Simulação da Produção e Teoria das filas

Aula 1: Fundamentos de processos estocásticos

Apresentação
Conheceremos os fundamentos de processos estocásticos. Atualmente, os gestores deparam-se com situações que, na
maioria das vezes, necessitam ser resolvidas o mais rápido possível. Em um ambiente competitivo, problemas reais
devem ser analisados tendo como base metodologias que permitam vislumbrar as vantagens e desvantagens de cada
alternativa. Isso é feito pela construção de modelos adequados para os sistemas em análise. Por isso, precisamos ser
capazes de identificar e analisar as características essenciais de um sistema, construindo um modelo que dê o devido
suporte técnico ao tomador da decisão. Por sua vez, quem a tomar precisa comparar as alternativas e decidir pela opção
que julgar mais adequada.
 Objetivos
Reconhecer a importância dos processos estocásticos;

Identificar os seus conceitos básicos;

Aplicar o conteúdo de vetores de probabilidade e matrizes estocásticas em situações-problema usuais em

Engenharia de Produção.

Primeiras palavras

 Fonte: Shutterstock | Por: elenabsl.

A Engenharia de Produção é, por definição, uma agente de modificações na natureza por meio de concepção, análise, projeto,
implementação e teste de soluções. Por serem tópicos tão diversos e complexos, tal tarefa definitivamente não é simples – e
imagino que você já tenha percebido o tamanho do desafio. É hora de muito estudo e dedicação para a obtenção,
compreensão e aplicação de uma série de fundamentos e conceitos.

Assim, você, como um jovem estudante de Engenharia de Produção, precisa desde já conceber e implementar modelos que
representem novos processos e soluções. A pesquisa operacional é um ramo da Matemática extremamente útil para a
construção desses modelos. Entre outras técnicas, como a programação matemática, os modelos de redes, os sistemas
inteligentes e a programação dinâmica, destacam-se a teoria das filas e os modelos de simulação, ambos temas a serem
perscrutados nesta disciplina. No entanto, para isso, alguns fundamentos precisam ser bem aprendidos.

Conceitos preliminares
Para entender melhor os exemplos que serão apresentados, você deve dominar alguns conceitos preliminares:

Clique nos botões para ver as informações.

 Sistema 

Segundo Chwif e Medina (2010), “é um agrupamento de partes que operam juntas visando a um objetivo em comum. Um
sistema sempre pressupõe uma interação causa-efeito entre as partes que o compõem”. Normalmente, quando
estudamos um sistema, nosso pensamento é levado a imaginar um real, ou seja, que existe fisicamente. No entanto, é
perfeitamente possível – e, muitas vezes, necessário – estudar um sistema ainda não existente como uma etapa
preliminar ao projeto e à implantação de materiais e processos.
Como é possível estudar o que não existe? Resposta: por meio da construção de modelos de simulação de sistemas que
podem ser reais ou mesmo hipotéticos.

Modelo 

Mas você sabe o que é um modelo? Segundo Chwif e Medina (2010), ele é uma “representação simplificada das diversas
interações entre as partes deste sistema. Trata-se, portanto, de uma abstração da realidade que se aproxima do
verdadeiro comportamento do sistema, mas de forma mais simples que o sistema real”.

Há quase um século, a pesquisa operacional se destaca como uma metodologia de concepção no planejamento ou na
operação de modelos para atingir os seus objetivos, sendo muito útil para resolver problemas. Seu grande atrativo
consiste em inserir objetividade e racionalidade aos processos de tomada de decisão sem desconsiderar as questões
subjetivas que caracterizam os problemas reais, sejam tais sistemas reais ou hipotéticos.

Principais áreas da pesquisa operacional

Entre elas, destacam-se:

Clique nos botões para ver as informações.

Programação matemática 

Disciplina que estuda a minimização de funções em problemas com ou sem restrições por meio da representação do
planejamento de atividades mediante o emprego de modelos matemáticos. As principais modalidades de programação
matemática são definidas de acordo com as características da função-objetivo e das restrições do problema, destacando-
se a programação linear, a não linear e a inteira.
Fonte: (SUCENA, 2019)

Modelos de redes 

São utilizados para problemas em diversas áreas, como transporte, energia, distribuição, produção, comunicações,
planejamento de projetos, gerenciamento de recursos, entre outros exemplos, oferecendo uma representação visual
simples para o problema. Os principais modelos de redes são denominados em função daqueles estudados: transporte,
designação, caminho mais curto, árvore geradora mínima, fluxo máximo e custo de fluxo máximo.
Fonte: (SUCENA, 2019)
 Sistemas inteligentes 

Envolvem o emprego de técnicas de inteligência artificial, como redes neurais, lógica nebulosa (lógica Fuzzy) e sistemas
especialistas, disponibilizando conhecimento empírico e teórico para a construção de modelos de apoio à decisão com
base em fatos, ainda que ele esteja apoiado em dados incompletos ou imprecisos.
Fonte: (SUCENA, 2019)

Programação dinâmica 

Técnica que procura resolver o problema de otimização por intermédio da análise de uma sequência de problemas mais
simples que o original. A resolução do problema original de n variáveis é caracterizada pela determinação de uma variável
e pela resolução de um problema que possua uma variável a menos (n-1). Este, por sua vez, é atendido pela determinação
de uma variável e pela resolução de um problema de n-2 variáveis – e assim por diante.
Fonte: (SUCENA, 2019)

Técnicas de simulação 

Processo de elaboração de um modelo de um sistema real (ou hipotético) e condução de experimentos com a finalidade
de entender o comportamento de um sistema ou avaliar a sua operação. Permite não só capturar o comportamento do
sistema real, mas também a denominada análise de sensibilidade ("e se...?"), representando sistemas complexos de
natureza dinâmica e aleatória.
Fonte: (SUCENA, 2019)

Teoria das filas 

Técnica da pesquisa operacional que trata de problemas de congestionamentos de sistemas nos quais os clientes
solicitam alguns tipos de serviços. Tais serviços são limitados por restrições intrínsecas do sistema que podem causar
filas.
Fonte: (SUCENA, 2019)

Apresentamos uma visão geral das técnicas e métodos associados à

simulação. Desse modo, você será capaz de entender a formação de
modelos probabilísticos para apoiar os processos decisórios em situações
de incerteza, gerando cenários e propiciando a geração de alternativas para
a solução de problemas de Engenharia de Produção.
Conceitos fundamentais de processos estocásticos
Por conta de seu grande potencial, o campo de aplicação desta disciplina é muito amplo; portanto, alguns conceitos
fundamentais precisam ser bem conhecidos antes de começarmos a investigação de seus principais mecanismos. Agora é a
hora de apresentar alguns poucos - mas importantes – conceitos fundamentais de processos estocásticos:
 1 2

Espaço amostral Evento

3 4

Probabilidade Variável aleatória

1. Espaço amostral
Conjunto de resultados possíveis em experimentos imprevisíveis antecipadamente, como o lançamento de uma moeda ou de
um dado – ou mesmo a vida útil de um equipamento qualquer.

No experimento lançamento de uma moeda, o espaço amostral é o conjunto {cara, coroa}. Já para um lançamento de dado, tal
espaço é {1, 2, 3, 4, 5, 6}. Por fim, para a identificação da vida útil de um equipamento, vemos que ele se encontra no intervalo [0,
∞].

Como vemos, o espaço amostral é representado por um conjunto.

2. Evento
É qualquer subconjunto de cada espaço amostral. Assim, para cada um dos experimentos indicados anteriormente, temos
exemplos de eventos:
 1
2

Lançamento de moeda
Lançamento de dado
Evento 1 = {cara}; evento 2 = {coroa}.
Evento 1 = {1, 3, 5} para representar resultados ímpares; evento
2 = {2, 4, 6} para os pares.

Tempo de vida do equipamento

Evento 1 = [1, 3) para representar um equipamento que dure,
ao menos, um ano, mas não complete o terceiro ano de
funcionamento.

Considerando os resultados de um experimento caracterizado pelo seu espaço amostral e, naturalmente, pelos eventos a ele
associados, temos que cada evento E apresenta uma determinada probabilidade P(E) de ocorrência.

3. Probabilidade
Em particular, é importante que você perceba que a probabilidade:

P(E) de um certo evento apresenta um valor entre 0 e 1, isto é, 0 ≤ P(E) ≤ 1;

Do espaço amostral S é P(S) = 1;

Condicional representa a probabilidade de que um determinado evento ocorra, levando-se em consideração que um certo
evento tenha ocorrido anteriormente.

Exemplo

Qual é a probabilidade de que a soma de dois dados lançados tenha um resultado igual a 8, sabendo-se que, no primeiro, saiu 4?
Você já sabe que o conjunto de eventos possíveis é {(4,1), (4,2), (4,3), (4,4), (4,5), (4,6)}. Dessa maneira, somente um elemento (4,4)
dos seis existentes nos interessa. Por isso, a probabilidade do resultado ser 8 é de 1/6.

Você também pode expressar a probabilidade condicional de que um evento E ocorra sabendo da ocorrência de outro evento F
pela fórmula P(E|F). De acordo com a Regra de Bayes, temos que:

P(E ∩ F)
│
P(E F) =
P(F)

Exemplo
Considere que uma moeda será lançada. Qual é a probabilidade condicional de que haja duas vezes coroa (E), sabendo-se que
pelo menos uma coroa já foi observada (F)?
S = {(cara, coroa), (coroa, cara), (cara, cara), (coroa, coroa)}
E = {coroa, coroa};
F= {(cara, coroa), (coroa, cara), (coroa, coroa)}

P(E ∩ F) P(coroa, coroa) 1 / 4 1

│
P(E F) = = = =
P(F) P(cara, coroa), (coroa, cara), (coroa, coroa) 3 / 4 3

4. Variável aleatória
Conceito

Ela pode ser entendida como uma função que associa cada elemento de um espaço amostral a um número real.

Exemplo
Considere o lançamento simultâneo de dois dados. Neste caso, obtém-se o seguinte espaço amostral S:
S = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3),
(4, 4), (4, 5), (4, 6), (5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}.

Vamos avaliar a soma dos resultados dos dois dados. Assim, a variável aleatória X, que representa esta soma, pode ser
expressa da seguinte forma:
X = 2: (1, 1)
X = 3: (1, 2), (2, 1)
X = 4: (1, 3), (2, 2), (3, 1)
X = 5: (1, 4), (2, 3), (3, 2), (4, 1)
X = 6: (1, 5), (2, 4), (3, 3), (4, 2), (5, 1)
X = 7: (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)
X = 8: (2, 6), (3, 5), (4, 4), (5, 3), (6, 2)
X = 9: (3, 6), (4, 5), (5, 4), (6, 3)
X = 10: (4, 6), (5, 5), (6, 4)
X = 11: (5, 6), (6, 5)
X = 12: (6, 6)

Neste caso, a variável aleatória X assume valores com certa probabilidade. Veja só:
P (X = 2) = P (X = 12) = 1/36
P (X = 3) = P (X = 11) = 2/36 = 1/18
P (X = 4) = P (X = 10) = 3/36 = 1/12
P (X = 5) = P (X = 9) = 4/36 = 1/9
P (X = 6) = P (X = 8) = 5/36
P (X = 7) = 6/36 = 1/6

Classificação
As variáveis aleatórias podem ser classificadas em:

1 2

Discretas (VAD) Contínuas (VAC)

Quando a quantidade de valores possíveis, assumidos por X, Quando esta quantidade, assumida por X, for formada por
for contável e finita (ou infinita), como ocorreu no lançamento intervalos, ou seja, por valores não contáveis, como a avaliação
simultâneo de dois dados. da distância entre dois pontos quaisquer em uma reta.

Aplicação
Conforme indica Sucena (2019), a teoria de funções aleatórias ou processos estocásticos é empregada para o estudo quando:

Há situações em que as variáveis aleatórias são dependentes entre si;

Suas distribuições de probabilidade mudam com o tempo;

Ambas as coisas acontecem.

Dica
As expressões processo estocástico e processo aleatório são sinônimas, abrangendo toda a teoria de probabilidades. Na prática,
entretanto, o termo processo estocástico é reservado para a introdução do parâmetro temporal.

Vetores de probabilidade e matrizes estocásticas

Agora que você já identificou algumas definições relevantes em processos estocásticos, vamos começar a investigar alguns
dos conceitos principais deste curso.

Clique nos botões para ver as informações.

Vetores de probabilidade 

Considere como modelo teórico uma caixa dividida em três regiões (R1, R2 e R3). Vamos supor que, dentro dela, ocorra o
seguinte:
Cem pequenas bolas estão em movimento forçado;
A cada minuto, uma câmera fotografa a caixa, fornecendo informações sobre as posições delas.
Considere ainda que seu objetivo é apenas saber a distribuição das bolas nas regiões R1, R2 e R3. Podemos pensar, dessa
maneira, em um vetor com três coordenadas indicando a quantidade delas em cada região em uma dada fotografia.
Por exemplo, se, em uma dada fotografia, temos R1 com 10 bolas, R2 com 40 e R3 com 50, podemos escrever essa
informação como:

10
⎡ ⎤

⎢ 40 ⎥
⎣ ⎦
50

Se a quantidade total de bolas não for relevante, podemos afirmar que 10% delas estão em R1, 40% em R2 e 50% em R3.
Dessa forma, dividindo sua quantidade em cada região pelo total de exemplares da caixa, podemos expressar tal
informação como:

0, 1
⎡ ⎤
0
P = ⎢ 0, 4 ⎥

⎣ ⎦
0, 5

Será possível, portanto, dizer que P é um vetor de probabilidade se:

Suas coordenadas são não nulas;
Sua soma é igual a 1.

Matriz estocástica 

É a matriz cujas colunas são vetores de probabilidade.

Considere, por exemplo que a probabilidade de mudança da quantidade de bolas em cada região seja dada da seguinte
forma:
R1: 80% de chance de permanecer em R1, 10% de migrar para R2 e 10% de mudar para R3;
R2: 8% de migrar para R1, 70% de permanecer em R2 e 22% de mudar para R3;
R3: 12% de migrar para R1, 10% de mudar para R2 e 78% de permanecer em R3.
Dessa maneira, a matriz estocástica (ou de transição) associada é dada por:

0, 8 0, 08 0, 12
⎡ ⎤
P = ⎢ 0, 1 0, 7 0, 1 ⎥
⎣ ⎦
0, 1 0, 22 0, 78
 Atividade
1. Assinale a alternativa que apresenta corretamente o conceito de “um agrupamento de partes que operam juntas visando a um
objetivo em comum. Um sistema sempre pressupõe uma interação causa-efeito entre as partes que o compõem”.

a) Sistema
b) Modelo
c) Estrutura
d) Dado
e) Registro

2. Considere a análise de transição de classes econômicas na qual são indicadas as seguintes probabilidades: 5% de um indivíduo
da classe C migrar para A, 15% de ele seguir para a B e 80% de permanecer na mesma classe social. Assinale a alternativa que
apresenta o vetor de probabilidade associado:

a) [5 15 80]
b) [0.05 0.15 0.80]
c) [1 0 0]
d) [0.8 0.2]
e) Nenhuma das alternativas anteriores

3. Em um censo populacional de uma cidade de médio porte, foi constatado que, a cada ano, 8% da população rural migra para a
zona urbana, enquanto 3% da urbana migra para a zona rural. Supondo que esse fenômeno social seja estável, não havendo
mudanças nestas taxas, represente a matriz de transição:

Notas

Título modal 1

Lorem Ipsum é simplesmente uma simulação de texto da indústria tipográfica e de impressos. Lorem Ipsum é simplesmente
uma simulação de texto da indústria tipográfica e de impressos. Lorem Ipsum é simplesmente uma simulação de texto da
indústria tipográfica e de impressos.
Título modal 1

Lorem Ipsum é simplesmente uma simulação de texto da indústria tipográfica e de impressos. Lorem Ipsum é simplesmente
uma simulação de texto da indústria tipográfica e de impressos. Lorem Ipsum é simplesmente uma simulação de texto da
indústria tipográfica e de impressos.

Referências

CHWIF, L., MEDINA, A. C. Modelagem e simulação de eventos discretos – teoria e aplicações. 3. ed. São Paulo: Edição do
Autor, 2010.

SUCENA, M. Teoria das filas . Disponível em:

//www.sucena.eng.br/eng_producao/UNESA_TEORIA_DAS_FILAS_2013_1.pdf. Acesso em: 11 nov. 2019.

Próxima aula

Cadeias de Markov: Definição e principais conceitos associados;

Cálculo das probabilidades de transição em várias etapas;

Distribuição estacionária de uma cadeia regular de Markov.

Explore mais

Assista o vídeo Pesquisa Operacional II: processos estocásticos.