trabalhos no Brasil e exterior.
É orientador de várias dissertações de mestrado, no programa de Pós-Graduação em
Engenharia de Produção da UNIFEI. Consultor e instrutor em empresas como Petro-
bras, BR Distribuidora, PADTEC, Banco do Brasil, CEMIG, Metrô, entre outras. Tem
como áreas de atuação: Risco e Incertezas em Projetos de Viabilidade Econômica,
Pesquisa Operacional e Simulação a Eventos Discretos.
Prefácio à edição brasileira
A principal pretensão desta publicação é ajudar no ensino de Pesquisa Operacional

no país, mais precisamente no que diz respeito ao tema Simulação a Eventos Discretos.
Esta ferramenta, amplamente usada na América do Norte e Europa, tem auxiliado na
tomada de decisões em áreas como manufatura, logística, serviços e saúde, trazendo
a seus usuários a oportunidade de usarem os recursos por ela oferecidos de forma
mais eficiente. Os resultados fazem com que seus beneficiários tragam melhorias
às mais diversas instituições de seus países. No Brasil, o uso da Simulação a Eventos
Discretos encontra-se em plena evolução, principalmente nas áreas de Engenharia de
Produção, Administração, Informática e Computação, tanto em cursos de graduação
como de pós-graduação. Com os formados nesses cursos, as empresas começam a
constituir quadros profissionais com uma competência diferenciada, que permite
melhorias significativas em sua produtividade e em diversos indicadores. Entretanto,
ainda há muito que fazer para que a simulação seja uma ferramenta de uso cotidiano
em nosso país, como é observado em países desenvolvidos.
O texto apresenta tanto os conceitos principais para o uso da Simulação a Eventos
Discretos, quanto uma introdução ao uso do ProModel, software muito difundido
em nosso país. Salienta-se que esta obra é a única em língua portuguesa que aborda
seu processo de utilização. Empregando técnicas de ensino a distância, pretende-se
abreviar o período de aprendizagem da utilização desse software, podendo o leitor
iniciar projetos reais rapidamente. A disponibilização de uma versão para estudantes
permite, além do desenvolvimento dos modelos propostos no livro, um acesso a todos
os recursos disponíveis nesse software. Assim, quando diante de problemas de maiores
dimensões, o uso de uma versão profissional é imediata, sem maiores complicações.
Outro destaque é a descrição de como fazer modelos conceituais. Normalmente
essa etapa, esquecida por muitas obras e publicações, é importante no processo de
modelagem, e, quando bem realizada, permite um redução no tempo de desenvol-
vimento de modelos computacionais. Um software desenvolvido na Universidade
Federal de Itajubá (UNIFEI), para esta etapa, é apresentado e disponibilizado aos
leitores desta obra.
Ter sido convidado a ser coautor da reedição deste livro, além de ser uma grande
honra, me permite contribuir para a divulgação desta consagrada ferramenta, ajudando
tanto no seu ensino, nas mais diversas universidades, como nas melhores práticas
de tomada de decisões nas empresas de nosso país. Destaca-se que uma visão mais
acadêmica permitiu uma obra pensada de tal forma a poder ajudar ao ensino da
Simulação a Eventos Discretos.
Finalizando, não poderia deixar de agradecer aos órgãos de fomento à pesquisa:
FAPEMIG, CAPES e CNPq, financiadores das pesquisas que desenvolvo, e também
a todos os pesquisadores do NEAAD, Núcleo de Estudos Avançados para Auxílio à
Decisão, grupo de pesquisa do IEPG, Instituto de Engenharia de Produção e Gestão
vii
viii Prefácio à edição brasileira
da UNIFEI, do qual atualmente sou coordenador e cujos trabalhos me influenciam

diretamente.
Prof. Dr. José Arnaldo Barra Montevechi

Universidade Federal de Itajubá
montevechi@unifei.edu.br
Simulação é uma ferramenta poderosa no desenvolvimento de sistemas mais

eficientes. Atualmente construímos modelos e reconfiguramos sistemas reais em
questão de dias ou semanas – em décadas passadas, seriam necessários vários meses
de esforço. O conhecimento em tecnologia de simulação ganhou muita importância
na formação de engenheiros e administradores, para sua plena atuação profissional.
Escolhemos trabalhar com o simulador ProModel porque ele foi desenvolvido com
o intuito de permitir aos próprios engenheiros e administradores (conhecedores de
seus negócios) a rápida construção e análise de modelos focados em seus processos.
Desde 1995, a BELGE Consultoria vem atuando como agente facilitador no
processo de implantação dessa nova tecnologia em nosso país.
No evento anual da SOBRAPO (Sociedade Brasileira de Pesquisa Operacional) em
2009, apresentei um trabalho que resumia os segmentos em que mais se tem aplicado
simulação por eventos discretos nos últimos 15 anos.
As aplicações em logística são as mais corriqueiras (destaque para centros de dis-
tribuição, portos, ferrovias, supplychain e material handling), seguidas pela manufatura
(destaque para otimização de linhas e células produtivas, projetos lean e 6 sigma e
aplicações em siderurgia) e, por fim, pelo setor de serviços (destaques para correios,
bancos, hospitais e call centers).
No cenário internacional, o Brasil ocupa hoje uma posição de certo destaque no
uso de simulação. Claro que o volume continua sendo bem menor quando comparado
aos países do primeiro mundo, principalmente aos Estados Unidos.
Até o final dos anos 1980, ainda era raro o uso de simulação, restrito a institutos
de pesquisa (como, por exemplo, o Instituto de Pesquisas Tecnológicas de São Paulo,
IPT), ou a algumas poucas empresas (como a Petrobrás).
Nos anos 1990 chegaram ao Brasil os principais pacotes de simulação internacio-
nais, os quais permitiram maior agilidade na modelagem e popularizaram cada vez
mais esta tecnologia.
Alguns dos marcos importantes (no caso, sempre relacionados ao simulador
ProModel):
1997: Correios finalizam edital de investimento em plataforma de simulação.
1998: Petrobras (setor de pesquisa operacional) investe pela primeira vez na compra
de um software específico para simulação.
Prefácio à edição brasileira ix
1999: primeiro evento de simulação na América do Sul: Innovation 99 –1ª Confe-

rência Internacional de Simulação e Usuários Promodel.
2003: VALE promove grande licitação para simular suas operações de mina /
ferrovia / portos, e compra licenças do simulador.
2005: lançado o primeiro simulador com versão em português.
2010: lançado o primeiro portal acadêmico focado no assunto: <www.simulacao.net>.
Muitos desafios atuais de nosso país ainda podem (e devem!) ter um grande apoio
na simulação, tais como: melhoria dos portos e aeroportos; otimização do Supply
Chain; estudo de diferentes modais de transporte (além do rodoviário); melhoria na
qualidade dos serviços hospitalares, entre outros.
Eng. Alain de Norman et d’Audenhove

Sócio-fundador da BELGE Consultoria
www.belge.com.br
Instale o software de simulação
ProModel que você tem
direito na compra deste livro
Alguns capítulos deste livro são baseados em mídias virtuais. Ao comprá-lo, você tem
direito de acessar a Central de Download desse livro através do link:
www.simulacao.net/livro.php
Código de Acesso: ASD32
Lá você encontra disponível:

● Licença completa da versão Student do software de simulação “ProModel for
Windows”, versão em português – necessário para que você realize os exercícios
propostos neste livro
● Curso multimídia de utilização do software ‘ProModel for Windows’
● Software ‘Dia’ para mapeamento de processos, também utilizado em um capítulo
deste livro
Caso tenha alguma dúvida, entre em contato pelo e-mail suporte@simulacao.net,
ou pelo telefone (11) 5561-5353 (digite a opção de suporte técnico na mensagem de
atendimento).
xi
Capítulo 1
O que é Simulação?
Simulação é a experimentação de um sistema real através de modelos. A pos-
sibilidade de criar e simular fenômenos desejados permite conferir quão representativas
seriam as mudanças, colaborando, dessa forma, com a tomada de decisões. O início
da Simulação é incerto, mas é evidente sua importância e crescimento.
O CRESCIMENTO DA MODELAGEM
Ninguém tem certeza da data em que o primeiro modelo foi desenvolvido, mas o
princípio sobre o uso de representações simbólicas para melhor entender as interações
de várias partes de um sistema é provavelmente tão velho quanto o método científico.
O modelo coloca os componentes do sistema de uma forma tal que somos capazes
de compreender a realidade baseados em fenômenos conhecidos, e isso nos permite
realizar experimentos que nos ajudam a prever o comportamento do sistema real. Se
o modelo apresenta um desempenho dentro das expectativas, ficamos satisfeitos por
vermos confirmados o nosso entendimento sobre o sistema em estudo. Se o modelo
não se comporta como esperado, efetuamos mudanças, na esperança de desenvolver
um modelo que demonstrará que o nosso entendimento, agora melhorado, refletirá a
realidade.
O uso crescente de modelos é um bom indicador de que a ideia de sua construção
vem nos servindo bem. Hoje, quase todo estudo de mérito sério usa algum tipo de
modelo para ajudar a facilitar o entendimento. O mundo da empresa moderna certa-
mente não é uma exceção e o número de modelos projetados para explicar negócios
e princípios de Engenharia cresce diariamente.
No passado, os modelos quantitativos eram relativamente pequenos. Seus tamanhos
eram limitados pela habilidade e pela vontade dos pesquisadores em manusear um
volume de cálculo que expandiam geometricamente na medida em que o número de
elementos do modelo era incrementado. Se cada novo elemento causava impacto em
um número significativo de outros parâmetros do sistema, o potencial para cálculos
adicionais se tornava ingerenciável muito rapidamente. A reação em cadeia nuclear
estudada pelos participantes do governo norte-americano no Projeto Manhattan é um
exemplo conhecido e, certamente, não isolado.
Os pesquisadores foram rápidos em perceber as vantagens da modelagem de
computadores mais modernos. As novas máquinas não executavam apenas os cálculos
em uma fração do tempo demandado pelo homem, mas também resultavam em
modelos mais precisos e com menores custos de execução, já que os computadores
eram apropriados para gerenciar grandes volumes de interações.
1
2 Simulação de Sistemas
A capacidade do computador proporcionou significativos avanços em modelagem.

De início, a flexibilidade do software habilitou pesquisadores a construir modelos
mais complexos do que antes – e que de fato representavam o sistema e as suas
interações em estudo, ao contrário de utilizar abstrações muito simplificadas. Em
sequência, a habilidade do computador em manipular grandes volumes de dados com
velocidade e precisão incentivou a modelagem dinâmica, na qual milhares de eventos
são processados em uma pequena fração de tempo, se comparado ao tempo real. O
computador pode manter cada evento na sua sequência apropriada e considerar pre-
viamente interdependências identificadas, com muito mais eficácia. Além do mais,
modelos puderam ser desenvolvidos a partir de sistemas que aliavam complexidade e
dinamicidade. E assim, puderam ser avaliados em tempo muito curto.
SIMULAÇÃO É UMA FERRAMENTA PARA A TOMADA DE DECISÃO

Simulação é um processo de experimentação com um modelo detalhado de um
sistema real para determinar como o sistema responderá a mudanças em sua estrutura,
ambiente ou condições de contorno. Um sistema, para os nossos propósitos, pode
ser definido como uma combinação de elementos que interagem para cumprir um
objetivo específico (Blanchard e Fabrycky, 1981). Um grupo de máquinas – em que
cada uma desempenha alguma função na produção de uma peça – constituiria um sis-
tema de manufatura. Cada combinação de elementos compreende um subsistema de
um sistema maior. As instalações físicas de um hospital, seu corpo de enfermeiros,
pessoal administrativo e fisioterapeutas seriam um exemplo de um sistema de saúde
relativamente autônomo em um nível e, em um nível mais amplo, parte de um sistema
de saúde maior, como o de saúde municipal ou regional.
O construtor dos modelos de simulação nunca deve esquecer que esta é uma
ferramenta para solução de problemas. Se entendermos que um modelo bem cons-
truído irá nos ajudar a responder a questões importantes, a simulação poderá ser uma
técnica útil e poderosa. Com muita frequência, entretanto, o modelo em si torna-se o
objeto do estudo, superando a necessidade de respostas a questões importantes. Em
algumas situações, outros métodos podem propiciar respostas mais rápidas e com
custo mais baixo.
Dois dos mais importantes desafios enfrentados por um modelador são: 1) “Qual
deve ser o escopo do modelo?” e 2) “Que nível de detalhe deve ser considerado?”.
Para responder à primeira questão, simplesmente é essencial incluir aqueles fatores
que apresentem impacto significativo no comportamento do modelo, que devem estar
em consonância com o propósito da simulação. A resposta à segunda questão se apoia
no entendimento sobre o que não é simulação. Simulação não é uma ferramenta de
imitação do real com a qual o modelador se esforça em criar uma réplica exata do
sistema. Mesmo que se tenha um computador capaz de manipular todos os detalhes
que afetam cada elemento do sistema em estudo, o tempo e o custo exigidos para
construir o modelo não justificariam os resultados. Embora muitas vezes os novos
modeladores sejam vítimas da síndrome de “modelar as moscas do chão de fábrica”,
a isca de incluir muitos detalhes em um modelo é mordida com frequência até mesmo
pelos modeladores mais experientes. Avanços na tecnologia da simulação têm tornado
Capítulo | 1 O que é Simulação? 3
o uso de modelos mais aplicável às decisões de rotina, especialmente no projeto de sis-

temas de projeção de possíveis estados futuros baseados nos dados atuais. Entretanto,
existem ferramentas mais eficientes para o controle em nível de chão de fábrica.
A simulação apresenta excelente performance na avaliação de mudanças propostas
a um sistema existente ou no projeto de um novo sistema. Um modelo bem construído
poderá gerar estimativas do desempenho em termos de tempo de passagem, utilização
de recursos, dimensionamento de filas e tempos produtivos. Se provida da capacidade de
animação do modelo em tela de computador, a simulação pode também apresentar
uma representação gráfica, ilustrando o fluxo das peças, pessoas e outras entidades
do sistema.
Na sua forma mais pura, a simulação é uma ferramenta para avaliar ideias. Nesse
contexto, em que gerentes, engenheiros e outros responsáveis pela tomada de decisão
procuram formas de analisar o impacto de mudanças potencialmente positivas em
sistemas extremamente complexos, o estudo de simulação vêm se tornando cada vez
mais comuns.
AS FERRAMENTAS DA SIMULAÇÃO
É obvio que os modelos devam ser construídos em uma forma na qual os compu-
tadores possam entender. As primeiras simulações em computador foram escritas em
linguagens de programação de propósito geral, sendo a FORTRAN a mais comum.
Embora essas linguagens permitissem a modelagem em várias aplicações diferentes, o
tempo e as habilidades de programação necessários desencorajavam muitos modelado-
res em potencial. Linguagens de programação ainda são usadas em algumas aplicações,
com a tendência do uso de linguagens de última geração, tais como Pascal e C.
Um esforço para simplificar o processo de construção de modelos iniciou-se com
a introdução das linguagens de simulação. Introduzidas em 1960, essas linguagens
oferecem sentenças de programação especificamente projetadas para gerenciar a
lógica das filas e outros fenômenos comuns aos sistemas. O SIMSCRIPT e o GPSS
são exemplos de linguagens pioneiras desenvolvidas especificamente para simulação.
Embora estivessem em um nível acima das linguagens de programação de propósito
geral, em termos de facilidade de uso, essas linguagens ainda necessitavam de um
modelador com experiência em programação e com substancial dedicação de tempo
no caso de um grande modelo. O SIMAN e o SLAM são os mais recentes exemplos
de linguagens de simulação.
Na medida em que engenheiros, gerentes e outros tomadores de decisão começavam
a perceber o poder da simulação, concentrava-se o esforço para se ofertar ao mercado
pacotes de simulação ou simuladores projetados para facilitar a modelagem rápida
em um ambiente específico. Via de regra, esses pacotes proporcionam ao modelador
a opção de selecionar várias construções preestabelecidas para aplicações específicas,
ao contrário de descrever as aplicações com sentenças de programação. Um simulador
de manufatura deve possuir construções para filas, esteiras, empilhadeiras e gruas,
por exemplo. Embora as construções prescindam dos requerimentos de programação
impostos pelas linguagens de simulação, elas normalmente têm aplicação limitada,
se comparadas a outros tipos de sistemas, e podem não oferecer a habilidade de lidar

com lógicas complexas. Entretanto, para muitas aplicações comuns, a economia de
tempo proporcionada pela facilidade de uso é compensada pela perda de flexibilidade.
O SIMFACTORY e o XCELL são exemplos de simuladores de manufatura.
Um desenvolvimento subsequente em software de simulação foi o esforço de
integrar em um pacote único a flexibilidade das linguagens com a facilidade
de uso dos simuladores. Telas de entrada de dados orientadas por menu e construções
direcionadas a aplicações específicas proporcionaram a modelagem rápida. O uso de
sentenças lógicas similares às da programação, a capabilidade de atributos especiais
e a habilidade de importar subrotinas externas aumentaram a gama e a complexidade
de sistemas passíveis de modelagem, de tal forma que não é incomum encontrar
esses tipos de pacote fora do ambiente para o qual foram originalmente projetados. O
ProModel é um exemplo desse tipo de pacote, assim como o AutoMod e o WITNESS.
Um dos mais recentes avanços nas ferramentas de simulação foi a introdução
de simuladores projetados para aproveitar as vantagens do ambiente operacio-
nal Microsoft Windows. Esses “simuladores de quarta geração” apresentam a
vantagem de interfaces gráficas com o usuário, animação gráfica customizada,
transferências de dados entre aplicações e outras facilidades proporcionadas pelo
Windows. ProModel for Windows, MedModel e ServiceModel são exemplos
desse tipo de pacote. Embora ainda classificados como simuladores, esses novos
produtos incluem uma ampla variedade de construções preestabelecidas para
aplicações específicas e capacidade de programação assistida. Os produtores de
algumas linguagens tiveram uma abordagem similar ao optar por utilizar as suas
próprias interfaces gráficas e por criarem templates pré-definidos para aumentar
a velocidade de construção em certas aplicações.
As ferramentas de simulação atuais têm reduzido significativamente o esforço
necessário ao processo de construção de um modelo. Habilidades em programação de
computadores, embora benéficas, não são mais imprescindíveis. A simulação em produ-
tos projetados para PC eliminou os custos de operação incorridos em computadores de
grande porte, e as facilidades decorrentes da animação gráfica ajudaram no processo
de verificação de modelos. A comunicação entre fluxos e padrões dos sistemas e,
consequentemente, os resultados para tomadores de decisão têm se tornado mais fácil.
Qualquer pessoa determinada a se responsabilizar por um projeto de simulação deveria
dedicar atenção especial na seleção da ferramenta a ser utilizada. Embora o preço do
software de simulação possa ser maior em alguns pacotes que em outros, as diferenças
de custo serão normalmente menores se comparadas com o tempo dedicado ao projeto
pelo construtor do modelo e outros membros da equipe de projeto. Um pacote deve
ser de fácil compreensão ao modelador e deve ser bem ajustado à aplicação a que se
propõe. Outro importante fator a ser considerado é o hardware necessário para rodar
a simulação. Uma organização que usa computadores pessoais não pode querer levar
em consideração softwares que necessitem de estações de trabalho de engenharia,
por exemplo. Embora todos os pacotes ofereçam algum tipo de capacidade de saída
estatística, a possibilidade de acessar rapidamente informações relevantes será sempre
uma consideração importante.
Capítulo | 1 O que é Simulação? 5
É desejável que se tenha fácil acesso a informações estatísticas produzidas pelo

modelo de simulação. Entretanto, é também muito importante que os tomadores de
decisão saibam como utilizar corretamente as saídas estatísticas. Por muitos anos houve
um gap entre o nível de habilidade necessário para construir um modelo de simulação
e o nível de habilidade necessário para usar corretamente as saídas estatísticas de
um modelo. Felizmente, os mais avançados pacotes de modelagem e simulação vêm
oferecendo ferramentas amigáveis que ajudam os tomadores de decisão a processar e
apresentar as saídas dos modelos de simulação. O SimRunner e o AutoStat são exem-
plos desse tipo de ferramenta de apoio à decisão. Além disso, o SimRunner contém
técnicas sofisticadas que automaticamente procuram por uma linha de ação que irá
otimizar a performance do sistema simulado, incrementando significativamente, dessa
forma, a capacidade de resolução de problemas da simulação.
O crescente papel da simulação na resolução de problemas é inevitável e o número
de áreas de aplicação continua a se expandir. Grandes empresas de manufatura, quí-
mica, alimentos, sistemas de distribuição, transportes, serviços industriais, saúde e o
exército já estão usando modelos de simulação. A lista de outras aplicações potenciais
é quase sem fim. Infelizmente, a tecnologia da simulação avançou mais rápido que
a comunicação do seu valor como uma ferramenta para resolução de problemas. A
efetivação dos seus benefícios dependerá da eliminação de medos e incertezas daqueles
que não estão familiarizados com poder e a capacidade informativa da simulação.
Questões para revisão

1. Quais efeitos tiveram os avanços tecnológicos dos computadores pessoais na simu-
lação? Por quê?
2. Defina o que é simulação e explique seu potencial de uso na solução de problemas
complexos. Explique como a simulação pode melhorar seu conhecimento sobre um
sistema ao qual você está familiarizado.
3. O que é linguagem de simulação? Como ela difere de uma linguagem de programa-
ção tradicional? O que é um simulador? Quais as vantagens e desvantagens de um
simulador quando comparado a uma linguagem de programação?
4. Quais fatores podem inibir o uso de simuladores numa indústria? Como esses fatores
podem ser superados?
Capítulo 2
Por que simular?

Provavelmente você já se perguntou como seria aumentar um sistema fabril, ampliar
a frota de veículos de uma empresa ou trabalhar com mais clientes e fornecedores.
Com a simulação, é possível avaliar hipóteses sem ter que implementá-las.
A SIMULAÇÃO PODE ADICIONAR CRIATIVIDADE

AO PROCESSO DE RESOLUÇÃO DE PROBLEMAS
Muitas empresas possuem recursos disponíveis, os quais, quando corretamente
empregados, podem trazer significativa melhoria tanto em produtividade quanto em
qualidade. Com muita frequência, entretanto, o medo de falhar impede os funcionários
de oferecerem sugestões embasadas nos seus conhecimentos, ideias e criatividade. A
simulação é uma excelente ferramenta para superar esse preconceito. A possibilidade
de analisar uma nova proposta por um modelo de simulação permite testar o impacto
das sugestões. O uso dessa ferramenta, portanto, é importante para se vender a ideia de
mudanças aos tomadores de decisão, podendo incentivar uma atitude do tipo “vamos
experimentar para ver”.
A SIMULAÇÃO PODE PREVER RESULTADOS

“O gerenciamento de um sistema é uma ação baseada em previsão. A previsão
racional requer aprendizado e comparações sistemáticas das previsões dos resultados
de curto e longo prazo das alternativas de ação” (Deming, 1989). A simulação educa as
pessoas no que se refere ao modo como os sistemas operam e como estes respondem
às mudanças. Alternativas de ação podem ser prontamente testadas para se determinar
os efeitos no desempenho do sistema.
O teste é um pré-requisito natural para uma implementação. Embora a realização
de testes com o sistema real seja ideal, nem sempre isso é possível. O custo associado
à mudança de um sistema pode ser muito alto, tanto em termos do capital necessário
quanto em termos da perda resultante da interrupção da operação. Tentar sucessivas
mudanças no sistema existente é praticamente impossível. À medida que aumenta o
custo de uma solução proposta, aumenta proporcionalmente o custo da experimentação
física com variações. Suponhamos que uma nova e grande esteira transportadora esteja
sendo considerada como uma alternativa para o aumento da produtividade, através
da movimentação mais rápida dos produtos em uma fábrica. A instalação do equipa-
mento em caráter de teste provavelmente poderia não ser financeiramente viável e a
experimentação com configurações alternativas seria praticamente impossível. Nesse
caso, faria mais sentido a experimentação com um modelo representativo do sistema.
7
A maioria dos sistemas atuais são dinâmicos e estocásticos por natureza. Um

sistema dinâmico implica em ações com fatores de influência que mudam ao longo
do tempo. Um sistema de saúde, por exemplo, está sujeito a mudanças nas taxas de
chegada dos pacientes, disponibilidade de equipamentos e pessoal de apoio etc. O es-
tocástico sugere que essas mudanças podem variar indiscriminadamente. Encontrar
e testar melhorias potenciais para os problemas de sistemas dinâmicos e estocásticos
vai muitas vezes ao encontro de um dos três tipos de modelos: 1) modelos de opinião,
2) modelos matemáticos estáticos, ou 3) modelos de simulação.
Modelos de opinião são compostos basicamente de palpites. As crenças e ideias de
um indivíduo ou um grupo servem como representação do sistema. Em decorrência do
fato de que dados, pouco ou nada quantificáveis, são utilizados para avaliar alternativas,
este tipo de modelagem pode degenerar em um teste de egos em vez de soluções.
Modelos matemáticos estáticos delineiam aritmeticamente um sistema. As carac-
terísticas operacionais de um sistema são descritas em termos de equações numéricas
e os efeitos potenciais de uma alternativa são derivados de um simples cálculo de
equações. Para a maioria dos modelos, os valores variáveis usados são constantes
baseadas em médias. O comportamento e o desempenho do sistema são determina-
dos pela soma de efeitos individuais. Planilhas analíticas são exemplos de modelos
matemáticos estáticos.
Modelos de simulação são também matemáticos por natureza e empregam o uso
de equações numéricas para descrever as características operacionais do sistema. A
simulação difere de modelos estáticos porque é guiada pelos eventos. O evento é algo
que acontece em certo instante, como, por exemplo, a chegada de uma peça em uma
máquina. A ocorrência de um evento pode mudar o valor da variável utilizada no
cálculo. O comportamento e a performance do sistema são derivados da média das
respostas observadas em relação às ocorrências de uma grande quantidade de eventos.
A SIMULAÇÃO CONSIDERA AS VARIÂNCIAS DO SISTEMA

Nos sistemas do “mundo real”, muitas coisas não acontecem exatamente da mes-
ma forma a cada vez em que ocorrem. Mesmo na maioria dos processos altamente
automatizados, o impacto das paradas de máquina, quebras de transportadores e outras
situações indesejadas conjugam-se para criar um ambiente de incerteza. Na medida
em que o fator humano é inserido no sistema, é claro que a possibilidade de variação é
drasticamente potencializada. A simulação é a única dentre as ferramentas de decisão
capaz de lidar de maneira eficaz com essas variações e proporcionar estimativas das
influências destas sobre a performance do sistema.
Capítulo | 2 Por que simular? 9
Problemas que são inerentes a sistemas dinâmicos e estocásticos (aqueles que con-
têm eventos ocorrendo aleatoriamente), via de regra, se tornam mais difíceis de analisar
na medida em que a quantidade de variáveis estocásticas e de inter-relacionamentos
se multiplica (a Figura 2.1 ilustra essa correlação). Abstraindo-se a essência do pro-
blema e a sua estrutura fundamental, a dificuldade cresce na proporção do número de
variáveis adicionais. A possibilidade de se chegar a novas e importantes conclusões
sobre as relações de causa e efeito pode ser uma tarefa gratificante. Esses insights,
que podem ser obtidos a partir do uso da simulação, normalmente aumentam na razão
direta da quantidade de variáveis do sistema e da escalada da interdependência entre
os elementos do sistema.
FIGURA 2.1 Dificuldade de analisar o problema x quantidade de variáveis estocásticas.
Os benefícios advindos do uso de um modelo estão intimamente relacionados à sua

capacidade de imitação, que pode ser medida pelo grau de adequação das respostas
reais de um sistema existente ou hipotético com as respostas que o modelo fornece
quando é submetido aos mesmos estímulos experimentados ou esperados pelo sistema
em estudo. Modelos de simulação são imitadores dos sistemas dinâmicos e estocás-
ticos, geralmente muito superiores, quando comparados a modelos matemáticos es-
táticos ou a modelos de opinião.
A simulação pode levar em conta os efeitos da ocorrência de variâncias em um
sistema (a variância implica em que alguma coisa mudou de um incidente para ou-
tro). Os métodos analíticos convencionais, tais como modelos matemáticos estáticos,
não resolvem efetivamente esta questão porque a performance dos seus cálculos é
geralmente derivada de valores constantes baseados em médias. Uma taxa média de
produção de 400 peças por mês, um tempo médio entre falhas de 60 horas e um ciclo
médio de montagem de duas horas são exemplos típicos. Cálculos de desempenho
baseados somente nesses valores médios negligenciam o efeito dessas variâncias. Não
prestar atenção nesse fator pode levar a conclusões errôneas.
Modelos matemáticos estáticos desprezam o impacto dos processos estocásticos que
existem em quase todos os sistemas porque eles não incluem o papel do tempo quando da
análise do sistema. Quando algo ocorre, qual é o impacto em relação a outros incidentes?
E se uma máquina funcionar mal quando não houver um técnico para consertá-la? O fato
de uma máquina estar em um estado não produtivo durante 10% do seu tempo total de
operação, não considera as repercussões que podem ocorrer com relação ao momento em
que ela não está produzindo. As consequências de uma quebra são, obviamente, maiores
durante um pico de produção do que durante um período de relativa ociosidade.
Um índice de performance muito utilizado em muitos sistemas de manufatura é
fundamentado na taxa das horas efetivamente gastas em relação ao tempo-padrão
agregado. Em um sistema utópico essa taxa será sempre igual a um. Entretanto, essa
situação ideal raramente ou nunca ocorre. A performance apresenta flutuação ao longo
do tempo, subindo e descendo continuamente. Quando ela cai abaixo de um limite
especificado, são iniciadas análises para descobrir as causas da discrepância. Os pro-
blemas revelados são usualmente associados com a ocorrência de eventos aleatórios
(por exemplo, peças defeituosas, defeitos, quebras, mudanças de programação etc.).
Níveis de estoque em processo (work in process, WIP) são outro exemplo de critério
que pode ser fortemente influenciado por variâncias. Flutuações nos tempos de ciclo
das operações podem aumentar os níveis de WIP e prolongar o tempo de espera em
filas, tempo esse que não agrega valor ao produto.
A simulação pode ser muito eficaz ao se revelarem soluções que minimizem o im-
pacto das variâncias, se não ao eliminá-lo completamente. Ela apoia a investigação das
consequências da variação e promove o acesso a ocorrências de alterações aleatórias
em um sistema em relação a um objetivo. As características inter-relacionais e a in-
terdependência de pessoas, equipamentos, métodos e materiais podem ser examinadas
na medida em que elas evoluem ao longo do tempo.
Os profissionais que resolvem problemas não podem controlar a ocorrência de
eventos aleatórios. Entretanto, eles podem prever as consequências desses eventos
e a probabilidade deles ocorrerem. Com essa informação, podem concentrar es-
forços para maximizar a eficiência de um sistema 1) pela redução da probabilidade de
eventos aleatórios e 2) pela minimização do impacto deles proveniente. A simulação
proporciona, a quem resolve problemas, uma ferramenta para medir a efetividade das
soluções criadas por esses esforços.
A SIMULAÇÃO PROMOVE SOLUÇÕES TOTAIS

Muitas abordagens para a solução de problemas envolvem um esforço para analisar
situações através da divisão em subproblemas. Os subproblemas são frequentemente
categorizados de acordo com os departamentos organizacionais afins com cada assunto.
Assim, problemas de qualidade, problemas de processos e problemas de engenharia
são exemplos desses assuntos que cada respectivo departamento deve se dedicar a
resolver independentemente.
O processo de desenvolvimento de um modelo de simulação pode melhorar a solução
do problema de forma cooperativa, entre várias partes de uma organização com interesses
diversos. Quando executado apropriadamente, o processo de simulação traz consigo uma
ampla gama de conhecimento, informação e especialização de uma grande variedade
Capítulo | 2 Por que simular? 11
de fontes. Questões, problemas e preocupações são encaminhados de múltiplos pontos

de vista. Uma melhor compreensão do sistema como um todo é alcançada porque as
interdependências de todos os componentes são compartilhadas e entendidas por todas as
partes envolvidas que colaboram para as entradas do sistema. Pessoas são frequentemente
forçadas a reconsiderar crenças e palpites pessoais que podem ou não ser válidos.
Esse compartilhamento de informações entre diversos grupos é um importante
e necessário componente de todas as organizações competitivas. Um bom nível de
comunicação e cooperação entre as pessoas é essencial, se o ambiente favorece a
melhoria contínua da qualidade e da produtividade. A simulação pode promover
a comunicação ao permitir a todos os envolvidos a visualização dos resultados de seus
palpites e o impacto de suas decisões sobre o trabalho dos outros.
Os modeladores deveriam entender que a simulação sozinha não apresenta neces-
sariamente uma solução ótima para quem está resolvendo o problema. Os resultados
da simulação poderão sugerir, entretanto, áreas de investigação e possíveis soluções
para avaliação experimental adicional. Em vez de proporcionar uma “única e melhor”
solução, a simulação pode guiar o modelador a uma solução “total”, uma solução ou
séries de soluções que considerem a sinergia total do sistema. Quando se combina
simulação com técnicas avançadas de otimização, são descobertas soluções quase
ótimas ou, em muitos casos, ótimas. Um benefício extra obtido por essa abordagem é
que o otimizador identifica um conjunto compreensível de boas soluções, melhorando
significativamente a solução “total”.
Ao se utilizar a opção de otimização que alguns pacotes avançados de simulação
oferecem, o usuário deve definir quais mudanças no modelo são possíveis e qual a
faixa de valores que cada uma delas pode assumir. Por exemplo, as mudanças podem
incluir a quantidade de recursos disponíveis, a capacidade dos equipamentos, variáveis
e outras restrições do sistema. O otimizador avalia, então, as diferentes combinações
de mudanças no sentido de determinar qual delas vai maximizar ou minimizar alguma
função do objetivo. A possibilidade de os otimizadores reconfigurarem o sistema é
limitada, se as soluções potenciais envolverem alteração do fluxo do processo ou da
sequência de eventos.
A SIMULAÇÃO PODE SER FINANCEIRAMENTE VIÁVEL

A simulação vem se tornando cada vez mais viável financeiramente. A simulação basea-
da em PC vem conseguindo eliminar os altos custos de processamento em computador, e a
mais nova geração de softwares vem apresentando reduções consideráveis no tempo neces-
sário para a construção do modelo. O esforço para a obtenção de dados tem a mesma ordem
de grandeza que o requerido pelos modelos matemáticos estáticos ou por outras técnicas
analíticas. Na medida em que as organizações tentam responder rapidamente às mudanças
dos seus mercados, um modelo de simulação validado pode ser uma excelente ferramenta
para a avaliação de respostas rápidas. Ele contém ainda a estrutura básica para processar
informações em termos de critérios de desempenho do sistema. O tempo, o esforço e os
custos associados com o restabelecimento dessa estrutura não são incorridos novamente,
caso haja futuras reavaliações de alternativas.
A simulação vem provando também ser uma excelente ferramenta educacional.

Atuando como um vaso comunicante, ela cria experiência e permite ao empregado
visualizar rapidamente a operação como um todo e como o seu trabalho se insere
no panorama geral. As características operacionais de um sistema podem ser com-
preendidas mais rapidamente com um modelo de simulação do que com uma filosofia
de aprender à medida que se explora esse sistema. Da mesma forma que uma compa-
nhia aérea deve utilizar um simulador de voo para ajudar os pilotos a entenderem os
controles e os inter-relacionamentos de uma nova aeronave, os setores de serviços
e de manufatura podem empregar a simulação para demonstrar as interações de um
sistema dinâmico.
O tempo e o custo necessários para tornar as ideias compreendidas podem também
ser reduzidos pela simulação. O ditado “uma imagem fala mais que mil palavras” é um
bom exemplo para enfatizar a diferença existente entre a capacidade de comunicação
das análises estáticas e a simulação. Se o propósito é ajudar os tomadores de decisão
a absorverem informações em curto tempo, uma planilha cheia de números não pode
competir com a animação visual de figuras coloridas.
Um investimento em software de simulação e o comprometimento da engenharia ou
de recursos em uma pesquisa operacional para a construção de um modelo, geralmente
requer justificativa financeira. As economias obtidas e o faturamento gerado por me-
lhorias no processamento devem ser maiores que o custo para obtê-las. Na medida em
que a simulação vem se tornando uma ferramenta aceita e extremamente útil, mais
esforços vêm sendo concentrados para propiciar estimativas razoáveis dos custos e
benefícios envolvidos em um estudo de simulação.

1. Defina os termos dinâmico e estocástico.
2. Quais são as vantagens da simulação sobre os métodos matemáticos de análise es-
tática? Qual importante fator a análise estática não abrange?
3. Como a simulação pode proporcionar uma solução total? O que o modelador pode
fazer para facilitar esse tipo de solução?
4. A simulação pode causar desconforto àqueles que possuem muitos paradigmas em
relação ao sistema. Por quê?
5. Quais características podem fazer o custo da simulação praticável?
Capítulo 3
A Terminologia e o Funcionamento
da Simulação
A arte e a ciência da simulação têm um vocabulário singular de termos que ajudam
seus usuários a comunicar conceitos específicos. Embora não esteja totalmente com-
pleta, a lista que segue contém palavras-chave e conceitos que todo modelador deve
conhecer para entender o funcionamento da simulação.
SISTEMA E ESTADO DO SISTEMA

Um sistema, como definido anteriormente, é um conjunto organizado de entidades,
tais como pessoas, equipamentos, métodos e peças, que trabalham juntas em direção
a um objetivo específico. Um modelo de simulação caracteriza matematicamente um
sistema através da descrição de respostas que podem resultar da interação entre as
entidades.
O estado do sistema é um conjunto de variáveis estocásticas (podem mudar
aleatoriamente) e determinísticas (não influenciadas pela probabilidade), que contém
toda a informação necessária para descrever um sistema em determinado instante
(Smith, 1989).
MODELOS A EVENTOS DISCRETOS E CONTÍNUOS

Um evento discreto é uma ação instantânea que ocorre em um único momento. Um
avião aterrissando em um aeroporto, um caminhão chegando numa doca de entrega,
um cliente entrando em um banco e uma máquina terminando um ciclo são exemplos
de eventos discretos. A ocorrência desses eventos pode causar mudanças no estado
do sistema.
Na simulação de modelos a eventos discretos, o computador mantém um dis-
positivo temporal conhecido por “relógio de simulação” que avança à medida que
cada evento acontece num determinado instante. Se um evento representa o início
de uma atividade que será concluída no futuro, a simulação adicionará o tempo de
conclusão a uma lista de futuros eventos e avançará o clock para a próxima vez em
que o evento ocorrer.
Um evento contínuo é uma ação que não cessa. Ele continua ininterruptamente
em relação ao tempo. A temperatura da água em um lago subindo e caindo durante
um dia, o fluxo de óleo em um tanque e conversões químicas são exemplos simples.
13
Eventos contínuos envolvem uma taxa temporal de mudança, normalmente represen-

tadas por equações diferenciais.
A simulação contínua permite que variáveis do modelo mudem continuamente ao
longo do tempo, com a taxa de mudança definida e amarrada ao relógio de simulação.
Em decorrência do fato de que muitos processos contínuos podem sofrer aproximações
através da divisão de grandes lotes em elementos menores, os métodos de modelagem
a eventos discretos podem ser empregados em muitos (mas não em todos) estudos de
simulação de processos contínuos.
MODELOS DINÂMICOS E ESTÁTICOS

Um modelo estático é aquele que não é influenciado pelo tempo. Não há relógio
de simulação envolvido. Segundos, horas e dias não desempenham nenhum papel no
modelo. O estado do modelo não muda em relação ao tempo. Um modelo de simulação
que imita o jogo de um dado é um exemplo. A saída do modelo (1, 2, 3, 4, 5 ou 6) não
é afetada pelo tempo.
Um modelo dinâmico é uma representação que é influenciada pelo tempo. O es-
tado do modelo é decorrente de segundos, horas, dias e meses simulados no relógio
da simulação. A manufatura e muitos sistemas de serviços são geralmente modelados
usando a abordagem dinâmica. Níveis de fila, taxas de entrada e grau de utilização de
equipamentos são exemplos de variáveis dinâmicas.
MODELOS DE LOOP ABERTO E DE LOOP FECHADO

Uma simulação cujas saídas do sistema deixam-no sem proporcionar nenhuma
retroalimentação a este mesmo sistema é chamado de modelo de loop aberto. Se,
por outro lado, os resultados da operação do sistema são reenviados à simulação para
a modificação da operação subsequente, o modelo é do tipo loop fechado. A retro-
alimentação em um modelo de loop fechado pode causar impacto apenas nas pequenas
decisões de rotina, ou podem criar mudanças de lógica significativas na operação do
sistema como um todo.
SIMULAÇÕES STEADY-STATE E TERMINATING

Uma simulação steady-state implica que o sistema é independente das condições
de partida iniciais. A análise desses modelos é baseada nos dados de saída gerados
depois que as condições steady-state (após a entrada em regime) são alcançadas.
Depois de certo número de jogadas, a média cumulativa de múltiplos dados vai tender
a ser aproximadamente 3, 5. O ponto em que isso ocorre exemplifica uma condição
Capítulo | 3 A Terminologia e o Funcionamento da Simulação 15
steady-state. Este conceito é ilustrado no Figura 3.1, onde a média cumulativa de mil
jogadas de dados é mostrada. A condição de regime para o valor médio do jogo de
dados ocorre aproximadamente após 500 jogadas.
FIGURA 3.1 Média cumulativa de mil jogadas do dado.
Uma simulação terminating roda por um período predeterminado ou até que

um evento específico ocorra. Análises e conclusões são baseadas nos valores de
saída produzidos no ponto de parada. Os resultados de uma simulação terminating
são usualmente dependentes dos valores iniciais e das quantidades especificadas no
início da simulação. Por essa razão, as condições de partida em modelos terminating
devem refletir com precisão as circunstâncias de partida exibidas no mundo real do
sistema em estudo.
A decisão de se empregar uma simulação steady-state ou terminating é tomada
durante os estágios de planejamento preliminar do projeto de simulação. A escolha
depende do tipo de sistema que se modela. Uma planta que opera 24 horas por dia
será provavelmente analisada por uma simulação steady-state. Para outros tipos de
sistema isso pode não ser aplicável.
Muitos sistemas do mundo real podem nunca vir a entrar em regime. Consideremos
um sistema de armazenamento e entrega que consista de seis carrosséis de funciona-
mento independente. Os carrosséis contêm recipientes que armazenam peças de um
processo de produção. Cada carrossel está sujeito a requisições aleatórias para arma-
zenamento e entrega de peças durante o processo de produção. Todos os recipientes
retornam ao carrossel ao final de cada troca de produção, de tal forma que o carrossel
começa uma nova troca quando não houver nenhuma pendência de requisições.
Suponhamos que o objetivo do estudo de simulação seja a determinação do tempo

médio de espera e de requisições de pedido ocorridos num único turno de produção.
(Note que muitos sistemas, como bancos e fábricas, podem ser modelados e simulados
como sistemas não terminating se assumirmos que as condições finais de um dia ou
turno representa as condições iniciais do próximo dia ou do próximo turno). A condição
de entrada em regime para os tamanhos das filas de pedido pode não ocorrer durante
a duração desse turno. Dadas essas circunstâncias, uma simulação terminating seria
provavelmente a utilizada para analisar o sistema.
PERÍODO DE AQUECIMENTO
Um período de aquecimento é a quantidade de tempo que o modelo necessita rodar
para que sejam removidos os vestígios decorrentes da inicialização, antes que a coleta de
dados estatísticos seja iniciada. O tamanho do período depende do tipo do modelo em uso.
Períodos de aquecimento para simulações steady-state podem ser encontrados através
de experimentações com médias móveis e outras técnicas. Um modelo terminating pode
usar um período de aquecimento igual ao tempo requerido para que o modelo atinja um
estado do sistema equivalente às condições de partida pré-determinadas. Essas condições
de partida representam o estado inicial do sistema em estudo (por exemplo, a máquina
A começa a simulação com dez peças enfileiradas em frente a ela, a máquina B com
trinta, e assim por diante).
CICLOS E SEMENTES DE NÚMEROS ALEATÓRIOS

Num ciclo de números aleatórios, cada número subsequente é calculado a partir
de um valor preliminar. O número inicial é chamado de semente de número aleatório
e determina o ponto de partida do gerador de números aleatórios em seu algoritmo.
Números aleatórios com valores entre zero e um desempenham um importante papel
na extração de valores das distribuições de probabilidade usadas para gerar o compor-
tamento estocástico na simulação.
RODADA DO MODELO E REPLICAÇÕES INDEPENDENTES

DO MODELO
Uma rodada do modelo envolve operar a simulação por um período de tempo
especificado com um único conjunto de valores aleatórios. O tamanho da rodada
de simulação é a quantidade de tempo simulado durante a rodada de um modelo. Se
muito curta, uma rodada pode propiciar estatísticas tendenciosas, ao passo que, rodadas
demasiadamente longas desperdiçarão tempo computacional.
Para uma replicação independente do modelo (ou simplesmente “replicação”), faz-se
necessário operar o mesmo modelo pelo mesmo período de tempo, com um ou mais
valores diferentes de semente aleatória. Múltiplas replicações de modelo são essenciais
para a análise de resultados de simulações terminating e são também frequentemente
utilizadas em simulações steady-state. É vital que se reconheça o seguinte: os resultados
de uma única replicação de modelo de uma simulação estocástica são em si mesmos
estocásticos. O exemplo a seguir pode ajudar a ilustrar essa questão. Imagine um saco
contendo 100 bolas de pingue-pongue, cada uma marcada com um único número.
Suponha que alguém sorteie desse saco uma bola marcada com o número 35. Nós,
obviamente, não poderíamos concluir que todas as bolas no saco estivessem marcadas
com o número 35. Os resultados de uma replicação independente do modelo são re-
presentativos de uma única bola de pingue-pongue no saco.
OTIMIZAÇÃO DA SIMULAÇÃO
Em matemática, uma função é um processo através do qual um conjunto de entradas
se transforma em um conjunto correspondente de saídas. Poderia ser útil pensar
que uma função é uma “caixa-preta” em que entram variáveis de entrada e que
produz uma resposta de saída (o valor da função). O modelo de simulação pode ser
visto como uma caixa-preta contendo a lógica necessária para estimar a saída de um sis-
tema real. Otimização é o termo usado para se referir ao processo de se estabelecer valores
para as variáveis de entrada, de tal forma que estes produzam a saída mais desejada, ou
ótima, da caixa-preta. Os valores das variáveis de entrada que produzem a saída ótima
representam a solução ótima. A Figura 3.2 mostra o relacionamento do algoritmo de
simulação com o modelo de simulação.
FIGURA 3.2 Relação entre o algoritmo de otimização e o modelo de simulação.
Para facilitar o processo de otimização, uma função-objetivo é criada para avaliar

quantitativamente a performance do modelo de simulação. Por meio da combinação de
várias respostas de saída do modelo de simulação, uma função-objetivo é uma medição
única de quão bem o sistema funciona. Por exemplo, se um modelador desejasse uma
função-objetivo que incluísse uma medição de todas as entidades processadas e a
utilização dos recursos, este poderia medir o quão bem um determinado cenário de
simulação rodou medindo F, onde:
F = (total de entidades processadas) + (utilização do recurso)
Avaliando-se todas as combinações de diferentes valores de variáveis de entrada
e plotando-se os valores correspondentes da função-objetivo, pode-se criar uma
superfície de respostas do modelo de simulação para aquela função-objetivo. Nor-
malmente, a superfície de resposta se parece com uma região montanhosa com vários
picos e vales. No caso de um problema de maximização, o objetivo é encontrar
o pico mais alto. No caso de um problema de minimização, o objetivo é encontrar o

vale mais profundo.
A natureza estocástica da saída gerada por um modelo de simulação torna os
problemas de otimização da simulação de “muito difícil solução e extremamente
demorados” para serem “resolvidos de uma maneira otimizada”. Felizmente, existem
algoritmos que encontram soluções consideravelmente boas, ou quase ótimas, em
tempo razoável. Em muitos casos, esses algoritmos heurísticos localizam a melhor
solução; entretanto, não há garantia de que esta seja a ótima.
COMO A SIMULAÇÃO FUNCIONA

As quantificações são o componente mais importante da maioria dos estudos
analíticos. Pertencem à descrição do problema, do processo ou do sistema em
termos de medições. Variáveis matemáticas podem ser utilizadas para quantificar
as características de um sistema. Por exemplo, os elementos de um sistema muitas
vezes podem ser descritos em termos de variáveis quantificáveis. O tempo de ci-
clo de uma peça em uma determinada máquina pode ser representado por uma
variável chamada TCICLO. A variável TPEÇA pode representar o total de peças
produzidas em 2.000 horas de trabalho. Pode-se expressar matematicamente que
TPEÇA = 2.000/TCICLO.
As variáveis podem assumir qualquer valor específico ou uma gama de valores.
Esses valores podem mudar de acordo com um conjunto de regras ou instruções. Uma
instrução pode ser simples como: se TPEÇA é maior que 1.000, então uma variável
chamada EXCESSO é igual a TPEÇA menos 1.000. Em termos de instrução mate-
mática pode-se descrever como: se TPEÇA > 1.000, então EXCESSO = TPEÇA
- 1.000. Suponhamos que TPEÇA = 1.500. O valor de EXCESSO seria 500. Ele seria
calculado como EXCESSO = 1.500 - 1.000.
A simulação a eventos discretos é um processo repetitivo de um conjunto de ins-
truções que podem incluir elementos estocásticos ou determinísticos. As instruções
definem como os valores das variáveis podem mudar em relação às mudanças nas
condições. As condições mudam devido à ocorrência de eventos. O fato de uma peça
chegar a uma máquina ou uma peça deixar uma máquina pode ser considerado um
evento. A quebra de uma máquina é outro exemplo de evento. Assim que cada evento
ocorre, um consequente conjunto de ações (cálculos) é efetuado.
Um modelo de simulação de eventos dinâmicos (que mudam em relação ao tempo)
e discretos (em que as mudanças ocorrem em instantes distintos) efetua iterativamente
uma sequência de instruções parecidas com o que segue: 1) determina que tipo de
evento ocorrerá na sequência, 2) ajusta uma variável temporal de simulação num valor
igual ao tempo do evento em questão, 3) atualiza, onde necessário, todas as variáveis
estatísticas, 4) efetua ações (cálculos) associados ao evento atual, e 5) programa um
tempo para a próxima ocorrência daquele tipo de evento.
Atualmente é possível construir modelos com pouco ou nenhum conhecimen-
to da lógica e da codificação escrita normalmente associada à simulação. Ainda
assim, a aquisição de conhecimentos elementares sobre os princípios que governam

os fundamentos e os cálculos usados em simulação ainda traz benefícios aos seus
usuários, aos gerentes e participantes do projeto. Os resultados podem ser mal inter-
pretados quando as suas premissas não são bem compreendidas. Suponha que um
funcionário analise um problema e dê ao seu gerente uma folha de papel com as
soluções recomendadas. O gerente, provavelmente, será mais suscetível a aceitar a
solução se possuir um entendimento básico sobre as premissas das quais esta solução
derivou. O mesmo princípio se aplica às pessoas que estão envolvidas no projeto de
simulação e àqueles que serão afetados pelos resultados.
Uma razão frequentemente alegada para não se utilizar a simulação é a sua suposta
complexidade. Na verdade, isso é perfeitamente compreensível, pois é preciso: definir
o problema; coletar dados pertinentes ao problema; construir um modelo baseado
nos dados; analisar os resultados do modelo; buscar soluções; avaliar e selecionar
uma solução; e implementar a solução. A tarefa mais formidável da simulação está
normalmente associada a educar os outros sobre as metodologias e os benefícios da
técnica.
Consideremos um sistema simples que consiste de três elementos diferentes: 1)
peças, 2) uma máquina, e 3) um pulmão ou fila onde as peças podem ser acumuladas
antes de serem processadas pela máquina. Existem dois tipos de eventos: 1) uma
peça chega à fila e 2) a peça deixa a máquina. O tempo entre as chegadas de peça na
fila varia aleatoriamente: pode ser 1, 2, 3, 4, 5 ou 6 minutos com uma probabilidade
igual de ocorrência de cada um dos valores. As peças são processadas individual-
mente na máquina. O tempo de ciclo por peça da máquina também é aleatório: os
valores possíveis são novamente 1, 2, 3, 4, 5 ou 6 minutos, cada qual com a mesma
probabilidade.
Suponhamos que necessitemos estimar o número médio de peças armazenadas na
fila durante um dado período. Como você resolveria esse problema? Uma abordagem
poderia ser recriar fisicamente o cenário e manualmente registrar o tempo médio que
cada peça gasta na fila. Outra abordagem seria recriar a sequência de eventos ex-
perimentados no sistema por meio de um algoritmo matemático. O segundo método
seria provavelmente menos custoso que o primeiro.
Determinar a média do conteúdo da fila em longo prazo exigiria milhares de
cálculos repetitivos. Efetuar essas ações repetitivas manualmente não é econômico
em termos de tempo e custo. Felizmente, os computadores eliminaram esse pro-
blema. Embora no passado houvesse uma desvantagem relativa ao esforço necessário
para traduzir as ações ou instruções numa linguagem de computador, o processo de
tradução (código de escrita) tem sido substancialmente simplificado. Ademais, estão
disponíveis agora novas ferramentas de análise que ajudam a tirar maior proveito dos
resultados produzidos pelos modelos de simulação. Essas ferramentas de apoio à
decisão, presentes nos modelos de simulação, automatizam boa parte do entediante
processo de condução de experimentos do tipo “E SE”, uma vez que consolidam
as saídas da simulação de múltiplos experimentos em uma única tabela de dados,
facilitando a manipulação e a elaboração de relatórios.

1. Defina os termos sistema e estado de sistema.
2. Explique as diferenças entre simulação a eventos discretos e simulação contínua.
3. Quais as diferenças entre a simulação steady-state e a simulação terminating?
4. Quais fatores influenciam a construção de um modelo, seja ele steady-state ou
terminating?
5. O que é um período de aquecimento? Por que especificamos um período de
aquecimento?
6. O que é uma sequência de números aleatórios?
7. Defina os termos rodada e replicação associados à simulação.
8. Em relação a um sistema qualquer, quais são as possíveis funções-objetivas para
medir a performance deste?
9. Qual a diferença entre a solução ótima global e a solução ótima aproximada?
10. O que são métricas? Como as variáveis são utilizadas na simulação?
11. Durante a simulação a eventos discretos quais são as cinco diretrizes que devem
ser executadas seguidamente?
12. Por que os responsáveis pelas decisões devem compreender a simulação e a forma
como as soluções são geradas? De que maneira essa compreensão pode ser útil?
13. Qual a importância de se utilizar ferramentas de suporte às decisões durante a fase
experimental de um projeto de simulação?
Capítulo 4
Uma introdução
ao software ProModel
Bons resultados não dependem apenas dos dados de entrada, mas também de um
software que processe bem as informações, tornando-as factíveis para o sistema. O
ProModel, além de possuir uma interface amigável e ser de fácil utilização, se encaixa
em todos esses quesitos.
UM HISTÓRICO DO PROMODEL
Por oferecerem a conveniência de um ambiente de simulação direcionado por menus
e não necessitarem de programação, os primeiros simuladores se tornaram populares
para aplicações que não requeriam muito trato com lógica complexa. Assim que foram
adicionadas essas facilidades que favoreciam a flexibilidade das linguagens de simulação
de propósito geral, alguns simuladores permitiram que mesmo sistemas relativamente
complexos fossem modelados rapidamente. O ProModelPC, introduzido em 1988, estava
sintonizado com a tendência em direção a simuladores que fossem fáceis de usar. A definição
do modelo estava usando a terminologia e a lógica familiar à maioria dos engenheiros e
gerentes de produção. A velocidade com que esses simuladores mais avançados podiam ser
compreendidos tornou-os, também, populares nas salas de aula, especialmente em cursos nos
quais a simulação era apenas uma das técnicas de pesquisa ensinadas. Embora direcionado
para sistemas de manufatura (daí PROduction MODELer), a flexibilidade do ProModelPC
também o levou à sua adoção em disciplinas distantes do mundo da manufatura, mais
notadamente no sistema de saúde e em outras empresas de serviços.
A adoção generalizada do Microsoft Windows nos computadores pessoais, no início
dos anos 1990, levou ao desenvolvimento de softwares projetados para utilizarem a
capacidade de compartilhamento de gráficos e informações desse flexível e moderno
ambiente operacional. O ProModel para Windows pode compartilhar muitas das caracterís-
ticas do ProModelPC (construído em DOS) com a mesma orientação de modelagem.
Entretanto, ele se utilizava de convenções do Windows (como clicar e arrastar) para reduzir
sensivelmente o tempo necessário para se construir modelos, usando interfaces em DOS.
O MedModel e o ServiceModel são também aplicações baseadas em Windows e foram
criadas para ir ao encontro das necessidades específicas do sistema de saúde e outras em-
presas de prestação de serviços que, no passado, usavam linguagens de propósito geral.
Embora o ProModel (for Windows), o MedModel e o ServiceModel mantenham muitas
das características populares do ProModelPC, as diferenças poderão ser prontamente per-
cebidas por alguém que tenha usado o software anteriormente. Embora as versões anterio-
res do ProModel for Windows não contenham algumas das mais avançadas f erramentas
21
para manuseio de material do ProModelPC, tudo foi incorporado na versão 3.0, em

conjunto com muitas outras ferramentas. Uma descrição mais detalhada do ambiente de
modelagem do ProModel, do MedModel e do ServiceModel será fornecida mais adiante.
Assim que o software de simulação se tornou de uso mais fácil, as tendências no mundo
dos negócios incentivaram o crescimento da popularidade da simulação. O conceito da
melhoria contínua e a Gestão da Qualidade Total (TQM) tornaram-se paradigmas populares
para a concentração de esforços no sentido de se apoiar a evolução contínua dos métodos
de gerenciamento e da qualidade dos produtos. A simulação propicia um meio conveniente
para se testar as melhorias potenciais antes da implementação. A popularidade do conceito de
Michael Hammer e James Champy a respeito de “reengenharia” contribuiu, provavelmente
em grande escala, para a crescente popularidade da simulação, bem como para avanços
na interface do software. A reengenharia exige uma revisão radical da maneira como as
organizações desempenham seus negócios. Métodos vigentes, fronteiras departamentais e
outras tradições existentes são expostos à atenção dos negócios, não só com o objetivo de
simplificar radicalmente a manufatura dos produtos, como também a provisão dos serviços,
incluindo transações internas como contas a pagar, preenchimento dos pedidos e proces-
samento de informações. O objetivo é obter um processo enxuto que irá gerar produtividade
e redução de custos em uma dimensão maior que as pequenas melhorias incrementais
buscadas no passado. Entretanto, mudanças desse tipo incorporam certos riscos e muitos
gerentes optaram por testar as propostas previamente, utilizando a simulação.
Depois que os simuladores facilitaram a construção de modelos, o próximo passo
foi tornar mais fácil a correta condução de experimentos com modelos. Isso foi feito
em 1996, com a suíte de Otimização ProModel (Promodel Otimization Suite). O
SimRunner, um elemento-chave nesse pacote, é uma ferramenta de apoio à tomada
de decisão que ajuda os usuários a projetar experimentos estatisticamente válidos. O
SimRunner também automatiza o processo tedioso de busca por soluções ótimas e
consolida a saída da simulação de múltiplos experimentos em uma única tabela de
dados de fácil manipulação e interpretação. O SimRunner proporciona esse apoio para
os usuários do ProModel, do MedModel, ou do ServiceModel, além de facilitar o teste
de soluções propostas e a busca por melhores soluções.
É claro que a simulação não é a única maneira de testar mudanças propostas. A
possibilidade de se incluir variações, interdependências e mudanças dinâmicas é ainda
contrabalançada por algum tempo extra, necessário para a construção de um modelo.
Muitos gerentes gostariam de ter a vantagem da simulação, mas falta tempo ou pes-
soal. Essa necessidade tem sido tradicionalmente suprida por fluxogramas, planilhas
ou outras formas de análise. Essas técnicas abandonam parte da precisão de simulação
do mundo real em troca de respostas numa base de tempo aceitável.
UMA VISÃO GERAL DO PROMODEL,

DO SERVICEMODEL E DO MEDMODEL
O ProModel, o ServiceModel e o MedModel são verdadeiros produtos para Win-
dows, aproveitando todas as vantagens do popular ambiente operacional da Microsoft.
Além do mais, eles oferecem todos os benefícios associados a outras aplicações
Capítulo | 4 Uma introdução ao software ProModel 23
projetadas para rodar nessa plataforma. Multitarefas, recortes e colagens entre as

aplicações, acionadores periféricos de construção e operação com um clique do mouse
são apenas poucas das facilidades disponíveis.
O material que segue descreve as facilidades de modelagem proporcionadas e os termos
utilizados no ProModel, ServiceModel e MedModel. Embora esses pacotes sejam muito
parecidos, a diferença reside nos ícones gráficos propiciados e em algumas facilidades
direcionadas para apoiar a aplicação da simulação a indústrias específicas. O suporte
técnico oferecido por esses pacotes é também diferenciado; desse modo, os profissionais
da área médica, ao usarem o MedModel, por exemplo, podem discutir as suas neces-
sidades de aplicação com especialistas experientes em modelagem de hospitais e clínicas.
As características únicas de cada pacote são abordadas com maior cobertura de detalhes nas
respectivas documentações e manuais. Uma vez que a mecânica de construção do modelo
é muito parecida para todos os três, eles serão discutidos em conjunto.
Em geral, a terminologia utilizada nos primeiros simuladores era orientada para
a manufatura. Qualquer entidade se movendo através de um sistema, por exemplo, é
uma “peça” no ProModelPC, independente dela representar uma peça manufaturada
em uma linha de montagem, ou um paciente em uma sala de emergência. O ProModel,
o ServiceModel e o MedModel usam uma abordagem geral com termos genéricos
tais como “entidade” e “recurso”. Os últimos três pacotes também proporcionam
mais flexibilidade por meio de uma ampla variedade de construções para representar
elementos lógicos comuns, e, ao mesmo tempo, permitem uma transição fácil para a
lógica de programação, se necessário. Esses pacotes de simulação também garantem
flexibilidade na determinação dos dados de saída desejados de um modelo. O maior
inconveniente para essa flexibilidade adicional proporcionada para Windows, en-
tretanto, é a necessidade de um processador mais poderoso e de mais memória do que
a necessária para software baseado em DOS.
A animação gráfica desempenha papel fundamental na construção de modelos
com esses pacotes, e os modelos gráficos são definidos à medida que o modelo é
criado. Clicar com o mouse no ícone desejado pode ajudar a definir locais, recursos ou
entidades, por exemplo. O mouse pode também ser empregado para definir sequências
de rotas, para mostrar caminhos entre os locais e para construir a lógica de operação.
Compatível com a orientação gráfica, uma janela de layout está geralmente disponível
durante o processo de construção do modelo para facilitar a definição gráfica do sis-
tema e para proporcionar uma referência visual.
O ProModel, o ServiceModel e o MedModel compartilham um mesmo construtor
de modelo, estruturado e projetado para se mover sequencialmente através de uma
série de módulos usados para definir um modelo completo. Entretanto, o uso dessas
facilidades não é necessário, e a maioria dos usuários rapidamente se move sem grandes
dificuldades entre os módulos. Cada um dos pacotes emprega um verificador de erros de
construção para determinar quando a construção do modelo está incompleta ou inconsis-
tente. Telas de entrada oferecem ajuda online sensível ao contexto, com dicas formatadas
e explicações simples. Uma facilidade é o tutorial online que demonstra muitas técnicas
específicas. O nível de detalhe proporcionado nos relatórios de saída, tanto gráfico como
tabulado, é também definido à medida que o modelo é construído.
Os modelos são definidos pelos módulos necessários contidos no menu de cons-

trução (menu construir). Esses módulos consistem de tabelas de edição e caixas de
diálogo usadas para estruturar os parâmetros necessários ao modelo. Embora todas as
informações subsequentes possam fazer parte do modelo, apenas os cinco primeiros
elementos são obrigatórios.
Informações Gerais
Ajustes default para unidades de tempo e de distância são designados em Informa-
ção Geral, assim como a biblioteca de ícones gráficos para propósitos de animação.
Muitas bibliotecas contendo ícones gráficos estão disponíveis, mas novos arquivos
contendo outros ícones ou combinações específicas de ícones existentes também
podem ser usados. Esse módulo também permite notas explicativas para detalhar os
objetivos do estudo, a data de revisão, parâmetros específicos de cenário e outros
detalhes relevantes. A lógica formadora a ser executada no início ou no final da rodada
de simulação também pode ser incluída.
Locais
Pontos fixos através dos quais as entidades se movem são definidos como Locais.
Estes pontos podem estar em qualquer lugar onde uma entidade é processada. Eles
podem ser também áreas para enfileiramento, locais de armazenamento ou esteiras.
Uma fresa ou um torno poderiam ser definidos como Locais em um modelo orientado
para a produção; uma mesa de operação em um centro cirúrgico poderia ser um Local
num estudo de hospital. A capacidade, definida como a quantidade de entidades que
podem estar presentes em um Local ao mesmo tempo, deve ser especificada. A quanti-
dade de Locais similares, ou unidades, também são aqui definidas. O tempo de parada
downtime deve ser especificado para cada Local, de acordo com a quantidade de ciclos
de operação efetuados ou por períodos de tempo, tempo de uso ou setup necessário.
A regra de enfileiramento a ser empregada também é especificada. O acompanhamento
estatístico das atividades em cada Local pode ser especificado ou omitido. As figuras usadas
para representar os Locais podem ser aumentadas ou diminuídas e posicionadas na tela de
layout. Elas podem também ser editadas para mostrar informações adicionais tais como
o nome do Local, contadores e medidores de nível. Filas e esteiras podem também ser
aqui definidas com seus comprimentos, velocidades e outras características. Observações
(notes), mesmo as explicativas a outras pessoas, ou lembretes ao construtor do modelo
sobre as considerações utilizadas, podem também ser incluídas.
Entidades
Entidades são itens processados através do sistema. Eles podem representar peças,
pessoas, documentos de trabalho ou tudo o mais que requer recursos do sistema. Cada
entidade pode possuir diversos ícones gráficos para representá-la em diferentes es-
tágios de processamento ou em vários pontos do sistema. Se uma entidade é autotrans-
portável ou vai ser tratada como tal no modelo, a velocidade de movimentação deve
ser também definida. Embora a modelagem de clientes, pacientes ou outras entidades

humanas seja a utilização mais comum desta ferramenta, as peças em um ambiente
de manufatura podem também ser modeladas como entidades autotransportáveis em
alguns casos. Os níveis de saída estatística dos relatórios para cada tipo de entidade
podem ser também selecionados neste módulo.
Processamento
A lógica de processamento define as operações efetuadas e o roteamento de cada
tipo de entidade em cada Local no sistema. O processamento é definido para cada tipo
de entidade em cada Local, onde esta sofre alguma ação ou simplesmente aguarda
o acesso a um Local subsequente. As sentenças de operação podem considerar os
tempos, incluindo as distribuições de tempo, e qualquer quantidade de passos lógicos,
tais como, juntar peças ou capturar recursos. As informações de roteamento indicarão
normalmente o nome da entidade quando esta deixa determinado Local e o Local de
destino, para o qual a entidade se dirigirá. Pode-se definir também uma lógica que irá
escolher qual será o próximo Local. Os tempos e os recursos necessários para a movi-
mentação entre dois Locais, assim como outra lógica relacionada com o movimento,
também podem ser incluídos.
Chegadas
A introdução de entidades no sistema é especificada em Chegadas. Uma chegada
num Local é especificada como sendo uma quantidade ou tamanho do lote para cada
tipo de entidade. A quantidade de chegadas programadas deve ser definida, mas ela
pode ser infinita (isso é, as chegadas continuam à medida que o modelo roda). O tempo
entre chegadas é especificado como o inverso da frequência. Tanto o intervalo de
tempo entre chegadas como a quantidade de chegadas podem ser definidos por uma
distribuição de probabilidade. Chegadas cíclicas, tais como a variação na quantidade de
clientes que entram num banco em cada período do dia, podem ser definidas utilizando
um ciclo de chegadas. Sentenças lógicas podem ser também disparadas por chegadas.
As chegadas podem ser habilitadas ou desabilitadas conforme a necessidade, para testar
combinações de programações. Outra prática comum na avaliação de programações
é ler as chegadas diretamente de uma planilha externa.
Recursos
Um recurso, como definido no ProModel, MedModel ou ServiceModel, é uma
pessoa, um equipamento ou um transportador necessário para efetuar uma ação,
mas não é um Local, como descrito anteriormente. Em muitos casos um recurso
será compartilhado por vários Locais e deverá se mover por uma rede de caminho
predeterminada. Em outros casos, um recurso poderá ser estático. Cada recurso deve
ser único ou fazer parte de um grupo de recursos similares. O tempo de parada pode ser
atribuído a recursos baseado no tempo ou no uso. Níveis variáveis de acompanhamento
estatístico podem ser aplicados às atividades. Ícones gráficos diferenciados podem
ser especificados para representar os recursos assim que estes mudem de estado, por
exemplo, quando um recurso passar de ocupado para ocioso, ou quando se mover
em direções diferentes. O submódulo Especificações permite que sejam definidos:
velocidades de movimentação, tempo para pegar as entidades e detalhes do percurso.
Redes de Caminho
Os caminhos de Local a Local são definidos em Redes de Caminho. Entidades
autotransportáveis, tais como pacientes de hospital, podem seguir esses caminhos por
si próprias se especificada no processo. Recursos que devem se mover entre Locais
também seguem caminhos designados neste módulo, carregando ou transportando
entidades. Várias entidades ou recursos podem compartilhar uma mesma rede. O
transporte pode ser definido em termos de tempo ou pela inclusão de parâmetros de
velocidade e distância. Os caminhos devem permitir que os recursos ultrapassem uns
aos outros ou se mantenham em filas. Redes de caminho especiais são utilizadas para
definir operação de gruas e pontes rolantes.
Turnos
Recursos e Locais podem ser alçados a programações de turnos de trabalho es-
pecíficas. As horas de trabalho são definidas graficamente e eventuais paradas durante
o turno também são especificadas. O uso de turnos necessita que data e hora sejam
especificadas para o início do período de aquecimento, início do acompanhamento
estatístico e término da rodada de simulação.
Imagens de Fundo
A fim de criar um modelo mais rico em informações ou simplesmente para dar
mais graça à animação, o especialista em simulação pode querer definir desenhos
de fundo para enfatizar certas estatísticas. O módulo Imagens de Fundo permite que
isso seja conseguido por meio de um editor gráfico. Ele também propicia que desenhos
sejam importados em vários formatos diferentes. Essa ferramenta é normalmente usada
quando as propostas para um processo novo e reconfigurado são projetadas sobre um
desenho da planta (CAD).
Dependendo da profundidade em que o extenso menu Construir é acessado, os
seguintes módulos opcionais podem ser encontrados abaixo de Mais Elementos.
Variáveis
Uma variável pode ser definida pelo construtor do modelo como sendo um con-
tador, uma chave lógica, um dispositivo de acompanhamento ou algo para qualquer
propósito adicional. O modelo pode executar passos lógicos baseados no valor atual
de uma variável ou uma variável pode ser empregada simplesmente para explicitar
uma informação numa tela de animação. As variáveis podem ser definidas com valores
reais ou inteiros e podem ser usadas em uma variedade de cálculos a ser executados
no modelo.
Atributos
Um atributo é muito similar a uma variável, mas é relacionado a uma única entidade
ou Local específico. Qualquer coisa que possa fazer com que o sistema trate uma
entidade ou Local distintamente, em relação a outras unidades similares, deve ser
definida como um atributo. Exemplos disso podem ser o tipo de doença associada a
um paciente em um hospital ou um tratamento superficial especial necessário a certas
peças. Algumas pessoas preferem visualizar os atributos como um rótulo anexo à
entidade com uma informação específica. Os atributos também podem ser utilizados
para capturar uma informação à medida que a entidade se move pelo modelo. Um
atributo pode ser usado para anotar quanto tempo uma entidade gasta no sistema ou
quantas vezes uma entidade foi retrabalhada. Atributos de Locais são informações
específicas que podem ser acessadas pelas entidades nos Locais.
Matriz
Uma Matriz é um conjunto tabulado de valores que pode ser referenciada como uma
ferramenta que economiza tempo na construção do modelo. Cada elemento é essencial-
mente uma variável que pode ser selecionada pelo modelo de acordo com parâmetros
predefinidos. O tempo de processamento de uma peça, por exemplo, pode ter o valor
localizado na linha da matriz referente à peça, e na coluna designada para uma operação
específica. Os números podem ser atribuídos com valores inteiros ou reais.
Macros
A entrada de valores de expressões numéricas repetitivas pode ser simplificada
pela utilização de Macros. Cada macro tem um nome que pode ser usado como
referência, não havendo a necessidade de redigitar a expressão inteira. Por exemplo,
uma macro chamada “pi” pode substituir a digitação do valor toda vez em que este é
usado no modelo. Macros podem também ser utilizadas para parâmetros específicos
que serão modificados usando a Interface Run Time, a ser descrita com mais detalhes
mais adiante.
Sub-rotinas
Blocos de códigos computacionais projetados para executar funções especiais ou ativar
alguma lógica podem ser chamados sub-rotinas. Expressões numéricas ou dados podem
ser passados à sub-rotina para avaliação, e a sub-rotina pode também devolver valores ao
modelo para uso posterior. Sub-rotinas são incluídas na lógica do modelo ao defini-las, e
depois simplesmente podemos chamá-las em qualquer campo lógico válido. As sub-rotinas
ativadas podem ser criadas para funcionar independentemente de outra lógica.
Ciclos de Chegada
Quando as entidades não chegam a uma taxa constante durante a simulação, ciclos
de chegada são definidos para mostrar a quantidade ou a percentagem que deve ser
atribuída a um período de tempo. Por exemplo, em um balcão de passagens de uma

companhia de aviação podemos encontrar que 40% dos passageiros aparecem entre as 6
e as 9 horas, que outros 30% necessitam de atendimento entre as 14 e as 18 horas, que
apenas 10% viajam durante a noite e que o restante está distribuído ao longo do dia.
Funções de Tabela
O modelo pode transferir valores independentes a uma tabela que retorna um valor
dependente correspondente, de acordo com algumas relações definidas pelo construtor
do modelo. Essa característica é útil, por exemplo, se o tempo que um paciente gasta
com um fisioterapeuta é uma função de um único fator, tal como a doença que gera a
visita. A interpolação linear é utilizada para encontrar valores dependentes apropriados
se os valores independentes transferidos para a tabela caem entre aqueles definidos
pelo construtor do modelo.
Distribuições do usuário
Embora a maioria dos pacotes de simulação permita ao construtor do modelo es-
pecificar muitas formas diferentes de distribuições estatísticas para representar dados
estocásticos, é também possível que dados empíricos não sejam bem representados por
algum tipo comum de distribuição fornecido. Nestes casos, uma distribuição definida
pelo usuário pode ser criada de tal forma que reflita precisamente os dados reais. Estas
distribuições podem também ser contínuas ou discretas.
Arquivos Externos
Os dados podem ser lidos em um modelo de simulação a partir de arquivos ex-
ternos. O modelo pode também fornecer informações para um arquivo. Tais arquivos
podem conter informações sobre chegadas de entidades, tempos de operação ou sub-
-rotinas externas.
Ciclos
Um ciclo é uma série independente de números aleatórios entre 0 e 1, usada para
determinar o valor selecionado a cada hora em que a simulação é colocada em teste.
Cada stream (até 100) tem um único valor da semente que o origina. O uso de um
valor específico de semente garantirá que o mesmo conjunto de valores aleatórios será
gerado a cada momento em que o modelo for rodado. Embora múltiplas replicações
possam ser efetuadas variando-se os valores de semente em diferentes rodadas do
modelo (uma função que o software de simulação executa automaticamente), alguns
métodos para comparar resultados de saída requerem que a mesma série de números
aleatórios seja designada para cada par de rodadas “antes e depois”.
As ferramentas fornecidas por vários pacotes podem mudar com o passar do
tempo, de tal forma que o modelador preocupado com os requisitos de um projeto em
particular deva contatar a PROMODEL Corporation.
CARACTERÍSTICAS ESPECIAIS
Fusão e Submodelos
Na medida do possível, os grandes projetos de simulação são frequentemente subdi-
vididos em partes menores, mais fáceis de gerenciar. Um projeto de modelagem de um
hospital, por exemplo, deveria ser abordado pela modelagem parcial das salas de cirurgias,
da farmácia, da unidade de emergência e de outros setores como segmentos separados.
A capacidade de fusão permite que dois ou mais desses modelos independentes sejam
combinados em um único grande modelo. Em algumas simulações, uma planta pode
consistir de vários módulos ou células que são muito similares. Cada célula deve ser tratada
como um submodelo e mesclada, quantas vezes forem necessárias, em um modelo maior
da planta para criar uma série de operações paralelas. As diferenças substanciais entre os
processos ou linhas podem ser estabelecidas após a fusão dos processos.
Pacotes de Modelos
O menu Arquivo proporciona uma opção que permite que modelos completos
sejam empacotados de tal forma que possam ser utilizados por qualquer pessoa além
do modelador. Este processo associa todos os arquivos relacionados com o modelo, tais
como fundos com mapas ou layouts (bitmap background), arquivos de turnos, biblio-
teca gráfica e planilhas de chegadas externas, em um arquivo que pode ser facilmente
instalado em outro computador. Consultores normalmente usam esta propriedade para
fornecer um modelo demonstrativo (run-time) aos seus clientes. Estudantes podem
também criar um pacote de modelo para entregar aos seus instrutores.
Editor Gráfico
Ícones utilizados para representar Locais, entidades e recursos podem ser inseri-
dos ou deletados no Editor Gráfico. Este módulo proporciona uma gama de formas
originais e um grande leque de cores que podem ser usados para criar e editar ícones.
Além da possibilidade de se copiar ícones de uma biblioteca de gráficos de modelo para
outra, também é possível importar gráficos criados em outros pacotes para desenho.
Detalhes a respeito dos tipos de formatos gráficos que podem ser importados estão
disponíveis no Manual do Usuário.
Construção de Expressão
Argumentos lógicos e de operação podem ser construídos usando-se sentenças
prontas ou o construtor de expressão projetado para assegurar que o argumento conte-
nha as informações necessárias para implementar a ação desejada. Todas as sentenças
lógicas possíveis podem ser acessadas através desta ferramenta. Uma vez que a lógica
está completa ela pode também ser compilada em caráter de teste para verificar a
sintaxe correta. Construtores de modelos iniciantes acharão esta ferramenta útil, e
mesmo os modeladores mais experientes perceberão a sua utilidade quando tiverem
que se utilizar de lógica de uso pouco frequente.
Adequação de Curva
Dados estocásticos são mais usualmente incluídos nos modelos de simulação sob a
forma de distribuições de probabilidade. O uso e a seleção da distribuição apropriada
para representar dados empíricos são abordados com mais detalhes nos Capítulos 6 e
7. Algumas versões do software ProModel incluem um pacote chamado Stat::Fit, que
analisa os dados existentes empregando técnicas estatísticas usuais a fim de determinar
qual a distribuição que fornece a melhor representação dos dados possível. Ele também
proporciona os parâmetros relevantes para a distribuição especificada, tal como a média
para uma distribuição exponencial, ou a média e o desvio-padrão para a curva normal.
Interface de Demonstração
Para se efetuar experimentos com um modelo de simulação, normalmente é neces-
sário variar alguns parâmetros construídos no modelo. Por exemplo, objetivando-se
encontrar o uso mais eficiente de uma linha de produção, pode-se necessitar que
o analista mude a quantidade de trabalhadores disponíveis. Embora tais mudanças
sejam de fácil execução, elas podem se tornar um pouco trabalhosas se tivermos que
testar muitas combinações possíveis. O MedModel, o ProModel e o ServiceModel
permitem o uso de macros para facilitar a rápida reconfiguração do modelo. Esta
ferramenta permite combinações de mudanças a serem rodadas uma de cada vez, mas
múltiplos cenários podem ser também processados sequencialmente, cada um com
uma quantidade específica de replicações, se necessário.
UMA VISÃO GERAL DA SUÍTE DE OTIMIZAÇÃO PROMODEL

No caso de o modelo de simulação ter sido construído para prever o desempenho
de um sistema simples ou mesmo para identificar a melhor maneira de configurar
este sistema, o SimRunner torna essa tarefa mais fácil e ajuda a assegurar que a saída
do sistema seja estatisticamente válida. O SimRunner oferece suporte à fase de ex-
perimentação no projeto de simulação através da extensão das utilidades da Simulação
por cenários. Por exemplo, a Simulação por cenários facilita a rodada de experimentos
independentes na medida em que responde a questões como: “Quantos atendentes
eu preciso no balcão de atendimento para manter o tempo médio em que os clientes
esperam na fila em menos de três minutos?”. Para responder a questão, a Simulação
por cenários poderia ser utilizada para, rapidamente, rodar múltiplas simulações com
uma quantidade diferente de atendentes simulados em cada rodada. Estudando a saída
gerada a partir dessas rodadas, o usuário poderia determinar a quantidade mínima de
atendentes necessários para manter o tempo médio em que os clientes esperam em
menos de três minutos.
Entretanto, para modelos mais complexos, com múltiplos parâmetros de interesse, é
normalmente difícil determinar os valores de cada parâmetro que irão produzir a saída
mais desejável do modelo. Isso porque alguns parâmetros normalmente influenciam
mais a saída e porque há, normalmente, um alto grau de interação entre os parâme-
tros. Esse é o motivo pelo qual o SimRunner se justifica. O SimRunner constrói os
experimentos ao rodar, automaticamente, um projeto fatorial de experimentos e/ou

algoritmos de otimização para determinar como os parâmetros influenciam a saída
produzida pelo modelo de simulação e para procurar por valores ótimos para os
parâmetros (soluções). Para conduzir um projeto, o usuário abastece o SimRunner
com um modelo de análise, identifica a faixa de valores possíveis para cada parâmetro
de interesse e define uma função-objetivo (usando a saída do modelo) por meio da
qual deve medir a utilidade da solução.
O SimRunner é projetado para proporcionar aos usuários três estágios de apoio
à tomada de decisão durante a fase de experimentação de um projeto de simulação.
Cada estágio pode ser utilizado independentemente, entretanto, para a maioria dos
projetos, é aconselhável utilizar todos os estágios. A seguir, temos uma descrição do
processo de três estágios.
O primeiro estágio, pré-análise, ajuda a melhorar a confiabilidade dos resulta-
dos de saída (estimativas pontuais) do modelo de simulação. Usando o balcão de
atendimento como exemplo, o SimRunner poderia ajudar o usuário a determinar a
quantidade de replicações necessárias para ser 95% confiável no caso da estimativa
pontual, para que o tempo médio de espera dos clientes na fila não variasse além
de meio minuto da média. Adicionalmente, para análises de sistemas em regime, o
SimRunner utiliza a técnica gráfica Welch para ajudar os usuários a identificar o tempo
que o modelo leva para entrar em regime (período de aquecimento) e para identificar
a duração apropriada para a rodada. Mais informações estão disponíveis no Capítulo
8, que aborda as técnicas utilizadas pelo SimRunner.
O estágio dois, DOE (design of experiments), é um projeto fatorial de experimentos
que ajuda o usuário a determinar se a mudança de um dado parâmetro interfere na
saída do modelo de simulação e indica a importância dos efeitos. Essas informações
podem ser usadas para identificar quais parâmetros têm influência significativa na
saída do modelo, bem como o nível de interação existente entre os parâmetros. Esse
tipo de conhecimento pode ajudar o usuário a identificar bons valores para cada
parâmetro e a entender melhor o comportamento dinâmico do modelo de simulação.
Embora não seja necessário rodar o estágio dois (projeto de experimentos) antes do
estágio três (otimização da simulação), a eficiência do processo de otimização seria
melhorada se aqueles parâmetros, conhecidos por não afetarem significativamente a
saída do modelo de simulação, forem desconsiderados. Para mais informações
a respeito de experimentações, veja o Capítulo 5.
O estágio três, Otimização da Simulação, é uma otimização multivariável que
testa diferentes combinações de valores para os parâmetros de entrada, a fim de
encontrar a combinação que fornece o melhor valor da função-objetivo. Em alguns
modelos, a quantidade de combinações possíveis será maior que a capacidade de o
analista testá-las em uma quantidade de tempo razoável. Entretanto, é necessária uma
estratégia eficiente para encontrar a melhor combinação sem a avaliação de todas as
combinações possíveis. O SimRunner encontra a solução ótima usando uma das mais
avançadas técnicas de pesquisa disponíveis. O Capítulo 8 contém uma introdução
à otimização da simulação e algumas técnicas utilizadas no módulo de otimização
do SimRunner.

1. O que se entende por capacidade? Como isto se diferencia de unidades?
2. Qual a diferença entre um local e um recurso?
3. O que se entende por fusão de modelos? Como podemos utilizar essa capacidade
na construção de grandes modelos?
4. O que é um submodelo e quando é desejável utilizá-lo?
5. Liste alguma das possíveis aplicações para as variáveis definidas pelo usuário.
6. O que é um atributo? Como podemos utilizá-lo num modelo?
7. Pense em um sistema de manufatura ou de serviços. Quais elementos poderiam ser
definidos como locais? Quais seriam as entidades do sistema? Existiriam elementos
que pudessem ser definidos como recursos? Quais processos seriam executados em
cada local? Como você poderia descrever a chegada de entidades no sistema?
Capítulo 5
O Projeto da Simulação
A maioria de nós acharia inconcebível construir uma casa sem uma planta ou es-
crever um livro sem um rascunho. O profissional ou o engenheiro, ao começar um
estudo de simulação de qualquer importância, também deve compreender que, de
fato, construir a estrutura do modelo no computador é apenas uma parte do esforço
de proporcionar uma ferramenta útil para a tomada de decisão. Embora cada estudo de
simulação seja único, a maioria vai exigir o cumprimento de cada passo descrito a
seguir. A Figura 5.1 ilustra as interrelações entre esses passos (adaptado de Banks e
Carson, 1984). Veja também Balci (1990).
FIGURA 5.1 Interrelação entre os passos da simulação.
33
A DEFINIÇÃO DO PROBLEMA E O ESTABELECIMENTO

DE OBJETIVOS
Mesmo os mais exaustivos estudos serão desvalorizados se não visarem a uma
necessidade real. Geralmente, o modelo mais eficiente é aquele que considera
apenas as partes do sistema que necessitam ser estudadas para que proporcionem
respostas a um problema potencial ou existente. Embora todo bom modelador
de simulação deva atentar para preparar um modelo que possa ser expandido
facilmente para incluir outras partes do sistema que venham a merecer um estudo
futuro, a inclusão desnecessária de detalhes irrelevantes resultará em altos custos
de modelagem, tempos de resposta mais longos e rodadas de computador mais
lentas.
Obter uma definição precisa e concisa do problema a ser estudado pode ser mais
difícil do que parece. Normalmente, o modelador não é a única pessoa com interesse
nos resultados do estudo. Engenheiros, gerentes, o pessoal operacional e outros podem
ter seus próprios interesses e expectativas diferentes com relação às informações do
modelo. Um esforço para obter um acordo comum sobre a natureza do estudo e o seu
escopo resultará, normalmente, em um melhor apoio daqueles que devem fornecer
dados e outros tipos de assistência.
Os objetivos de um estudo de simulação fluirão naturalmente a partir da de-
finição do problema, uma vez que o propósito de se executar, mais adiante, uma
experimentação com o modelo será sempre resolver o problema. Embora a avaliação
de certos métodos para a melhoria sejam, com certeza, uma parte válida dos objeti-
vos de um estudo, estes não deveriam ser estreitamente estabelecidos, de maneira
a impedir o exame de novas alternativas sugeridas pelos resultados iniciais do es-
forço de modelagem. A maioria dos estudos de simulação se beneficiará, também,
dos objetivos de tempos e dos marcos do projeto. Uma vez que o modelador terá,
normalmente, outras responsabilidades, prazos para o cumprimento de fases do
projeto e para a entrega de resultados preliminares são essenciais para garantir que
o processo de construção do modelo receba certo grau de prioridade. Um estudo
de simulação que caminha indefinidamente, enquanto não produz resultados úteis,
correrá o risco de perder o comprometimento com o gerenciamento e, quase com
absoluta certeza, resultará em prolongamento do tempo de construção do modelo,
na medida em que o modelador repetidamente estará preocupado de forma cons-
tante em se concentrar no projeto.
Algumas organizações podem solicitar a preparação de uma justificativa financeira
para o estudo de simulação. Embora os benefícios potenciais de um projeto possam
ser de difícil qualificação antecipada, a maioria dos tomadores de decisão desejará,
pelo menos, uma projeção preliminar dos benefícios resultantes dos investimentos
em software de simulação, recursos de engenharia e/ou honorários de consultoria. A
crescente popularidade da simulação faz com que haja maior atenção ao processo de
justificativa. O Analisador de Benefícios da Simulação é um exemplo dos esforços
recentes nessa área. Veja o Apêndice A para uma discussão mais detalhada das jus-
tificativas financeiras.
Capítulo | 5 O Projeto da Simulação 35
FORMULAÇÃO E PLANEJAMENTO DO MODELO

Uma vez que o problema a ser estudado e os objetivos da simulação tenham sido
determinados, o modelador poderá desenvolver uma estrutura conceitual para o mo-
delo. Ela deverá incluir, via de regra, eventos e elementos fundamentais. A utilização
de desenhos de layout ou croquis do sistema a ser estudado proporcionará diversas
vantagens: esses desenhos podem ser usados para refletir a visão do nível geral de
detalhes requerido pelo modelo e servir como constante referência; as representações
gráficas podem ser usadas para garantir a coleta sistemática dos dados pertinentes a
cada local ou recurso; os fluxos e as interações podem ser adicionados para auxiliar
o entendimento do sistema; e um desenho de layout agregará imenso valor para a
determinação dos padrões dos movimentos de pessoas e recursos em qualquer percurso
de sistemas de transportes que deva ser incluído.
A exatidão dos dados utilizados no modelo deve influenciar sobremaneira os
resultados obtidos. Um plano inicial deve identificar os dados necessários, fontes de in-
formação (se existir) e os meios para obtê-los (se já não estiverem disponíveis). O foco
principal deve ser a coleta dessas condições e fatos que deverão servir de suporte para
os objetivos do estudo. Um modelador experiente deve orientar os outros participantes
do estudo, ajudando-os a entender qual informação é relevante e qual dado deve ser
relevado. Um esforço para criar uma réplica ou a emulação do sistema é normalmente
fútil e frustrante para o modelador. O melhor caminho é simplesmente incrementar o
nível de detalhe somente quando absolutamente necessário para o alcance dos objetivos
do estudo. Sofisticação técnica é muito menos importante do que elucidar a relação
existente entre o modelo e o propósito para o qual ele foi construído (Figura 5.1).
A COLETA DE DADOS
Algumas organizações possuem informações muito detalhadas de alguns aspectos
da sua operação, tais como, frequência de parada de máquinas ou tempo de serviço
em um determinado posto de trabalho, e, ainda, informações muito superficiais sobre
outras áreas. Se dados insuficientes ou incompletos estão disponíveis, o modelador
deve também: 1) conseguir assistência adicional daqueles mais familiarizados com o
sistema, 2) reunir informações por si próprio, ou 3) estar determinado a acreditar e se
apoiar em alguns pressupostos na construção do modelo. Se um pressuposto é usado
na ausência de um dado mais firme, a boa prática de modelagem estabelece que uma
análise de sensibilidade deve ser realizada mais tarde, através da modificação dos
valores assumidos para determinar a importância dos seus efeitos na performance
do sistema. Tal análise deve indicar que a busca de informações mais detalhadas não
contribui significativamente para a mudança dos resultados do sistema.
A ênfase inicial deve ser dada na coleta de fatos fundamentais, informações e es-
tatísticas que algumas vezes se referem a “dados macro”. Quase nunca preocupado com
particularidades, o propósito de um dado macro é lançar as bases para a determinação
dos parâmetros de entrada do modelo e selecionar com acurácia aqueles que vão neces-
sitar de uma coleta de dados micro mais detalhada futuramente. Isso vai permitir ao
modelador solicitar informações detalhadas de outros participantes que devem começar

reunindo dados que serão necessários em estágios posteriores do projeto.
A coleta de dados é um processo contínuo. Na medida em que o estudo de simula-
ção progride, os dados macro serão incorporados ao modelo, e a coleta de micro dados
receberá atenção crescente. Em muitos casos, o construtor de modelos pode continuar
a receber dados revisados e, provavelmente, mais precisos. A capacidade de inclusão
de novas e melhores informações é uma das vantagens da simulação e a maioria dos
modeladores desejará criar modelos com a flexibilidade necessária para incorporar o
dado mais preciso disponível.
Um desafio especial de coleta de dados é encontrado pelo modelador que desenvol-
ve a representação de um sistema que ainda não existe. Nesse caso, a observação direta
e a coleta de estatísticas de performance não são possíveis. Embora as especificações
de fornecedores de equipamentos e de outros vendedores possam ser usadas, isso não
deveria ser a única fonte de informações. Dados de sistemas similares e existentes
podem ser úteis desde que não se tratem de processos ou tecnologias radicalmente
novos. Especialistas da área podem ser uma fonte de dados de valor, embora se deva
analisar criticamente as tendências de pessoas que estejam intimamente envolvidas
com qualquer disciplina.
Embora todo projeto de simulação seja beneficiado pela abundância de dados
precisos, essa situação ideal é raramente encontrada na prática. A coleta de dados,
bem como outras partes de esforço no projeto, exige tanto tempo como dinheiro.
Uma das decisões mais difíceis em qualquer projeto é determinar o ponto em que um
incremento na coleta de dados não propiciará melhoria de significativa grandeza. Uma
interação com o cliente ou outro beneficiário do estudo é essencial na determinação
desse limite.
DESENVOLVIMENTO DO MODELO
O modelo normalmente iniciará como uma abstração conceitual do sistema, com
crescentes níveis de detalhes adicionados enquanto o modelo se desenvolve. O modelo
conceitual se tornará um modelo lógico à medida que o processamento de eventos e os
relacionamentos entre os eventos estejam definidos. Assim que o desenvolvimento ou
“codificação” do modelo computadorizado real se inicia, o modelador deve ser capaz
de pensar abstratamente em conceitos correlatos de sistemas do mundo real para que
haja congruência entre a estrutura do modelo e a ferramenta de modelagem em uso.
A construção do modelo pode acontecer concomitante à coleta de dados. O fato de
incluírem-se as entradas de outros participantes interessados nesse momento ajuda a
assegurar o apoio de fontes potenciais para dados que serão úteis no futuro.
O software ProModel usa uma abordagem modular que se apresenta ao modelador
em um formato que permitirá a ele obter vantagens ao se utilizar de construções
predefinidas, projetadas para agilizar o processo. Entretanto, mesmo com essa útil
abordagem, dois modeladores diferentes abordarão um modelo complexo de maneiras
diferentes. Embora a experiência com uma grande variedade de aplicações ajude o
construtor de modelos iniciante a desenvolver um repertório de abordagens que evite
problemas potenciais, algumas pessoas preferirão se especializar em áreas tais como

manuseio e armazenamento de materiais ou em aplicações industriais específicas.
A importância de interação regular com usuários finais do modelo durante o proces-
so de desenvolvimento não pode ser subestimada. Trabalhar com o cliente na definição
de detalhes ajudará a garantir que o modelo permaneça verdadeiro para a intenção do
projeto e comece a desenvolver a credibilidade essencial para futuras implementações
ou melhorias sugeridas. Duas das mais importantes questões no estabelecimento da
credibilidade são a verificação e a validação.
A VERIFICAÇÃO
É dito que um modelo está pronto para ser verificado quando ele funciona da
maneira como o modelador pretendia. A verificação do modelo pode ser efetuada
rodando-se a simulação e monitorando-se de perto a sua operação. A maioria dos
modelos complexos vai necessitar de pelo menos uma depuração para assegurar que
eles reflitam de maneira acurada a intenção do modelador. Conseguir gerar o tipo de
informações de saída que vá ao encontro dos objetivos do estudo é, obviamente, uma
importante indicação da veracidade do modelo.
Várias ferramentas podem ser úteis no processo de verificação e depuração de um
modelo. A animação pode ser estudada em velocidade suficientemente baixa para a
análise do movimento das peças, clientes e outras entidades no sistema. Embora útil,
a animação não deve ser usada como o único meio de verificação. Variáveis e outros
contadores podem ser apresentados na tela da animação ou monitorados por meio de
plotagem para assegurar que as variáveis estejam antecipadamente respondendo ao
modelador. Outro passo valioso de verificação é conseguir que outro modelador ex-
periente analise a estrutura do modelo. As saídas do modelo de simulação podem ser
também comparadas com as previsões de outros modelos analíticos, se disponíveis.
Em alguns casos, o desempenho do modelo pode ser testado com uma variedade de
diferentes cenários para determinar se a resposta ocorre como prevista.
Uma ferramenta indispensável de verificação é uma opção de rastreamento, uma
característica que permite ao modelador caminhar pelo modelo, evento a evento. Os
pacotes ProModel permitem que as informações de rastreamento sejam transferidas a
arquivos externos. Uma vez que os arquivos de rastreamento podem conter um registro
de cada transação do sistema, atenção especial deve ser dispensada à determinação
sobre o que analisar. O uso extensivo dessa característica pode consumir tanto o tempo
do modelador como a memória de computador.
A VALIDAÇÃO
A validação é o processo de se assegurar que o modelo reflete a operação do sis-
tema real em estudo de tal forma que dê encaminhamento ao problema definido. Testar
a validação deve ser um esforço cooperativo, em equipe formada pelo modelador,
potenciais usuários e outras pessoas familiarizadas com a operação real do sistema. O
modelador geralmente conduzirá uma navegação estruturada pelo sistema na qual ele
fará a exposição do modelo e a forma como ele se relaciona com o sistema existente.
Complementando a abordagem de explicação geral do sistema adotada, o modelador
deve expor a importância e os possíveis impactos das suposições incorporadas ao
modelo. Ele deve então receber a retroalimentação referente à validade dos pres-
supostos por parte daqueles mais familiarizados com o sistema. A animação pode ser
também utilizada como ferramenta de validação, embora, em geral, somente depois
que o modelador tenha feito a verificação.
Um método de teste envolve o uso de mudanças nos dados de entrada para deter-
minar se o modelo responde da mesma forma que o modelo real. Incrementando ou
decrementando o valor de um parâmetro de entrada e comparando o impacto com as
respostas conhecidas do sistema, a credibilidade de um modelo pode ser estabelecida.
Muito cuidado deve ser tomado para garantir que apenas os parâmetros de entrada
sob avaliação serão alterados; outras entradas (como sementes de números aleatórios)
devem permanecer as mesmas. Os resultados desse tipo de teste servirão também como
uma análise de sensibilidade para identificar os tipos de informação que merecem
esforço adicional de conjunção de dados.
Outra abordagem útil é permitir que os especialistas no sistema possam discernir o
significado das diferenças existentes entre o sistema real em estudo e o modelo. Forne-
cemos aos especialistas no sistema e demais profissionais experientes envolvidos cópias
dos resultados do sistema real e do modelo simulado. Ambos na mesma formatação, sem
revelarmos qual é qual. Os especialistas tentam então distinguir entre os dois, avaliando se
observam diferenças significativas entre ambos. Outra técnica de validação estabelece o uso
de dados de entrada históricos, como uma programação da produção, para pilotar o modelo.
As saídas do modelo são então comparadas com as saídas históricas para se determinar se
a “predição” das saídas históricas do modelo são suficientemente acuradas.
Em muitas situações, o modelador se verá diante de situações nas quais o sistema
objetiva propósitos de comparação. Podem-se usar estimativas para os novos sistemas,
partindo de sistemas mais familiares, assim como de informações dos fornecedores de
equipamentos comprados quando estes forem adotados pela primeira vez no sistema.
É interessante notar que muitos fornecedores de sistemas integrados estão atualmente
desenvolvendo simulações de suas soluções propostas e, em alguns casos, os modelos
podem ser utilizados pelos compradores do novo equipamento.
EXPERIMENTAÇÃO
O ideal é que o construtor do modelo e demais envolvidos no projeto tenham
pelo menos algumas ideias preliminares acerca de alternativas de soluções a serem
avaliadas. Antes de avaliar cada uma com o modelo, o especialista em simulação irá
determinar a extensão necessária de tempo a ser simulado e o tempo para se atingir o
estado de regime (quando aplicado), visando obter resultados aceitáveis.
O modelador irá então considerar a variação dos resultados de saída e determinar
o número de replicações necessárias para obter uma amostragem estatística confiável.
Uma simulação muito longa, replicações em excesso ou um tempo muito longo de
aquecimento pode aumentar tanto o tempo necessário quanto o custo do estudo,
enquanto acrescenta pouco aos resultados. Erros no sentido contrário irão conduzir a
resultados distorcidos ou não confiáveis. Por exemplo: simular um dia numa fábrica
de aviões, quando se requer vários meses para construir um avião, irá gerar resultados
não significativos. Por outro lado, a simulação de uma semana de uma fábrica de
componentes eletrônicos que tem o tempo de ciclo na faixa de segundos seria um
desperdício de recursos humanos e computacionais.
Projeto Experimental é o desenvolvimento de procedimentos e testes para analisar
e comparar alternativas. Seu propósito é maximizar a utilidade da informação produzida
pelas rodadas da simulação, enquanto minimiza o esforço. Sem este plano, pode ser difícil
realizar comparações equitativas entre soluções candidatas. Experimentos que envolvem
elementos aleatórios podem ser projetados de forma a garantir que cada alternativa testada
está sujeita à mesma aleatoriedade, através do uso de conjuntos de números aleatórios
comuns. Uma sequência idêntica de eventos pode ser recriada para cada experimento, e
técnicas de redução da variação podem então ser aplicadas para testar os resultados a fim
de salientar os contrastes entre as alternativas. Numerosas soluções candidatas podem ser
estatisticamente analisadas para avaliar seu desempenho ao critério selecionado.
Cada nova configuração experimental deve considerar uma breve revisão para
validação, a fim de assegurar que o modelo poderá prover resultados confiáveis. Se
uma alternativa não foi vislumbrada quando o modelo foi construído, deve-se assegurar
que o modelo seja válido para o novo arranjo.
ANÁLISE DOS RESULTADOS E APRESENTAÇÃO

Cada configuração do modelo e seus resultados de saída associados devem ser
bem documentados. Além de facilitar relatos eventuais, o armazenamento cuidadoso
dos registros irá auxiliar o modelador a determinar não apenas que alternativa atinge
o melhor resultado, como também permitirá observar tendências que podem sugerir
alternativas adicionais a serem consideradas. Em certos casos, podem ser necessárias
replicações adicionais para se determinar a significação estatística de uma melhoria
observada.
Idealmente, o modelador irá elaborar uma lista das alternativas modeladas, com os
fundamentos assumidos e resultados obtidos. Apesar de pacotes de simulação gerar
uma fartura de estatísticas em formato tabular, gráficos que mostrem resultados do
sistema mais agilmente são mais efetivos para apresentações.
Infelizmente, alguns modeladores ficam tão entretidos na construção do modelo
e na avaliação de diferentes alternativas que acabam esquecendo que o propósito do
exercício era responder a questões do mundo real ou solucionar um problema. Além de
permitir ao construtor do modelo o uso de animação, gráficos de resultados e relatórios
que documentem bem suas ideias, a simulação pode se tornar uma ferramenta extrema-
mente poderosa, para uma excelente exposição a tomadores de decisão de alto nível.
Se as soluções potenciais identificadas por um estudo de simulação exigirem um
capital significativo para sua implementação, o que normalmente ocorre, uma jus-
tificativa detalhada, mostrando seus custos e benefícios, irá aprimorar a utilidade do
relatório do projeto de simulação. Uma crítica comum à simulação e a muitas outras
técnicas analíticas, no passado, era de que estas não consideravam os desdobramentos

financeiros de suas recomendações. Atualmente, dá-se maior ênfase ao trabalho
com o pessoal operacional e financeiro a fim de se obterem estimativas confiáveis,
desenvolvimento este que acarreta numa maior utilidade da simulação e numa im-
plementação mais frequente das recomendações do estudo. O Capítulo 10 trata do uso
das perspectivas financeiras com maior detalhe.
IMPLEMENTAÇÃO
A implementação começa, na verdade, com o início do projeto de simulação.
A extensão na qual as recomendações do estudo são colocadas em prática depende
amplamente da efetividade de cada uma das etapas anteriores. Se o usuário final,
cujo trabalho será impactado, e outras partes interessadas mantiveram-se informadas
e ativamente envolvidas na condução do processo, eles estarão muito mais propensos
a auxiliar na implementação da solução selecionada.
É importante o estabelecimento de uma programação para o projeto. É raro bons
projetos de simulação simplesmente desaparecerem. Eles são normalmente adiciona-
dos, adaptados ou fundidos em modelos maiores para continuar sua utilidade num novo
formato. O modelador deve fazer todo o esforço para assegurar que a documentação
das premissas e a lógica no modelo continuem corretos. Um relatório post-mortem (pre-
sumidamente dependendo da qualidade do modelo) raramente é feito na prática, mas
pode gerar algumas ideias efetivas no planejamento do próximo projeto de simulação.

1. Uma descrição concisa do problema e o estudo dos objetivos serão úteis ao mode-
lador de muitas maneiras. Quais obstáculos podem ser evitados através de uma boa
definição do problema e de uma lista de objetivos?
2. Quais as vantagens de se desenvolver uma estrutura conceitual para o modelo ao
mesmo tempo em que os dados são preparados?
3. Como podemos tornar mais maneável o desenvolvimento de um modelo complexo
e amplo?
4. Como você pode determinar quais partes de um projeto de simulação merecem es-
forços adicionais de coleta de dados?
5. Qual a diferença entre verificação e consolidação de um modelo? Quais técnicas
estão disponíveis para cada um?
6. Quais fatores você consideraria para decidir o período de tempo de simulação para
um dado sistema?
7. Para cada um de seus patrões, atuais ou recentes, descreva como você faria uma
sugestão (investida) para um estudo de simulação. Em que aplicações a simulação
seria útil? Como você apresentaria a ideia? Quem você envolveria no seu estudo de
modelagem? Por quê?
Capítulo 6
Compreendendo Distribuições
de Probabilidade
Para um projeto de simulação, é necessário uma base de dados que se encaixe ao
sistema real. Algumas informações não podem ser simplificadas como um simples
parâmetro, necessitando uma distribuição matemática.
DISTRIBUIÇÕES DE PROBABILIDADE E SIMULAÇÃO

Uma distribuição de probabilidade é um conjunto de valores ou medidas que
relaciona a frequência relativa com a qual um evento ocorre ou que virá a ocorrer.
Modelos de simulação estocástica utilizam distribuições de probabilidade. Exemplos
clássicos em manufatura são tempo entre falhas de um equipamento e tempo neces-
sário para reparo. Tempo entre chegadas de clientes em um sistema, ocorrências de
defeitos e tempo associado a uma nova e indefinida tarefa são outros exemplos. Em
geral, qualquer processo que produz saídas repetidamente, que varia a cada iteração,
pode ser representado por uma distribuição de probabilidade.
CRIANDO UMA DISTRIBUIÇÃO DE PROBABILIDADE

O primeiro passo para criar uma distribuição de probabilidade é obter dados
empíricos. Dados empíricos são informações registradas, sendo contagens ou medidas,
coletadas no seu formato original. Os dados na Tabela 6.1 são um exemplo de conjunto
de dados originais e representam cem observações de tempo entre chegadas de pacotes
recebidos em uma posição.
O segundo passo envolve criar um histograma de frequências relativas dos
dados. Consegue-se isso agrupando os dados em intervalos de classe. O número
de intervalos usualmente varia entre cinco e vinte dependendo do número de dados
coletados. Com menos dados, menor é o número de intervalos necessários. A Tabe-
la 6.2 apresenta dez intervalos de classe selecionados para os dados da Tabela 6.1.
O campo de frequências representa a quantidade de dados que pertencem a cada
respectivo intervalo. A frequência relativa ou probabilidade é calculada dividindo-se
a frequência pelo número total de dados. Simplesmente relaciona-se a porcentagem
41
TABELA 6.1 Amostra de tempos entre chegadas de pacotes em uma posição

de entrega (em minutos)
Observações de tempos entre chegadas [min]

1 17 29 2 22 1 22 1 4 32
20 5 8 6 10 3 1 11 13 2
15 8 1 23 29 9 34 17 10 4
15 2 1 1 40 8 6 6 8 1
3 24 14 24 8 14 28 12 18 7
1 5 6 10 54 12 13 1 22 45
5 12 2 14 12 1 33 23 7 5
12 5 46 18 2 2 6 2 39 7
4 4 2 19 1 25 12 3 5 1
TABELA 6.2 Frequência relativa de tempos entre chegadas
Intervalo de Classe Frequência Probabilidade

0-5 36 0,36
6 - 10 21 0,21
11 - 15 15 0,15
16 - 20 7 0,07
21 - 25 8 0,08
26 - 30 4 0,04
31 - 35 3 0,03
36 - 40 3 0,03
41 - 45 1 0,01
46 - 50 1 0,01
> 50 1 0,01
TOTAL 100 1,00

Capítulo | 6 Compreendendo Distribuições de Probabilidade 43
de dados encontrados em cada intervalo. A Figura 6.1 é um histograma de probabi-

lidades para os dados da Tabela 6.2, graficamente dispondo a distribuição dos dados
ao longo de todos os intervalos.
FIGURA 6.1 Histograma de frequências relativas para tempos entre chegadas.
VARIÁVEIS ALEATÓRIAS
Uma variável aleatória é uma variável cuja saída é determinada pelo resultado de
um experimento. A quantidade de tempo entre chegadas em uma posição no exemplo
anterior pode ser considerada uma variável aleatória. Muda indiscriminadamente
ao longo do tempo. A amplitude entre possíveis valores determina se uma variável
aleatória é discreta (possibilidades finitas) ou contínua (possibilidades infinitas).
Uma variável aleatória é usualmente designada por um X maiúsculo e os valores as-
sociados a ela com um x minúsculo. Se X é uma variável aleatória representando o
tempo entre chegadas do exemplo mencionado anteriormente, então P(X ≤ x) indica
a probabilidade da variável aleatória X ser menor ou igual ao valor x.
FUNÇÕES DENSIDADE DE PROBABILIDADE

Uma função densidade de probabilidade relaciona as probabilidades corres-
pondentes aos valores x individuais associados com uma variável aleatória X. (Um his-
tograma de probabilidades associa probabilidades com grupos de valores x). Funções
correspondem a pares de valores que são descritos por uma equação matemática. Eles
podem ser expressos graficamente projetando os pares de valores. Um eixo horizontal
tipicamente representa valores x e um eixo vertical usualmente denota valores y. Os
valores y de uma função densidade de probabilidade associam probabilidades corres-

pondentes a valores individuais de x. Essa é a razão pela qual uma função densidade
de probabilidade é usualmente denotada por y = f(x), o que significa dizer que y é
uma função de x.
A equação matemática que descreve uma função densidade é sempre difícil de
estabelecer. Pode ser frequentemente aproximada encontrando uma distribuição
de probabilidade padrão conhecida (por exemplo: normal, exponencial, gama etc.)
que representa com exatidão a distribuição de frequência relativa dos dados reais.
O formato do histograma de frequências relativas fornece dicas para encontrar uma
distribuição padrão representativa.
O formato do histograma na Figura 6.1 indica que uma distribuição exponencial
é uma candidata provável para representar a densidade de probabilidade dos dados
observados. Uma distribuição exponencial tem uma função densidade de probabilidade
que é representada matematicamente como apresentado a seguir, onde b (beta) é
parâmetro de escala para a distribuição. O valor de b em uma distribuição exponencial
é igual à média da distribuição.
A média calculada para os tempos entre chegadas dos dados da Tabela 6.1 é de
12,41 minutos. A Figura 6.2 mostra uma distribuição exponencial com parâmetro b
igual a 12,41. A distribuição é hipoteticamente boa para retratar os dados dos tempos
entre chegadas. O Capítulo 7 fornece informações adicionais de como verificar o
ajuste entre uma distribuição de probabilidade empírica e uma distribuição de proba-
bilidade padrão.
FIGURA 6.2 Função densidade de probabilidade.

DISTRIBUIÇÕES DISCRETAS E CONTÍNUAS

Uma distribuição de probabilidade discreta é uma distribuição com um número
finito de possíveis valores x. A distribuição de probabilidade associada com a ação de
jogar dados é um exemplo deste tipo de distribuição. Existem apenas seis valores x
associados a um dado: 1, 2, 3, 4, 5 e 6.
Uma distribuição de probabilidade contínua é uma distribuição que contém um
número infinito de valores x. Se o número de possíveis valores x é igual ao número de
pontos em um segmento, então a distribuição é contínua. Considere uma distribuição
de probabilidade uniforme contínua (a probabilidade para qualquer valor é a mesma)
com valores entre 1 e 6. Alguns valores desta distribuição são 1,1; 1,134; 2,456; 2,56;
3,345 e 4,897. O número de possibilidades é infinito.
MÉDIA, VARIÂNCIA E DESVIO-PADRÃO

Uma estimativa da média da distribuição é obtida através da soma dos valores
colhidos dividindo pelo número total de valores. Suponha que tenhamos os valores a
seguir: 1, 2, 4, 4, 5, 7, 7, 8, 9, 10. A média é (1 + 2 + 4 + 4 + 5 + 7 + 7 + 8 + 9 + 10)
dividido por 10, ou seja, 5.7.
A média de uma distribuição de probabilidade pode ser imaginada em termos de
massa. A massa representa a densidade de probabilidade. A média é o ponto no qual,
se colocarmos um suporte, a distribuição ficará balanceada.
A variância de uma distribuição de probabilidade mede a distância entre os valores
de uma variável aleatória e a média da distribuição. Desvio-Padrão é a raiz quadrada
da variância. Se a variância de uma distribuição é igual a 36, então o desvio-padrão é
igual à raiz quadrada, ou seja, 6. As equações matemáticas para estimar as médias e
variâncias de distribuições de probabilidade são definidas em um capítulo mais adiante.
DISTRIBUIÇÕES DE PROBABILIDADE ACUMULADAS

Uma distribuição de probabilidade acumulada revela a porcentagem de vezes
que um dado valor da variável aleatória será menor que um determinado número.
Origina-se da totalização sucessiva de probabilidades associadas com cada possível
valor para a variável aleatória. A soma final deve ser sempre igual a um. Jogar um
dado pode ser usado para ilustrar este princípio. Há seis valores da variável aleatória
associados com a ação de jogar um dado. A probabilidade de ocorrer qualquer valor
é 1/6. As chances de encontrar um valor menor ou igual a dois, três, quatro, cinco ou
seis são respectivamente 2/6, 3/6, 4/6, 5/6 e 1.
A Tabela 6.3 demonstra a distribuição de probabilidade acumulada para os dados
da Tabela 6.1. Fornece as chances dos tempos entre chegadas serem menores ou iguais
a um determinado tempo. Por exemplo, podemos esperar 79 de cada 100 chegadas
menores ou iguais a 20 minutos.
46
TABELA 6.3 Probabilidade acumulada
Intervalo Frequência Probabilidade Probabilidade Acumulada

de Classe
0-5 36 0,36 0,36
6 - 10 21 0,21 0,36 + 0,21 = 0,57
11 - 15 15 0,15 0,36 + 0,21 + 0,15 = 0,72
16 - 20 7 0,07 0,36 + 0,21 + 0,15 + 0,07 = 0,79
21 - 25 8 0,08 0,36 + 0,21 + 0,15 + 0,07 + 0,08 = 0,87
26 - 50 4 0,04 0,36 + 0,21 + 0,15 + 0,07 + 0,08 + 0,04 = 0,91
31 - 35 3 0,03 0,36 + 0,21 + 0,15 + 0,07 + 0,08 + 0,04 + 0,03 = 0,94
36 - 40 3 0,03 0,36 + 0,21 + 0,15 + 0,07 + 0,08 + 0,04 + 0,03 + 0,03 = 0,97
41 -45 1 0,01 0,36 + 0,21 + 0,15 + 0,07 + 0,08 + 0,04 + 0,03 + 0,03 + 0,01 = 0,98
46 - 50 1 0,01 0,36 + 0,21 + 0,15 + 0,07 + 0,08 + 0,04 + 0,03 + 0,03 + 0,01 + 0,01 = 0,99
> 50 1 0,01 0,36 + 0,21 + 0,15 + 0,07 + 0,08 + 0,04 + 0,03 + 0,03 + 0,01 + 0,01 + 0,01 = 1,00
FUNÇÃO DISTRIBUIÇÃO ACUMULADA

Uma função distribuição acumulada descreve matematicamente as relações
entre os valores associados a uma variável aleatória e suas probabilidades acumuladas.
Como uma função densidade, associa pares de valores. O eixo y denota probabilidade
acumulada e o eixo x designa a amplitude de valores para uma variável aleatória. A
equação da linha gerada pelos pares (x,y) pode ser determinada pela função densidade
de probabilidade. Em termos de cálculo, a função distribuição acumulada é obtida
integrando a função densidade de probabilidade (∫f(x) dx) ao longo do intervalo de
possíveis valores de x. A Figura 6.3 fornece a função probabilidade acumulada para
a função densidade apresentada na Figura 6.2.
FIGURA 6.3 Função distribuição acumulada.
NÚMEROS ALEATÓRIOS
Um número aleatório é qualquer número obtido sem nenhum padrão particular,
propósito ou razão. Um simples exemplo usando bolas de pingue-pongue pode ilustrar
essa definição. Dez bolas são marcadas com números de zero a nove. Todas são colocadas
em um saco. Alguém indiscriminadamente chega ao saco e escolhe uma bola. O número
na bola selecionada é um número aleatório. Números aleatórios entre zero e nove são
usados para estabelecer o comportamento estocástico de modelos de simulação.
GERADOR DE NÚMEROS ALEATÓRIOS

Um gerador de números aleatórios é qualquer mecanismo que produz números
aleatórios independentes. O termo independente implica que a probabilidade de
produzir qualquer valor permanece a mesma cada vez que um número é produzido.
Se a bola de pingue-pongue retirada no exemplo anterior for sempre devolvida ao saco

antes da próxima retirada (o saco é sacudido um pouco), então cada número aleatório
é independente.
Geradores de números aleatórios produzem sequências de números, com cada
número calculado a partir de número previamente computado. O número inicial é
chamado de semente. Por definição, um verdadeiro número aleatório não pode ser
previsto. Então, os números calculados são chamados de pseudoaleatórios. Um gerador
linear é o mais comum para gerar números entre zero e um. Gera uma sequência
aleatória usando técnicas matemáticas.
EXTRAINDO VALORES ALEATÓRIOS DE DISTRIBUIÇÕES

DE PROBABILIDADE
A lógica fundamental usada para extrair valores de distribuições de probabilidade
é baseada na função distribuição acumulada e gerador de números aleatórios. A
função distribuição acumulada tem y valores variando entre zero e um. Geradores
de números aleatórios produzem conjuntos de valores uniformemente distribuídos
ao longo do intervalo. Para cada valor y (número decimal entre zero e um) um único
valor x (aleatório) pode ser calculado.
Questões para Revisão:

1. O que é uma distribuição de probabilidade? O que são dados empíricos?
2. Quais os passos para criar uma distribuição de probabilidade?
3. Como você pode determinar se uma distribuição é discreta ou contínua?
4. O que é uma função densidade de probabilidade? Como um histograma de frequên-
cias relativas é útil?
5. Defina média e variância.
6. O que é uma distribuição de probabilidade acumulada? O que é função de proba-
bilidade acumulada?
7. O que é um gerador de números aleatórios? Que papel desempenha em modelos
de simulação?
8. Por que o termo “pseudo” é usado quando é descrito um gerador de números
aleatórios?
9. Qual a diferença entre semente aleatória e sequência aleatória?
Capítulo 7
Encontrando a distribuição correta

Como comentado no Capítulo 6, para algumas informações, há a necessidade de
adequar os dados para uma distribuição matemática. Porém, nem toda distribuição
pode ser considerada correta para o conjunto de dados que se tem. Este capítulo aborda
como encontrar uma distribuição que se adapte à sua necessidade.
POR QUE UTILIZAR UMA DISTRIBUIÇÃO PADRÃO?

As distribuições padrão são utilizadas para representar distribuição de dados em-
píricos porque ajudam a nivelar irregularidades que podem existir nos dados causadas
pela perda de valores durante o período de coleta dos dados. Valores não observados
durante a coleta de dados podem ser contabilizados utilizando uma distribuição padrão
representativa dos dados observados.
Dados empíricos são frequentemente colhidos em curtos intervalos de tempo.
Valores extremos (valores nas caudas da distribuição) podem não ocorrer nesses
intervalos. Suponha, por exemplo, que os tempos de chegada de clientes em um
banco são conhecidos como variando entre 0 e 60 minutos. As chegadas de clientes
são registradas durante um período de dois dias, mas nenhum tempo entre chegadas
acima de 20 minutos foi observado. Excluir esses valores da análise pode influenciar
o desempenho da resposta significativamente.
A preferência de uma distribuição padrão sobre outra é totalmente dependente dos
dados empíricos que representa ou do processo estocástico adotado que está sendo
modelado (quando não há dados disponíveis). Softwares estão disponíveis e podem
rapidamente analisar dados empíricos e sugerir a distribuição mais apropriada. UnfitII,
de Averill M. Law, é um exemplo. Esse software tem a capacidade de rapidamente
analisar dados e realizar diversos testes estatísticos para identificar a distribuição que
melhor se aproxima dos dados. Um desses testes de goodness-of-fit é descrito em uma
seção posterior deste capítulo. Embora distribuições definidas pelo usuário possam
também ser criadas, se os dados empíricos não se ajustarem a qualquer distribuição,
essas distribuições podem exigir passos computacionais adicionais para cada valor
gerado e um maior tempo de processamento.
ALGUMAS DISTRIBUIÇÕES DE PROBABILIDADE

Distribuições de probabilidade padrão são usualmente percebidas pelo formato
produzido por suas funções densidade de probabilidade. A curva em forma de sino,
por exemplo, é uma figura tipicamente associada a uma distribuição normal. Muitas
49
funções densidade de probabilidade têm parâmetros que controlam suas características

de forma e escala. Dois dos mais comuns são o parâmetro a (alfa) definindo o formato
da distribuição e o parâmetro b (beta) descrevendo a escala em que os valores da dis-
tribuição variam. As médias e variâncias das distribuições são definidas em termos
dos parâmetros a e b.
Diversas distribuições contínuas de probabilidade são frequentemente usadas na
simulação. Isso inclui as distribuições Exponencial, Gama, Normal, Uniforme, Weibull,
Triangular, Lognormal, Erlang e Beta. Compreender as caraterísticas principais e usos
típicos dessas distribuições pode ajudar quem modela a reconhecer a distribuição
representativa para os dados empíricos e sugerir distribuições apropriadas quando
não existirem dados. As distribuições mais comuns e alguns de seus usos típicos são
definidos a seguir (Figura 7.1).
FIGURA 7.1 Exponencial: f (x) = ( 1 / b ). e –x / b
Algumas vezes sendo referida como Exponencial Negativa, a distribuição é lar-

gamente usada em sistemas de espera. É utilizada para gerar valores aleatórios para
o tempo entre chegadas de clientes em um sistema. O termo “clientes” envolve um
infinito número de possibilidades, desde pacotes chegando a uma posição até pedidos
em sistema computacional. Outras possíveis aplicações são o tempo para completar
uma tarefa e o tempo até falhar um componente eletrônico.
Capítulo | 7 Encontrando a distribuição correta 51
Parâmetros de especificação: média, semente aleatória (Figura 7.2).
FIGURA 7.2 Gama: f (x) = ( b –a x a−1 e –x/b ) / Γ(a)
A Distribuição Gama pode ser usada para representar o tempo necessário para com-
pletar uma tarefa ou um grupo de tarefas. Suponha que uma distribuição exponencial
com média de 1,2 horas descreva o tempo para completar uma determinada tarefa. A
distribuição gama pode ser utilizada para gerar valores representando o tempo total
necessário para completar essa tarefa n vezes independentes. O valor a será igual a n
para esse cenário. Quando a = 1, torna-se uma distribuição exponencial.
Parâmetros de especificação: a, b, semente aleatória (Figura 7.3).
FIGURA 7.3 Normal: f (x) = ( 1 / √2Πσ2 ). exp[–(x–m)2/2σ2]
A Distribuição Normal é utilizada para medir vários tipos de erro. Operações de

recebimento/inspeção frequentemente requerem o uso de instrumentos calibrados para
medir as dimensões de vários componentes. As medições reveladas por um instrumento
são assumidas como normalmente distribuídas em torno da dimensão verdadeira do
componente. A distribuição normal pode ser usada para representar as leituras obtidas
por cada medição individual.
Parâmetros de especificação: média, desvio-padrão, semente aleatória (Figura 7.4).
FIGURA 7.4 Uniforme: f (x) = 1 / ( b – a )
Uma Distribuição Uniforme entre zero e um é a base para gerar valores de uma
distribuição de probabilidade. Pode também ser utilizada para gerar valores aleatórios
de algoritmos personalizados. Outra comum aplicação refere-se à representação do
tempo de duração de uma tarefa quando as informações sobre a tarefa real são mínimas.
Algumas vezes, o tempo para completar uma tarefa é considerado como variando
aleatoriamente entre dois valores. Dadas essas condições, a distribuição uniforme é
uma boa estimativa preliminar para tempos.
Parâmetros de especificação: média, meia amplitude, semente aleatória (Figura 7.5).
FIGURA 7.5 Weibull: f (x) = ( a b –a x a−1 exp [ –(x / b) a]
Assuntos ligados à confiabilidade são frequentemente representados por uma

Distribuição de Weibull. Pode ser usada para gerar valores de tempos até falhar um
equipamento ou média de vida de um componente eletrônico. O tempo para completar
uma tarefa pode também ser refletido por essa distribuição.
Parâmetros de especificação: a, b, semente aleatória (Figura 7.6).
FIGURA 7.6 Triangular: f (x) = 2 (x – a) / (b – a) (c – a) para a ≤x ≤ c f (x) = 2 (b – x) / (b – a)

(b – c) para c ≤ x ≤ b
A Distribuição Triangular é particularmente útil em situações em que apenas três

informações são conhecidas sobre a tarefa. Pergunte aos operadores em uma linha de
produção quanto tempo leva uma operação. Sua resposta será, provavelmente, “na
maioria das vezes lavará y, mas pode variar entre x e z.” O mínimo (x), a moda (y) e o
máximo (z) podem ser usados para definir parâmetros de uma distribuição triangular.
Parâmetros de especificação: mínimo, moda, máximo, semente aleatória (Figura 7.7).
FIGURA 7.7 Lognormal: f (x) = ( 1 / 2Πσ2 ). exp[–(ln x – m)2/2σ2]
A Distribuição Lognormal pode ser usada para representar o tempo para desempe-
nhar uma tarefa. Um exemplo poderia ser o tempo para completar uma operação de
estoque/retirada em um sistema automático. Os parâmetros para esta distribuição são
geralmente calculados para o logaritmo natural dos dados empíricos. Dadas essas
condições, valores gerados de uma distribuição lognormal podem ser expressos em
termos de logaritmos naturais dos valores aleatórios desejados. Se isso é verdade, então
os valores gerados devem ser convertidos para valores “não logaritmos” para se obter
variações aleatórias que serão representativas dos dados empíricos.
Parâmetros de especificação: média, desvio-padrão, semente aleatória (Figura 7.8).
FIGURA 7.8 Erlang: f (x) = ( (mk)k / (k-1) ! ). xk-1. e–kmx
A Distribuição Erlang é um caso especial da distribuição gama que é frequentemen-

te usada em filas para representar distribuições de tempo de serviço de várias tarefas.
O parâmetro k é equivalente ao parâmetro n da distribuição gama, mas os valores de
k estão restritos a inteiros maiores que zero. A distribuição se torna uma distribuição
exponencial quando k = 1.
Suponha uma operação que consista em desempenhar uma única tarefa dez vezes e
que o tempo para completar cada tarefa seja descrito por uma distribuição exponencial
com média igual a 2. Dadas essas circunstâncias, o tempo para completar toda a
operação pode ser representado por uma distribuição Erlang com média igual a 20
(calculada por 2 x 10) e parâmetro k igual a 10.
Parâmetros de especificação: média, k, semente aleatória (Figura 7.9).
FIGURA 7.9 Beta: f (x) = (xa1−1 .(1-x)a2−1) / Β(a1,a2)
Dois parâmetros são necessários para definir uma Distribuição Beta, a1 e a2.
Alterando seus valores irá produzir uma variedade de formatos diferentes da dis-
tribuição. Valores gerados por uma distribuição beta variam entre zero e um. Por essa
razão, é particularmente útil para representar fenômenos de proporções. A proporção
de itens defeituosos encontrados em um determinado lote pode ser descrita por esta
distribuição. A distribuição beta também é usada para representar o tempo para com-
pletar uma atividade, quando pouca ou nenhuma informação está disponível a respeito
da duração da atividade.
Parâmetros de especificação: a1, a2, semente aleatória (Figura 7.10).
FIGURA 7.10 Poisson: p (x) = e–l . lx / x !
A Distribuição Poisson está associada com taxas de chegada. Reflete a proba-

bilidade associada com um número finito de sucessos (chegadas) ocorrendo em um
determinado intervalo de tempo ou área especificada. Para cada valor inteiro da variável
aleatória X, há uma única probabilidade de ocorrência.
Em modelos de fila, a taxa de chegada de clientes em um sistema é referida com um
processo de entrada de Poisson. Isso implica que os tempos entre chegadas de clientes
são exponencialmente distribuídos. O número de chamadas telefônicas chegando a
uma central telefônica a cada hora pode ser representada por uma distribuição Poisson.
O parâmetro l reflete a taxa média de chegadas por hora. Valores gerados por esta
distribuição serão valores inteiros maiores ou iguais a zero.
Parâmetros de especificação: média (l), semente aleatória.
Binomial: p (x) = (nx) px q n-x
Considere um experimento em que se produzem duas diferentes saídas, sucesso
ou fracasso; “p” denota a probabilidade de sucesso e “q” denota a probabilidade
de fracasso (q = 1-p). Se a probabilidade de sucesso permanece constante em cada
repetição independente do experimento, então o número de sucessos em n indepen-
dentes tentativas pode ser descrito por uma distribuição binomial. O número de itens
defeituosos em um lote tamanho “n” é às vezes representado por esta distribuição. Os
valores aleatórios produzidos refletirão o número de defeitos por lote.
Parâmetros de especificação: p, semente aleatória (Figura 7.11).
FIGURA 7.11 Uniforme Discreta: p (x) = 1 / [(b-a) + 1]
Suponha um sistema de estoque e retirada automático que consista em seis carros-

séis individuais, em que peças sejam uniformemente distribuídas entre eles. Uma
distribuição uniforme discreta com valores entre 1 e 6 pode ser usada para determinar
em qual carrossel determinada peça está estocada. Cada valor da variável aleatória X
(carrossel onde uma peça é estocada) terá um valor inteiro dentro dessa amplitude.
Parâmetros de especificação: mínimo (a), máximo (b), semente aleatória.
TESTES GOODNESS-OF-FIT
O primeiro passo para analisar dados a fim de determinar sua distribuição é, na
maioria das vezes, a construção de um histograma de frequências relativas. O formato
desse gráfico pode mostrar de modo imediato que uma ou mais distribuições parecem
se ajustar aos dados. Usando software para análise de dados ou realizando cálculos
manualmente, quem modela deve assegurar que a distribuição selecionada oferece a
melhor representação possível.
Muitos testes estatísticos estão disponíveis para determinar se as observações
podem representar uma amostra independente da distribuição ajustada. Em outras pala-
vras, esse teste pode ser usado para avaliar a hipótese nula de que os dados observados
são variáveis aleatórias independentes da função distribuição indicada. Embora esses
testes possam apresentar sutis diferenças entre os dados e a distribuição, sua utilidade
em determinar qual tipo de distribuição melhor se ajusta aos dados é bem estabelecida
(Law e Kelton, p. 356, 2000).
Um teste Qui-Quadrado é provavelmente a mais empregada medida de goodness-of-

-fit. O resultado deste teste está baseado em um valor χ2 calculado dos dados empíricos
e um valor χ 2 crítico obtido da tabela qui-quadrado. Se o valor calculado χ 2 é menor
que o tabelado, então a distribuição teórica não pode ser rejeitada como uma boa
representação da distribuição empírica.
O valor χ2 que deriva dos dados coletados é baseado em dois fatores: 1) as fre-
quências observadas em cada intervalo de classe e 2) as frequências esperadas corres-
pondentes aos mesmos intervalos em uma distribuição teórica. A equação é apresentada
a seguir:
χ 2 = ∑ i = 1n [(O i − E i )2 / E i ]
Oi = Frequência Observada no i-ésimo intervalo

Ei = Frequência Esperada no i-ésimo intervalo
k = Número total de intervalos de classe
O primeiro passo para realizar este teste é selecionar o “nível de significância”
(também referido como nível de confiança). Está associado com o risco envolvido na
rejeição da hipótese (de que a distribuição teórica é uma boa representação da dis-
tribuição empírica) quando é realmente verdadeira. Em termos de jargão estatístico,
é dito erro Tipo I. Um nível de significância de 0,05 indica 5% de chance de cometer
erro Tipo I. O nível de significância é um dos dois itens necessários para determinar
os valores χ2 críticos. O outro é chamado número de graus de liberdade.
O número de graus de liberdade em um teste Qui-Quadrado é igual ao número de
células menos o número de quantidades obtido dos dados observados que é usado no
cálculo de frequências esperadas (Walpole e Myers, 1972). A frequência esperada é
baseada na porcentagem do número total de observações. Determinar o fator porcen-
tagem pode exigir algo como a média e o desvio-padrão dos dados empíricos. Se isso
é verdade, o número de graus de liberdade é igual ao número total de intervalos de
classe menos três (três fatores: observações, média e desvio padrão).
Se a frequência esperada é baseada apenas no número total de observações, então
o valor dos graus de liberdade é igual a um.
As frequências esperadas para cada intervalo de classe podem ser determinadas
pela função distribuição acumulada da distribuição teórica. Suponha uma função dis-
tribuição acumulada como a seguinte: F(X) = X/10 para 0 ≤ X ≤ 10. O número de
observações esperado em um intervalo de classe cujos limites são 2 e 5 é calculado
como a seguir: A probabilidade da variável aleatória X ser menor ou igual a cinco
P(X ≤ 5) é F(5) = 5/10 ou 0,5 e 0,2 para P(X ≤ 2). A porcentagem das observações
esperada no intervalo desejado é P(X ≤ 5) - P(X ≤ 2) ou 0,3. Se 100 observações são
coletadas, é esperado que trinta (100 x 0,3) cairão dentro desse interval (Tabela 7A).
A Tabela 7A demonstra um teste de goodness-of-fit realizado nos dados apresenta-
dos previamente na Tabela 6B. A distribuição hipotética é uma distribuição exponencial
com parâmetro b = 12,41. O número de graus de liberdade é nove (11 intervalos de
classe menos dois fatores: total de observações e média). O valor computado é 2,422.
TABELA 7A Teste Qui-Quadrado
Intervalo Frequência Frequência

de Classe Observada Fator de Porcentagem Esperada Qui-Quadrado
0–5 36 P(X ≤ 5) – P(X ≤ 0) = 0,332 33,2 0,236
5 – 10 21 P(X ≤ 10) – P(X ≤ 5) = 0,222 22,2 0,065
10 – 15 15 P(X ≤ 15) – P(X ≤ 10) = 0,148 14,8 0,003
15 – 20 7 P(X ≤ 20) – P(X ≤ 15) = 0,099 9,9 0,849
20 – 25 8 P(X ≤ 25) – P(X ≤ 20) = 0,066 6,6 0,297
25 – 30 4 P(X ≤ 30) – P(X ≤ 25) = 0,044 4,4 0,036
30 – 35 3 P(X ≤ 35) – P(X ≤ 30) = 0,030 3,0 0,000
35 – 40 3 P(X ≤ 40) – P(X ≤ 35) = 0,020 2,0 0,500
40 – 45 1 P(X ≤ 45) – P(X ≤ 40) = 0,013 1,3 0,069
45 – 50 1 P(X ≤ 50) – P(X ≤ 45) = 0,009 0,9 0,011
> 50 1 P(X ≤ ∞) – P(X ≤ 50) = 0,018 1,8 0,356
Valor χ2 calculado = 2,422
O valor crítico da tabela qui-quadrado é 16,919 (graus de liberdade = 9 e nível de

significância = 0,05). Uma vez que o valor computado é menor do que o valor crítico
(2.422 < 16.919), há insuficiente evidência para declarar a distribuição hipotética como
não sendo uma boa representação estatística da distribuição empírica (o princípio é
similar a ser inocente até que se prove culpado). A Figura 7.1 apresenta os resultados
do teste na forma de histograma.
Outra medida útil de goodness-of-fit é o Teste Kolmogorov-Smirnov. Geralmente
chamado simplesmente de Teste KS, esta técnica envolve a comparação da função
distribuição ajustada com a função distribuição dos dados empíricos. O Teste KS é
mais útil para avaliar distribuições contínuas, pois não requer agrupamento de dados
em intervalos discretos. O uso deste teste com distribuições discretas, por outro
lado, tem sido limitado pela necessidade de cálculos complexos dos valores críticos
(Figura 7.12).
FIGURA 7.12 Frequências observadas x esperadas.
O Teste Anderson-Darling é útil quando mais de uma distribuição possível pode

representar os dados empíricos e a seleção necessita ser baseada na possibilidade de a
função distribuição incluir com exatidão valores extremos ou da “cauda”.
O Teste Turing envolve comparação de dados de uma fonte com outra similar
que tenha distribuição conhecida. É mais efetivo com dados de simulação e requer o
envolvimento de especialistas familiarizados com o sistema que está sendo estudado.
É importante usar distribuições de probabilidade que realmente representem os
processos estocásticos que imitam. Porém, não se deve ficar obsessivo em encon-
trar um ajuste exato. Inferência estatística não é uma ciência precisa. A análise de
sensibilidade pode ajudar a selecionar a distribuição de entrada, a qual terá o melhor
efeito no desempenho do sistema. Maior atenção pode ser focada nessas distribuições.
Questões para revisão:

1. O que são distribuições e como são utilizadas?
2. Quais são as distribuições contínuas mais conhecidas? O que você poderia usar para
modelar um tempo de operação probabilístico? E para modelar tempo entre falhas?
3. Se perguntado para selecionar uma distribuição para uma situação na qual você
deseja excluir o impacto de valores extremos, qual distribuição você consideraria?
4. Explique o potencial uso das distribuições poisson, binomial e uniforme discreta.
5. O que é um teste qui-quadrado? O que significa “nível de significância”?
6. O que é um erro Tipo 1? Tipo 2?
Capítulo 8
Introdução à Otimização
da Simulação
Recentemente, novos softwares têm sido introduzidos no mercado para a otimiza-
ção de sistemas simulados, utilizando, para tanto, novas técnicas de busca direta as-
sociadas a algoritmos evolutivos. Muito embora sejam relativamente fáceis de utilizar,
tais ferramentas de otimização podem ser aplicadas de maneira mais eficiente quando
empregadascom um entendimento básico de como elas procuram uma solução ótima
para um problema. Por essa razão, as propostas deste capítulo são: 1) proporcionar uma
introdução à otimização da simulação, focando os mais recentes desenvolvimentos que
entregam a simulação a uma classe de técnicas de otimização direta chamada Algo-
ritmos Evolutivos, 2) proporcionar exemplos dos benefícios de utilizar a otimização
da simulação, e 3) discutir questões táticas envolvidas no uso desses novos softwares.
PERSPECTIVA HISTÓRICA
Nos últimos anos, a maioria dos avanços tem ocorrido no desenvolvimento de
softwares de simulação de uso mais amigável. Com os simuladores atuais, é fácil
desenvolver modelos de simulação que se aproximem satisfatoriamente dos sistemas
pretendidos. Porém, existe uma lacuna entre o perfil necessário para se construir
modelos de simulação válidos e confiáveis e o perfil exigido para conduzir uma análise
da simulação. Por essa razão, ferramentas de análise de relatórios, de uso amigável,
que auxiliam à tomada de decisão também se fazem necessárias.
O progresso no desenvolvimento de ferramentas para análise dos relatórios de
simulação tem sido especialmente lento na área de otimização da simulação, porque
conduzir a otimização da simulação, valendo-se de técnicas tradicionais, tem sido tanto
uma ciência quanto uma arte. Por existir uma quantidade vasta de técnicas tradicionais
de simulação, apenas indivíduos com alto grau de especialização em estatística e
teoria da otimização têm compreendido os benefícios da integração dos conceitos de
otimização. Porém, utilizando as novas técnicas de otimização baseadas em Algoritmos
Evolutivos, AEs, (do inglês Evolutionary Algorithms, EAs), é possível estreitar a lacuna
com ferramentas amigáveis e potentes, as quais permitem aos analistas combinar
simulação e otimização para melhorar a tomada de decisão.
O objetivo deste capítulo não é comparar AEs com outros meios de otimização da
simulação, mas sim introduzir o leitor às características que fazem dos AEs a escolha
apropriada para otimizar a simulação e relatar o sucesso da aplicação dessa tecnologia
a problemas reais.
63
SIMULAÇÃO E OTIMIZAÇÃO
Frequentemente, a razão para construirmos modelos de simulação é encontrar res-
postas para perguntas como “Quais são os ajustes ótimos __________ para minimizar
(ou maximizar) ___________?”. O modelo de simulação pode ser encarado como uma
caixa-preta que imita o sistema real. Quando introduzida uma entrada à caixa-preta,
esta produz saídas que demonstram como o sistema real responde. Na questão anterior,
o primeiro tracejado representa os parâmetros de entrada do modelo de simulação,
os quais são controlados por quem toma as decisões. Esses dados de entrada são
usualmente chamados de variáveis de decisão. O segundo tracejado representa os
indicadores de desempenho que são de interesse, os quais são obtidos a partir das
saídas estocásticas do modelo de simulação, quando as variáveis de decisão são ajus-
tadas a valores específicos. Na questão “Qual a quantidade ótima de equipamentos
para movimentação de material necessária para se minimizar o tempoem que as
estações de trabalho ficam paradas por falta de material?”, a variável de decisão
é a quantidade de equipamentos para movimentação de materiais. O indicador de
desempenho computado da saída do modelo de simulação é a quantidade de tempo
em que as estações ficam sem material. O objetivo, então, é procurar o valor ótimo
para cada variável de decisão que minimize ou maximize o indicador de desempenho
de interesse (Figura 8.1).
FIGURA 8.1 Relação entre algoritmo de otimização e modelo de simulação.
NA BUSCA DO ÓTIMO
Encontrar a solução ótima não é uma tarefa fácil. De fato, é algo como encontrar
uma agulha num palheiro. O caminho mais seguro para encontrar a solução ótima é
(Akbay, 1996):
1. identificar todas as variáveis de decisão que afetam a resposta do sistema;
2. identificar todas as possíveis soluções, baseado nos possíveis valores das variáveis;
3. avaliar cada uma dessas soluções corretamente;
4. comparar cada solução apuradamente; e
5. registrar a melhor resposta.
Se a resposta do modelo de simulação foi submetida a todos os possíveis valores

das variáveis de decisão, o resultado obtido pode ser chamado de superfície de res-
posta (veja Apêndice B). Para problemas envolvendo apenas uma ou duas variáveis
Capítulo | 8 Introdução à Otimização da Simulação 65
de decisão, a solução ótima pode ser rapidamente identificada na superfície de res-

posta. Contudo, torna-se difícil visualizar a superfície de resposta quando há mais
de duas variáveis de decisão. Além disso, em muitos casos, há muitas soluções para
serem analisadas em um espaço de tempo curto. Assim sendo, devemos estabelecer
um ponto de equilíbrio entre encontrar a solução ótima e o tempo alocado para tal.
Felizmente, os pesquisadores desenvolveram muitos métodos de otimização que podem
encontrar rapidamente a solução ótima para problemas bem delineados, sem a com-
pleta enumeração de todas as possíveis alternativas. Como exemplo, podemos citar o
Método de Newton-Rapson e a Programação Linear. Infelizmente, porém, a maioria
dos problemas reais não são bem delineados e não se prestam a serem resolvidos por
esses métodos facilmente. Por exemplo, a superfície de resposta produzida por um
modelo de simulação estocástico pode ser altamente não linear, multimodal, conter
valores discretos e contínuos para as variáveis de decisão, e pode não proporcionar
observações independentes e bem distribuídas. Entretanto, existem muitas boas téc-
nicas heurísticas de otimização que podem ajudar na busca por uma solução ótima.
Técnicas heurísticas são técnicas que, de uma forma consistente, proporcionam
soluções boas ou quase ótimas. Contudo, o uso de técnicas heurísticas não nos garan-
teencontrar a solução ótima. Por exemplo, uma técnica conhecida como NelderMead
(Nelder e Mead, 1965) tem sido utilizada para encontrar a solução ótima para modelos
determinísticos, no entanto, ainda não foi comprovado que suas soluções são ótimas
para modelos estocásticos.
COMBINANDO SIMULAÇÃO E TÉCNICAS DE BUSCA DIRETA

Técnicas de busca direta é uma classe de técnicas de busca projetadas para encontrar
valores ótimos para os dados de entrada a fim de maximizar ou minimizar os resultados
que são de interesse. Tais técnicas trabalham diretamente com as respostas geradas pelo
sistema e não requerem informações adicionais sobre a função que gera a resposta.
São ideais para tarefas de otimização quando não existem modelos matemáticos dos
quais se possam extrair informações para orientar a busca por soluções ótimas, ou
quando os custos para estimar os gradientes que possam guiar a busca são proibitivos.
Esse é geralmente o caso quando se trabalha com modelos de simulação estocásticos.
Recentemente, os pesquisadores constataram os benefícios de se combinar a
simulação com as técnicas de busca direta. Por exemplo, Pegden e Gately (1977)
desenvolveram um módulo de otimização para o simulador GASP IV e, posteriormen-
te, desenvolveram outro módulo de otimização para se utilizar com o simulador SLAM,
em 1980. Seus pacotes de otimização foram baseados em uma variação do método
de busca direta desenvolvido por Hooke e Jeeves (1961). Após resolver uma série de
problemas, Pegden e Gately concluíram que seu sistema ampliava as capacidades da
linguagem de simulação, “uma vez que proporcionava a otimização automática das
decisões”.
Dois novos softwares para otimização da simulação, baseados nas mais novas
técnicas de busca direta, foram lançados recentemente. Um deles chama-se OptQuest
96 e o outro chama-se SimRunner. O primeiro é utilizado em conjunto com o simulador
Micro Saint e pode ser utilizado para otimizar tanto variáveis de decisão de valor
inteiro quanto real. Esse módulo de otimização é baseado em “ScatterSearch”, o qual
se relaciona a um Algoritmo Evolutivo muito popular, chamado algoritmo genético
(Glover, 1990 e Glover et al. 2005).
O SimRunner é utilizado em conjunto com os pacotes de simulação da ProModel
Corporation. O SimRunner possui um módulo de otimização e um módulo para
determinar o tamanho de amostra requerido (o número de replicações) e o tempo de
aquecimento do modelo. O módulo de otimização pode otimizar variáveis de decisão
de valor real, assim como variáveis de valor inteiro. O projeto do módulo de otimização
do SimRunner foi influenciado pelas técnicas de busca ótima tais como a “Tabu
Search” (Glover, 1990) e os Algoritmos Evolutivos (Goldberg, 1989; Fogel, 1992;
Schwefel 1981).
ALGORITMOS EVOLUTIVOS
Algoritmos Evolutivos (AEs) é uma classe de técnicas de busca direta baseadas
em conceitos da teoria da evolução. Eles imitam o processo evolutivo fundamental, no
qual as entidades adaptam-se ao seu ambiente a fim de sobreviver. Os AEs manipulam
a “população” de soluções de tal modo que as piores soluções desaparecem, enquanto
as melhores soluções continuam a evoluir na busca pela solução ótima (Bowden e
Bullington, 1996). Técnicas de busca baseadas nesse conceito têm provado ser muito
eficientes, de forma que têm sido utilizadas com sucesso para resolver uma ampla
variedade de problemas complexos (Biethahn e Nissen, 1994; Bowden e Bullington,
1995; Usher e Bowden, 1996).
Os Algoritmos Evolutivos diferenciam-se em vários aspectos das tradicionais
técnicas de otimização não lineares. A diferença mais significativa é que eles exe-
cutam a busca na superfície de resposta, valendo-se de uma gama de soluções ao
invés de uma única solução. Isso permite aos AEs coletar informações dasuperfíciede
respostaem muitos pontos simultaneamente. Os AEs utilizam o feedback obtido dos
múltiplos pontos da superfície de resposta, em oposição a um único ponto, para
orientar a busca pela solução ótima. Esse tipo de aproximação aumenta as chances de
encontrar uma solução ótima que seja global. Uma grande quantidade de pesquisas
vem sendo conduzida com os AEs para demonstrar as características de convergência
dos algoritmos e para desenvolver provas matemáticas da convergência global (Bäck
e Schwefel, 1993).
Os Algoritmos Evolutivos mais populares são os Algoritmos Genéricos (Generic
Algorithms – Goldberg, 1989), Programação Evolutiva (EvolutionaryProgramming
– Fogel, 1992) e Estratégias Evolutivas (EvolutionStrategies – Schwefel, 1981). Muito
embora esses três AEs tenham diferenças significativas na forma como aplicam as
ideias de evolução, eles empregam a mesma metodologia básica. Os principais passos
para aplicar um AE estão enumerados a seguir.
Passo 1: gerar uma gama de soluções para o problema distribuindo-as randomica-
mente em todo o campo das soluções;
Passo 2: analisar apuradamente a resposta de cada solução;
Passo 3: baseado na análise das respostas de cada solução, selecionar as melhores

soluções e aplicar o tipo de “operador genético idealizado” para produzir uma nova
geração de soluções;
Passo 4: continuar, retornando ao passo 2, enquanto o algoritmo estiver localizando
soluções melhoradas.
Os desvios das tradicionais técnicas de otimização não lineares, citados ante-
riormente, proporcionam aos AEs diversas vantagens na solução de problemas de
otimização da simulação. Por exemplo, Biethahn e Nissen (1994), Bäcket al. (1995),
Bäck e Schwefel (1993) relatam que os AEs são apropriados para a otimização da
simulação, pois:
● não exigem que assumamos restrições ou conhecimento prévio acerca da topologia

da superfície de resposta que está sendo pesquisada, o que faz deles técnicas am-
plamente aplicáveis;
● são muito apropriados para problemas com superfície de resposta de grandes
dimensões, multimodais, descontínuos, não diferenciados, estocásticos, e mesmo
problemas com superfície de respostas móveis;
● são técnicas de busca muito confiáveis e relativamente fáceis de usar.
Uma desvantagem em potencial do uso dos AEs para a otimização da simulação é

o fato de que, algumas vezes, necessitam da avaliação de muitas soluções chamadas ao
modelo de simulação. Isso pode se tornar proibitivo se o tempo de processamento for
limitado. Não obstante, existem procedimentos que podem ser utilizados para reduzir
o número de vezes em que o modelo de simulação é chamado. Por exemplo, Hall e
Bowden (1996) desenvolveram um método que combina um AEs com uma técnica de
busca direta mais localmente orientada, que resulta em um número substancialmente
menor de chamados ao modelo de simulação.
Nas próximas seções deste capítulo, serão construídos exemplos para ilustrar a
utilidade dos AEs em resolver problemas que sejam caracterizados por uma superfície
de resposta multimodal, do tipo estocástico e de grandes dimensões.
O primeiro exemplo se baseia numa função que é útil para se testar o desempenho
das técnicas de otimização. No segundo exemplo, a função de teste é substituída por
um modelo de simulação de um sistema produtivo de produção puxada, e o módulo
de otimização baseado em AE do SimRunner é usado para se encontrar a solução de
um problema de dimensionamento de kanban.
OTIMIZAÇÃO COM VARIÁVEL ÚNICA

Por conveniência de apresentação, será utilizada uma versão com uma única va-
riável de decisão de uma função desenvolvida por Ackley (1987) para se compreender
como os AEs procuram a solução ótima. De início, a função de Ackley é transformada
de uma expressão determinística para uma função estocástica. Isso normalmente é
feito adicionando-se ruídos estocásticos à resposta gerada pela função de Ackley. A
FIGURA 8.2 Função de Ackley's com ruído estocástico e busca evolutiva
Figura 8.2 ilustra a função de Ackley quando um ruído é adicionado a partir de uma
amostragem colhida de uma distribuição uniforme (-1,1). Isso simula a variação que pode
ocorrer na saída de um modelo de simulação estocástico. A função é apresentada com
uma única variável decisória, X, que assume valores reais entre –10 e 10. A superfície
de resposta tem um valor esperado mínimo igual a zero, que ocorre quando X é igual
a zero, e um valor esperado máximo de 19,37 quando X assume os valores –9,54 ou
9,54. A função de Ackley é uma função multimodal, logo possui muitas soluções ótimas
locais, que ocorrem em cada ponto de mínimo (assumindo que se trate de um problema
de minimização) na superfície de resposta. No entanto, o ponto ótimo que ocorre quando
X vale zero é o ponto de ótimo global (a menor resposta possível). Essa é uma função de
teste muito útil, porque as técnicas de busca podem convergir prematuramente e analisar
a busca em um dos muitos pontos ótimos locais, antes de encontrar o ponto ótimo global.
De acordo com o passo 1 do processo enumerado acima, uma “população” inicial
de soluções do problema é gerada e distribuída de forma randômica através do es-
paço de soluções. Utilizando uma variante da Estratégia de Evolução (EE) de Schwefel
com duas soluções geradoras (pais) e dez soluções que fazem parte da sua descendên-
cia, 10 valores distintos para as variáveis de decisão são escolhidas randomicamente
entre –10 e 10, para representar uma população descendente de 10 soluções. Contudo,
para fazer da busca pela solução ótima uma tarefa mais desafiadora, as 10 soluções
da população descendente inicial serão posicionadas longe do ótimo global com o
objetivo de averiguar se o algoritmo pode evitar ser enganado por um dos muitos
pontos de ótimo local. Dessa forma, as 10 soluções da primeira geração foram es-
colhidas aleatoriamente entre -10 e -8. Então, o teste é para ver se a “população” de
10 soluções pode evoluir da sua geração para a próxima, a fim de encontrar a solução
ótima global sem ser iludida pelos pontos ótimos locais.
O Gráfico 8A ilustra o progresso alcançado pela EE ao seguir o processo dos

passos descrito anteriormente. Para evitar complicarmos o gráfico, apenas as respos-
tas das duas melhores soluções (pais) de cada geração são plotadas na superfície de
resposta. Evidentemente, o processo de seleção das melhores soluções e a aplicação
de operadores genéticos ideais, permite ao algoritmo focalizar sua busca pela solução
ótima de uma geração para a seguinte. Embora a EE experimente muitos dos pontos
ótimos locais, ele rapidamente identifica a região de ótimo global e começa a apontar a
solução ótima por volta da oitava geração. Note que na sexta geração, a EE posicionou
as soluções no lado direito do espaço de busca (X > 0), mesmo tendo sido forçado a
iniciar sua busca no extremo esquerdo do espaço de soluções. Essa capacidade permite
o AE conduzir uma busca globalmente orientada.
Quando a procura pela solução ótima é conduzida em um ambiente de simula-
ção ruidoso, ou seja, com muitas interferências, deve-se ficar atento em relação à
mensuração da resposta gerada por um determinado dado de entrada (solução) do
modelo. Isso significa que para termos uma estimativa válida do verdadeiro valor da
resposta, devemos observar (replicar) muitas vezes o desempenho da solução. Mas
para testar a ideia de que os AEs podem lidar com superfícies de resposta ruidosas,
a busca anterior foi conduzida utilizando-se apenas uma observação de desempenho
da solução. Logo, existia o potencial para que o algoritmo ficasse “confuso”, pois
a cada instante ele retornava a uma região anteriormente visitada da superfície de
resposta, pois provavelmente recebeu um conjunto de respostas diferente. Isso pode
resultar na convergência prematura do algoritmo para um dos pontos de ótimo local.
Obviamente não é o caso com o AE deste exemplo.
Isso não significa que um analista pode esquecer-se de assegurar que as obser-
vações coletadas sejam estatisticamente válidas ao usar AEs. Contudo, para efetuar
uma busca eficiente pela solução ótima, um algoritmo deve ser capaz de lidar com
superfícies de resposta ruidosas e com as incertezas resultantes que existem, mesmo
quando muitas réplicas são utilizadas para estimar o verdadeiro desempenho de uma
solução.
UM PROBLEMA DE CONTROLE DE INVENTÁRIO

Neste exemplo, o objetivo é encontrar a quantidade mínima de estoque neces-
sário para suprir a produção realizada no sistema just-in-time (JIT), onde as peças são
puxadas através do sistema utilizando cartões de kanban. Este exemplo é baseado em
problemas reais da indústria. Duas técnicas diferentes são utilizadas para resolver o pro-
blema. Uma delas utiliza a técnica desenvolvida pela Toyota, enquanto a outra utiliza o
módulo de otimização de simulação através do SimRunner. No final, é realizada uma
análise comparativa de duas soluções geradas por essas técnicas.
A Descrição do Problema
Um kanban é um cartão que autoriza uma estação de trabalho a iniciar a produção
de um item. Os cartões kanban são passados das estações posteriores às anteriores,
sinalizando a estas para que comecem a produção. Isso resulta em componentes sendo
puxados através do sistema conforme as estações posteriores emitem cartões kanban

para as estações anteriores.
Em um sistema produtivo puxado, o número de cartões kanban influencia di-
retamente o número de contêineres necessários para o transporte dos componentes
através do sistema e a quantidade máxima de inventário ou de estoque em processo.
Valores de gatilho representam o número de cartões kanban que devem ser acumulados
antes que uma estação inicie a sua produção. Portanto, os valores de gatilho controlam
a frequência dos ajustes das máquinas. Embora o valor ideal do gatilho seja igual a
um, muitos processos não se adequam a esse padrão, devido ao longo tempo de ajuste
ou manutenção do maquinário. Contudo, é desejável minimizar os valores de gatilho,
o que diminuirá os tamanhos dos lotes e, por consequência, o estoque em processo.
Estabelecer o número ótimo de cartões kanban e os valores de gatilho necessários para
tal representa uma difícil tarefa para os planejadores da produção.
A Figura 8.3 ilustra as interações do processo em um sistema produtivo puxado com
dois estágios, e que produz diversos tipos de componentes. A demanda dos clientes
pelo produto final determina que os contêineres de submontagem sejam puxados
do local WIP 1 (pulmão) para as linhas de montagem. Conforme cada contêiner é
retirado do local WIP 1, um cartão kanban de ordenamento de produção, representando
o número de submontagens em um contêiner, é enviado ao posto de kanban relativo ao
sistema de processamento da Estação 1. Quando o número de cartões kanban para
uma determinada submontagem atinge o valor do gatilho, os componentes neces-
sários para realizar a submontagem são puxados do local WIP 2 (pulmão) para criar
as submontagens. Seguindo o Estágio 1 do processo, as submontagens são carregadas
em um contêiner, o cartão kanban correspondente é colocado no contêiner e ambos
são enviados ao local Estação WIP 1. O contêiner e o cartão permanecem na Estação
WIP 1 até que sejam transferidos para as linhas de montagem.
FIGURA 8.3 O sistema de produção puxado de 2 estágios
No Estágio 2, processa-se a matéria-prima que abastece o local WIP, à medida

que os componentes são puxados pelo Estágio 1. Os componentes de montagem são
retirados do WIP e colocados no processo do Estágio 1, um cartão kanbande ordena-
mento de produção, indicando a quantidade de componentes no contêiner, é enviado
ao posto de kanban da linha do Estágio 2. Quando o número de cartões kanban de
um dado componente atinge o valor de gatilho, uma ordem de produção do valor do
gatilho é enviada para a linha do Estágio 2. Conforme se movimentam as ordens de
componentes finalizados da linha do Estágio 2 para o WIP, os cartões kanban corres-
pondentes acompanham os componentes à Estação de WIP 2.
Embora se deseje muito a redução no WIP, o fabricante deseja ainda uma solução
(cartões kanban e valores de gatilho para cada estágio) que conduza a minimização
do número de contêineres na Estação de WIP 1. Isso é necessário devido a limitações
no espaço.
Modelo de Simulação e Medição desempenho

O sistema de produção puxada foi representado em um modelo de simulação
a eventos discretos. O modelo estabelece tempos constantes entre as chegadas dos
pedidos dos clientes na linha de montagem. Contudo, os operários podem encontrar
defeitos nos módulos de submontagens, o que, por consequência, aumenta a demanda
por módulos de submontagem, para que se cumpra a produção programada em
função dos pedidos dos clientes. O número de módulos de submontagem defeituosos
que foram encontrados segue uma função do tipo estocástica. Os tempos de produção
do Estágio 1 e da linha de montagem do Estágio 2 são constantes, uma vez que os
processos são automatizados. Os tempos de ajuste, tempos entre falhas e os tempos de
manutenção para a linha do Estágio 2 seguem uma distribuição triangular. Cada rodada
da simulação consiste de um período de dez dias (duas semanas) de aquecimento,
seguido por um período de estabilização de vinte dias (um mês).
A medida de desempenho a ser maximizada é:
f (a) = C1 ( AvgPct + MinPct ) − C2 (TK1 ) − C3 (TK 2 )
onde AvgPct é a porcentagem média dos produtos concluídos, entre todos os produ-
tos que saem das linhas de montagem, MinPct é a porcentagem mínima destes produtos
concluídos, TK1 é o número total de cartões kanban no Estágio 1, TK2 é o número
total de cartões kanban no Estágio 2 e C1, C2 e C3 são coeficientes atribuídos pelos
planejadores da produção para refletir o nível de importância de cada termo. Os níveis
de importância para C1, C2 e C3 são: 20,0; 0,025 e 0,015, respectivamente. Usando essa
função desempenho, o objetivo é encontrar uma solução que maximize a produção,
enquanto se minimiza o número total de cartões kanban no sistema.
O fabricante decidiu fixar o valor = 1 para o gatilho no Estágio 1 de produção. Dessa
forma, precisa-se determinar o número ótimo de cartões kanban no processo do Estágio
1 e o número ótimo de cartões kanban e os correspondentes valores de gatilho na linha do
Estágio 2 para cada tipo de componente em produção. Desse modo, o problema contém
33 variáveis de decisão de valor inteiro. Cada solução é um vetor a = (K11, K12, K13,...,
K111; K21, K22,..., K211; T21, T22,..., T211) onde K1i representa o número de cartões
kanban para o componente tipo i circulando no processo do Estágio 1, K2irepresenta o
número de cartões kanban para o componente tipo i circulando na linha do Estágio 2 e
T2i representa o valor de gatilho do componente tipo i, valor este utilizado na linha do
Estágio 2. Considerando o alcance dos possíveis valores de cada uma das variáveis de
decisão, existem 4,81 x 1041 soluções singulares para este problema.
A técnica de solução da Toyota

Em razão da facilidade de uso, os fabricantes geralmente utilizam as equações
de dimensionamento de kanban desenvolvidas pela Toyota, para estimar o núme-
ro de cartões kanban necessários. O número de cartões kanban necessários é dado
por (Monden, 1993):
 demanda mensal 
  + [demanda diária x coefiente de segurança]
 ajustes mensais 
Kanbans =
capacidade do contêiner
onde o coeficiente de segurança representa a quantidade de estoque em processo

(work in process, WIP) necessária no sistema. Os planejadores da produção assumiram
um coeficiente tal que resultou em um dia de WIP para cada tipo de componente. Além
disso, os planejadores decidiram adotar um ajuste por dia para cada tipo de componen-
te. Embora essa equação proporcione uma estimativa do número mínimo de cartões
kanbannecessário, ela não indica os valores de gatilho necessários. Portanto, os valores
de gatilho para a linha de montagem do Estágio 2 foram estabelecidos com base no
número estimado de contêineres utilizados por cada tipo de componente em um dia. A
equação utilizada por especialistas da Toyota recomenda um total de 243 cartões. Quando
avaliada no modelo de simulação, essa solução produziu uma classificação de desempe-
nho (equação 1) igual a 35,140 pontos, baseado em quatro replicações independentes.
A TÉCNICA DE OTIMIZAÇÃO DA SIMULAÇÃO

Neste exemplo, o módulo de otimização baseado em AE do SimRunner é utilizado
para buscar uma solução ótima para o problema. Uma vez que não é realista assumir
que existe uma quantidade de tempo ilimitada para conduzir a busca, o software per-
mite ao usuário escolher um perfil de otimização que influencia o grau de minúcia
utilizado na busca pela solução ótima. Os três perfis de otimização são: agressivo,
moderado e cauteloso. O perfil agressivo especifica uma busca rápida e é utilizado
quando o tempo computacional é restrito. O perfil cauteloso especifica que uma busca
mais minuciosa deve ser executada. O perfil moderado foi o utilizado na busca do valor
ótimo para o número de kanbans e para os valores de gatilho.
Neste exemplo, cada vez que o modelo foi usado para estimar uma solução, foram
executadas quatro réplicas para obter quatro observações independentes do desempe-
nho da solução. O desempenho foi computado ao final de cada execução da simulação
utilizando a equação (1). O desempenho final associado a cada solução é a média dos
valores de desempenho das quatro réplicas independentes.
A Figura 8.4 mostra o progresso da busca do módulo de otimização. Uma vez que
é difícil visualizar uma superfície de resposta com 33 variáveis dimensionais, apenas
a melhor solução de cada geração foi plotada. Os pontos foram conectados com uma
linha para ressaltar a taxa com que o algoritmo encontra soluções com desempenhos
aperfeiçoados. Note que o algoritmo rapidamente encontra soluções que são melhores
do que as encontradas utilizando-se o método da Toyota. A busca foi encerrada na 150ª
geração devido ao fato de que o método já não proporcionava melhoras significativas. A
solução recomendava o uso de 110 cartões e atingiu um desempenho de 37,945 pontos.
FIGURA 8.4 Comparação das soluções pelo método Toyota e pelo SimRunner
COMPARAÇÃO DE RESULTADOS
As soluções finais geradas pelo SimRunner e pela equação da Toyota foram executadas
no modelo de simulação com 20 réplicas independentes para se obter uma melhor es-
timativa do verdadeiro desempenho das soluções. A Tabela 8.1 mostra uma comparação
entre as soluções. Ambas as soluções alcançaram a produção requerida pelo fabricante,
utilizando um número substancialmente diferente de cartões kanban.
TABELA 8.1 Resultado das soluções geradas pelo método Toyota e pelo
SimRunner
Técnica Cartões kanban Índice de desempenho

Solução SimRunner 110 37,922
Solução Toyota 243 35,115

O teste de comparação múltipla estatística LSD de Fischer sugere que os desempe-

nhos dos métodos apresentadas na Tabela 8.1 diferem em um patamar de significância
de 0,05. Os resultados indicam que o módulo de otimização produziu uma solução
significativamente melhor no dimensionamento dos kanbans em comparação com a
obtida pelos planejadores, que utilizaram o método da Toyota. A solução obtida pelo
SimRunner requer 54% menos cartões (54% a menos de WIP) do que a solução obtida
pelos planejadores, quando estes utilizaram o método da Toyota. Tal resultado pode
representar uma redução considerável nos custos de produção.
Considerando o tempo necessário para executar o modelo de simulação em um
PC com processador Pentium 100 MHz, e o fato de que existem 4,81 x 1041 soluções
diferentes para o problema, o resultado a que chegaríamos seria de aproximadamente
1,15 x 1038 dias para avaliar todas as soluções do problema. Obviamente, essa não é
uma alternativa viável. O módulo de otimização do SimRunner necessitou de apenas
24 horas para completar sua busca. Em circunstâncias reais, a solução gerada através
da combinação de simulação e otimização forneceria um ponto de partida muito
melhor do que a solução da Toyota para a decisão final acerca do sistema real de
produção puxada. Além disso, também preveniria o fabricante de fazer investimentos
desnecessários nos contêineres de movimentação, além de evitar investimentos des-
necessários com custos de inventário. Vale ressaltar que a solução do otimizador
SimRunner contribuiria no processo de tomada de decisão, mesmo que a solução
encontrada não fosse a ótima.
QUESTÕES TÁTICAS NO USO DO MÓDULO

DE OTIMIZAÇÃO SIMRUNNER
Quando otimizamos um sistema simulado a fim de aplicar a solução a um sistema
real, o analista deve certificar-se de que o modelo de simulação reflete de modo acurado
o sistema real. Além disso, o analista deve determinar a quantidade de tempo apro-
priada para simulação do sistema, o tempo de aquecimento do modelo (warm-up), se
aplicável, e o número de réplicas necessárias para se obter resultados estatisticamente
válidos.
Os fatores-chave que devem ser considerados quando se utiliza o software de
otimização SimRunner são o número de variáveis de decisão e suas faixas de valores
possíveis, a construção da função-objetivo, e o tamanho da população utilizada para
conduzir a busca. Embora esses fatores sejam, de certa forma, dependentes do problema
abordado, existem algumas linhas gerais que podem ser seguidas.
O número das variáveis de decisão e suas faixas de possíveis valores afetam o tama-
nho do espaço de busca (número de soluções possíveis para o problema). Aumentando
o número de variáveis de decisão ou suas faixas de valores, aumenta-se o tamanho do
espaço de busca, o que pode tornar mais difícil a tarefa de identificar a solução ótima.
Como regra, deve-se incluir na busca apenas aquelas variáveis de decisão que, reco-
nhecidamente, afetarão de forma significativa o valor da função-objetivo. Deve-se
definir, criteriosamente, a faixa de valores possíveis para cada variável de decisão,
para aquelas soluções que são realmente possíveis.
Deve-se tomar muito cuidado no desenvolvimento da função-objetivo. O SimRun-

ner não impõe restrições ao número de termos da função. Contudo, quanto mais termos
são adicionados à função, mais a complexidade do espaço de busca pode aumentar,
tornando o problema de otimização mais difícil. Deve-se esforçar para manter o
objetivo tão específico quanto possível.
O tamanho da população de soluções utilizadas para conduzir a busca afeta tanto
a probabilidade de o algoritmo localizar a solução ótima, quanto o tempo requerido
para conduzir a busca. De forma geral, conforme o tamanho da população cresce, a
probabilidade do algoritmo encontrar a solução ótima aumenta. No entanto, o aumento
da população utilizada na busca geralmente aumenta o tempo necessário para efetuá-la.
Sendo assim, devemos estabelecer um equilíbrio entre encontrar o ponto ótimo e o
tempo disponível para efetuar a busca. O SimRunner oferece três tamanhos de popula-
ção (pequena, média e grande). O tamanho pequeno de população é utilizado quando
o usuário seleciona o perfil agressivo de otimização. O tamanho médio da população
é utilizado quando selecionado o perfil moderado de otimização, e assim por diante.
SUMÁRIO E CONCLUSÕES
A proposta deste capítulo não era discutir que os Algoritmos Evolutivos são
considerados a única solução para resolver problemas de otimização da simulação,
mas sim, introduzir o leitor aos Algoritmos Evolutivos através de exemplo que ilus-
trasse como eles trabalham e demonstrar que os AEs são uma escolha viável para uma
otimização confiável.
Sempre haverá debates na comunidade científica sobre quais são as melhores téc-
nicas para otimizar a simulação. O debate é bem-vindo, uma vez que resulta no melhor
entendimento das questões reais e leva ao desenvolvimento de melhores procedimentos
de soluções. Devemos lembrar, no entanto, que a questão prática não é se uma técnica de
otimização garante a localização da solução ótima no menor espaço de tempo para todos os
possíveis problemas que possa encontrar, mas, sim, que a técnica de otimização encontra,
de forma consistente, boas soluções para os problemas, as quais são melhores do que as
que os analistas estão encontrando por seus próprios meios. As novas técnicas, como os
Algoritmos Evolutivos, preencheram esse requisito porque provaram ser robustas em sua
capacidadede resolver uma ampla variedade de problemas, e também, pela sua facilidade
de uso, tornaram-se uma escolha prática para a simulação nos dias de hoje.
Artigos publicados em vários periódicos demonstram que a otimização vem sendo uti-
lizada para resolver problemas do “mundo real”. IBM, ServerdrupFacilities Inc. e Baystate
Health Systems relatam os benefícios provindos da utilização do SimRunner como uma
ferramenta de apoioà decisão (Akbay, 1996). O grupo de simulação na Lockheed Martin
utilizou o SimRunner para determinar o melhor tamanho dos lotes de peças e quando estes
deveriam ser disparados no sistema, a fim de cumprir a produção programada.
Questões para Revisão

1. O que é superfície de resposta?
2. O que queremos dizer quando um algoritmo de otimização é classificado como uma
técnica heurística?
3. Qual é a principal diferença entre o modo como um Algoritmo Evolutivo conduz a
busca da superfície de resposta e o modo como muitos dos algoritmos tradicionais de
otimização não lineares conduzem a busca? Que vantagens essa diferença acarreta
aos AEs sobre os tradicionais algoritmos de otimização não lineares?
4. Suponha que você está trabalhando em um projeto com cinco variáveis de decisão
(A, B, C, D, E). Os possíveis valores numéricos para cada variável de decisão são os
seguintes: 1, 2, 3, 4, 5 e 6. Quantas soluções diferentes podem ser geradas dessas
cinco variáveis de decisão? Se o computador demora um minuto para calcular uma
solução (executar o modelo de simulação para o número de réplicas determinadas),
quantas horas seriam necessárias para calcular todas as soluções? Se o objetivo fosse
encontrar a melhor solução, e, para calcular todas as soluções fosse necessária uma
quantidade de tempo inviável, que abordagem você acataria?
Capítulo 9
O Aspecto Financeiro
Muitos projetos de simulação têm como objetivo a melhoria de aspectos operacio-
nais do dia a dia das empresas. Porém, a melhor medida para se determinar o sucesso
desses projetos é sua influencia no desempenho financeiro da organização.
UMA VISÃO GERAL SOBRE O ASPECTO FINANCEIRO

Na maioria das vezes, as empresas de manufatura buscam reduzir o custo associado
a cada produto que fabricam, ou, ainda, aumentar a quantidade de produtos fabricados
com o mesmo número de recursos. Independentemente do foco do projeto, reduzir custos
ou aumentar vendas, o objetivo final se refere ao aumento da lucratividade da empresa.
Fornecedores de serviços podem buscar, ainda, melhorar a satisfação de seu cliente,
reduzindo-se tempos de espera. Acredita-se que tal procedimento traga o aumento
da satisfação dos clientes e, portanto, um melhor resultado aos negócios. Outras ins-
tituições como hospitais, podem buscar a manutenção de níveis razoáveis de serviços,
enquanto minimizam custos, racionalizando a compra de equipamentos muito caros.
Em todos esses casos, existem problemas de múltiplos objetivos. Assim, faz-se
necessário analisar quais deles realmente contribuem de alguma forma para a lu-
cratividade dessas organizações.
Adicionar novos funcionários a uma agência bancária pode aumentar a satisfação
dos clientes, porém pode também aumentar os custos dela. Comprar um novo equipa-
mento em uma empresa pode aumentar sua produção, porém também aumentará seus
custos de manutenção, depreciação etc. Dessa forma, a simulação é uma ferramenta
útil para aqueles analistas que buscam considerar a interrelação de todos os fatores
que contribuem para o sucesso ou fracasso de um projeto de melhoria de processo.
Através da simulação, várias alternativas podem ser verificadas até que se chegue
à melhor escolha que, obviamente, será determinada por condições de contorno que
contemplem aspectos técnicos, operacionais e físicos. Além disso, em muitas organi-
zações, as condições de contorno serão dadas por limitações de recursos financeiros
disponíveis.
Para as organizações em geral, há a grande obrigação de se garantir o capital da
empresa e de se realizar tomadas de decisão relacionadas a negócio de forma mais
prudente. Essa afirmação não se aplica só às pessoas que trabalham com finanças, mas
a todos os membros da organização. Para muitos usuários da simulação, isso significa
também que as soluções em potencial devem ser ponderadas levando-se em conta o
mais alto benefício para cada unidade monetária investida.
77
O mais alto benefício financeiro nem sempre se refere à alternativa mais barata ou
àquela que gera o maior rendimento. O horizonte de tempo é um fator-chave na seleção
dessas alternativas. Assim, deve-se questionar se o objetivo da organização está em
priorizar a melhor vantagem financeira em curto ou em longo prazo. Como exemplo
de curto prazo, temos muitas vezes a melhor performance financeira buscando-se a
redução de custos. Se o objetivo for obter vantagem financeira a longo prazo ou, até
mesmo, a médio prazo, pode-se buscar um aumento de investimento em curto prazo,
para se chegar a um aumento de produção.
Como resumo, ressalta-se que, em um estudo de simulação, os custos relacio-
nados aos aspectos técnicos, operacionais e físicos de um processo serão sempre
considerados. Aspectos voltados a balanços financeiros e contábeis não são o es-
copo da simulação. Porém, o estudo poderá oferecer para as pessoas destas áreas,
os subsídios necessários para que os objetivos financeiros da organização sejam
atingidos.
INCORPORANDO O ASPECTO FINANCEIRO

Informações financeiras são frequentemente tratadas externamente à construção
dos modelos de simulação e também após a sua análise. Com o recente avanço dos
softwares de simulação, essas informações podem ser incluídas nos modelos de forma
muito mais fácil que se conseguia no passado. Assim como qualquer outro dado, o
nível de informações financeiras que serão incluídas nos modelos é dependente dos
objetivos da construção deste modelo, bem como da habilidade do projetista do modelo
em obter valores de custos e outros parâmetros de fontes confiáveis. Ao abordar o as-
pecto financeiro em uma modelagem, a resposta a algumas perguntas poderão facilitar
o trabalho como um todo.
1. Quais informações de custos e de rendimentos são necessárias?
2. Onde essas informações podem ser obtidas?
3. Como esses dados podem ser processados?
4. Como esses resultados financeiros serão interpretados após a simulação?
Ao incluir informações financeiras no modelo, recomenda-se ter o mesmo cuidado

dispensado às informações operacionais. Um plano bem documentado para reunir todas
essas informações poderá ajudar em muitos aspectos. Como pode ser verificado na
Capítulo | 9 O Aspecto Financeiro 79
Tabela 9.1, o projetista de um modelo de simulação deverá ter um claro entendimento

dos resultados financeiros, dos objetivos do trabalho, dos parâmetros e das condições
de contorno. Um bom relacionamento com a equipe financeira e contábil da empresa
melhora a compreensão dos aspectos financeiros e elucida a realidade em que as
soluções encontradas através da modelagem serão aplicadas. Recomenda-se ainda
que, se possível, um profissional da área financeira esteja envolvido com o projeto
de modelagem.
TABELA 9.1 Para o início do projeto de simulação

Antes do Início da Simulação
PASSOS RESUMO
1. Entender os resultados financeiros e os objetivos
Resumo dos fatores de custo
da organização
2. Documentar os resultados financeiros e os objetivos Trabalho de grupo

do projeto de simulação Resumo dos fatores de custo
3. Determinar como os custos serão computados Hierarquia da integração de custo
Durante a Simulação
PASSO RESUMO
Cumprir o corolário financeiro em
1. Maximizar a interligação entre os aspectos
cada passo de construção
operacionais do processo e os aspectos financeiros
do modelo
Destaca-se ainda que as informações financeiras do modelo serão incluídas ao mes-

mo tempo que as demais informações. Porém, muitas vezes, as informações financeiras
poderão ser inseridas após a inclusão e validação das informações operacionais. Em
ambos os casos, há um corolário financeiro para cada passo do projeto de modelagem,
mostrado na Tabela 9.2.
TABELA 9.2 Corolários financeiros durante a execução de um projeto de simulação
PASSOS DA SIMULAÇÃO COROLÁRIO FINANCEIRO

1. Definição do problema Estabelecer objetivos financeiros
e dos objetivos
2. Formulação Instruir a equipe sobre as características da simulação

e Planejamento Mostrar como os aspectos de custo são incorporados ao modelo
do Modelo e como podem ser interpretado os resultados
Identificar condições de contorno
Acessar e avaliar informações financeiras
Identificar a formação do custeio da empresa
3. Coleta de Dados Buscar dados preliminares de custeio

Concordância da equipe com os dados de custeio coletados
4. Desenvolvimento O plano de integração de custo precisa ser alterado?

do Modelo Inserir os dados no modelo de simulação
5. Verificação do Modelo Verificar se a modelagem de custeio está condizente

com as informações recolhidas da realidade
6. Validação do Modelo Verificar se o método adotado no modelo condiz

com o método adotado na realidade
Verificar se ao final da simulação se obtêm valores similares aos
obtidos na realidade para custo já conhecido
Fazer modificações se necessário
7. Experimentação Estabelecer um plano para proceder às comparações

entre as diferentes soluções apresentadas
Determinar o número de vezes em que será rodado o modelo
(replicações) para serem obtidos níveis confiáveis de variabilidade
8. Análise dos Resultados Estabelecer, se necessário, uma análise estatística para os

e Apresentações resultados gerados
Estabelecer o custo total e áreas de custo crítico de acordo
com os objetivos financeiros
Relacionar resultados financeiros com os objetivos financeiros
e de produção da empresa
Observar, comparar e analisar os resultados de cada
“replicação” de cada experimento
Resumir os impactos financeiros das várias alternativas
encontradas
Ter sempre disponíveis dados financeiros detalhados
9. Implementação Documentar o sucesso dos objetivos financeiros alcançados

Identificar riscos e oportunidades
COMPARAÇÃO ENTRE DUAS ALTERNATIVAS

O primeiro passo para se desenvolver uma análise financeira é estabelecer uma
base de comparação. Critérios individuais ou específicos de avaliação irão variar
dependendo dos objetivos do projeto. Um fator financeiro comumente utilizado é o
custo total das operações. Este custo mostra o impacto das soluções propostas. As-
sumindo-se parâmetros operacionais iguais para cada alternativa, como, por exemplo,
produção final, intervalo de tempo da produção etc., a alternativa com menor custo
total poderá ser a melhor solução encontrada.
Ainda há casos em que os resultados das alternativas podem ser equivalentes,
cabendo ao analista avaliar com bom senso a melhor delas. Como limite dos cenários
encontrados, têm-se os seguintes resultados:
1. performance operacional alta e custo total baixo;
2. performance operacional baixa e custo total alto.
O resultado 1 é aceito, porém o 2 é rejeitado. Ainda há casos em que as duas

alternativas podem trazer performance e custos totais altos. Cabe aí, mais uma vez,
ao time de analistas distinguir qual a melhor solução apresentada. A análise do custo
de forma exclusiva não deve ser o único parâmetro de decisão.
Um fornecedor de serviços pode muito bem, em um primeiro momento, aceitar
altos custos se isso trouxer um adicional nos negócios que possa cobrir este aumento
de despesas, por exemplo. Uma empresa de manufatura pode ainda aceitar altos custos
caso venha a ter aumento de qualidade através da diminuição da devolução de seus
produtos ou da diminuição de retrabalho dos mesmos.
Ao se comparar alternativas, faz-se necessário determinar quais informações
são significativas e úteis para se tomar decisões. Os fatores relacionados a seguir
geralmente são utilizados na análise de alternativas:
● benefícios tangíveis;
● benefícios intangíveis;
● diferenças de custo;
● custo final do produto;
● custo total do produto;
● custos da qualidade;
● custos de capital;
● níveis de tecnologia e recursos disponíveis na empresa;
● treinamento e educação necessária;
● custos de inicialização da implantação e curva de aprendizado;
● flexibilidade e adaptabilidade do sistema analisado.
Os fatores anteriormente listados devem ser sempre relacionados, além dos

resultados e objetivos da organização. Esse procedimento ajudará a estabelecer
critérios com os quais os custos serão avaliados. É possível declarar os fatores
segundo seu grau de importância para a organização. Dessa forma, eles podem ser
divididos em três grupos, e os itens do começo da lista tem uma prioridade média
ou baixa. Um modo mais sofisticado de relacioná-los seria combinar simulação
com otimização. Otimizadores, como o SimRunner, permitem que se estabeleça
uma função-objetivo com graus de importância entre os fatores e, assim, busca-se
maximizar os de maior importância.
Um exemplo simples seria um modelo que busca maximizar os lucros subtraindo
o custo total da produção do total de rendimentos. Obviamente, os rendimentos irão
variar conforme a quantidade produzida, mas o rendimento por produto irá variar
conforme níveis de produtividade diferentes. Lembre-se ainda que não importa como
a função-objetivo é definida, a comparação das alternativas simuladas exigirá uma
avaliação dos resultados gerados para cada uma delas.
Um resumo dos documentos de custo pode ser utilizado para apresentar com
facilidade os resultados obtidos. A seguir, faz-se uma breve discussão sobre os vários
tipos de custos, além de se mencionar dicas de como estes podem ser inseridos no
contexto da simulação.
O CUSTO TOTAL
O conceito de Custo Total muitas vezes é mais difícil do que se possa imaginar.
A definição do dicionário Webster's para “custo” é “ [...] O total de dinheiro,
tempo e esforço despendido para se atingir um objetivo”, e isso pode ser interpretado
de diferentes formas. Por exemplo, um projeto de simulação pode ter como objetivo
o aumento da produtividade de uma linha para acomodar a entrada de um produto.
Desse modo, deve-se considerar no custo total do projeto os custos com as edificações
para acomodar o novo produto?
Alguns analistas dizem que sim, pois os custos com edificações devem ser alocados
de uma forma ou outra. Outros podem dizer que não, pois independentemente de
quanto espaço o produto ocupe, ou mesmo que não ocupe qualquer um, os custos das
edificações serão os mesmos.
Assim, faz-se necessário chegar a denominadores comuns para se garantir a qua-
lidade dos custos que serão alocados. Mesmo que esse tipo de definição não seja de
responsabilidade do projetista do modelo, o conhecimento desses detalhes durante a
execução do projeto será de grande valia.
Geralmente, as atividades de simulação irão repercutir de forma operacional, ou

seja, nos custos de fábrica. Porém, podem criar impactos também nos custos gerais e
administrativos, uma vez que as alternativas apresentadas significam investimentos que
irão trazer consequentes custos financeiros de depreciação, além de outras despesas.
Mais informações sobre o custo total poderão ser vistos na Tabela 9.3.
TABELA 9.3 Componentes do custo total

Custo Operacional = material direto
trabalho direto
sobretaxa
Custos Gerais e Administrativos = custo não identificáveis como operacionais

custos de investimento
custo da oportunidade
custos ou faturamento de ações não tomadas
CUSTO TOTAL
CUSTOS OPERACIONAIS OU CUSTOS DIRETOS

Independentemente do método utilizado para acumulação de custos, o custeio cor-
reto deverá, de alguma forma, alocar ou atribuir valores referentes a uma determinada
entidade, seja ela peça, cliente ou paciente. Por exemplo, nos ambientes de manufatura,
o custo direto de componentes é geralmente identificado e alocado ao produto final.
O custo direto de componentes é geralmente composto por custos de material, tempo
de fabricação etc., como mostrado na Tabela 9.4.
TABELA 9.4 Componentes do custo operacional

Materiais diretos Materiais alocados diretamente para o custo do produto
Esses custos são geralmente fáceis de identificar no produto
Trabalho Trabalho diretamente executado sobre o produto
Sobretaxa Material indireto

Material consumido no processo, geralmente difícil de identificar
Trabalho indireto
Trabalho despendido para fabricação do produto, que não está
diretamente ligado a ele
Outros custos indiretos: luz, aluguel, seguro, depreciação, impostos
CUSTO OPERACIONAL
ProModel, ServiceModel e MedModel incluem uma variedade de comandos es-

pecíficos para auxiliar a coleta de informações de custo. Custos podem estar associados
às “entidades”, “locais” ou “recursos”.
No caso das entidades, elas captam custos colocados de forma direta, como valor
da matéria-prima, ou ainda buscam custos associados a cada uma das fases do processo
de fabricação.
Os custos de processo podem ser calculados pelo tempo gasto em cada “local” e/
ou pelo tempo gasto por cada recurso, ou, ainda, podem ser alocados considerando-se
uma taxa fixa por uso. Custos indiretos também podem ser incluídos calculando-se o
tempo de processo ou considerando-se uma taxa fixa por entidade.
Custos por entidade, local ou recurso estão disponíveis nos relatórios finais gerados
pelo ProModel, tanto em bases monetárias como em porcentagens.
CUSTO ACUMULADO
Os custos de componentes devem de alguma maneira ser coletados ou acumulados
consistente e coerentemente. Conceitos tradicionais de custeio e alocação de custos
estão mudando. Para evidenciar isso, podemos citar o crescente interesse pelo método
conhecido como Custeio ABC.
As mudanças nos aspectos financeiros e contábeis não têm acompanhado as
mudanças tecnológicas que acontecem em muitas indústrias, por isso novas maneiras
de se interpretar os custos se fazem necessárias e geram tamanho interesse. Sistemas
de Formação de Custos estão descritos na Tabela 9.5.
TABELA 9.5 Sistemas de custeio

MÉTODOS TRADICIONAIS
Produção sob encomenda Custos estão associados a um trabalho específico

Úteis para produção de quantidade limitada de produtos
Acumulam custeio por trabalho executado
Custos atuais ou custo padrão
Custo por processo Útil para produtos fabricados em larga escala

O processo de produção é segmentado em centro
de custo
Custos associados a centros de custo
MÉTODOS EMERGENTES
ABC (Activity Based Costing) Tem como princípio que atividades e não produtos
incorrem em custos
Um bom entendimento dos métodos de alocação de custos das organizações per-

mitirá ao projetista do modelo de simulação utilizá-lo de forma consistente em seu
estudo. Em muitos casos, se as informações de custo são inclusas nos modelos, elas
irão refletir a forma em que as organizações rastreiam seus custos.
A SIMULAÇÃO E A INTEGRAÇÃO COM A HIERARQUIA

FINANCEIRA
As discussões precedentes promoveram uma breve visão dos objetivos financeiros
básicos e dos fatores de custeio. Foi visto que em cada passo do processo de modela-
gem há um corolário financeiro. O desafio agora é encontrar a melhor forma de integrar
as informações referentes a cada um desses passos. Assim como lida com um dado
operacional, o projetista do modelo incluirá os fatores financeiros necessários para
atingir os objetivos do trabalho. Porém, se dados irrelevantes forem incluídos, apenas
um grau maior de complexidade será gerado, sem que se chegue a um resultado efetivo.
Existe uma hierarquia para se conseguir e processar dados financeiros.
A melhor solução seria que todos os dados de custeio e operacionais fossem in-
cluídos e trabalhados integralmente no modelo de simulação. No entanto, há ainda
a alternativa de se trabalhar os dados financeiros e de custeio de forma externa ao
modelo; uma solução menos desejada, porém, viável.
No passado os custos só eram calculados após o processamento dos dados opera-
cionais nos modelos. Hoje em dia, com os avanços de softwares, é possível realizar a
integração dos fatores operacionais e de custeio de forma muito eficiente.
A Tabela 9.6 ilustra as possibilidades de inclusão de dados financeiros. Os usuários
da simulação devem determinar em cada projeto qual processo será mais adequado
para se integrar as informações financeiras, não se esquecendo de buscar o auxílio de
membros da área financeira. O melhor método será aquele que oferece o nível desejado
de informação com o mínimo de esforço despendido. Desse modo, independentemente
TABELA 9.6 Hierarquia para integração de custos na modelagem da simulação

SOLUÇÃO IDEAL COMPLETO:
Todo o custeio é processado durante a simulação e expressos
em valores de custo
Não há necessidade de processamento adicional
SOLUÇÃO BOA PARCIAL:

Algumas informações são processadas durante a simulação,
outras, após
SOLUÇÃO ACEITÁVEL EXTERNO:

Nenhuma informação de custo é processada durante a
simulação; utilizam-se planilhas externas para esta função
do método escolhido, propõe-se que só se acrescente detalhes ao modelo quando

realmente for necessário. O escopo, a duração e a continuidade da análise de simulação
devem ser considerados ao se incorporar os aspectos de custo ao modelo.
Apesar de os fatores de custeio serem facilmente incluídos nos modelos, um bom
processamento daqueles sempre requer um dispêndio de tempo e trabalho para a sua
montagem. Esse trabalho pode ser justificado, se o modelo for utilizado futuramente,
para repetidas análises. Contudo, se o modelo não foi concebido para futuras utiliza-
ções, talvez não mereça trabalho adicional. Assim, a integração com dados externos
podem ser uma forma mais econômica de modelagem. Veja as Tabelas 9.7, 9.8 e 9.9
para considerações mais específicas.
TABELA 9.7 Integração total do custo na simulação

Dados Financeiros Resultados da simulação com aspectos de custeio
Dados Operacionais
Informações Necessárias Informações sobre custo são colocadas no modelo

Dados operacionais são colocados no modelo
Formação de Custos Garantir que toda informação operacional seja convertida

em informação sobre custeio
Os resultados de custeio podem ser fornecidos durante a
animação do modelo
Vantagens/Desvantagens Requer uma análise extensa do processo de acumulação

de custos
Normalmente requer o uso extensivo da função atributo
do software de simulação
Mormalmente requer tarefas de programação adicionais
TABELA 9.8 Integração parcial do custo na simulação

Dados Financeiros Via planilhas
Dados Operacionais Externos Resultados da simulação com aspectos de custeio
Informações Necessárias Informações limitadas sobre custo são colocadas no

modelo
Formação de Custos As informações operacionais são parcialmente

convertidas em informações sobre custeio
Algumas dessas informações estarão disponíveis durante
a animação do modelo
Vantagens/Desvantagens Bom entendimento do processo de formação de custos

Haverá uma divisão no modelo entre a parte financeira
e a parte operacional
Requer exportação de dados para planilhas
TABELA 9.9 Integração externa do custo na simulação

Dados Financeiros Via planilhas
Dados Operacionais Externos Resultados da simulação com aspectos de custeio
Informações Necessárias Não há introdução de informações sobre custo no

modelo
Formação de Custos Todos os cálculos e análises de custo são feitos

externamente ao modelo de simulação
Vantagens/Desvantagens Necessita-se de um entendimento mínimo do processo

de formação de custos
Requer exportação de todos os dados necessários
para custeio
Utiliza ferramentas tradicionais de análise
TEMPOS DE ESPERA E “CARRYING COSTS”

Em simulação, uma das análises com maior impacto financeiro diz respeito a
tempos de espera. Reduzir tempos de espera é um dos maiores objetivos nas indústrias
e nas empresas de serviços de nível mundial. As ramificações dos tempos de espera
podem ser muito extensas, como mostra a Tabela 9.10. Os custos associados a esses
TABELA 9.10 Locais onde as informações de custo podem estar disponíveis

Quantidade de material direto Busca por informações orientada pelo software
de simulação
Valores para o material direto Custos atuais:

Departamento de compras
Contas de custeio
Departamento financeiro
Custo de produtos
Custos estimados:
Propostas de prestadores de serviços
Catálogos de fornecedores
Quantidades de trabalho direto Orientado pelo software de simulação
Valores para o trabalho direto Custo atual:

Setor financeiro
Custo padrão:
Contas de custeio
Financeiro
Custo de produtos
Custo estimado:
Propostas de prestadores de serviço
tempos tem sido tradicionalmente omitidos e, muitas vezes, ignorados nos processos
de tomada de decisão.
Vários esforços são feitos para se obter a “real visão do custo total” e com isso vem
aumentando o exame de “carrying costs”. A simulação é uma das melhores ferramentas
de análise para se medir os tempos de espera e seu impacto nos “carrying costs”.
“Carrying costs” são definidos como o custo de se possuir um bem ou recurso, e
estão diretamente relacionados ao valor do bem e ao tempo em que ele fica nos sis-
tema. Sua definição pode diferenciar de organização para organização e de indústria
para indústria. Em um sistema de manufatura, “carrying costs” podem ser expressos
por uma quantia ou porcentagem anual do custo da peça. Prestadores de serviços têm
corolários específicos associados ao tempo em que um cliente gasta no sistema. Esse
tipo de custo muitas vezes pode ser mais difícil de quantificar que no setor industrial.
Essa quantificação inclui ainda o impacto causado por longos tempos de espera
nos níveis dos futuros negócios. Geralmente, “carrying costs” incluem qualquer custo
relacionado ao inventário de itens e ao espaço físico ocupado.
Custos relativos às entidades incluem a porcentagem de retorno esperado com o
investimento feito no estoque, além de se considerar taxas e outros impostos.
Custos relativos ao espaço físico ocupado pela entidade podem ser incluídos,
como um aluguel, despesas de depreciação, obsolescência, impostos, seguros,
manutenções etc.
Algumas vezes “carrying costs” são considerados por um percentual alocado aos
custos de estoque. O exemplo a seguir mostra um cálculo simplificado de “carrying
costs” de uma peça (Tabela 9.11).
TABELA 9.11 Locais onde as informações de custo podem estar disponíveis

Matéria-prima: $ 1.000/peça
Material adicionado: $ 1.000/peça
Trabalho adicionado: $ 1.000/peça
Sobretaxa: $ 1.000/peça
Média de tempos de espera: 1 mês
Estoque em processo: 25 peças
Média do custo do estoque em processo: $4.000*25= $100.000
Retorno do capital investido no estoque: 25% ano
(assume-se todo o investimento ou inventário e espaço ocupado)
Carrying cost = $ 2.083/mês
(100.000 * 0,25 * 1/12) ou 2,083%/mês
O custo de um bem aumenta conforme este se movimenta pelo processo. Pode ser
vantajoso adicionar itens com alto valor de investimento somente no final desse sis-
tema produtivo. Assim, o capital investido no estoque em processo pode ser reduzido.
Percebe-se que a variação dos “carrying costs” é significativa em relação à redução
dos tempos de espera. Impactos e variações são estimadas:
1. chegando-se a uma porcentagem de “carrying costs”;
2. conseguindo-se estabelecer o impacto financeiro;
3. comparando a porcentagem dos “carrying costs” sobre os custos totais.
Se o impacto dos “carrying costs” não forem altos, o projetista do modelo não terá
necessidade de se preocupar com eles, e, assim, seu modelo poderá ser simplificado.
Caso contrário, através da simulação será possível chegar a uma forma muito eficaz
de aumentar substancialmente a eficiência do negócio.
Questões para revisão:

1. Qual é o objetivo de incluir questões de aspecto financeiro nos estudos de simulação?
Como as análises de implicações financeiras podem auxiliar o projetista da simulação?
2. Quais passos devem ser traçados para se conseguir auxílio do setor financeiro da
organização?
3. Explique, em termos gerais, como a inclusão dos aspectos financeiros pode acontecer
paralelamente à construção do modelo de simulação?
4. As empresas geralmente priorizam uma área específica para obter melhorias, como,
por exemplo, a utilização de trabalho direto ou de redução do estoque em processo.
Como a simulação pode ajudar a trazer soluções efetivas para esses problemas?
5. Em que situação um alto grau de integração de custos poderia ser usado em uma
simulação? Quando a utilização de integração externa de custos seria preferível?
6. Quais custos compõem os “carrying costs”? Como essa definição pode variar de
organização para organização?
Capítulo 10
Aplicações da Simulação
Neste ponto do livro, já temos um bom conhecimento de simulação. Resta agora
saber quando ela se aplica. Este capítulo demonstra aplicações em diversos setores e
mostra que a Simulação não está presente apenas em logística e manufatura como é
comum se pensar.
A DIVERSIDADE DE APLICAÇÕES
Provavelmente o exemplo mais comum utilizado para ilustrar o conceito de si-
mulação, envolve um modelo de operações bancárias no qual uma ou mais caixas
estão disponíveis para atender aos clientes, os quais chegam com frequência aleatória
e demandam diferentes tempos de processamento. Apesar da predominância das
operações bancárias ou outros exemplos de serviços, as indústrias de manufatura são,
provavelmente, as que mais se utilizam da simulação. Dois motivos principais para
a crescente popularidade da simulação na indústria têm sido a facilidade de uso e a
pressão competitiva.
Quando os simuladores foram desenvolvidos, com simplicidade de construção do
modelo, a aplicação na manufatura era um foco natural. Isso porque muitos conceitos
produtivos encontram aplicação em uma ampla variedade de processos. Assim, simu-
ladores relativamente pouco sofisticados, com algumas construções básicas, podem
acomodar razoavelmente uma ampla gama de aplicações industriais. Sua capacidade
de modelar de forma rápida e direta era popular entre engenheiros industriais e ge-
rentes operacionais, os quais estavam familiarizados com os sistemas de produção e
desejavam uma ferramenta que não exigisse grandes tarefas de programação.
O advento dos simuladores chegou bem a tempo. Indústrias norte-americanas e
europeias, há tempos acostumadas a competir somente entre si, começaram a enfrentar
grande pressão competitiva provinda do Japão e de outros países asiáticos, assim como
de outras regiões menos desenvolvidas. Em sua busca por um aumento de competiti-
vidade, redução de custos e melhoria da qualidade, muitas companhias encontraram
na simulação uma ferramenta útil para estudar o impacto das mudanças propostas.
A flexibilidade dos novos pacotes de simulação levou ao crescimento da modela-
gem em muitas das funções logísticas associadas à indústria. Um modelador pode agora
simular processos produtivos complexos, movimentação de material, distribuição,
armazenagem e atividades de manutenção e resultados de confiabilidade/disponibili-
dade, fazendo uso de um único pacote e necessitando de poucos conhecimentos em
programação.
91
Enquanto a popularidade da simulação crescia nos meios produtivos, na indústria

de serviços seu emprego era provavelmente menos comum. Com a disponibilidade de
um software que era fácil de usar e flexível, a simulação na área de serviços começou
a experimentar um rápido crescimento. Embora muitos prestadores de serviços es-
tivessem contentes em utilizar os versáteis pacotes de simulação para a produção, a
demanda por mais características de serviços fez surgir pacotes como o ServiceModel
e o MedModel, projetados especificamente para essas funções.
Muito embora distintas indústrias enfrentem desafios similares em suas operações
diárias, cada uma tem características próprias que precisam ser refletidas em um
modelo cuidadoso. O debate a seguir não pretende ser uma exaustiva exploração desses
problemas, mas sim ilustrar como a modelagem pode ser aplicada. Algumas dessas
aplicações são baseadas em projetos de simulação reais, outras provêm de modelos de
demonstração usados para ilustrar o conceito de simulação para a alta gerência. A des-
crição de cada modelo nos dará mais detalhes sobre o enfoque específico da modelagem
e as razões para utilizá-lo.
QUESTÕES EM MANUFATURA
Tempo
O tempo é um dos critérios mais estudados de performance da manufatura. Muito
embora a frase “tempo é dinheiro” seja um velho clichê no mundo dos negócios,
a importância do tempo como fator de produção apenas recentemente começou a
receber atenção. A habilidade de uma empresa em cumprir as especificações de seus
clientes em um curto período e responder rapidamente às mudanças do mercado tem
reforçado uma tendência de se buscar sistemas de produção mais flexíveis e aptos a
serem rapidamente reconfigurados. Algumas das maiores corporações do mundo têm
sido eliminadas de mercados tradicionais por concorrentes menores, porém mais ágeis.
A capacidade única da simulação de lidar tanto com o elemento temporal quan-
to com o impacto dos eventos estocásticos tem feito da técnica lugar comum nos
programas de melhoria contínua. Certamente uma das aplicações mais comuns da
simulação está relacionada à redução do tempo que um elemento gasta no sistema sem
que qualquer valor lhe seja agregado. Esse tempo de espera produz custos desneces-
sários de movimentação e reduz a capacidade do sistema em responder à demanda
do mercado. Em um cenário típico, uma peça é processada e espera então pelo trans-
porte que a conduz a outro local, onde espera pela disponibilidade da máquina, ou do
operador, que executará um novo processo. Três desses quatro passos não agregam
valor. Obviamente, a soma dos tempos mortos, isso é, aqueles que não agregam valor,
pode exceder ao final do processo à soma dos tempos em que o trabalho produtivo é
executado.
Uma forma muito utilizada para reduzir o tempo de espera é o método just-in-time
ou JIT. Ele baseia-se na redução dos inventários e na redução das filas por meio da
programação de chegada dos componentes às estações de trabalho exatamente no
momento em que elas se tornam disponíveis para iniciar a operação. Um método muito
relacionado é o sistema kanban. No sistema kanban utiliza-se um conjunto de cartões
Capítulo | 10 Aplicações da Simulação 93
que indicam quando uma estação de trabalho estará disponível para processar um lote
de componentes e o tempo que o lote levará para ser transportado e posicionado em
frente à estação de trabalho. Embora essas técnicas e outros métodos de balanceamento
da linha de produção possam ser modelados com outras ferramentas, a simulação lida
bem com as inconsistências comuns à produção, como tempos variáveis nas operações,
paradas, chegadas atrasadas de alguns componentes, entre outros. A capacidade de
incluir esses eventos estocásticos na simulação permite ao modelador estabelecer os
tamanhos dos lotes, regras operacionais e controles de sistema em maior sintonia com
as operações do mundo real.
Movimentação de material
Os avanços obtidos pelos softwares de simulação têm feito com que a modelagem
de sistemas de movimentação de material se torne cada vez mais praticáveis. Uma vez
que o tempo de movimentação do componente entre as operações pode representar
uma parte significativa do tempo total de permanência no sistema, a capacidade de
projetar a performance de um dispositivo de transporte sob circunstâncias específicas
pode produzir melhorias significativas. Robôs, transportadores, guindastes, AGVs e
pessoas possuem características operacionais únicas que podem alterar a performance
de todo o sistema. Tanto na modelagem de melhorias propostas para um sistema já
existente, quanto para projetar um sistema de transporte eficiente para uma nova linha
de produção, a simulação pode ser a mais eficiente ferramenta de análise disponível.
Layout da planta e planejamento de capacidade

Muitas companhias envolvidas no planejamento e na construção de novas ins-
talações fazem uso da simulação para certificar-se de que há capacidade suficiente
disponível para cumprir as metas de produção. Softwares como o CIM Tecnologies
Factory Plan estão disponíveis para ajudar os projetistas a minimizar as distâncias de
movimentação dos produtos dentro do sistema. A capacidade de importar desenhos
do CAD como fundo para o modelo de animação torna esses pacotes úteis para serem
utilizados em conjunto com a simulação. Muitas companhias perceberam que a
simulação ajudou a pré-identificar aquelas áreas críticas que precisam de remodelações,
resultando em custos iniciais significativamente menores e em um alcance mais rápido
de níveis de rendimento de uma produção satisfatória.
Quando a Western Digital estava planejando a construção de uma nova fábrica para
produzir disk drivers em Cingapura, o gerente de automação gastou diversas semanas
na construção de um modelo do layout proposto para a nova fábrica e dos sistemas
de movimentação de material. Os fornecedores de equipamentos foram chamados a
submeter propostas para sistemas de robôs utilizados na movimentação dos conjuntos
montados de uma estação para a outra. Baseados na simulação, a Western Digital
foi capaz de identificar capacidades inadequadas e requisitar revisões antes da im-
plementação. Os gerentes da companhia deram à simulação muito crédito pelo início
de operações livre de problemas e estimaram que a simulação evitou um gasto dez
vezes maior que o investimento.
Programação Job Shop

Muitas fábricas produzem pequenos lotes de produtos para satisfazer as neces-
sidades de clientes específicos. As chamadas Job Shops podem fabricar uma ampla
variedade de itens utilizando o mesmo maquinário, equipamentos e força de trabalho.
Provavelmente o desafio mais intenso enfrentado pelos gerentes dessas companhias
é conciliar as necessidades e especificações do cliente com a utilização mais racional
e eficiente possível dos recursos disponíveis. Uma vez que cada trabalho executado
poderia ter um tamanho de lote exclusivo e diferentes necessidades produtivas em cada
estação de trabalho, a programação da produção pode tornar-se extremamente difícil.
A capacidade da simulação em gerenciar prioridades conflitantes e a chegada de
milhares de componentes em diferentes estações de trabalho tem conduzido até mesmo
as pequenas Job Shops a modelar suas operações. Tipicamente, um modelo básico
da fábrica é desenvolvido e as possíveis combinações dos trabalhos programados
são executados no modelo para identificar os gargalos e planejar as datas de entrega.
Ainda que não seja uma técnica de otimização no sentido da programação linear, um
módulo incluso no ProModel rapidamente calculará a combinação das programações
possíveis para um número limitado de componentes. O ProModel para Windows, o
MedModel e o ServiceModel possuem a capacidade do ProModel em ler arquivos
externos que podem incluir várias combinações de programação dos trabalhos.
Avaliação de investimentos e equipamentos

Há muito tempo a simulação tem sido usada como uma ferramenta para fazer
avaliações de novas tecnologias, equipamentos ou processos. Por meio da inclusão
da tecnologia em estudo num modelo da operação já existente, os gerentes podem
determinar qual o impacto da nova tecnologia em outras partes do sistema. Em alguns
casos, as diferenças entre os custos das operações “nova” e “velha” podem justificar
a integração de fatores financeiros no modelo. Em outros casos, o impacto da nova
tecnologia sobre um critério decisivo de desempenho pode ser tão significativo que
a resposta torna-se óbvia e tudo que se precisa é de uma revisão externa de custos.
A Geneva Steel Corporation conta com um programa muito agressivo de compra
de equipamentos, a fim de tornar-se a mais eficiente companhia siderúrgica dos Es-
tados Unidos. A simulação foi utilizada para avaliar as diversas horas tecnológicas.
Em pelo menos dois casos, os estudos de simulação das novas tecnologias indicaram
a necessidade de modelos mais detalhados dos sistemas de movimentação de material
e dos requisitos de manutenção para garantir que o máximo de benefício seria obtido
do investimento (Bateman, 1992).
APLICAÇÕES NA ÁREA DE SERVIÇOS

O quadro de funcionários
Um dos primeiros usos da simulação foi para a avaliação dos quadros de funcio-
nários nas empresas prestadoras de serviços, como bancos e balcões no comércio.
Utilizando uma função de chegada de clientes baseada na sua própria clientela, os
gerentes das empresas de serviços podem analisar o tempo de espera dos clientes
com diferentes configurações no quadro de atendimento. Um gerente de banco po-
deria determinar, por exemplo, que três caixas são suficientes para proporcionar um
período de espera razoável durante a maior parte do dia, porém, nos períodos mais
movimentados, como a hora do almoço e o final da tarde, o tempo de espera na fila
é muito longo para seus clientes. Ele poderia então calcular os efeitos de adicionar
funcionários durante as horas de pico.
Embora o tempo de espera de um cliente normalmente não inclua os custos de
movimentação, assim como na indústria quando um componente espera por um
processo, a maioria das empresas de serviços entende que os custos com negócios
perdidos e animosidades por parte dos clientes estão associados ao longo tempo de
espera experimentado. A disciplina de “Análise do Nível de Serviços” tem se tornado
muito importante, conforme aumenta a competitividade em negócios que lidam dire-
tamente com o público. Um gerente de serviços competente irá examinar o quadro de
funcionários e os equipamentos para se certificar se ele e seus clientes podem conviver
com o nível de serviços indicado.
Melhoria dos procedimentos

Muitas organizações têm aprendido que consumidores domésticos também são
clientes. Em um esforço para melhorar a velocidade de resposta das suas funções
administrativas e de suporte, muitas dessas companhias estão utilizando a simulação para
modelar procedimentos revisados, a fim de aperfeiçoar o processamento de documentos,
chamadas telefônicas e outras transações diárias. Por meio da inclusão de informações
fornecidas por pessoas de todos os setores, algumas organizações têm registrado impor-
tante crescimento em sua velocidade de resposta a clientes internos e registrado aumento
na motivação dos funcionários capazes de eliminar procedimentos improdutivos.
Saúde
Hospitais, centros de traumatologia e outros prestadores de serviços médicos for-
mam um subsetor único da indústria de serviços. Apesar de o impacto de equipamentos
e quadro de pessoal no tempo de espera dos pacientes ser de importância imediata,
ainda maior do que em outros setores, muitas das aplicações têm poucos paralelos
reais em outros setores da indústria de serviços.
Agendamento dos pacientes

Hospitais lidam com pacientes agendados e não agendados. Pessoas que não
enfrentam riscos de vida urgentes podem ter suas visitas programadas para consulta
médica, exames e cirurgias. Seria desejável poder agendar todos os pacientes e assim
ser capaz de assegurar a máxima utilização de seus recursos, no entanto, a maioria
das instalações deve dispor de recursos para lidar com emergências imprevisíveis. A
capacidade de considerar tipo de chegadas estocásticas por casos críticos, enquanto
se preserva um fluxo harmônico de trabalho programado, é um desafio para o qual a
simulação talvez seja a melhor ferramenta de análise.
Fluxo de pacientes entre os departamentos

As instalações hospitalares lidam com uma ampla variedade de problemas médicos
e doenças. Se fosse possível que cada paciente se movesse através das mesmas séries
de locais de atendimento, as atividades de administração hospitalar seriam muito
mais simples. Na prática, cada paciente é um indivíduo singular com seus próprios
sintomas e preferências. Até mesmo dois pacientes acometidos do mesmo mal podem
ser enviados a diferentes locais de atendimento médico, o que depende do médico de
plantão. Assim, um deles pode ser enviado para uma sala de consulta, depois para uma
central de exames, seguindo para uma sala de espera, voltando para a sala de consulta
e, finalmente,a uma farmácia. O outro paciente poderia, em uma maca, ir diretamente
a uma sala de emergência, seguido de uma ida à sala de radiografia e uma parada na
ortopedia, antes de ser internado no hospital. Não é apenas a taxa de chegada que segue
o padrão estocástico, mas também o número de possibilidades de atendimento, que é
geralmente ilimitado. A capacidade da simulação em abranger a natureza combinatória
das opções possíveis faz dela uma ferramenta muito poderosa para avaliar o fluxo de
pacientes entre os departamentos. Um hospital pode utilizar um modelo de simulação
para desenvolver procedimentos para gerenciar o fluxo e assegurar que os recursos
estão sendo utilizados ao máximo de formas consistentes com as necessidades dos
pacientes.
Utilização Mútua de Serviços

A maioria das instituições médicas não pode dispor de todos os recursos concebí-
veis para abranger todas as necessidades possíveis de seus pacientes. Por essa razão,
muitas instalações médicas participam de arranjos de utilização mútua de recursos, na
qual algumas possuem equipamentos ou outros recursos que outras instituições têm
acesso. A utilização desses recursos torna-se uma função probabilística das chegadas
provenientes de várias organizações participantes, as quais possuem seus próprios
pacientes e procedimentos. Modelos de simulação com funções de chegadas estocás-
ticas são utilizados para garantir que a disponibilidade dos serviços compartilhados
atenda às necessidades.
APLICAÇÕES EM LOGÍSTICA
O crescimento da simulação tem ocorrido em paralelo ao reconhecimento da impor-
tância da logística fora dos setores militares. Muitas das atividades hoje consideradas
integrantes da logística podem, de fato, ser encontradas tanto na manufatura quanto
no setor de serviços. Uma vez que na logística muitos dos aspectos relacionados à
movimentação nas operações envolvidas, como o tempo ou mudanças de locais, são
incertos. Isso faz com que a modelagem dinâmica torne-se fundamental aos enge-
nheiros e gerentes preocupados com as questões logísticas.
Armazenagem e distribuição
A estocagem e movimentação de componentes e materiais, assim como o ge-
renciamento dos inventários de produtos acabados, têm recebido atenção crescente
conforme as companhias buscam assegurar uma vantagem competitiva. Neces-

sidades de alocação de espaço, requisitos de movimentação de materiais e produtos
cada vez mais variados e a lotes cada vez menores são apenas algumas das ques-
tões de distribuição e armazenagem que podem ser eficazmente tratadas através
da simulação.
Processamento de pedidos
O processamento de pedidos está intimamente relacionado ao JIT e a outros méto-
dos de redução do tempo de espera. Muitas companhias cujos clientes requerem que os
carregamentos tenham chegadas just-in-time encontraram na simulação uma ferramenta
útil para determinar os tempos de processamentos (fabricação e transporte) necessários
para atender às programações dos clientes, em diferentes cenários de demanda pos-
síveis. No lado administrativo do processamento de pedidos, a simulação também tem
participado dos esforços das empresas interessadas em melhorar os procedimentos, a
fim de aumentar a velocidade do fluxo de documentos através do sistema.
Um fornecedor de componentes automobilísticos, que tem como cliente as maiores
montadoras do mercado, vem utilizando a simulação para avaliar o impacto das várias
possíveis tecnologias de produção em sua capacidade de atender às demandas de
entrega JIT de seus clientes. Essa empresa tem sido muito bem sucedida no uso da
simulação e tem repassado a tecnologia para outras empresas locais.
MANUTENÇÃO
A capacidade da simulação em trabalhar com paradas para manutenção que seguem
padrões estocásticos, tanto para paradas planejadas como para não programadas, tem se
mostrado inestimável para aquelas empresas cujas operações podem ser drásticamente
refreadas por problemas em peças cruciais dos equipamentos. Os modelos podem ser
utilizados para estudar o impacto das paradas e para desenvolver um regime de ma-
nutenção que minimize as perdas na capacidade operacional. Outro uso da simulação
envolve modelagem de confiabilidade e da disponibilidade. Líderes militares que
precisam contar com um número mínimo de armas disponíveis para uso imediato e
empresas de comunicações que devem assegurar uma capacidade adequada do sistema
são apenas dois exemplos de uso da simulação nesta área.
MEIO AMBIENTE
A simulação está começando a ser mais utilizada nas atividades logísticas
relacionadas com limpeza ambiental e manuseio de resíduos. Particularmente
no carregamento, classificação e tratamento de resíduos de alta periculosidade,
a simulação pode ser uma ferramenta muito útil. Tem-se utilizado modelos para
analisar os requisitos de capacidade para as instalações de tratamento ou reciclagem
de resíduo, dimensionar o fluxo de resíduo entre vários locais e para examinar os
riscos associados com o transporte e manipulação de lixo atômico. (Veja Bateman,
Kimball e Roderick, 1993).

1. Liste algumas das aplicações mais comuns da simulação na manufatura. Por que
a simulação é uma ferramenta útil para resolver esses tipos de problemas?
2. Descreva três tipos de prestação de serviço com os quais você esteja familiarizado
e como eles podem obter benefícios através da simulação.
3. Quais aspectos fazem dos serviços médicos uma área peculiar dentro da indústria
de serviços? Como a simulação pode ser utilizada para enfrentar alguns desafios
dessa área?
4. Para uma atividade com a qual você esteja familiarizado, liste alguns pontos
de potencial melhoria. Explique por que a simulação pode ou não ser uma ferramenta
valiosa para lidar com esses pontos.
Capítulo 11
Uso de softwares
no processo de modelagem
Por: Prof. Dr. José Arnaldo. B. Montevechi
Este capítulo tem como objetivo apresentar duas fases de modelagem e o uso de soft-
wares em cada uma delas. A primeira a ser apresentada é a modelagem conceitual, em que
será mostrada uma técnica interessante chamada IDEF-SIM. Para essa fase será mostrado
o uso de um software que permite o desenvolvimento do modelo conceitual que antecede
a construção do modelo computacional. O modelo que apresenta a técnica do IDEF-SIM
tem como objetivo, além do mapeamento das atividades do sistema a ser estudado, facilitar
a segunda etapa, que é a do modelo computacional. Para esse modelo, será empregado o
software de simulação a eventos discretos, o ProModel. Serão também usados filmes que
ajudarão na apresentação dos dois softwares, disponíveis na central de download.
MODELAGEM CONCEITUAL
Muitos autores apresentam uma sequência para a simulação que contradiz a falsa
ideia de que simulação corresponde simplesmente a uma programação computacional
de um modelo.
Pode-se observar em diagramas de projeto de simulação, como o mencionado no
Capítulo 5 deste livro (Figura 5.1), que ao tratar do desenvolvimento do modelo, uma
primeira modelagem é realizada já na fase de concepção. Normalmente, dá-se o nome
de modelo conceitual ao resultado desta modelagem. Na etapa de concepção, o modelo
que está na mente do analista (modelo abstrato) deve ser representado de acordo com
alguma técnica de representação, a fim de torná-lo um modelo conceitual, de modo
que outras pessoas envolvidas possam entendê-lo.
Apesar de importante, é muito comum encontrar em trabalhos de simulação uma
apresentação simplificada desse modelo ou mesmo sua omissão.
O modelo conceitual é a representação lógica ou verbal do problema, e o modelo compu-
tadorizado é o modelo conceitual implementado em um computador. O modelo conceitual
é desenvolvido por meio de fases de análise e modelagem, e o modelo computadorizado é
desenvolvido por meio de uma programação computacional em uma fase de implementação.
Existem várias técnicas de modelagem de processos. O processo de seleção da
técnica ou ferramenta correta para modelagem de processos vem se tornando cada vez
mais complexo, não somente em razão do grande número de abordagens disponíveis,
99
mas também por causa da falta de um guia que explique e descreva os conceitos
envolvidos nas diversas técnicas e ferramentas de modelagem.
O uso de uma técnica de modelagem já na fase de concepção aumenta a qualidade
dos modelos de simulação e diminui a demanda de tempo requerido para a construção do
modelo computacional, sendo essa a principal razão para o foco no uso de uma técnica que
forneça uma conexão entre a ferramenta de modelagem e o processo de simulação em si.
Poucas técnicas de modelagem de processos utilizadas no BPM (Business Process
Modeling) fornecem o suporte necessário a um projeto de simulação. Desse modo,
tendo em vista a importância da fase de modelagem conceitual, justificava-se investir
esforços no desenvolvimento de uma ferramenta, capaz de proporcionar a obtenção de
representações, através da técnica de modelagem com foco na simulação, possibilitando
assim uma aproximação entre a lógica utilizada no mapeamento (modelagem conceitual)
e a lógica utilizada posteriormente nas outras fases do projeto de simulação.
Em muitos casos, dispõe-se de número limitado de especialistas em simulação, e
como, normalmente, os mapeamentos de processo disponíveis nas empresas não foram
feitos com foco na simulação, é necessário que estes especialistas estejam presentes no
objeto de estudo para realizar a modelagem, o que é demorado e oneroso. Uma solução
para esse problema seria que os funcionários já alocados no objeto de estudo realizassem
a modelagem conceitual e enviassem os dados para o especialista de simulação. Mas
para que esses dados fornecidos possam ser bem utilizados pelo profissional de simu-
lação, a lógica de mapeamento, ou seja, a modelagem conceitual deve ser a mesma a
ser utilizada posteriormente pelo especialista de simulação. Questões como a distância
existente entre a modelagem clássica de processos e a modelagem conceitual com foco
na simulação, bem como a importância da simplificação, agilidade e padronização da
modelagem conceitual, podem ser observadas neste exemplo, bem como em diversas
situações cotidianas dos projetos de simulação.
Nesse sentido, a automatização do processo de modelagem tem sua importância
destacada e pode ser capaz de auxiliar no aumento da utilização da modelagem
conceitual. Deve ser entendido por automação o uso de software que auxilie no
desenvolvimento do modelo conceitual.
Neste livro será apresentada uma técnica que pode ajudar nessa etapa. Essa técnica
é chamada de IDEF-SIM. Ela foi elaborada durante o desenvolvimento de uma tese
de doutoramento1 e foi implementada em um software livre que também se encontra
disponibilizado neste livro.
A TÉCNICA IDEF-SIM
Apesar da diversidade de técnicas de modelagem de processos dentro do contexto
do BPM, poucas delas fornecem o suporte devido à simulação. Dada a importância do
modelo conceitual nos projetos de simulação, é interessante contar com uma técnica
1. LEAL, F. Análise do efeito interativo de falhas em processos de manufatura através de projeto de ex-
perimentos simulados. 2008. Dissertação (Tese de Doutorado) – Faculdade de Engenharia do Campus de
Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, 2008.
Capítulo | 11 Uso de softwares no processo de modelagem 101
que tenha seu foco na simulação. Nesse contexto entra a técnica IDEF-SIM, com
o objetivo de permitir a elaboração de modelos conceituais com informações úteis
ao modelo computacional e permitir uma documentação dos modelos, facilitando o
entendimento do projeto.
A família IDEF é utilizada nas mais diferentes aplicações, sendo as versões mais
importantes o IDEF0, IDEF1, IDEF1X, IDEF2, IDEF3, IDEF4 e IDEF5, e dentre elas
destacam-se o IDEF0 e IDEF3 para a modelagem de processos de negócios.
A técnica IDEF0 é um método concebido para modelar a tomada de decisões,
ações e atividades de uma organização ou sistema. É derivada da Análise Estruturada
e Design Technique (SADT), uma linguagem gráfica a qual foi criada a partir de
uma solicitação por parte da Força Aérea dos Estados Unidos, que encomendou aos
desenvolvedores da SADT um método de modelagem para analisar a perspectiva
funcional de um sistema. Um modelo eficaz de sistema, modelado com a IDEF0, per-
mite organizar a análise do sistema e promover um bom entendimento entre analista
e cliente, além de permitir ao modelador uma melhor identificação das funções exis-
tentes, o que é necessário para que essas funções aconteçam, o que está correto e o
que está errado no sistema atual. Essas características colocam a técnica como uma
das primeiras formas indicadas para modelar um sistema.
O IDEF0 possui elementos gráficos e textuais combinados, apresentados de forma
sistemática e organizada, para que se possa ter entendimento sobre o sistema, suporte a
análises e à construção da lógica para potenciais alterações e visualização da integração
entre as atividades. A composição do modelo é baseada em uma série hierárquica de
diagramas que, de forma gradual, exibem os níveis de detalhe na descrição de funções
e a sua interface com o sistema.
Um dos pontos mais fortes do IDEF0 é sua comprovada efetividade em detalhar
as atividades do sistema para a modelagem funcional. As atividades são descritas
com suas entradas, saídas, controles e mecanismos, e a forma de descrição pode ser
facilmente refinada para fornecer maiores detalhamentos, enquanto for necessário.
A rigidez das regras acaba facilitando a modelagem e a interpretação, característica
que não se encontra em fluxogramas, por exemplo. Contudo, alguns pontos fracos da
técnica referem-se à tendência de os modelos serem interpretados como sequências de
atividades e ao fato de os modelos serem, em geral, tão concisos que seu entendimento
pode se tornar uma tarefa difícil para um modelador menos experiente.
A flexibilidade da técnica reside na capacidade de permitir a análise de sistemas
muito complexos, com diversos níveis de detalhamento. Analisando as diferentes
abordagens do IDEF, o IDEF0 é a versão mais publicada e utilizada quando se trata
de análise de manufatura.
A principal diferença entre as técnicas IDEF0 e IDEF3 é que a última se carac-
teriza pelo fato de os eventos serem descritos na ordem real em que eles ocorrem,
considerando assim a sequência temporal do processo. O IDEF3 é capaz de capturar
os aspectos comportamentais de um sistema existente ou proposto, sendo a estrutura-
ção realizada como um cenário, havendo representação das informações temporais,
incluindo relações de precedência e causa dentro dos processos. A técnica constrói
d escrições estruturadas que capturam informações sobre o que um sistema realmente

faz, ou deverá fazer, e ainda é útil como forma de expressão e organização de diferentes
formas de visualizá-lo.
A técnica IDEF-SIM baseia-se nos elementos do IDEF0 (permite a captura e a
representação com elementos gráficos e textos combinados) e do IDEF3 (utilizado para
produzir um modelo funcional, levando em conta a ordem em que os eventos ocorrem),
os quais são adequados e associados para que se obtenha a desejada adaptação às
necessidades encontradas em projetos de simulação.
A técnica foca o projeto de simulação, mas também é compatível a outros fins, como
projetos de melhoria em geral. Os elementos presentes na técnica podem ser visualizados
na Tabela 11.1, bem como a simbologia e a técnica que deu origem a cada um deles.
TABELA 11.1 Simbologia utilizada na técnica IDEF-SIM
Elementos Simbologia Técnica de origem

Entidade IDEF3 (modo descrição
das transições)
Funções IDEF0
Fluxo da entidade IDEF0 e IDEF3
Recursos IDEF0
Controles IDEF0
Regra E
Regras para fluxos Regra OU IDEF3

paralelos e/ou alternativos
Regra E/OU
Movimentação Fluxograma
TABELA 11.1 (cont.)

Elementos Simbologia Técnica de origem
Informação explicativa IDEF0 e IDEF3
Fluxo de entrada
no sistema modelado
Ponto final do sistema
Conexão com outra figura
As funções detalhadas de cada um dos elementos são as seguintes:

● entidade: são os itens que irão passar por processamento pelo sistema, podendo
representar matéria-prima, produtos e pessoas, entre outros. Esses itens podem
ser agrupados ou divididos durante o processo e sua movimentação pode ser feita
tanto de forma própria quanto por um recurso;
● funções: representam os locais onde a entidade irá sofrer uma ação. Em linhas
gerais, as funções são os postos de trabalho, postos de atendimento (modificam as
entidades), filas, estoques (controlam o fluxo da entidade no tempo), entre outros;
● fluxo de entidade: refere-se ao direcionamento da entidade no modelo, fazendo
referência tanto aos momentos de entrada quanto de saída de entidades das funções;
● recursos: representam os elementos responsáveis pela movimentação das entidades
e por executar funções, podendo representar pessoas ou equipamentos. Esses
recursos podem ainda ter outra classificação: os estáticos são aqueles em que não
existe movimentação enquanto os dinâmicos são dotados de uma possibilidade de
movimento, dentro de um caminho predefinido;
● controles: são as regras utilizadas nas funções para definir as diretrizes das ações
às quais as entidades serão submetidas;
● regras para fluxos paralelos e/ou alternativos: essas regras são baseadas na
técnica IDEF3, sendo dentro desse contexto chamadas de junções. A intenção
desses blocos é fornecer uma relação lógica que pode ser aplicada logo após uma
função. Após uma função ser realizada mais de um caminho pode ser tomado e,
nestes casos, as regras lógicas E, OU e E/OU devem ser aplicadas;
● movimentação: representa uma movimentação de entidade, considerada pelo modelador
como relevante dentro do contexto do modelo. Ao representar este estado, espera-se
na implementação computacional uma programação específica que forneça um deta-
lhamento de dados, como tempo gasto na movimentação e recursos utilizados;
● informação explicativa: objetiva inserir no modelo uma explicação visando
facilitar o entendimento do modelo;
● fluxo de entrada no sistema modelado: define a entrada ou criação de entidades

dentro do modelo;
● ponto final do sistema: define o final de um caminho dentro do fluxo de modelagem;
● conexão com outra figura: utilizada para possibilitar a divisão do modelo em dife-
rentes figuras, mantendo uma fácil visualização do sequenciamento entre os modelos.
O SOFTWARE DIA
O software DIA foi construído com base no toolkit multiplataforma GTK+ para
criação de interfaces gráficas. O GTK é atualmente muito popular, sendo usado em
diversas aplicações, incluindo o ambiente desktop GNOME, e está sob a licença GLP,
sendo então também software livre e parte integrante do projeto GNU.
Pode ser utilizado para desenhar muitos tipos de diagramas e já possui implemen-
tadas diversas técnicas conhecidas de mapeamento, como fluxograma (flowchart),
UML, IDEF0, entre muitas outras.
O software integra algumas funcionalidades importantes, como a configuração
e utilização simples e intuitiva, a interface amigável, a facilidade para inserção e
configuração dos diagramas, além da possibilidade de se exportar o modelo final para
diversos formatos, tais como EPS, SVG, XFIG e PNG. Pronto para ser rodado nos
sistemas operacionais GNU/Linux, MacOS, Unix e Windows.
Na Figura 11.1 pode ser visualizada a tela inicial padrão do software DIA, com
uma breve explicação das principais funções disponíveis.
FIGURA 11.1 Tela inicial do software DIA
1. Barra de menu: disponibiliza as opções padrão, presentes na maioria dos

softwares: Arquivo, Editar, Ver, Layers, Objetos, Selecionar, Ferramentas,
Métodos de Entrada e Ajuda. Por meio das opções deste menu o usuário tem
a possibilidade de abrir arquivos, salvar o diagrama atual e realizar diversas
configurações de acordo com suas necessidades, tais como a forma de encaixe

de objetos, o encaixe da grade, os métodos de alinhamento e detalhes de zoom,
entre diversas outras;
2. Barra de atalhos: disponibiliza o acesso rápido às funções mais utilizadas no
software, propiciando facilidade e dinamismo;
3. Ferramentas de edição: esse menu apresenta as ferramentas principais utilizadas
durante o processo de inserção e configuração das formas inseridas. Os botões, da
esquerda para a direita permitem, respectivamente: selecionar e arrastar as formas
inseridas, realizar a edição de texto nas formas em que a opção estiver disponível, utilizar
o zoom em um local específico, arrastar a área de desenho e inserir uma caixa de texto;
4. Formas básicas: essa área permite a inserção de formas básicas para com-
plementar a construção dos diagramas;
5. Menu de seleção: nesse menu está disponível a seleção das técnicas de ma-
peamento previamente inseridas no software. Ao realizar a seleção da técnica
desejada, logo abaixo do menu, na área identificada com o número 6, serão
carregadas as formas previamente inseridas. Alguns exemplos de técnicas dis-
poníveis: fluxograma (flowchart), IDEF0, diagrama Ladder, BPMN.
6. Formas: nessa seção são apresentados os símbolos da técnica selecionada, dis-
ponibilizando-os para inserção de forma simples e prática;
7. Área de trabalho: área livre utilizada para a criação do projeto de mapeamento
através da inserção dos símbolos desejados. Existe a possibilidade de acompanhar
o alinhamento tanto vertical quanto horizontal, tomando como base as réguas
horizontais e verticais e as linhas de referência presentes por toda essa área;
8. Eixo horizontal: apresenta as coordenadas horizontais através de uma escala;
9. Eixo vertical: apresenta as coordenadas verticais através de uma escala;
10. Configuração de cor e linha: permite a configuração rápida e prática de deta-
lhes como a cor do primeiro e do segundo plano da área de trabalho, bem como
configurações de espessura das linhas a serem inseridas.
11. Configuração de linha: permite definir de forma rápida e prática as configurações
da linha a ser inserida, desde formato presente em ambos os lados da linha, bem
como sua forma de preenchimento.
A TÉCNICA IDEF-SIM INTEGRADA AO SOFTWARE DIA

Assim sendo, a tarefa desenvolvida foi disponibilizar no menu de formas a serem
inseridas a técnica IDEF-SIM. Inicialmente, o objetivo foi realizar a programação para
que todos os símbolos da técnica estivessem presentes e pudessem ser utilizados de
forma funcional durante a criação dos modelos.
A técnica IDEF-SIM foi integrada ao software dentro dos padrões apresentados
no item anterior. Os símbolos da técnica, presentes na Tabela 11.1, foram adicionados
de maneira conveniente, procurando facilitar o processo de criação dos modelos. Ao
realizar a programação XML, objetivou-se gerar um código que permitisse a inserção
dos símbolos no formato mais próximo possível daquele que eles devem apresentar
no modelo finalizado. Ao selecionar a técnica IDEF-SIM no menu de seleção, como

indicado na Figura 11.1, a tela que será exibida é semelhante a Figura 11.2.
FIGURA 11.2 Seleção da técnica IDEF-SIM
Como pode ser observado na Figura 11.2, os símbolos presentes na biblioteca

da técnica são: Entidades, Funções, Regras para fluxos paralelos e/ou alternativos,
Movimentação, Fluxo de entrada no sistema modelado, Ponto final do sistema e
Conexão com outra figura.
O uso desta técnica será mostrada durante o desenvolvimento dos modelos a serem
implementados no ProModel. A implantação da técnica IDEF-SIM em um software
foi realizada através de um trabalho de iniciação científica.2
2. MENDOÇA, T. G. P. Automatização do processo de modelagem conceitual através da técnica IDEF-SIM.

2011. Monografia de iniciação científica. Universidade Federal de Itajubá, Itajubá, 2011.
MODELO COMPUTACIONAL: UTILIZANDO O PROMODEL

Dois modelos serão propostos neste capítulo. O objetivo é apresentar, por meio
deles, os comandos básicos usados no ProModel, que é o software que será usado para
o desenvolvimento do modelo computacional. Desenvolvendo modelos será possível
ter uma base para que modelos reais possam ser implementados e analisados. Para
um aprendizado mais efetivo do software, estão disponibilizados filmes que mostram
uma maneira mais eficiente de usar o ProModel. Como a etapa inicial é a da obtenção
do modelo conceitual, este será mostrado antes do modelo computacional, seguindo
a premissa de que um bom modelo conceitual facilita a modelagem computacional.
Inicialmente, com o objetivo de uma primeira visualização dos principais comandos
do ProModel, sugere-se que vejam o filme: Introdução_ProModel.wmv. Esse filme
encontra-se na central de downloads.

Os modelos a seguir são casos para serem construídos no ProModel, disponível na
central de downloads.
Modelo_01
Uma pequena indústria manufatureira recebe Peças e as estoca para uso posterior. A
Peça é entregue a cada 40 minutos, 5 unidades por vez. Ocorrem 10 entregas ao longo
do dia. A Peça se move da área de estocagem até uma esteira. Esse movimento leva 2
minutos. A esteira leva o material ao início da área de máquinas. A Peça move-se da
área de descarregamento da esteira para o separador, onde ela é processada e cortada
em três partes. O movimento leva 1 minuto. O processo no separador leva 5 minutos e o
aspecto gráfico da matéria-prima muda para mostrar que foi cortada em três peças. Cada
Peça movimenta-se para um torno (ou para uma cesta, caso o torno esteja ocupado).
O tempo para ir até o torno é de 2 minutos e para a cesta é de 1,5 minutos. O torno
tem um processo automático cuja duração é de 2 minutos. As Peças que vão para a
cesta também vão para o torno assim que houver capacidade disponível. O movimento
desde a cesta até o torno dura 1 minuto. Saindo do torno, o gráfico da peça é alterado
novamente. A peça é colocada em outra esteira. Esse movimento leva 2 minutos. Ela se
move até o final da esteira e, então, para um destino final, onde ela é preparada para
expedição. Essa movimentação leva 0,5 minutos. No local final, quatro peças trabalhadas
são acumuladas antes de receberem uma última operação que leva 1 minuto. Elas, então,
deixam a fábrica.
(Continua)
O processo descrito está mapeado pelo IDEF-SIM na Figura 11.3.
FIGURA 11.3 IDEF-SIM do Modelo_01
O filme intitulado: Modelo_conceitual_Modelo_01.wmv mostra como usar o softwa-

re do IDEF-SIM para obtenção do modelo da Figura 11.3. O acompanhamento do filme
permitirá o aprendizado do uso do software. A instrução de instalação desse software
encontra-se no Apêndice C deste livro.
No filme Modelo_01.wmv é mostrado o desenvolvimento do modelo computacional
que usa o cenário descrito e as seguintes informações adicionais:
1. Informação geral:
Biblioteca gráfica do Promodel: PMTRAIN2003.GLB
Unidade de tempo: minutos
Unidade de distância: metros
2. Gráfico de fundo: PM_TRAIN.BPM

A Figura 11.4 mostra o layout que será usado para ilustrar a planta baixa do sistema
a ser simulado. Isso possibilita um maior realismo nos modelos computacionais.
A parede identificada tem 12 metros de comprimento. Isso será importante para a
definição da escala a ser usada no modelo.
FIGURA 11.4 Desenho do layout a ser usado no Modelo_01
3. Locais:
Local Capacidade Informações adicionais
Estoque de Peças 32
Esteira de Peças Infinita Comprimento 12 metros, Velocidade 6 metros
por minuto, entidade orientada pela largura.
Separador 1
Cesto Infinita
Torno 1
Esteira final Infinita Comprimento 18 metros, Velocidade 7,5 metros
por minuto, entidade orientada pela largura.
Final 4
4. Entidades:
Peça: velocidade de 50 metros por minuto, Gráfico 1 é um retângulo vertical preto, Gráfico
2 é o mesmo mas em laranja e na horizontal e o Gráfico 3 é uma engrenagem violeta.
5. Opções para simulação:
Rode o modelo no modo “Tempo” para uma replicação. Deixe o modelo rodar até
que ele pare sozinho.
Como será visto no filme, o modelo de simulação deverá ficar com um aspecto
semelhante ao da Figura 11.5.
FIGURA 11.5 Modelo computacional do Modelo_01

Modelo_02
Este novo modelo será uma evolução do Modelo_01. O filme disponível na central
de downloadmostrará todos os passos necessários para a sua construção
Este novo modelo se chamará Modelo_02.mod. Nele será acrescentado um operador
que fará a movimentação da peça em alguns locais. O operador será responsável por pegar
a peça da esteira de peças e realizar a movimentação até o separador. No separador ele
realiza um processo de 5 minutos e leva a peça até o torno ou cesto, conforme as restrições
previamente comentadas. O torneamento é automatizado, portanto, não necessita do opera-
dor; no entanto, a movimentação das peças do torno para a esteira final e do cesto ao torno
exigem o uso de um operador. Este move-se sobre uma rede de trabalho que será definida.
O processo deste novo modelo está mapeado pelo IDEF-SIM na Figura 11.6.
FIGURA 11.6 IDEF-SIM do Modelo_02

O filme intitulado Modelo_conceitual_Modelo_02.wmv mostra como usar o software

do IDEF-SIM para obtenção do modelo da Figura 11.6.
Acompanhando o filme Modelo_02.wmv pode-se observar o desenvolvimento do
modelo computacional que usa o cenário descrito.
Como será visto o modelo de simulação deverá ficar com um aspecto semelhante
ao da Figura 11.7.
FIGURA 11.7 Modelo computacional do Modelo_02

Apêndice A
Conseguindo economias através

do investimento em simulação
ISSO É MESMO NECESSÁRIO?

Melhorias em produtividade são conseguidas por meio da implementação de
mudanças.
Os objetivos principais da simulação são: melhorar a qualidade e a produtivi-
dade e, portanto, auxiliar na implementação de mudanças. Para se alcançar esses
objetivos com o auxílio da simulação, faz-se necessário justificar o investimento
nessa tecnologia. O propósito deste Apêndice é mostrar uma metodologia que visa
justificar esses investimentos e a efetiva comunicação dessas justificativas aos
tomadores de decisão.
Os requisitos para se justificar um investimento geralmente se diferenciam um
pouco de organização para organização. Normalmente a implantação da simulação
requer uma dupla justificativa:
1. a justificativa da implantação de uma nova metodologia de solução de problemas;
2. a justificativa da necessidade de um produto de simulação específico.
O investimento em simulação normalmente consiste em aquisição do software,

treinamento e salários de técnicos engenheiros e/ou consultores.
O investimento também requer muitas vezes hardware, ou manutenção de softwares
e suporte técnico.
Dependendo do valor do investimento em relação ao capital da empresa e suas
diretrizes de aprovação, um aporte de capital para o investimento em simulação se faz
necessário. Esse documento pode auxiliar nos seguintes aspectos:
113
1. análise do potencial do investimento;

2. justificar porque um investimento dessa natureza pode ser uma boa decisão de
negócio (Tabela 1).
TABELA 1 Passos para uma justificativa de investimento em simulação

Passo 1. Coleta de Informações
Informações do projeto de simulação.

Fatores financeiros.
Impactos na mão de obra.
Impactos operacionais.
Passo 2. Processamento da Informação
Comparar impactos da mão de obra com as áreas operacionais por categoria.

Tarefas necessárias para aumento da produtividade com o uso da simulação.
Tarefas evitadas com o uso da simulação.
Tarefas adicionais com o uso da simulação.
Passo 3. Avaliação de Resultados
Comparativo de custos com o uso da simulação e outro método existente.

Preparar uma análise detalhada para fatores de mão de obra, operacionais e financeiros.
Prepare um resumo mostrando fluxo de caixa, taxa de retorno e tempo de retorno do capital.
Passo 4. Apresente Resultados
Identifique clientes internos e externos.

Determine os requisitos dos clientes.
Prepare um documento que venha a satisfazer os requisitos do cliente em questão.
UMA METODOLOGIA PARA JUSTIFICATIVA DE INVESTIMENTO

Para se obter os benefícios da simulação, assim como de qualquer outra forma de
investimento, a análise de fatores objetivos e subjetivos deve ser considerada.
Objetivos tangíveis e intangíveis devem ser minuciosamente levados em conta. Para isso
alguns passos são descritos: 1) coletar e processar dados significativos para análise (veja a
Tabela 2), 2) analisar os resultados, 3) apresentar resultados de justificativa em um consis-
tente, porém, breve relatório, 4) apresentar os resultados em um relatório bem elaborado.
Para preparar informações que mostrem as vantagens da simulação, faz-se neces-
sária a identificação de tarefas e áreas que sofrerão impactos através da simulação.
Apenas aquelas áreas que possibilitem mudanças de custos devem ser consideradas
nas análises. A intenção de uma justificativa é verificar os efeitos da simulação no
custo e qualidade do problema analisado.
Para o propósito de implantação dessa tecnologia, seus impactos podem ser ainda
divididos em duas categorias: operacional e de mão de obra relacionados à simulação.
Ambas as áreas podem ainda ser subdivididas em:
● tarefas existentes que podem ser submetidas a incrementos de produtividade;
Apêndice A 115
● tarefas que podem ser eliminadas;

● implantação de novas tarefas ou até novos investimentos;
● definição dos impactos na mão de obra.
A simulação tem influência direta na forma como os analistas, ou projetistas de

modelo ou modeladores, trabalharão (veja na Tabela 3 o resumo dessas formas
de impactos). A seguir, são apresentados os sete passos para conseguir o aumento da
produtividade desse tipo de mão de obra (Tabela 2).
TABELA 2 Busca de dados para a justificativa

Buscando Dados para a Justificativa
Informações para projeto de simulação: Fatores Financeiros (Opcional):

Duração estimada do projeto. Taxa de juros para investimentos e economias
Número de projetos por ano. esperadas.
Critério de investimento da empresa. Porcentagem de impostos.
Taxas de depreciação.
Para todas as tarefas e impactos:

Obter custo por tarefa e taxa anual de crescimento.
Determinar áreas de impacto por categoria de custeio e produtividade.
Custos reduzidos e custos adicionados.
Áreas de Impacto: tarefas de mão de obra: Área de Impacto: operacional

Identificação de problemas. Tempo de processamento.
Desenvolvimento de método de análise. Consultoria externa.
Análise em planilhas. Excesso/Falta de capacidade.
Programação. “Carrying costs” e tempo de espera.
Modelagem da opinião. Armazenagem e movimentação de materiais.
Método da tentativa e erro. Melhoria no tamanho de lotes.
Cálculos manuais. Outros softwares.
Treinamento. Manutenção anual de softwares.
Construção do modelo. Treinamento.
Investimento.
DEFININDO IMPACTOS PARA MÃO DE OBRA

1. Identificação do problema – Quanto tempo é necessário para se identificar um
problema? Com métodos diferentes de simulação, os problemas são geralmente
“adivinhados”, conforme o método de análise utilizado. Às vezes, os problemas
só são realmente identificados quando uma “solução proposta” é implementada.
Através da simulação, a dinâmica do sistema pode ser apreendida com mais
facilidade. A animação, característica comum a vários pacotes de simulação, torna
isso possível, pois fornece uma visualização do processo em ação.
2. Desenvolvendo método de análise – Em relação aos métodos de resolução de
problemas, um tempo considerável é gasto na busca por um método de análise
para o problema em questão. O método da simulação é bem definido. A mode-

lagem realizada por meio da simulação é uma técnica comprovada que tem sido
aplicada com sucesso em incontáveis tipos de problema há pelo menos 40 anos.
3. Programação – Tempo considerável é gasto com o desenvolvimento de programas
de computador que analisem e apresentem dados. Com a simulação, a programação
pode ser consideravelmente reduzida. Embora, no passado, isso não fosse verdade,
muitos pacotes modernos de simulação levam a um tempo de programação mínimo
e, em muitos casos, como o do ProModel, esse tempo praticamente não existe.
4. Análise em planilhas – A análise realizada por meio de planilhas é necessária para
se processar dados vindos de programas customizados ou ainda para apresentar
dados de uma forma coerente e razoável. Com a simulação, a necessidade e o
tempo necessário para se preparar planilhas pode ser reduzido através de relatórios
e análises de função pré-preparados.
5. Modelagem da Opinião – Ao se conduzir uma mudança, muito tempo é gasto
com convencimentos. Há muito valor em se considerar opiniões e posicionamentos,
porém a modelagem em simulação baseia-se em informações factuais e as processa
de forma lógica. Assim, qualquer solução poderá auxiliar a tomada de decisão
em bases lógicas. Esse expediente impede que opiniões impostas e arbitrárias
prevaleçam na condução da organização.
6. Método da Tentativa e Erro – Hoje em dia com o ciclo de produtos cada vez menor, a
utilização de métodos como tentativa e erro podem ser prejudiciais à organização. Com
a modelagem em simulação obtém-se uma economia ao se expressar, experimentar e
avaliar ideias de forma virtual, antes de qualquer implementação. A simulação pode
transformar dados em conhecimento, e conhecimento em experiência.
7. Economia de Tempo – Os cálculos manuais relacionados a métodos tradicionais
de solução de problemas podem demandar tempo. Nos modernos softwares de
simulação, uma inerente capacidade computacional é encontrada.
TAREFAS E CUSTOS ADICIONAIS DA SIMULAÇÃO RELATIVOS

À MÃO DE OBRA
1. Treinamento – Esta é uma tarefa adicional que geralmente acontece com a decisão de
uso da simulação. Porém, o treinamento em simulação pode incrementar a curva
de aprendizado da técnica e auxiliar a implantação dessa tecnologia.
2. Nos métodos tradicionais de solução de problemas, a programação e/ou cons-
trução de planilhas fazem-se necessárias; com o uso da simulação, o requisito
passa a ser a construção do modelo que representa a realidade. O tempo necessário
para a construção desse modelo depende muito do software de simulação escolhido,
da complexidade do modelo e da experiência do usuário da tecnologia.
DEFININDO IMPACTOS OPERACIONAIS

A seção anterior analisou os impactos ocorridos na mão de obra durante a análise de
problemas utilizando simulação. Quais são os impactos obtidos após as análises prove-
nientes da simulação? Esse tipo de impacto pode ser definido como impacto operacional,
Apêndice A 117
que pode ser dividido em: 1) redução de custos, 2) melhor visão para investimentos, 3)
custos adicionais relativos à simulação (a Tabela 3 resume esses três tipos).
A seguir seis exemplos de redução de custos são encontrados.
1. Tempo de processamento de informações – O tempo de processamento de in-
formações pode ser reduzido com a simulação.
2. Consultorias externas – Muitas vezes, consultorias externas são contratadas para
auxiliar nos processos de solução de problemas. Elas atuam no planejamento,
definição de problemas e determinação do processo e de ferramentas necessárias
para se atingir os resultados esperados.
Hoje em dia, o uso de pacotes de simulação tem reduzido a necessidade de
consultoria nas seguintes áreas: identificação de problemas, estudo
de análise estatística, construção e projeto de modelos, análise de dados,
apresentação e determinação de impactos financeiros.
Qualquer verba disponível para consultoria externa pode ser mais bem
empregada na obtenção de conceitos, ideias e orientação profissional, em
vez de na execução de tarefas analíticas que podem ser hoje executadas
por um software de simulação.
3. Excesso/falta de capacidade produtiva – Dificilmente a capacidade produtiva
projetada de um sistema é a mesma que a capacidade necessária em determinados
momentos. Há custos envolvidos tanto para capacidade ociosa como para capa-
cidade insuficiente. Uma utilização comum à simulação é a da busca por melhor
aproveitamento da capacidade, considerando-se épocas de alta e baixa produção.
Os custos da capacidade ociosa podem ser definidos como: aumento de
custos fixos como aluguel, luz etc.; aumento de capital investido em equi-
pamentos não utilizados ou subtilizados. A falta de capacidade pode incluir:
horas extras; bloqueios ou perda de negócios por consequência de um longo
tempo de produção; formas ineficientes de estocagem e movimentação de
materiais.
4. “Carrying costs” e tempos de espera – Como definido no Capítulo 9, “carrying
costs” estão relacionados ao valor dos bens e o tempo em que estes ficam no
processo. Em qualquer processo, fatores cruciais determinam o impacto deste tipo
de custo. Tempos de espera: tempo que componentes ficam no processo.
A divisão de um grande conglomerado conseguiu reduzir em 50% o tempo
de produção, mesmo mantendo o custo por unidade. Isso resultou em uma
queda do investimento em estoque em processo.
5. Armazenamento e manutenção de materiais – A simulação auxilia na estimativa
precisa de custos em tarefas intensivas ou processo. Especial importância deve ser
dada aos custos relacionados ao armazenamento de material e sua movimentação.
As tarefas de armazenagem e movimentação de material podem necessitar de
equipamentos de alto custo que essencialmente não agregam valor às operações.
A simulação feita da forma atual permite diagnosticar com eficiência os sistemas
de armazenagem e movimentação e experimentar alternativas como: a variação de
quantidade, velocidade, capacidade, alocação e tipos de diferentes processos.
6. Melhorias nos tamanhos de lotes – A habilidade de diagnosticar o tamanho de

lote ideal pode resultar em grandes economias. A variação do tamanho de lotes
significa um impacto nas tarefas relacionadas a ele. Por exemplo, na operação de
montagem de equipamentos eletrônicos, o tamanho do lote pode causar impacto
na saída do sistema de movimentação de material, no tamanho de alimentadores
e no tamanho das estações de teste e montagem, além de no tipo de operações de
retrabalho. A simulação é uma ferramenta moderna e superior para a mensuração
dos impactos totais, bem como para diagnosticar as ramificações das mudanças
com o tamanho do lote no sistema (Tabela 3).
TABELA 3 Resumo dos impactos da simulação considerando-se fatores e categorias
Impactos da Simulação Impactos da Simulação por Categoria
Economias Custos ou tarefas adicionais

Área de impacto: mão de obra
Identificação dos problemas X
Desenvolver método analítico X
Análise em planilhas X
Programação X
Modelamento da opinião X
Método de tentativa e erro X
Cálculos manuais X
Treinamento X
Construção de modelos X
Área de impacto: operacional
Tempo de processamento X
Consultoria externa X
Excesso/falta de capacidade X
“Carrying costs” e tempo de espera X
Movimentação de materiais X
Melhoria no tamanho dos lotes X
Armazenagem X
Produção X
Manut. anual de softwares X
Treinamento X
Investimentos X
Apêndice A 119
DICAS GERAIS PARA MONTAGEM DA JUSTIFICATIVA

DE INVESTIMENTO EM SIMULAÇÃO
Economias – A compra de softwares pode ser evitada. Alguns tipos de softwares
são dispensáveis com o uso da simulação. Entre eles temos: planilhas; programação
de chão de fábrica; programas de caminho crítico.
Custos adicionais – Há um capital despendido para a compra do software de
simulação, bem como de qualquer outro. Também haverá custos com suporte e
upgrades desses softwares.
Fatores Financeiros – Fatores financeiros podem ser incluídos na justificativa
da implantação da simulação: 1) impacto das taxas de juros, 2) impacto de
impostos; 3) impacto da depreciação.
AVALIAÇÃO DE IMPACTOS
Uma avaliação de base consistente é necessária para a constatação dos impactos da
simulação. Fatores tangíveis e intangíveis devem ser considerados. Porém, a maioria
das organizações buscam indicativos tradicionais como taxa interna de retorno, análise
de fluxo de caixa etc.
Taxa interna de retorno – Essa é uma taxa que equaliza o valor presente dos
custos de um investimento com o valor de entradas desse empreendimento. Outra
forma de se pensar essa taxa é considerando-a como a taxa de juros que a organização
obteria com a implementação deste investimento e o retorno que ele daria em relação
ao capital investido. Essa taxa muitas vezes chega a mais de 200%, pois o investimento
em simulação requer um aporte de capital relativamente pequeno diante dos benefícios
que ele proporciona.
Análise do fluxo de caixa – Essa análise mostra o fluxo de caixa resultante da
simulação comparado a outros métodos de resolução de problemas.
Análise de payback – Essa análise mostra o período necessário para se recuperar
o investimento feito em simulação. Geralmente isso ocorre no período de 1 a 6 me-
ses. Vários casos mostraram que um investimento de U$20.000,00 em simulação e
treinamento pode evitar que um investimento U$100.000,00 seja feito, antes que se
tenha a certeza de que ele fará com que os objetivos da produção sejam alcançados.
BENEFÍCIOS INTANGÍVEIS
Estes benefícios muitas vezes influenciam o processo de decisão. Isso ocorre
quando benefícios tangíveis apontam para duas ou mais possibilidades. Assim, sempre
uma discussão sobre benefícios intangíveis pode ser incluída na justificativa de análise.
Alguns desses benefícios são discutidos a seguir:
Educação – O processo de modelagem sempre força a equipe a entender profun-
damente o processo/problema objeto da simulação.
Melhoria do trabalho em equipe – A simulação é uma ferramenta na qual a
entrada de informações e as alternativas são processadas até que se chegue a melhor
ou melhores soluções. Um entendimento dos objetivos da análise da simulação faz-se
importante para todos aqueles que estão direta ou indiretamente envolvidos com o
projeto. O trabalho em equipe é fundamental para a coleta de dados e revisão das
soluções alternativas apresentadas.
Melhoria na qualidade do trabalho – Esta ferramenta torna o trabalho de análise
mais aprazível, uma vez que há a visualização gráfica do objeto analisado. Este recurso
não é possível por meio de planilhas.
Maior eficiência na solução de problemas – A simulação provê uma maior
eficiência na resolução de problemas. Isso pode ser verificado pelo menor gasto de
tempo para se alcançar o objetivo, ou aumento de possibilidades de análise com o
mesmo recurso despendido.
COMO FINALMENTE CHEGAR A APROVAÇÃO DO INVESTIMENTO

O objetivo de uma justificativa é apresentar resultados que sejam claros, concisos
e que se comuniquem de modo eficiente. Assim, dois fatores são importantes a se
considerar: Quem é o cliente? Quais são os requisitos dos clientes?
Identifique os clientes:
Dentro do contexto de “qualidade total” é importante que toda informação seja
direcionada a seu cliente. O cliente da justificativa para simulação deve ser um in-
divíduo voltado a decisões técnicas de processo ou alguém envolvido com a decisão
de investimentos em processo.
Os clientes podem ser internos ou externos. Por exemplo, um gerente de materiais
pode ser um cliente interno com a necessidade de avaliar a melhor alternativa de
programação da produção. Em contrapartida, é possível que um cliente externo e
estratégico queira que sua empresa prove que pode alcançar uma determinada pro-
gramação da produção antes de fechar um contrato.
Determine os requisitos de seus clientes:
Uma justificativa de análise não pode ser completa sem a identificação dos requi-
sitos dos clientes.
Os recursos necessários, como habilidades de modelamento, computadores, dados,
orçamento, tempo etc., devem ser realisticamente estudados e elucidados na justifi-
cativa. Antes de apresentar esse trabalho, é necessário entender como o investimento
afetará o cliente. Além disso, a importância desse investimento deve ser pesquisada.
Deve-se determinar se o investimento em simulação será requisito para ser aprovado
como uma simples linha ou fará parte de um “grande projeto” de investimento.
Prepare um Plano de Implantação:
Um bom plano especifica como a organização irá implementar a tecnologia da
simulação. Se a simulação for uma nova tecnologia para a empresa, então o plane-
jamento deve incluir treinamento, partindo-se do gerente geral até atingir todos os
demais níveis da organização.
O plano de implantação pode incluir um projeto-piloto para apresentar realis-
ticamente os dados na justificativa.
Desenvolva a Justificativa e Apresente os Resultados:
Apêndice A 121
Este é um passo crucial, pois a preparação e a apresentação determinam sucesso.

A metodologia apresentada anteriormente auxilia no desenvolvimento da jus-
tificativa. Apresentações efetivas devem estar focadas nos requisitos do cliente. O
modelador deve estar preparado para limitações de orçamento, recursos e/ou tempo.
Uma vez apresentado os resultados, devem-se destacar os benefícios mais relevantes
para cada cliente. É importante lembrar que a decisão de investimento está geralmente
baseada na justificativa econômica, assumindo-se que os requisitos técnicos e de
negócios foram satisfatoriamente avaliados. O nível de detalhe apresentado deve ser
apropriado ao cliente. O departamento financeiro pode requisitar algumas informações
contidas na justificativa, em contrapartida, altos níveis da gerência podem estar in-
teressados somente no período de retorno do capital e no valor inicial a ser investido.
Apêndice B
Relatórios de Saída
RELATÓRIOS DE SAÍDA NO PROMODEL, MEDMODEL
E SERVICEMODEL
O módulo de saída fornecido pelo ProModel, MedModel e ServiceModel
pode ser utilizado dentro do ambiente de simulação, ou como um programa in-
dependente. Por serem esses relatórios estatísticos um aplicativo para Windows,
dados podem ser cortados e, colados ou importados. Diversos relatórios podem
ser abertos a qualquer momento, permitindo ao usuário comparar resultados entre
duas ou mais alternativas. O resultado estatístico para cada rodada de simulação
é armazenado numa série de arquivos, com os resultados primários contidos num
arquivo com extensão PMOV.
O construtor do modelo pode especificar o nível de detalhamento a ser utilizado
para os locais, recursos, entidades e etc. nos relatórios estatísticos. De forma gené-
rica, as opções estão entre não coletar dados estatísticos, coletar dados básicos ou
utilizar níveis mais detalhados que incluem desvios-padrão. O uso criterioso dessa
capacidade permitirá execuções mais rápidas dos modelos se os níveis de maior
detalhamento forem utilizados apenas para os resultados diretamente relacionados
com os objetivos do estudo.
LOCAIS DE CAPACIDADE ÚNICA

Os relatórios de saída fazem distinção entre os dados estatísticos dos locais com
capacidade única e dos locais com capacidade para processar mais de uma entidade
por vez. Além de mostrar a porcentagem de tempo que o local permaneceu em
operação, os relatórios mostram também estatísticas para os tempos de ajuste (setup),
períodos em que o local permaneceu bloqueado, tempos de parada (downtimes) e
os períodos onde nenhuma entidade foi processada. Outra informação útil diz res-
peito ao tempo médio de processamento de cada entidade através do local, assim
como o tempo total médio que as entidades gastaram no local. O número total de
entidades processadas durante a simulação é expresso em termos de total de entradas
e conteúdo final. Esse relatório também mostra quantas horas de simulação o local
esteve disponível de acordo com uma programação de turno que pode ter sido es-
pecificada. Os gráficos sobre os estados dos locais estão disponíveis nos formatos
de pizza e de barras.
123
UTILIZAÇÃO DOS LOCAIS DE CAPACIDADE MÚLTIPLA

As informações fornecidas para os locais de capacidade múltipla são similares
às informações disponíveis para os locais de capacidade única, exceto pelo fato de
que uma figura de utilização mais geral é empregada para mostrar a porcentagem da
capacidade programada que foi utilizada, seja devido aos bloqueios, aos tempos de
operação ou a outra razão qualquer. Gráficos de barras mostrando a utilização do local
também são fornecidos.
SUMÁRIO DOS RECURSOS

São coletadas estatísticas resumidas referentes aos recursos, seja individual ou
coletivamente. Tais estatísticas incluem o número de vezes que o recurso foi utilizado,
o tempo médio por uso e o tempo médio gasto na locomoção para execução de uma
tarefa. As porcentagens de utilização incluem o tempo de uso, locomoção para uso,
locomoção para parada, tempo ocioso e tempo fora de operação (downtime). O relatório
também mostra a porcentagem de tempo em que o recurso foi necessário, mas se
atrasou em razão de um caminho de locomoção bloqueado. Diagramas de pizza e de
barras também estão disponíveis para essas informações.
SUMÁRIO DE ENTRADA NOS NÓS

Também são coletadas estatísticas para os nós nas redes de caminhos (path networks). O
número de vezes que um recurso acessa um nó é registrado, assim como o número de vezes
que um recurso é impedido de acessar um nó por outro recurso estar utilizando o local.
SUMÁRIO DAS ENTIDADES

O número de entidades de cada tipo existentes no sistema e o número total de
entidades, de cada tipo, deixadas no modelo após o fim da simulação são registrados
nesse relatório.
ENTRADAS NOS LOCAIS POR CADA TIPO DE ENTIDADE

Um dos relatórios detalhados gerados no módulo de saída é um fracionamento de
informações para cada tipo de entidade em cada local. Além de mostrar como muitas
entidades acessam o local e a quantidade de cada tipo de entidade processada, esse
relatório mostra os tempos médios de processo, de bloqueio, ou de espera por recursos,
para cada tipo de entidade.
SUMÁRIO DAS VARIÁVEIS

Variáveis definidas pelo usuário são monitoradas durante cada execução da simula-
ção. Os resultados relatados incluem o valor final da variável, o número de vezes que
seu valor foi modificado, o valor médio e o tempo médio decorrido entre as mudanças
de valor. Uma ilustração gráfica do relatório está disponível no histórico de valores.
Apêndice B 125
SUMÁRIO DO LOG
O comando LOG é utilizado para monitorar os intervalos de tempo que são de
interesse do modelador durante a simulação. Essa característica pode ser utilizada, por
exemplo, para monitorar a quantidade de tempo que uma entidade gastou numa parte
do modelo, composto de diversos locais. O relatório de saída mostrará o número de
observações LOG coletadas durante a simulação, além dos valores máximos, mínimos
e médios obtidos.
MÚLTIPLAS REPLICAÇÕES
O relatório de réplicas auxilia no gerenciamento e análise dos resultados gerados
por mais de uma execução independente do mesmo modelo. Dados estatísticos são
coletados ao longo de todas as execuções. Tais resultados incluem o valor médio para
cada estatística especificada, a mediana, o desvio-padrão, o erro padrão e o “skewness”.
São apresentados os limites de máximo e mínimo considerando-se intervalos de 50,
95 e 99% de confiança. Podem-se selecionar estatísticas individuais para geração de
histogramas de múltiplas replicações.
RELATÓRIOS DE SAÍDA DO SIMRUNNER

Durante o curso de uma otimização, o SimRunner registra todos os experimentos
conduzidos a fim de determinar o desempenho de uma solução e incluí-lo numa
tabela de banco de dados. Esse banco de dados das soluções representa uma rica
fonte de informações sobre o comportamento do modelo simulado. As informações
no banco de dados podem ser visualizadas de três maneiras: o relatório de Resultados
Experimentais apresenta os dados em seu “estado bruto”; o Function Response
Chart mostra gráficos 3D dos dados; o Relatório de Otimização proporciona um
resumo dos dados.
Além disso, dados completos de cada simulação podem ser exportados direta-
mente para um banco de dados no MS Access. Para cada experimento conduzido,
o relatório de Resultados Experimentais mostra os valores da função-objetivo, dos
fatores de entrada e das estatísticas de saída utilizados para definir a função-objetivo.
Um exemplo de relatório é mostrado na Figura 1. Os experimentos nesse exemplo

de relatório estão classificados pelos dados numéricos que aparecem na coluna da
função-objetivo (segunda coluna à esquerda). Seguem-se os parâmetros usados
na função-objetivo e os fatores de entradas. Na primeira coluna é apresentado o
número do experimento.
FIGURA 1 Exemplo de resultados experimentais do SimRunner.

Apêndice B 127
Os dados do relatório de Resultados Experimentais podem ser plotados em um

gráfico 3D (Figura 2). Essa é uma característica muito útil e que permite ao analista ter
uma compreensão visual da superfície de resposta produzida pelo modelo de simulação.
FIGURA 2 Gráfico de superfície de resposta 3D do SimRunner.
O SimRunner também proporciona um relatório resumido indicando, entre ou-

tras coisas, o nome do arquivo que contém o modelo de simulação que está sendo
otimizado, fatores de entrada e as faixas de seus possíveis valores, a função-objetivo
e as dez melhores soluções descobertas para o problema.
Apêndice C
O Processo de Instalação
do Software DIA com a Técnica
IDEF-SIM Já Integrada
O guia de instalação que se segue pressupõe que o usuário esteja utilizando o
sistema operacional Windows. Para realizar a instalação são disponibilizados três
arquivos: “dia-setup-0.97.1-2.exe”, “shapes.exe” e “sheets.exe”. O primeiro deles pode
ser encontrado no site do desenvolvedor do software DIA, permitindo inclusive que
seja utilizada no futuro uma versão mais atualizada. Os outros dois arquivos adicionam
ao software DIA a biblioteca que permite a utilização da técnica IDEF-SIM integrada
ao software.
De posse dos três arquivos, primeiramente deve-se iniciar o setup, executando
o arquivo “dia-setup-0.97.1-2.exe”. Na tela inicial o usuário tem a opção de escolher o
idioma que guiará a instalação (Figura 1).
FIGURA 1 Início do processo de instalação do DIA.
129
Após selecionar o idioma que será utilizado durante a instalação o usuário deve
clicar no botão “OK” e então será exibida a tela seguinte que fornece as primeiras
instruções para iniciar a instalação do software DIA (Figura 2).
FIGURA 2 Segunda tela do processo de instalação do DIA.

Apêndice C 131
Ao clicar em “Next” na tela apresentada (Figura 2), será exibida a licença GNU
General Public License para leitura que define os termos que regem a utilização do
software por parte do usuário (Figura 3).
FIGURA 3 Terceira tela do processo de instalação do DIA.

Logo após a tela que disponibiliza a licença, há a seleção dos componentes a ser
instalados, sendo permitido ao usuário apenas retirar as opções de traduções, porém,
é recomendável que elas sejam instaladas (Figura 4).
FIGURA 4 Quarta tela do processo de instalação do DIA.

Apêndice C 133
A quinta tela do processo de instalação fornece ao usuário a possibilidade de

selecionar onde o DIA deverá ser instalado, sendo sugerida como padrão a criação
de uma subpasta denominada “DIA”, dentro da pasta de Arquivos de Programa do
Sistema (Figura 5).
FIGURA 5 Quinta tela do processo de instalação do DIA.

Clicando no botão “Install”, o processo de instalação do software DIA se inicia-

lizará (Figura 6).
FIGURA 6 Sexta tela do processo de instalação do DIA.

Apêndice C 135
Após o término da instalação será exibida a tela a seguir, que informa da finalização
da instalação e permite ao usuário selecionar se já deseja executar o DIA (Figura 7).
FIGURA 7 Sétima tela do processo de instalação do DIA.

Nesse ponto, o software DIA deve estar instalado corretamente, porém a utilização
da técnica de modelagem conceitual IDEF-SIM ainda não é possível, já que ainda não
foi integrada ao DIA. Para integrá-la, deve-se inicialmente executar o DIA ao menos
uma vez. Basta abrir o DIA e fechá-lo. A seguir deve-se executar o arquivo “shapes.
exe”, disponibilizado por essa pesquisa. E, então, a seguinte tela deve ser apresentada
(Figura 8):
FIGURA 8 Instalação dos arquivos SHAPE para integração do IDEF-SIM.

Apêndice C 137
O campo “Destination Folder” inicialmente exibe como sugestão de instalação a

própria pasta onde o arquivo “shapes.exe” está salvo. Entretanto, para realizar a correta
instalação é necessário clicar no botão “Browse...” e selecionar a subpasta “\.dia\
shapes\”, dentro da pasta pessoal do usuário do computador. Ou seja, o arquivo deve
ser instalado no seguinte local: “C:\Users\USUÁRIO\.dia\shapes\”, considerando-se
que “USUÁRIO” deva ser substituído pelo nome de usuário do computador. Para
encontrar de forma simples qual é o nome de usuário, basta clicar no menu “Iniciar”
e selecionar no canto superior direito a pasta pessoal, que será exibida com o próprio
nome de usuário. Ao final da instalação, a pasta “C:\Users\USUÁRIO\.dia\shapes\”
deve conter 20 arquivos, sendo dez deles no formato “.shape” e outros dez os equiva-
lentes arquivos “.png”.
A seguir deve ser instalado o arquivo “sheets.exe”. De maneira análoga à instalação
anterior, o campo “Destination Folder” inicialmente exibe como sugestão de instalação
a própria pasta onde o arquivo “sheets.exe” está salvo. Entretanto, para realizar a correta
instalação é necessário clicar no botão “Browse...” e selecionar a subpasta “\.dia\
sheets\”, dentro da pasta pessoal do usuário do computador. Ou seja, o arquivo deve ser
instalado no seguinte local: “C:\Users\USUÁRIO\.dia\sheets\”, considerando, mais uma
vez, que “USUÁRIO” deve ser substituído pelo nome de usuário do computador. Para
encontrar de forma simples qual é o nome de usuário, basta clicar no menu “Iniciar”
e selecionar no canto superior direito a pasta pessoal, que será exibida com o próprio
nome de usuário. Ao final da instalação, a pasta “C:\Users\USUÁRIO\.dia\sheets\” deve
conter um arquivo com o nome “IDEF___SIM.sheet” (Figura 9).
FIGURA 9 Instalação do arquivo SHEET para integração do IDEF-SIM.

Se toda a instalação tiver ocorrido de maneira adequada, nesse ponto já será pos-
sível utilizar o software DIA com a técnica IDEF-SIM integrada.
Ao iniciar o software, que terá atalhos disponíveis no menu “Iniciar” do Windows,
inicialmente será exibida como técnica padrão o “Fluxograma”. Para selecionar a
técnica “IDEF – SIM”, basta clicar na seta de opções mostrada logo acima das folhas
de estilo, selecionar “Outras Folhas” e em seguida procurar nas opções a técnica de
modelagem conceitual IDEF-SIM, como indicado na Figura 10.
FIGURA 10 Seleção da técnica IDEF-SIM nas folhas de estilo.

Referências
ACKLEY, D. A connectionist machine for genetic hill climbing. Boston, MA: Kluwer, 1987.
AGUILAR-SAVÉN, R. S. Business process modeling: review and framework. International Journal of
Production Economics, n. 90, p. 129-149, 2004.
AKBAY, K. Using simulation optimization to find the best solution. IIE Solutions, p. 24-29, May 1996.
AZADIVAR, F. A tutorial on simulation optimization. In: WINTER SIMULATION CONFERENCE, 1992,
Piscataway, NJ. Proceedings… Piscataway, NJ: Institute of Electrical and Electronics Engineers, 1992,
p. 198-204.
BÄCK, T.; SCHWEFEL, H.-P. An overview of evolutionary algorithms for parameter optimization.
Evolutionary Computation, v. 1, p. 1-23, 1993.
BÄCK, T.; BEIELSTEIN, T.; NAUJOKS, B.; HEISTERMANN, J. Evolutionary algorithms for the
optimization of simulation models using PVM. Informatik Centrum Dortmunf, p. 1-6, 1995.
BALCI, O. Guidelines for successful simulation studies. In: WINTER SIMULATION CONFERENCE,
1990, New Orleans, LA. Proceedings… New Orleans, 1990.
BANKS, J; CARSON II, J. S. Discrete-event system simulation. Prentice-Hall: Englwood Cliffs, NJ, 1984.
BANKS, J. Handbook of simulation: principles, methodology, advances, applications, and practice. New
York: John Wiley & Sons, 1998, 864p.
BANKS, J. Panel session: the future of simulation. In: WINTER SIMULATION CONFERENCE, Arlington,
VA, USA, 2001. Proceedings... Arlington, VA, USA, 2001.
BANKS, J.; CARSON, II, J. S.; NELSON, B. L.; NICOL, D. M. Discrete-event simulation. 5th ed. New
Jersey: Prentice-Hall, 2009.
BANKS, J. Introduction to simulation. In: WINTER SIMULATION CONFERENCE, 2000, Atlanta.
Proceedings… Atlanta, 2000.
BARTON, R.; IVEY, J. Nelder-mead simplex modifications for simulation optimization. Management
Science, v. 42, n. 7, p. 954-973, 1996.
BATEMAN, R. Simulation modeling at Geneva Steel. Managing Technology Today, v. 1, p. 10, May 1992.
BATEMAN, R. E.; KIMBALL, G. T.; RODERICK, L. M. Environmental and waste management ap-
plication of discrete-event simulation. In: ANNUAL CONFERENCE OF THE INTERNATIONAL
ASSOCIATION FOR IMPACT ASSESSMENT IN SHANGHAI, 13th, China, 14 May 1993. Paper…
Shangai, 1993.
BIETHAHN, J.; NISSEN, V. Combinations of simulation and evolutionary algorithms in management
science and economics. Annals of Operations Research, v. 52, p. 183-298, 1994.
BLANCHARD, B. S.; FABRYCKY, W. J. Systems engineering and analysis. Englewood Cliffs, NJ:
Prentice-Hall, 1981.
BOWDEN, R. The evolution of manufacturing control knowledge using reinforcement learning. In:
ANNUAL INTERNATIONAL CONFERENCE ON INDUSTRY, ENGINEERING, AND MANA-
GEMENT SYSTEMS, 1995, Cocoa Beach, FL. Proceedings… Cocoa Beach, FL: 1995, p. 410-415.
BOWDEN, R.; BULLINGTON, S. Development of manufacturing control strategies using unsupervised
learning. IIE Transactions, v. 28, p. 319-331, 1996.
BOWDEN, R.; BULLINGTON, S. An evolutionary algorithm for discovering manufacturing control
trategies. In: BIETHAHN, J.; NISSEN, V. Evolutionary algorithms in management applications.
Berlin: Springer-Verlag, 1995, p. 124-138.
BOWDEN, R.; HALL, J.; USHER, J. Integration of evolutionary programming and simulation to optimize
a pull production system. Computers and Industrial Engineering, v. 31, n. 1/2, p. 217-220, 1996.
139
BOWDEN, R.; NEPPALLI, R.; CALVERT, A. A robust method for determining good combinations of
queue priority rules. In: FOURTH INTERNATIONAL INDUSTRIAL ENGINEERING CONFEREN-
CE, 1995, Nashville, TN. Proceedings… Nashville, TX: IIE, 1995, p. 874-880.
CARSON, J. S. Introduction to modeling and simulation. In: WINTER SIMULATION CONFERENCE,
Washington, DC, USA, 2004. Proceedings... Washington, D.C., USA, 2004.
CARSON, Y.; MARIA, A. Simulation optimization: methods and applications. In: WINTER SIMULATION
CONFERENCE, Atlanta, GA, USA, 1997. Proceedings... Atlanta, GA, USA, 1997.
CHUNG, C. A. Simulation modeling handbook: a practical approach. Washington DC: CRC Press, 2004.
DEMING, W. E. Foundation For management of quality in the western world. In: MEETING OF THE
INSTITUTE OF MANAGEMENT SCIENCES IN OSAKA, Japan, 24 July 1989. Paper… Osaka,
Japan, 24 July 1989.
DOWNING, D.; CLARK, J. Statistics the easy way. 2nd ed. New York: Barons, 1989.
DWIGHT, Herbert Bristol. Tables of integrals and other mathematical data. 4th ed. New York: Macmillian,
1961.
FOGEL, D. Evolving artificial intelligence. 1992 (Ph.D. Thesis) – University of California, CA, 1992.
FU, M. C. Optimization via simulation: a review. Annals of Operations Research, v. 53, p. 199-247, 1994.
FU, M. C. Optimization for Simulation: theory vs. practice. Journal on Computing, v. 14, n. 3, p. 192-215, 2002.
FU, M. C.; ANDRADÓTTIR, S.; CARSON, J. S.; GLOVER, F.; HARRELL, C. R.; HO, Y. C.; KELLY,
J. P.; ROBINSON, S. M. Integrating optimization and simulation: research and practice. In: WINTER
SIMULATION CONFERENCE, Orlando, FL, USA, 2000. Proceedings... Orlando, FL, USA, 2000.
GLOVER, F. Tabu search: a tutorial. Interfaces, v. 20, n. 4, p. 41-52, 1990.
GLOVER, F.; LAGUNA, M.; MARTÍ, R. Principles of tabu search. In: GONZALEZ, T. Approximation
algorithms and metaheuristics. London: Chapman & Hall/CRC, 2005.
GOGG, Thomas J.; SANDS, Charles. Hugles aircraft designs automated storeroom system through
simulation application. Industrial Engineering, v. 22, p. 49-57, Aug 1990.
GOLDBERG, D. Genetic algorithms in search, optimization, and machine learning. Reading, Mass:
Addison Wesley, 1989.
Goldratt, Eliyahu; Cox, Jeff. The goal. New Haven: Spectrum Publishing, 1986.
GOLDSMAN, D.; NANCE, R. E.; WILSON, J. R. A brief history of simulation. In: WINTER SIMULA-
TION CONFERENCE. Austin, TX, USA, 2009. Proceedings... Austin, TX, USA, 2009.
GREENWOOD, A.; REES, L.; CROUCH, I. Separating the art and science of simulation optimization: a
knowledge-based architecture providing for machine learning. IIE Transactions, v. 25, n. 6, p. 70-83.
1993.
HALL, J.; BOWDEN, R. Simulation optimization for a manufacturing problem. In: SOUTHEASTERN
SIMULATION CONFERENCE, CA, 1996. Proceedings… CA: The Society for Computer Simulation,
1996 (in press).
HALL, J.; BOWDEN, R.; USHER, J. Using evolution strategies and simulation to optimize a pull production
system. Journal of Materials Processing Technology, v. 61, p. 47-52, 1996.
HARREL, C. R.; GHOSH, B. K.; BOWDEN, R. Simulation using promodel. 2 nd ed. New York:
McGraw-Hill, 2004.
HARREL, C. R.; MOTT, J. R. A.; BATEMAN, R. E.; BOWDEN, R. G.; GOGG, T. J. Simulação: otimi-
zando os sistemas. 2 ed. São Paulo: IMAM, 2002.
HILLIER, F. S.; LIEBERMAN, G. J. Operations research. 2nd ed. San Francisco: Holden-Day, 1974.
HILLIER, F. S.; LIEBERMAN, G. J. Introduction to operations research. 9th ed. New York: McGraw-Hill,
2010.
HOOKE, R.; JEEVES, T. Direct search solution of numerical statistical problems. Journal of the Association
of Computer Machines, v. 8, p. 212-229, 1961.
HOOVER, S. V.; PERRY, R. F. Simulation: a problem-solving approach. Reading, Mass: Addison-Wesley,
1989.
Referências 141
JACOBSON, S.; SCHRUBEN, L. Techniques for simulation response optimization. Operations Research
Letters, v. 8, n. 1-9.
JAHANGIRIAN, M.; ELDABI, T.; NASEER, A.; STERGIOULAS, L. K.; YOUNG, T. Simulation in
manufacturing and business: a review. European Journal of Operational Research, v. 203, n. 1,
p. 1-13, 2010.
JENKINS, C. M.; RICE, S. V. Resource modeling in discrete-event simulation environments: a fifty-year
perspective. In: WINTER SIMULATION CONFERENCE, Austin, TX, USA, 2009. Proceedings...
Austin, TX, USA, 2009.
KETTINGER, W. J.; TENG, J. T. C.; GUHA, S. Business process change: a study of methodologies,
techniques, and tools. Mis Quarterly, v. 21, n. 1, p. 55-80, 1997.
KRICK, E. An introduction to engineering concepts, methods and issues. New York: John Wiley & Sons,
1976.
LACKSONEN, T.; ANUSSORNNITISARN, P. Empirical comparison of discrete event simulation opti-
mization techniques. In: SCSC, 1995, CA. Proceeding… CA: The Society for Computer Simulation,
1995, p. 69-101.
LARSON, H. J. Introduction to probability theory and statistical inference. 2. ed. New York: John Wiley
& Sons, 1974.
LAW, A. M. Simulation modeling and analysis. 4th ed. New York: McGraw-Hill, 2007.
LAW, A. M. How to build valid and credible simulation models. In: WINTER SIMULATION CONFE-
RENCE, Austin, TX, USA, 2009. Proceedings... Austin, TX, USA, 2009.
LAW D. A.; KELTON, W. D. Simulation modeling & analysis. 2nd ed. New York: McGraw Hill, 1991.
LAW, A. M.; KELTON, W. D. Simulation modeling and analysis. 3rd ed. New York: McGraw-Hill, 2000.
LAW, A. M.; McCOMAS, M. G. Simulation-based optimization, In: WINTER SIMULATION CONFE-
RENCE, San Diego, CA, USA, 2002. Proceedings... San Diego, CA, USA, 2002.
LEAL, F. Análise do efeito interativo de falhas em processos de manufatura através de projeto de experi-
mentos simulados. 2008. (Tese de Doutorado) – Faculdade de Engenharia do Campus de Guaratinguetá,
Universidade Estadual Paulista, Guaratinguetá, 2008.
LEAL, F.; COSTA, R. F. S.; MONTEVECHI, J. A. B.; ALMEIDA, D. A.; MARINS, F. A. S. A practical guide
for operational validation of discrete simulation models. Pesquisa Operacional, n. 31, p. 57-77, 2011.
LEAL, F.; ALMEIDA, D. A. de; MONTEVECHI, J. A. B. Uma proposta de técnica de modelagem con-
ceitual para a simulação através de elementos do IDEF. In: SIMPÓSIO BRASILEIRO DE PESQUISA
OPERACIONAL, XL, João Pessoa, PB, 2008. Anais... João Pessoa, PB, 2008.
Lehman, R. S. Computer simulation and modeling. New York: Lawrence Erlbaum Associates, 1997.
MARSE, K.; ROBERTS, S. D. Implementing a portable FORTRAN uniform (0,1) generator. Simulation,
v. 41, p. 135-139, 1983.
MATZ, A.; CURRY, O. J. Cost accounting planning and control. 5th ed. Cincinnati, Ohio: South-Western
publishing, 1972.
McLeold, J. Simulation. Simulation Councils, v. 51, n. 4.
MENDONÇA, T.G.P. Automatização do processo de modelagem conceitual através da técnica IDEF-SIM.
2011. Monografia de Iniciação Científica. Universidade Federal de Itajubá, 2011.
MONDEN, Y. Toyota production system, GA: IIE, GA, 1993.
MONTEVECHI, J. A. B.; LEAL, F.; PINHO, A. F., COSTA, R. F. S.; MARINS, F. A. S.; MARINS, F. F.;
JESUS, J. T. Combined use of modeling techniques for the development of the conceptual model in
simulation projects. In: WINTER SIMULATION CONFERENCE, Miami, FL, USA, 2008a. Procee-
dings... Miami, FL, USA, 2008a.
MONTEVECHI, J. A. B.; PINHO, A. F.; LEAL, F.; MARINS, F. A. S.; COSTA, R. F. S. Improving a
process in a Brazilian automotive plant applying process mapping, design of experiments and discrete
events simulation. In: SYMPOSIUM EUROPEO DE MODELADO Y SIMULACION (SCS), 20.
Briatico, Itália, 2008b. Proceedings... Briatico, Itália, 2008b.
MONTEVECHI, J. A. B.; LEAL, F.; PINHO, A. F.; COSTA, R. F. S.; OLIVEIRA, M. L. M.; SILVA, A.
L. F. Conceptual modeling in simulation projects by mean adapted IDEF: an application in a Brazilian
tech company. In: WINTER SIMULATION CONFERENCE, Baltimore, MD, USA, 2010. Procee-
dings... Baltimore, MD, USA, 2010.
MONTEVECHI, J. A. B.; PINHO, A. F.; LEAL, F.; MARINS, F. A. S. Application of design of experiments
on the simulation of a process in an automotive industry. In: WINTER SIMULATION CONFERENCE.
Washington, DC, USA, 2007. Proceedings... Washington, DC, USA, 2007.
NAYLOR, T. H.; JOSEPH L., Balinfy; BURDICK, Donald S.; KONG, C. Computer simulation technique.
New York: John Wiley & Sons, 1966.
NANCE, R. E. Simulation programming languages: an abridged history. In: WINTER SIMULATION
CONFERENCE, Arlington, VA, USA, 1995. Proceedings... Arlington, VA, USA, 1995.
NANCE, R. E.; SARGENT, R. Perspectives on the evolution of simulation. Operations Research, v. 50,
n. 1, p. 161-172, 2002.
NELDER, J.; MEAD, R. A simplex method for function minimization. Computer Journal, v. 7, p. 308-313,
1965.
ÓLAFSSON, S.; KIM, J. Simulation optimization. In: WINTER SIMULATION CONFERENCE, San
Diego, CA, USA, 2002. Proceedings... San Diego, CA, USA, 2002.
OptQuest 96 information Sheet, Micro Analysis and design, Boulder, CO, 1996.
PEGDEN, D.; GATELY, M. A decision-optimization module for SLAM. Simulation, v. 34, p. 18-25, 1980.
PEGDEN, D.; GATELY, M. Decision optimization for GASP IV simulation models. In: WINTER SIMULA-
TION CONFERENCE. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Piscataway,
NJ, 1977, p. 127-133.
PRISTKER, A. A. B. Introduction to Simulation and SLAM II. West Lafayette, Indiana: Systems publis-
hing Corporation, 1986.
ROBINSON, S. Conceptual modelling for simulation Part I: definition and requirements. Journal of the
Operational Research Society, v. 59, n. 3, p. 278-290, 2008.
RYAN, J.; HEAVEY, C. Process modeling for simulation. Computers in Industry, v. 57, n. 5, p. 437-450, 2006.
SAFIZADEH, M. Optimization in simulation: current issues and the future autlook. Naval Research Logis-
tics, v. 37, p. 807-825. 1990.
SARGENT, R. G. Verification and validation of simulation models. In: WINTER SIMULATION CON-
FERENCE, Austin, TX, USA, 2009. Proceedings... Austin, TX, USA, 2009.
SCHWEFEL, H. -P. Numerical optimization of computermodels. Chichester: John Wiley and Son, 1981.
SimRunner user’s guide ProModel edition. MI: Decision Science, 1996a.
SimRunner user guide. Orem, UT, USA: ProModel Corporation, 2002.
SMITH, C. A. Maximizing the return from the simulation of material handling systems. In: AGVS 89
CONFERENCE, 1989. Paper… 1989.
SMITH, G. W. Engineering economy analysis of capital expenditures. Ames, lowa: The Iowa State
University Press, 1973.
STEPHENSON, R. E. Computer simulation for engineers. New York: Harcourt Brace Jovanovich, 1971.
STEWART, R. D. Cost estimating. New York: John Wiley & Sons, 1982.
SRISUWANRAT, C.; IOANNOU, P. G.; TSIMHONI, O. Simulation and optimization for construction
repetitive projects using ProModel and SimRunner. In: WINTER SIMULATION CONFERENCE,
Miami, FL, USA, 2008. Proceedings... Miami, FL, USA, 2008.
STUCKMAN, B., EVANS, G.; MOLLAGHASEMI, M. Comparasion of global search methods for design
optimization using simulation. In: WINTER SIMULATION CONFERENCE, 1991, Piscataway, NJ.
Proceeding… Piscataway, NJ: Institute of Electrical and Electronics Engineers, 1991, p. 937-944.
TOMPKINS, G.; AZADIVAR, F. Genetic algorithms in optimizing simulated systems. In: WINTER
SIMULATION CONFERENCE, Piscataway, NJ, 1995. Proceeding… Institute of Electrical and Elec-
tronics Engineers, Piscataway, NJ, 1995, p. 757-762.
Referências 143
USHER, J.; BOWDEN, R. The application genetic algorithms to operation sequencing for use in computer-
aided process planning. Computers and Industrial Engineering Journal, v. 30, n. 4, p. 999-1013. 1996.
WALPOLE, R. E.; MYERS, H. Probability and statistics for engineers and scientists. 2nd ed. New York:
Macmillan Publishing. 1978.
WANG, W.; BROOKS, R. J. Empirical investigations of conceptual modeling and the modeling process.
In : HENDERSON, S.G., BILLER, B., HSIEH, M.-H., SHORTLE, J., T.E.W., J.D., BARTON, R.R.,
(eds.). Winter Simulation Conference. Proceedings... Piscataway, New Jersey: Institute of Electrical
and Electronics Engineers, 2007, p. 1601-1609.
WESTON, J. F.; BRIGHAM, E. F. Essentials of managerial finance. 8. ed. Chicago: The Dryden Press, 1979.
YAMANCE, T. Statistcs: an introductory analysis. 2nd ed. New York: Harper & Row, 1967.
ZHOU, M.; ZHANH, Q.; CHEN, Z. What can be done to automate conceptual simulation modeling?
In: PERRONE, L. F.; WIELAND, F. P.; LIU, J.; LAWSON, B. G.; NICOL, D. M.; FUJIMOTO, R.
M. In: WINTER SIMULATION CONFERENCE, 2006, Piscataway, New Jersey. Proceedings…
Piscataway, New Jersey: Institute of Electrical and Electronics Engineers, 2006, p. 809-814.
Exercícios
EXERCÍCIO 1
Começando a simulação
O objetivo desse exercício é familiarizá-lo com a simulação. Se você está usando o
ProModel for Windows, MedModel ou o ServiceModel, uma das melhores maneiras
de dar início ao exercício é utilizando o suporte on-line. Selecione as instruções apro-
priadas para a ferramenta que você está usando.
Acione o software ProModel na central de downloads. Lá você terá uma demons-
tração sucinta acerca de como criar modelos, rodá-los e ver os resultados gerados.
Com o software aberto, clique, na máscara de entrada, na opção “rodar modelo
demonstrativo”. Uma vez que o modelo escolhido estiver rodando, familiarize-se com
a barra de rolamento horizontal que controla a velocidade (clique nas setas ou clique
na barra). Clique no botão no extremo direito da mesma linha para rever as opções
do relógio.
Enquanto o modelo ainda estiver rodando, examine os menus “Opções” e “In-
formação” para ver quais interações você pode ter com o modelo durante a simulação.
Você deve também examinar alguns dos resultados fornecidos para se familiarizar
com o relatório de dados de saída.
Se você estiver participando de um curso de simulação, seu instrutor deve pedir
para você rodar um modelo específico e achar valores de um determinado resultado
em um momento específico da simulação.
EXERCÍCIO 2
Manufatura simplificada
Você é o Gerente de Produção da “MANUFATURA SIMPLIFICADA”, um pro-
dutor de eixo de direção de um cortador de grama motorizado (autoimpulsionado).
O Gerente de Vendas acabou de informar a você que um dos maiores fabricantes
de cortadores de grama estava insatisfeito com os fornecedores dele, os quais são
seus concorrentes, e perguntou sobre sua capacidade de produzir uma determinada
quantidade de eixos de direção.
Tendo em vista que o futuro da empresa “MANUFATURA SIMPLIFICADA”
está em jogo, todos estão ansiosos para conseguir um novo negócio. No entanto, os
operários mandaram dizer através de seus representantes que mudanças significativas
nos procedimentos atuais de trabalho não serão consideradas, a menos que alternativas
sejam também examinadas. Apesar de os operários estarem desejosos de fazer hora-ex-
tra, o pessoal da Contabilidade tem indicado que o pagamento de hora-extra eliminará
qualquer lucro proveniente do aumento de produção dos eixos.
145
146 Exercícios
A fábrica está atualmente produzindo 129 eixos em 40 horas semanais. O pedido

extra demandará uma produção de 250 eixos no mesmo tempo, quase dobrando a
produção atual.
O Processo de Produção
Cinco barras de matéria-prima do estoque são fornecidas à fábrica a cada 14 horas
trabalhadas. No recebimento elas são inspecionadas (em 30 segundos, pelo operador
1). O operador leva uma barra para a serra, onde ela é cortada no comprimento apro-
priado em 3 minutos.
De cada barra, nove eixos são produzidos e colocados em uma caixa. Eles são
retirados pelo operador 2; esse operador gasta 1 minuto e 15 segundos para colocar a
peça no torno e prepará-la para a operação, onde se gasta 6 minutos para usinar e facear
uma das pontas. O operador gasta 1minuto e 30 segundos para inspecionar essa peça
e virá-la na máquina. O torno gasta mais 5 minutos para repetir o processo na outra
extremidade da barra; após isso ela é retirada e inspecionada também pelo operador 2
em 1 minuto e 45 segundos. O eixo é deixado em uma estante que suporta até 9 peças.
O operador 3 pega um eixo na estante e demora 45 segundos para posicioná-la
numa furadeira que fará uma abertura de chaveta em 2 minutos e 15 segundos. O
operador então remove a peça em 15 segundos. O eixo é colocado numa estante com
capacidade para 9 peças, de onde é retirada pelo operador 4. Esse operador gasta 2
minutos e 46 segundos posicionando uma chaveta na abertura e encaixando-a numa
caixa de engrenagens.
A peça é então levada pelo operador 4 até um local de embarque. Todos os equipa-
mentos são posicionados de maneira que um operador leve 30 segundos para percorrer
a distância entre dois locais quaisquer.
Os operadores têm 15 minutos de descanso pela manhã e 30 minutos no almoço,
além de 15 minutos à tarde. O equipamento da “MANUFATURA SIMPLIFICADA”
é antigo, mas confiável, portanto as quebras não são frequentes e toda a manutenção
preventiva é realizada após o horário de produção.
A Tarefa
Preparar uma lista de possíveis maneiras de aumentar a produção na fábrica
conforme a demanda. Adicionalmente, seu chefe pediu para avaliar as seguintes suges-
tões dos funcionários:
1. um funcionário, que pediu para permanecer anônimo, recomendou diminuir os
intervalos (da manhã e da tarde) dos operários, para 5 minutos cada intervalo;
2. o Departamento Financeiro, ansioso para reduzir o nível de estoque em proces-
so, recomendou que todas as filas, exceto a fila de saída para a serra tenha sua
capacidade reduzida. Eles estimam que o tamanho de fila igual a 5 resolveria o
problema;
3. o comprador diz que, apesar do seu fornecedor não entregar menos de 5 barras por
vez, poderia passar a entregá-las a cada 3 horas, se necessário;
Exercícios 147
4. a operadora do torno chamou sua atenção para o fato de que um segundo torno
similar ao seu está armazenado como sobressalente, que foi usado quando a em-
presa estava com um nível de produção muito maior. Ela é uma das empregadas
mais eficientes e acha que pode lidar com as duas máquinas ao mesmo tempo,
fazendo o “setup” em uma delas enquanto a outra processa a peça;
5. o operador da área de montagem comentou ter visto um novo dispositivo de fixação
que permitiria fazer a montagem de 2 eixos simultaneamente. Ele gostaria de testar
o novo fixador.
Carregue o modelo “EX2.mod” existente no diretório “models/student” da versão
para estudante do software e use-o para testar as ideias anteriores.
Você pode alterar o modelo, modificando os campos apropriados ou desenvolvendo
parâmetros através de macros parâmetros de cenário.
EXERCÍCIO 3
Usando a matemática para simular um sistema simples
Considere um sistema simples que consiste em 3 entidades: 1) peças; 2) uma
máquina; 3) um pulmão (uma fila indica uma linha de espera, enquanto um pulmão é
o local onde as peças podem ser acumuladas à medida que esperam para ser proces-
sadas na máquina).
Existem 2 tipos de eventos: 1) a peça chega até o pulmão; 2) a peça sai da máquina.
O tempo entre a chegada das peças no pulmão varia randomicamente, com valores
potenciais de 1, 2, 3, 4, 5 e 6, e com a mesma probabilidade de ocorrência.
Cada peça é processada individualmente na máquina. O tempo do ciclo da máquina,
ou seja, o tempo em que a peça fica na máquina é aleatório também. Os possíveis
valores são valores inteiros de 1 a 6, com igual probabilidade de ocorrência cada um.
Se você precisar estimar o número médio de peças no PULMÃO em um intervalo
de tempo, como você determinaria sua resposta?
Um método seria recriar fisicamente o cenário e gravar manualmente o tempo
médio que cada peça demora no pulmão. Outra possibilidade seria recriar a sequência
de eventos experimentados no sistema através da matemática. O último método seria
menos custoso que o primeiro.
O exercício seguinte mostra uma representação matemática do sistema de filas
descrito anteriormente.
No decorrer do exercício serão ilustradas a razão e a lógica envolvidas com a
modelagem de simulação de eventos discretos.
As tabelas e diagramas mostrados a seguir ajudarão você a realizar a simulação ma-
temática deste pequeno sistema. A Tabela 3A contém a lista de variáveis matemáticas
que foram criadas para descrever as várias entidades e características do sistema. As
próximas páginas contêm seis grupos de instruções: 1) inicializando as variáveis dos
sistemas, 2) determinando os próximos eventos, 3) atualizando as variáveis estatísticas,
148 Exercícios
TABELA 3A Variáveis
VARIÁVEL RELÓGIO DE O relógio de simulação (CLOCK) é uma variável que representa
SIMULAÇÃO (CLOCK) o tempo simulado no exercício. Pode ser pensado como um
relógio que é atualizado toda vez que um evento ocorre. Um
evento, neste exercício, é a chegada de uma peça ao pulmão ou
a saída de uma peça da máquina.
VARIÁVEL ESTADO DA ESTMA é uma variável que nos diz o estado atual da máquina
MÁQUINA (ESTMA) em qualquer ponto do exercício. Se uma máquina está
processando uma peça, então seu estado é “OCUPADO”, se não
está processando uma peça seu estado é “OCIOSO”.
NÚMERO DE PEÇA NO NPB é uma variável que representa um número atual de

PULMÃO (NPB) peças que estão esperando na fila. Se uma peça chega e
ESTMA = OCUPADO, então NPB é incrementado de 1 (um).
Quando um evento de saída de peça ocorre, NPB é decrescido
de 1 (um), caso o valor de NPB seja maior que zero.
TEMPO DE CHEGADA TCPP é uma variável que nos diz em que tempo a nova peça irá
DA PRÓXIMA PEÇA chegar ao pulmão. É calculada pela adição do resultado sorteado
(TCPP) ao valor atual da variável relógio de simulação (CLOCK).
TEMPO DE SAÍDA DA TSPP é uma variável que nos diz em que tempo a peça sairá da
PRÓXIMA PEÇA (TSPP) máquina. É calculado pela adição do ciclo da máquina (oriundo
do dado), ao valor atual da variável do relógio.
TOTAL DE PEÇAS TPP é uma variável que registra o número total de peças que
PROCESSADAS (TPP) foram processadas. Toda vez que um evento de saída de peça
ocorre, a variável TPP é incrementada de 1 (um).
MÁXIMO DE PEÇAS NA MPF é uma variável que mostra o valor de número máximo de
FILA (MPF) peças que existem no pulmão, durante o exercício. O valor para
MPF é checado durante cada evento de chegada de peça, se
MPF é menor que NPB, então MPF é dado pelo valor de NPB.
TEMPO DO ÚLTIMO TUE é a variável que registra o relógio de tempo simulado

EVENTO (TUE) quando o último evento ocorre (chegada de peças ou partida de
peças).
TEMPO GASTO DESDE TGUE é a variável que diz quanto tempo simulado foi gasto da
O ÚLTIMO EVENTO chegada ou saída da última peça até então.
(TGUE)
TEMPO ACUMULADO TAPB é a variável que acumula o tempo total gasto pelas peças
DE PEÇA NO PULMÃO no pulmão. O valor do TAPB é multiplicado pelo valor do
(TAPB) TGUE, e nos mostra o total de minutos gastos no pulmão. Isso é
calculado depois de cada peça chegar ou partir. O resultado é
adicionado ao valor atual da TAPB.
COMPRIMENTO MÉDIO CMB é a variável que diz a média de peças em fila no pulmão.
DO PULMÃO (CMB) Isso é calculado dividindo TAPB pelo valor atual do relógio.
TIPO DE EVENTO TE é a variável com a qual se determina, se o que vai ocorrer é o

(chegada ou partida) evento de chegada da peça ou de partida da peça. É dependente
(TE) dos valores de TCPP e TSPP.
Exercícios 149
4) criando um relatório de status das variáveis, 5) processando um evento de chegada

de uma peça, 6) processando um evento de saída de uma peça.
Uma série de ações está descrita em cada grupo de instruções. Essas ações en-
volvem cálculos matemáticos simples, usando valores das variáveis da Tabela 3A e
registrando os resultados tanto na Tabela 3A quanto na Tabela 3B. Use o diagrama de
fluxo para seguir as sequências que estão determinadas nas instruções.
Durante o exercício, as variáveis da Tabela 3A irão mudar de valores conforme os
grupos de instruções vão sendo concluídos.
A instrução final de cada grupo indicará o próximo grupo de instrução a ser seguido.
No decorrer do exercício os valores selecionados das variáveis da Tabela 3A são
registrados na Tabela 3B, toda vez que as ações do grupo “criando um relatório de
status das variáveis” estiverem finalizadas.
O conteúdo da Tabela 3B é a representação dos dados de produção obtidos pela
simulação.
O comprimento médio das filas e outras estatísticas do sistema são mostrados como
resultados da chegada ou saída de cada peça. Os dados são comumente exibidos nas
primeiras cinco linhas. Isso é mostrado como resultado dos primeiros vinte grupos de
instruções. Complete as linhas que faltam na Tabela 3B.
Um dado pode ser jogado para estabelecer ou criar valores aleatórios associados
com o tempo de chegada de cada peça e a duração do ciclo de máquina.
A determinação do maior comprimento médio da fila demandaria o trabalho de
milhões de cálculos repetitivos. Os esforços não seriam econômicos, em relação ao
tempo e ao custo. No entanto, a modelagem da simulação pode diminuir o esforço.
Um modelador pode simular o cenário descrito anteriormente em poucos minutos
e fornecer resultados mais rápidos do que uma pessoa trabalhando manualmente
(Figura 1).
Instruções para inicialização das variáveis do sistema

1. Inicialize as variáveis da Tabela 3A com os valores mostrados:
• Ajuste o valor inicial da variável relógio de simulação (CLOCK) para zero:
CLOCK = 0
• Ajuste o valor inicial da variável estado da máquina para IDLE:
ESTMA = IDLE
• Ajuste o valor inicial do número de peças no pulmão para zero:
NPB = 0
• Ajuste o valor inicial da variável de tempo de chegada da próxima peça para
zero:
TCPP = 0
• Ajuste o valor inicial da variável de tempo de saída da próxima peça para “sem
cronograma”
150 Exercícios
FIGURA 1 Fluxograma – Sequência de instruções para Exercício 3.
TSPP = SC
• Ajuste o valor inicial da variável total de peças processadas para zero:
TPP = 0
• Ajuste o valor inicial da variável de peças chegadas para zero:
TPC = 0
• Ajuste o valor inicial máximo da variável de peças na fila para zero:
MPF = 0
• Ajuste o valor inicial da variável tempo do último evento para zero:
• TUE = 0
• Ajuste o valor inicial da variável tempo decorrido do último evento para zero:
TDUE = 0
Exercícios 151
• Ajuste o valor inicial acumulado da variável tempo da peça no pulmão para

zero:
TAPB = 0
• Ajuste o valor inicial da variável número médio de peças no pulmão para zero:
NMPB = 0
• Ajuste o valor inicial da variável tipo do próximo evento para nenhum (N):
TPE = N
2. Proceda às instruções para determinar o tipo do próximo evento.
Instruções para determinar o tipo do próximo evento

Verifique a Tabela 3A para determinar o tipo do próximo evento (chegada ou
partida) que ocorrerá. A descrição é baseada nos valores do tempo de chegada da
próxima peça (TCPP) e tempo de saída da próxima peça (TSPP). O evento de chegada
é selecionado se o valor de TCPP é menor que o valor de TSPP, ou se há TSPP sem
cronograma (TSPP = SC) (Figura 2).
FIGURA 2
Instruções para atualizar as variáveis estatísticas

1. Atualizar a variável tempo decorrido do último evento (TDUE). O tempo decorrido
do último evento é igual ao valor atual do relógio (CLOCK) menos o tempo
decorrido do último evento. TDUE = CLOCK − TDUE
2. Atualizar o valor para a variável tempo do último evento (TUE), isto é, igual ao
valor atual da variável relógio (CLOCK). TUE = CLOCK
152 Exercícios
3. Acumular o número total de peças que tenham sido inspecionadas no pulmão. O

tempo gasto pelas peças na fila desde o último evento ocorrido é igual ao valor
atual do número de peças no pulmão (NPB) multiplicado pelo TDUE. O produto
é então adicionado ao valor atual do tempo acumulado de peças no pulmão.
4. TAPB = TAPB + (NPB × TDUE)
5. Determine o comprimento médio da fila observado sobre o tempo atual gasto. O
comprimento médio da fila (NMPB) é igual para o valor atual do TAPB dividido
pelo valor atual do relógio.
6. Se CLOCK = 0, então TAPB = 0
7. Se CLOCK > 0, então NMPB = TAPB : CLOCK, enquanto NMPB = 0
8. Vá para as instruções de criação do relatório das variáveis de estado.
Instruções de criação do relatório das variáveis de estado

1. Registre os valores correntes da Tabela 3A, especificando as variáveis (CLOCK,
TPP, TPC, ESTMA, NPB, MPF, CMB) mostrados na Tabela 3B a seguir. O tempo
de cada uma dessas instruções é completado por outra linha de dados de saída que
é produzida.
2. Finalizar o exercício de simulação ou continuar? Se continuar, vá para a tarefa
número 3 a seguir. Do contrário, pare.
3. Se o valor da variável tipo de evento (TE) da Tabela 3A é igual à ARV (TE = ARV),
então vá para as instruções de processamento de um evento de chegada de uma
peça. Se TE = DEP, então vá para as instruções de processamento de um evento
de saída de uma peça.
TABELA 3B Relatório das variáveis de estado
CLOCK TPP TPC ESTIMA NPB MPF CMB

1 0 0 0 OCIOSO 0 0 0
2 3 1 0 OCUPADO 0 0 0
3 5 2 0 OCUPADO 1 1 0.4
4 6 2 1 OCUPADO 0 1 0.33
5 7 3 1 OCUPADO 1 1 0.43
10
Exercícios 153
EXERCÍCIO 4
Ciclos (streams) e sementes (seeds) randômicas
O modelo EX4 é projetado para que você experimente o impacto de ciclos
aleatórios em um sistema pequeno com tempos de eventos probabilísticos. Poderá
ser também ser observado o impacto do período de tempo simulado (extensão da
simulação).
O EX4 foi livremente baseado no modelo do exercício anterior. Em razão de as
distribuições contínuas serem frequentemente mais realistas para tempos de operação
e para tempo entre chegadas, usou-se uma distribuição que permite qualquer valor pos-
sível 1 e 6 (não só inteiros), com igual possibilidade de ocorrência. Fixou-se, ainda, a
capacidade do pulmão para até 5 peças.
No software, selecione Abrir um modelo. Ache o EX4 no subdiretório “models/
student” e cancele a solicitação para Informação Geral. Vá para o menu Construir,
Mais Elementos e abra a tabela de Sequências. Nesse modelo, o valor da primeira
semente que é apresentado refere-se ao tempo entre chegadas ao pulmão, e o segundo
é para o tempo na máquina. Cada valor de semente corresponde a um número dentro
do gerador aleatório de números, o qual serve como ponto de partida. Ajuste os valores
das sementes para 1 e 2, respectivamente. Simule, especificamente 2 horas, ajustando
através do menu “Simulação – Opções – Tempo de Sim.”. Anote o número obtido na
saída de peças.
Volte para a tabela de Sequências, entrando mais 4 vezes com tempos ajustados em
valores de 3 até 6 como sementes randômicas para distribuição do tempo de operação.
Mantenha por enquanto o valor da segunda semente = 1. Rode o modelo para cada
caso, registrando os resultados.
1. Questão 1: Qual é a média e a faixa de variação dos cinco valores de saída?
2. Retorne para o modelo e ajuste para simulação longa (10 horas) mudando em
“Simulação - Opções”. Retorne os números das sementes randômicas para seus
valores originais. Realize cinco simulações do modelo mudando o valor das se-
mentes como especificado anteriormente.
3. Questão 2: Qual é a média e a faixa de variação dos cinco valores de saída para
essas simulações mais longas?
4. Agora incremente o tamanho da simulação para 100 horas e repita os exercícios
com os cinco valores da semente.
5. Questão 3: Qual é a média e a faixa de variação dos cinco valores de saída para
as 100 horas?
6. Em virtude da natureza probabilística de nosso sistema, não se pode dizer com
certeza quantas peças exatamente serão produzidas num dado período de tempo.
Todavia, usando diversas simulações com diversos valores aleatórios das sementes
é possível desenvolver uma boa ideia da variação dentro da qual a saída total se
localizaria.
154 Exercícios
7. Questão 4: Ao aumentar o período simulado, que tendência você observa no

relacionamento entre a média e a faixa de variação?
8. Questão 5: Se você fosse responsável pelo sistema do modelo EX4 e fosse
requisitado a prever qual seria a saída, como você responderia?
9. Questão 6: Quais são as vantagens que você observa ao rodar a simulação com
diferentes valores de semente? Quais as desvantagens?
10. Questão 7: Quais são as vantagens da simulação longa? Quais são as des-
vantagens, se houver?
11. Questão 8: Depois de algumas simulações neste exercício você pode vir a receber
uma mensagem de que algumas peças serão perdidas por cauda da insuficiência
de capacidade no local de chegada (pulmão). Como pode ser possível que o
pulmão, com capacidade de 5 peças, não seja capaz de suportar todas as peças
que chegam se a distribuição do tempo de chegada de peças é a mesma que a
distribuição de tempo da operação da máquina? O que você poderia fazer para
eliminar esse problema?
EXERCÍCIO 5
Manufatura Simplificada (um pouco menos simplificada)
Para este exercício é preciso que você já esteja familiarizado com as operações
da “Manufatura Simplificada” do exercício 2. Afinal, agora você terá a oportunida-
de de construir o modelo visto naquele exercício. Apesar de terem sido utilizadas
variáveis para mostrar o resultado da produção total na tela, isso ainda não foi
abordado.
Você terá de construir um modelo ao final deste exercício, mas estará mexendo
apenas superficialmente no software. Há muitas coisas que podem ser feitas com seu
software de simulação. Mesmo um semestre de curso não seria suficiente para se usar
todas as funções disponíveis. Uma vida inteira poderia não ser longa o suficiente para
cobrir todas as possíveis aplicações de simulação.
ProModel for Windows, MedModel e ServiceModel

Se você está usando um destes produtos, clique em Arquivo – Novo. Use a des-
crição do processo do exercício 2 para auxiliá-lo a preencher os vários campos das
tabelas. Você pode se basear no arquivo texto anexo para a construção do modelo.
O arquivo pode também ser encontrado no menu Arquivo – ver texto. Observe
no arquivo texto que algumas peças foram programadas para as filas no início
da simulação, para que o modelo atinja o estado de regime (steady-state) mais
rapidamente. Um efeito similar poderia ser obtido ao especificarmos um período
de aquecimento.
Exercícios 155
156 Exercícios
Exercícios 157
158 Exercícios
Exercícios 159
EXERCÍCIO 6
Um Projeto de Simulação
Usando as fases dos tópicos descritos no texto, prepare um plano em forma de
um esboço que você usaria para conduzir com pleno sucesso o estudo de simulação.
Se o seu instrutor solicitar um projeto de simulação como parte da aula, use este
exercício para desenvolver a estratégia para realizar uma simulação do sistema que
você selecionou. Se o projeto não é solicitado no curso, prepare um plano mostrando
como você conduziria um projeto de simulação na sua empresa atual (ou na mais
recente). A lista a seguir irá ajudá-lo a iniciar o plano.
Definição do problema e estabelecimento dos objetivos

Qual é o problema ou o ponto a ser estudado?
Por que a Simulação seria uma ferramenta vantajosa de análise?
Qual é a abrangência do projeto? Será modelada a operação inteira ou apenas uma
parte? Por quê?
Quais são os objetivos?
Quais aspectos financeiros são significativos? Como serão avaliados os custos e
os benefícios?
160 Exercícios
Formulação do modelo e planejamento

Inclua um esboço ou desenho mostrando o layout do sistema a ser estudado.
Identifique o fluxo de entidades (peças, pessoas etc.) no desenho ou esboço.
Que nível de detalhes será empregado?
Como as entidades se movimentam? Existem sistemas de transporte a serem
modelados?
Qual entidade mais deveria ter uma entrada? Por quê?
Aquisição de dados
Quais dados seriam necessários para o modelo? Estes já estão disponíveis? Em
que formatação?
Quais as fontes dos dados? Essas fontes estão aptas a prover dados precisos?
Desenvolvimento do Modelo
O sistema pode ser modelado usando-se “camadas de complexidade”? Se possível,
defina essas camadas.
Verificação e validação
Descreva as ferramentas de verificação e validação que você pretende usar nesse
projeto.
Quem mais você pode envolver nesse processo de verificação e validação?
Experimentações
Que soluções alternativas você irá experimentar?
Que parâmetros do modelo precisam ser alterados para se avaliar as soluções
propostas?
Seu modelo pode ser projetado com a finalidade de facilitar a experimentação?
Análise de resultados e apresentação

Que medidas de desempenho são significativas para o sistema que você selecionou?
A quem você apresentará suas conclusões? Como você fará sua apresentação?
Implementação
Que passos você planeja adotar para facilitar a implementação dos resultados de
sua simulação?
Quem você irá envolver em seus esforços? Em que etapas do projeto?
Exercícios 161
EXERCÍCIO 7
Construindo um modelo
Este exercício lhe dará a oportunidade de construir um modelo baseado apenas na
descrição de um processo. Um dos desafios do modelo será o uso de porcentagens de
rendimento e seleção de probabilidade do próximo destino.
Um processo de produção consiste em quatro operações: fresa, planificação,
perfuração e inspeção. Há duas fresadoras, uma plaina mecânica e duas furadeiras.
A estação de inspeção é automatizada. Suponha que os tempos de movimentação
associados com a transferência de peças entre os postos de trabalho e dos postos de
trabalho para a posto de refugo seguem uma distribuição triangular com um mínimo
de 0,5 minutos, uma moda de 1 minuto e um máximo de 1,5 minutos. Os movimentos
são compostos de:
• Chegada para fresadora ou chegada para a plaina.
• Fresadora para furadeira ou fresadora para a saída.
• Plaina para furadeira ou plaina para a saída.
• Furadeira para inspeção ou furadeira para a saída.
• Inspeção para inspeção de saída para furadeira ou inspeção para a saída.
• Os dados para as chegadas, roteamento e processos são descritos a seguir:
• Chegadas Exponencial Média = 4 minutos.
• Fresadora Triangular (9, 12, 14)
• Plaina Uniforme (7, 1)
• Furadeira Normal. Média = 5, desvio padrão = 1
• Inspeção Uniforme (1, .5)
• Tempo da rota Triangular. (.5, 1, 1.5)
Setenta por cento dos trabalhos são do tipo 1, os outros são do tipo 2. Os trabalhos
do tipo 1 vão para a fresa, depois movidos para a furadeira e finalmente para a inspeção.
Os trabalhos do tipo 2 vão para a plaina, depois para a furadeira e finalmente para a
inspeção. Não há nenhum sistema de prioridade na furadeira ou na inspeção. Trabalhos
com falhas constatadas na inspeção tem uma probabilidade de 0,05. Sessenta por cento
dos trabalhos com falha retornam à furadeira, e o resto é definitivamente rejeitado.
Existem filas de espera (pulmão) limitados na frente dessas máquinas. As filas
de espera (pulmões) para as fresadoras podem acumular até 5 peças. A fila de espera
(pulmão) em frente à plaina acumulará até 3 peças. Outra fila de espera em frente à
furadeira acumula até 4 peças e uma fila acumula até 3 peças em frente à estação de
inspeção. Quando as peças não puderem ser acumuladas na fila, por esta estar cheia,
as peças serão lançadas para fora do sistema.
Simule esse sistema durante 40 horas, com 8 horas de aquecimento.

Simulação de Sistemas

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Simulação de Sistemas

Enviado por

Direitos autorais:

Formatos disponíveis

Simulação de Sistemas

Revisão técnica: Raphael Ambrico

Robert E. Bateman é diretor internacional da PROMODEL Corporation e desen-

Royce O. Bowden é Professor-Associado de Engenharia Industrial na Universidade

Thomas J. Gogg é diretor de engenharia no JMI Consulting Group, em Palos Verdes,

Charles R. Harrell é proprietário e fundador da ProModel Corporation, em Orem,

Jack R. A. Mott é presidente da JMI Consulting Group. Anteriormente trabalhou na

José A. B. Montevechi é o atual diretor do Instituto de Engenharia de Produção e

A principal pretensão desta publicação é ajudar no ensino de Pesquisa Operacional

da UNIFEI, do qual atualmente sou coordenador e cujos trabalhos me influenciam

Prof. Dr. José Arnaldo Barra Montevechi

Simulação é uma ferramenta poderosa no desenvolvimento de sistemas mais

1999: primeiro evento de simulação na América do Sul: Innovation 99 –1ª Confe-

Eng. Alain de Norman et d’Audenhove

Lá você encontra disponível:

A capacidade do computador proporcionou significativos avanços em modelagem.

SIMULAÇÃO É UMA FERRAMENTA PARA A TOMADA DE DECISÃO

o uso de modelos mais aplicável às decisões de rotina, especialmente no projeto de sis-

se comparadas a outros tipos de sistemas, e podem não oferecer a habilidade de lidar

É desejável que se tenha fácil acesso a informações estatísticas produzidas pelo

Questões para revisão

Por que simular?

A SIMULAÇÃO PODE ADICIONAR CRIATIVIDADE

A SIMULAÇÃO PODE PREVER RESULTADOS

A maioria dos sistemas atuais são dinâmicos e estocásticos por natureza. Um

A SIMULAÇÃO CONSIDERA AS VARIÂNCIAS DO SISTEMA

FIGURA 2.1 Dificuldade de analisar o problema x quantidade de variáveis estocásticas.

Os benefícios advindos do uso de um modelo estão intimamente relacionados à sua

A SIMULAÇÃO PROMOVE SOLUÇÕES TOTAIS

de fontes. Questões, problemas e preocupações são encaminhados de múltiplos pontos

A SIMULAÇÃO PODE SER FINANCEIRAMENTE VIÁVEL

A simulação vem provando também ser uma excelente ferramenta educacional.

Questões para revisão

SISTEMA E ESTADO DO SISTEMA

MODELOS A EVENTOS DISCRETOS E CONTÍNUOS

Eventos contínuos envolvem uma taxa temporal de mudança, normalmente represen-

MODELOS DINÂMICOS E ESTÁTICOS

MODELOS DE LOOP ABERTO E DE LOOP FECHADO

SIMULAÇÕES STEADY-STATE E TERMINATING

FIGURA 3.1 Média cumulativa de mil jogadas do dado.

Uma simulação terminating roda por um período predeterminado ou até que

Suponhamos que o objetivo do estudo de simulação seja a determinação do tempo

CICLOS E SEMENTES DE NÚMEROS ALEATÓRIOS

RODADA DO MODELO E REPLICAÇÕES INDEPENDENTES

FIGURA 3.2 Relação entre o algoritmo de otimização e o modelo de simulação.

Para facilitar o processo de otimização, uma função-objetivo é criada para avaliar

o pico mais alto. No caso de um problema de minimização, o objetivo é encontrar o

COMO A SIMULAÇÃO FUNCIONA

assim, a aquisição de conhecimentos elementares sobre os princípios que governam

Questões para revisão

para manuseio de material do ProModelPC, tudo foi incorporado na versão 3.0, em

UMA VISÃO GERAL DO PROMODEL,

projetadas para rodar nessa plataforma. Multitarefas, recortes e colagens entre as

Os modelos são definidos pelos módulos necessários contidos no menu de cons-

ser também definida. Embora a modelagem de clientes, pacientes ou outras entidades

atribuída a um período de tempo. Por exemplo, em um balcão de passagens de uma

UMA VISÃO GERAL DA SUÍTE DE OTIMIZAÇÃO PROMODEL

experimentos ao rodar, automaticamente, um projeto fatorial de experimentos e/ou

Questões para revisão

FIGURA 5.1 Interrelação entre os passos da simulação.

A DEFINIÇÃO DO PROBLEMA E O ESTABELECIMENTO

FORMULAÇÃO E PLANEJAMENTO DO MODELO

modelador solicitar informações detalhadas de outros participantes que devem começar

problemas potenciais, algumas pessoas preferirão se especializar em áreas tais como