Artigo para Simul. SP

XLIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO
"A contribuição da engenharia de produção para desenvolvimento sustentável

das organizações: Cadeias Circulares, sustentabilidade e tecnologias"
Fortaleza, Ceará, Brasil, 17 a 20 de outubro de 2023.
SIMULAÇÃO DE EVENTOS DISCRETOS: UM

ESTUDO DE CASO DE UMA DELICATESSEN
Caroline Marques Silva (Universidade Federal da Bahia)
Jenifer Andreia Silva de Souza (Universidade Federal da Bahia)
Igor Reis Ferreira (Universidade Federal da Bahia)
Renato de Castro Vivas (Universidade Federal da Bahia)
Diante da competitividade no mercado alimentício, as empresas

para fidelizar os seus clientes são obrigadas a oferecer o melhor
produto ou serviço. Essa pesquisa tem como objetivo realizar
uma simulação de eventos discretos das atividades de uma
delicatessen. A pesquisa foi realizada em uma linha de
produção de salgados, com o objetivo de identificar problemas
e propor melhorias por meio do software ARENA Simulation. A
simulação se mostra uma ferramenta muito eficiente, pois
permite prever o desempenho de sistemas complexos e avaliar
as interações entre seus componentes.
O estudo foi baseado em uma delicatessen, no município de
Alagoinhas-BA, e a metodologia utilizada foi divididas em
construção do modelo computacional, modelagem dos dados de
entrada, validação dos dados de entrada, experimentação e
análise. Com base nos resultados, foi possível identificar
gargalos e corrigi-los, concluindo-se que a simulação, por meio
do ARENA, é fundamental para otimizar o uso dos recursos e
melhorar os procedimentos envolvidos.
Palavras-chave: Simulação, ARENA, Otimização, análise de

melhoria.
1
1. Introdução
As padarias surgiram no Brasil logo após a colonização, quando os portugueses e espanhóis
trouxeram consigo seus costumes alimentares (VAN GROESEN, 2017). Desde então, elas se
tornaram parte da cultura e da história do país e são muito comuns no dia a dia dos brasileiros
(GOODMAN, 2018). As lojas de delicatessen, por sua vez, são negócios que derivam das
padarias e panificadoras tradicionais e têm uma grande tradição na Europa e nos Estados Unidos
(LEVINSON, 2011). A diferença principal entre esses dois tipos de estabelecimentos está na
variedade de produtos oferecidos, com as delicatessens apresentando um portfólio mais
requintado e diversificado. Esse segmento tem crescido significativamente no setor alimentício
brasileiro e é caracterizado por um processo de produção mais artesanal e empresas de pequeno
e médio porte, necessitando de processos mais robusto para atender os critérios da qualidade
dos seus consumidores.
Dean e Bowen (1994) afirmam que a qualidade é uma filosofia de gestão que busca aumentar
a competitividade da organização através da melhoria contínua de produtos, serviços,
processos, pessoas e ambientes. Flynn et al. (1994) destacam que a qualidade de um produto
ou serviço é garantida quando conhecemos profundamente nossos clientes e desenvolvemos
produtos que atendam suas necessidades. Pesquisa do Dataconsumer (2019) revela que 52%
dos clientes que frequentam padarias têm um grau de exigência muito elevado sobre os produtos
panificados, o que aumenta a cobrança sobre lojas de delicatessen e torna a melhoria no
processo produtivo a principal maneira de obter bons resultados.
O uso da modelagem e simulação de processos produtivos é amplamente estudado em diversos
setores industriais, como identificado por Santos (2008) em uma indústria automobilística e por
Shih (2010) em uma fábrica de peças. Embora a simulação ofereça respostas às diferentes
interações propostas pelos usuários e permita avaliar resultados, ela não gera soluções de
otimização, conforme afirmado por Chwif (2006). A literatura apresenta casos de sucesso da
modelagem e simulação em diversos segmentos industriais, o que sugere uma oportunidade de
pesquisa para explorar o uso desta ferramenta em delicatessens, visando a otimização dos
processos produtivos em serviços. O objetivo desta pesquisa caracteriza-se pela utilização
dessas ferramentas de modelagem para proporcionar aos gestores uma visão ampla do processo,
2
possibilitar a identificação de oportunidades de melhoria e auxiliar em suas tomadas de decisões

estratégicas.
2. Fundamentação teórica
Segundo Prado (2014), para reproduzir ou imitar algo, usa-se a simulação, palavra que
apresenta vários conceitos e que pode ser aplicada em várias áreas como linhas de produção,
logística, áreas de comunicação, bancos, supermercados, escritórios etc. Afim de se obter o
melhor arranjo físico, a quantidade ideal de prestadores de serviços e, ainda, a melhor rota do
fluxo do sistema, é necessário que o sistema seja otimizado, ou seja, balanceado (ALVES,
2018).
A simulação não é um instrumento mágico que exclui o trabalho de compreensão do fator
humano, senão um instrumento poderoso, competente para cultivar frutos para uma análise mais
preparada a respeito da dinâmica do sistema (ATRAN, MEDIN & ROSS, 2005). Assim, a
simulação admite uma interpretação mais significativa e compreensiva do sistema em questão
(TORGA, MONTEVECHI & PINHO, 2006).
Para Kluever (2017), para solução de problemas de engenharia, é necessário compreender e
determinar a resposta dinâmica de sistemas físicos que podem consistir em vários componentes.
Geralmente criar protótipos ou aplicar um teste real é impraticável ou muito custoso para a
empresa (KORDON, 2002), porém é necessário fazer todo o tipo de análise e testes preliminares
antes da implantação do projeto (NGUYEN & OGUNLANA, 2004). De acordo com Miyagi
(2006), para estudar o comportamento de um sistema, deve ser usado um modelo de simulação,
o qual utiliza diversos critérios em relação a operação do sistema. Usam-se os métodos de
simulação com o propósito de replicar o comportamento de um sistema em um determinado
tempo desejado (VANDERHORN & MAHADEVAN, 2021). O uso de softwares como o
ARENA pode ser um caminho de aplicação para demonstrar estes tipos de simulações.
Segundo PRADO (1999) o ARENA permite visualizar um conjunto de estações de trabalho de
prestação de serviços, se movendo através do sistema para descrever uma atividade real; o
sistema analisa os dados de entrada (Input Analyzer) e escolhe a melhor distribuição que se
aplica ao modelo, essa distribuição pode, também, ser incorporada diretamente no modelo.
Prado (2014) diz que o ARENA é uma melhoria contínua de outros dois programas, o SIMAN
e o CINEMA, fabricados pela mesma empresa, a americana Systems Modeling, em que este foi
3
o primeiro software de animação para PC, e, aquele, o primeiro software de simulação para
processadores em desktop.
3. Procedimentos Metodológicos
Foi realizado um estudo preliminar sobre os conceitos de aplicação de softwares de simulação
por meio de pesquisa bibliográfica utilizando livros e artigos nas bases Springer, Elsevier,
Science Direct, Diretório da USP/UFSCAR, Web of Science, MDPI, Google Schollar, anais da
ABEPRO (este com foco em simulação), com inserção de palavras chaves em inglês como
Simulation, Arena, Arena optimization processes. Para coleta dos dados, a pesquisa teve uma
abordagem quantitativa com utilização do método descritivo com utilização de um cronômetro
de hora centesimal e um computador com editor de planilhas (EXCEL). Os dados foram
coletados por meio de cronometragem dos tempos de produção de coxinhas em uma
delicatessen de médio porte na região central do município de Bebedouro (SP). Para análise
dos dados, foram utilizados, além do programa de simulação e modelagem ARENA versão 15,
a própria planilha de coleta de dados do Excel. O processo de produção foi acompanhado desde
a separação dos ingredientes até a fritura das coxinhas. Os processos se detalham em:
• Separação dos ingredientes: todos os dias, no começo do expediente, um funcionário é
responsável pela separação dos ingredientes para fabricação da massa e recheio.
• Fabricação da massa: os ingredientes são utilizados conforme a ficha técnica de produção, e
neste processo há uma pessoa que é dedicada a esta atividade.
• Fabricação do recheio: há três tipos de recheios: camarão, queijo e carne. Nesta atividade,
também existe a dedicação de um colaborador.
• Modelagem: a massa é preenchida com o recheio; um funcionário desprende dessa função.
• Fritura: o salgado é frito e incluído no balcão térmico para venda. Um colaborador é
responsável pela fritura.
A tabela 1 demonstra os tempos coletados de cada etapa do processo de concepção das

coxinhas. Foram coletados 30 tempos, um para cada dia consecutivo em que o processo foi
realizado.
Tabela 1 - Tempos cronometrados de produção de 30

coxinhas em minutos
4
Segregação dos Produção Produção

Produção de Produção recheio Modelag Fritura
ingredientes para recheio recheio
massa (por camarão (por em (por (por
(para 100 queijo (por carne {Por
unidade) unidade) unidade) unidade)
unidades) unidade) unidade]
4,670 0,2000 1,496 0,372 1,239 1,180 2,00
4,610 0,1855 1,494 0,373 1,267 1,220 2,00
4,550 0,1844 1,470 0,383 1,269 1,230 2,00
4,360 0,2020 1,459 0,396 1,280 1,13 2,00
4,280 0,1859 1,468 0,392 1,261 1,22 2,00
4,130 0,1828 1,451 0,363 1,256 1,18 2,00
4,330 0,1927 1,466 0,382 1,278 1,25 2,00
4,670 0,1960 1,468 0,395 1,278 1,17 2,00
3,980 0,1890 1,459 0,376 1,259 1,21 2,00
4,250 0,1648 1,488 0,396 1,278 1,24 2,00
3,690 0,1628 1,466 0,386 1,287 1,19 2,00
4,260 0,1838 1,465 0,385 1,245 1,18 2,00
4,140 0,1829 1,486 0,376 1,266 1,17 2,00

3,600 0,1829 1,474 0,390 1,165 1,18 2,00
4,196 0,2000 1,456 0,383 1,269 1,17 2,00
3,393 0,1933 1,495 0,386 1,259 1,25 2,00
4,691 0,1829 1,499 0,391 1,269 1,18 2,00
4,095 0,1835 1,491 0,382 1,27 1,18 2,00
4,000 0,1858 1,462 0,385 1,30 1,19 2,00
3,675 0,1849 1,463 0,396 1,27 1,14 2,00
4,775 0,1945 1,475 0,376 1,27 1,24 2,00
4,130 0,1129 0,457 0,383 1,21 1,21 2,00
4,925 0,1928 1,468 0,394 1,27 1,11 2,00
5
4,230 0,1150 1,491 0,301 1,28 1,10 2,00
3,458 0,1920 1,416 0,039 1,27 1,11 2,00
4,250 0,1850 1,466 0,372 1,27 1,23 2,00
3,780 0.1163 1,468 0,040 1,28 1,22 2,00
4,610 0,1157 1,458 0,375 1,27 1,20 2,00
4,610 0.1006 1,477 0,385 1,27 1,25 2,00
4,770 0,1126 1,463 0,395 1,29 1,09 2,00
4. Resultados, análises e discussões
4.1. Modelagem dos dados de Entrada

Utilizou-se a ferramenta do ARENA, o Input Analyser, para calcular a melhor expressão
estatística para inserir no software. Através de diferentes tipos de distribuições estatísticas
(conforme figuras 1 à 6), são demonstradas as expressões de casa processo, assim como o erro
quadrático de cada etapa cronometrada.
Figura 1 – Primeiro Input para o tempo de separação de ingredientes
A Figura 1 indica que a expressão resultante a ser inserida no ARENA demonstra a equação (1)
E = 3.49 + 1.41 + BETA (1.15, 0.965) (1)
onde a demonstração de erros quadráticos é validada em 0,070074 pela distribuição BETA.
6
Figura 2 – Segundo Input para o tempo de produção da massa
E = 0.15 + LOGN(0.0363, 0.0111) (2)
onde a demonstração de erros quadráticos é validada em 0,073976 pela distribuição Lognormal.
Figura 3 – Terceiro Input para o tempo de produção do recheio de frango
E = 1.43 + WEIB (0.0441, 3.11) (3)
onde a demonstração de erros quadráticos é validada em 0,001855 pela distribuição Weibull.
Figura 4 – Quarto Input para o tempo de produção do recheio de brócolis
E = 0.35 + 0.05 * [BETA (3.74, 1.61)] (4)
7

Figura 5 – Quinto Input para o tempo de produção do recheio de carne seca
E = NORM(1.27, 0.012) (5)
onde a demonstração de erros quadráticos é validada em 0,018879 pela distribuição NORMAL.
Figura 6 – Sexto Input para o tempo de modelagem do salgado
E = 1.07 + 0.2 * [BETA(2.14 1.73)] (6)

Essas funções são importantes, pois elas descrevem matematicamente como cada uma das
etapas se comportam. Para a realização da modelagem, inserimos essas informações no
fluxograma do processo produtivo, para que através dos resultados consigamos propor
melhorias.
8
A tabela 1 demonstra todos os processos com suas expressões, erros e modelos estatísticos de
distribuição mediante a característica dos dados plotados.
Tabela 1 - Expressões, erros e modelos estatísticos de distribuição das etapas de produção
Processo Expressão Tipo de distribuição Erro

Separação de ingredientes 3.49 + 1.41 + BETA (1.15, 0.965) Beta 0,070074
Produção da massa 0.15 + LOGN(0.0363, 0.0111) Lognormal 0,073976
Recheio de frango 1.43 + WEIB (0.0441, 3.11) Weibull 0,001855
Recheio de brócolis 0.35 + 0.05 * [BETA (3.74, 1.61)] Beta 0,002140
Recheio de carne seca NORM(1.27, 0.012) Normal 0,018879
Modelagem do salgado 1.07 + 0.2 * [BETA(2.14 1.73)] Beta 0,015057
4.2. Modelo Computacional

A partir da coleta de tempos, foi possível modelar o processo, configurado no layout abaixo da
Figura 7:
Figura 7 – Modelagem do processo no ambiente ARENA
4.3. Experimentação e Validação
Observando a Figura 8 (relatório de saídas), verifica-se que 117 coxinhas foram produzidas.
9
Figura 8 – Relatório de saídas da quantidade de coxinhas produzidas
Na Figura 9, há uma percepção de que o empregado 1 está sendo utilizado apenas 2% no

decorrer de todos os processos, o empregado 2, 44% e o empregado 3, 49%. Sugere-se que há
subutilização do empregado 1.
Figura 9 – Relatório de utilização de recursos
Foi sugerido um novo modelo com o intuito de otimizar a utilização dos recursos, mas sem
modificar o layout apresentado na Figura 7. O novo modelo manteve o roteiro dos processos e
atividades e resultou na redução da ociosidade do recurso Empregado 1, que passou de 2% para
66% de utilização. Dessa forma, a ociosidade do processo foi eliminada. A Figura 10 confirma
esse aumento da utilização do recurso Empregado 1:
10
Figura 10 – Novo relatório de utilização de recursos
Para alcançar esse resultado, foi necessário transferir o Empregado 1 para outras tarefas, como
a preparação dos recheios das coxinhas de camarão, queijo, carne, bem como a fritura, além da
produção da massa.
Comparando os dois resultados, houve um aumento na produtividade do Empregado 1, com um
aumento de 33 vezes de rendimento do tempo de sua utilização. Em geral, estes resultados
mostram que a simulação foi crucial para identificar e corrigir as falhas no processo, tornando-
se uma ferramenta que auxilia na melhorar produtiva
4.4. Resultados e Discussões
Através da tabela 1, pode-se aplicar modelos preditivos de tempo para cada processo, com a
diminuição ou aumento do tempo, a depender da análise característica de cada gargalo do
processo produtivo. Medir em expressões matemáticas os processos propicia diversos tipos de
análises, como a de regressão, que podem ajudar a prever possíveis valores quantitativos de
tempo e melhorar o desempenho produtivo (ALI et al., 2021). A modelagem em fluxograma
com os tempos imputados em cada processo auxiliou o programa a identificar a ociosidade e os
gargalos (BONGOMIN et al., 2020; ALA et al., 2022). A readequação do processo com a
correção da subutilização do empregado 1 infere que o processo estava mal dimensionado com
relação as atividades que ele realizava. O aumento de 33 vezes do tempo de utilização possui
duas consequências: um melhor resultado de trabalho útil do empregado 1 e um aumento de
tempo de trabalho com relação aos demais empregados. Isso pode implicar em atritos ou
descontentamento, visto que anteriormente o empregado 1 exercia menos tempo que os demais.
11
A ideia é que o tempo de serviço seja equiparado para os 3 empregados, para evitar desconforto
do fator humano no processo produtivo. A percepção dos trabalhadores é propiciada pelo
princípio da equivalência de tempo, em que todos, ao receberem os mesmos salários nas
mesmas condições de trabalho, devem trabalhar tempos aproximadamente iguais (SÜHR et al.,
2019).
5. Conclusão
Através da teoria de simulação em logística e do uso do software ARENA, foi possível analisar
a linha de produção de uma lanchonete e identificar gargalos nos processos. Após a análise de
cada tarefa pelas distribuições estatísticas e pelo fluxo apresentado com as filas das atividades,
foi identificado um gargalo. Para solucionar o problema, sugeriu-se uma alocação mais
eficiente de tarefas para o colaborador identificado como Empregado 1. A simulação realizada
evidenciou desproporcionalidade nos tempos de execução de trabalho de um dos empregadores,
como proposição de melhoria sugeriu-se a realocação para outras atividades do processo, sem
necessidade de alteração do layout.
Foi utilizado software versão de estudante o que pode limitar os resultados de uma pesquisa,
apesar de ser uma ferramenta útil. Isso ocorre porque essas versões geralmente possuem menos
recursos e funcionalidades do que as versões comerciais. Além disso, experimentar com apenas
um cenário pode não ser suficiente para generalizar os resultados para outras situações. Por fim,
é importante considerar que todo estudo possui limitações e é preciso estar ciente delas para
não extrapolar os resultados e conclusões obtidos.
Com a melhoria proposta e nova simulação, foi possível otimizar o desempenho do colaborador
e tentar equilibrar a mão de obra de todos os funcionários de maneira eficaz, eliminando o
tempo ocioso. Para estudos futuros, torna-se interessante que esse equilíbrio se torne mais
próximo, para evitar desconforto no ambiente de trabalho para apontamentos de novas
ociosidades ou de sobrecarga para supervisão imediata. Além disso, seria interessante viabilizar
o fator custo, do quanto de ganho monetário esta modificação conseguiu para a empresa.
Usando a tecnologia para maximizar o desempenho, foi possível atingir o objetivo proposto e
ajudar a empresa em seus processos e na utilização de seus recursos. Os resultados deste estudo
evidenciam a relevância da utilização da simulação em um processo para torná-lo eficiente e
otimizar suas atividades.
12
REFERÊNCIAS
ALA, A., SIMIC, V., DEVECI, M., & PAMUCAR, D. (2022). Simulation-Based Analysis of Appointment
Scheduling System in Healthcare Services: A Critical Review. Archives of Computational Methods in
Engineering, 1-18.
ALI, U., SHAMSI, M. H., HOARE, C., MANGINA, E., & O’DONNELL, J. (2021). Review of urban building
energy modeling (UBEM) approaches, methods and tools using qualitative and quantitative analysis. Energy
and Buildings, 246, 111073.
ALVES, Leonardo Fernandes; HERCULANI, Rhadler. Simulação em uma Linha de Produção de Salgados.
Revista Interface Tecnológica, v. 15, n. 2, p. 138-149, 2018.
ATRAN, Scott; MEDIN, Douglas L.; ROSS, Norbert O. The cultural mind: environmental decision making
and cultural modeling within and across populations. Psychological review, v. 112, n. 4, p. 744, 2005.
BONGOMIN, O., MWASIAGI, J. I., NGANYI, E. O., & NIBIKORA, I. (2020). A complex garment assembly
line balancing using simulation‐based optimization. Engineering Reports, 2(11), e12258.
COSTA, M. A. B; PEREIRA, C. R. Apostila ARENA 11.0. Disponível em: <

http://www.ebah.com.br/content/ABAAAfln4AB/apostila-arena-11>. Acesso em: 10 mai. 2023.
GOODMAN, Glen S. Consuming the café colonial: German Ethnicity and Tourist Migrant Marketplaces
in Southern Brazil. Global Food History, v. 4, n. 1, p. 40-58, 2018.
KLUEVER, C. A. Sistemas dinâmicos: modelagem, simulação e controle. Rio de Janeiro: LTC, 2017.
KORDON, Fabrice. An introduction to rapid system prototyping. IEEE Transactions on Software

Engineering, v. 28, n. 9, p. 817-821, 2002.
LEVINSON, Marc. A grande A&P e a luta pelos pequenos negócios na América. Colina e Wang, 2011.
Nguyen, L. D., & Ogunlana, S. O. (2004). A study on project success factors in large construction projects
in Vietnam. Engineering, construction and architectural management, 11(6), 404-413.
13
MIRANDA, J. C. et al.. O software ARENA. Dissertação (Bacharelado em Ciência da Computação) – Centro

Universitário do Sul de Minas, Varginha, 2006.
MIYAGI, P. E. Introdução à simulação discreta. São Paulo, 2006. (Apostila).
SILVA, L. M. F.; PINTO, M. G.; SUBRAMANIAN, A. Utilizando o software ARENA como ferramenta de
apoio ao ensino em engenharia de produção. 2007. Disponível em: <
http://files.engenhariauniverso.webnode.com/200000119- 16204169cb/ENEGEP2007_TR660482_9236.pd f>.
Acesso em: 17 abr. 2023.
SÜHR, T., BIEGA, A. J., ZEHLIKE, M., GUMMADI, K. P., & CHAKRABORTY, A. (2019, July). Two-sided
fairness for repeated matchings in two-sided markets: A case study of a ride-hailing platform. In Proceedings
of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 3082-3092).
TORGA, B. L. M.; MONTEVECHI, J. A. B.; PINHO, A. F. Modelagem, simulação e otimização em sistemas

puxados de manufatura. 2006. Disponível em: . Acesso em: 10 mai. 2023.
PRADO, D. Usando o ARENA em simulação. 5ª ed. Belo Horizonte/MG: Falconi, 2014.
VANDERHORN, Eric; MAHADEVAN, Sankaran. Digital Twin: Generalization, characterization and

implementation. Decision support systems, v. 145, p. 113524, 2021.
VAN GROESEN, Michiel. Amsterdam's Atlantic: Print culture and the making of Dutch Brazil. University
of Pennsylvania Press, 2017.
14

Artigo para Simul. SP

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

Artigo para Simul. SP

Enviado por

Direitos autorais:

Formatos disponíveis

XLIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO

"A contribuição da engenharia de produção para desenvolvimento sustentável

SIMULAÇÃO DE EVENTOS DISCRETOS: UM

Jenifer Andreia Silva de Souza (Universidade Federal da Bahia)

Igor Reis Ferreira (Universidade Federal da Bahia)

Renato de Castro Vivas (Universidade Federal da Bahia)

Diante da competitividade no mercado alimentício, as empresas

Palavras-chave: Simulação, ARENA, Otimização, análise de

possibilitar a identificação de oportunidades de melhoria e auxiliar em suas tomadas de decisões

A tabela 1 demonstra os tempos coletados de cada etapa do processo de concepção das

Tabela 1 - Tempos cronometrados de produção de 30

Segregação dos Produção Produção

4,670 0,2000 1,496 0,372 1,239 1,180 2,00

4,610 0,1855 1,494 0,373 1,267 1,220 2,00

4,550 0,1844 1,470 0,383 1,269 1,230 2,00

4,360 0,2020 1,459 0,396 1,280 1,13 2,00

4,280 0,1859 1,468 0,392 1,261 1,22 2,00

4,130 0,1828 1,451 0,363 1,256 1,18 2,00

4,330 0,1927 1,466 0,382 1,278 1,25 2,00

4,670 0,1960 1,468 0,395 1,278 1,17 2,00

3,980 0,1890 1,459 0,376 1,259 1,21 2,00

4,250 0,1648 1,488 0,396 1,278 1,24 2,00

3,690 0,1628 1,466 0,386 1,287 1,19 2,00

4,260 0,1838 1,465 0,385 1,245 1,18 2,00

4,140 0,1829 1,486 0,376 1,266 1,17 2,00

4,196 0,2000 1,456 0,383 1,269 1,17 2,00

3,393 0,1933 1,495 0,386 1,259 1,25 2,00

4,691 0,1829 1,499 0,391 1,269 1,18 2,00

4,095 0,1835 1,491 0,382 1,27 1,18 2,00

4,000 0,1858 1,462 0,385 1,30 1,19 2,00

3,675 0,1849 1,463 0,396 1,27 1,14 2,00

4,775 0,1945 1,475 0,376 1,27 1,24 2,00

4,130 0,1129 0,457 0,383 1,21 1,21 2,00

4,925 0,1928 1,468 0,394 1,27 1,11 2,00

4,230 0,1150 1,491 0,301 1,28 1,10 2,00

3,458 0,1920 1,416 0,039 1,27 1,11 2,00

4,250 0,1850 1,466 0,372 1,27 1,23 2,00

3,780 0.1163 1,468 0,040 1,28 1,22 2,00

4,610 0,1157 1,458 0,375 1,27 1,20 2,00

4,610 0.1006 1,477 0,385 1,27 1,25 2,00

4,770 0,1126 1,463 0,395 1,29 1,09 2,00

4. Resultados, análises e discussões

4.1. Modelagem dos dados de Entrada

Figura 1 – Primeiro Input para o tempo de separação de ingredientes

E = 3.49 + 1.41 + BETA (1.15, 0.965) (1)

onde a demonstração de erros quadráticos é validada em 0,070074 pela distribuição BETA.

Figura 2 – Segundo Input para o tempo de produção da massa

E = 0.15 + LOGN(0.0363, 0.0111) (2)

onde a demonstração de erros quadráticos é validada em 0,073976 pela distribuição Lognormal.

Figura 3 – Terceiro Input para o tempo de produção do recheio de frango

E = 1.43 + WEIB (0.0441, 3.11) (3)

onde a demonstração de erros quadráticos é validada em 0,001855 pela distribuição Weibull.

Figura 4 – Quarto Input para o tempo de produção do recheio de brócolis

E = 0.35 + 0.05 * [BETA (3.74, 1.61)] (4)

onde a demonstração de erros quadráticos é validada em 0,002140 pela distribuição BETA.

E = NORM(1.27, 0.012) (5)

onde a demonstração de erros quadráticos é validada em 0,018879 pela distribuição NORMAL.

Figura 6 – Sexto Input para o tempo de modelagem do salgado

E = 1.07 + 0.2 * [BETA(2.14 1.73)] (6)

onde a demonstração de erros quadráticos é validada em 0,015057 pela distribuição BETA.

Tabela 1 - Expressões, erros e modelos estatísticos de distribuição das etapas de produção

Processo Expressão Tipo de distribuição Erro

4.2. Modelo Computacional

Figura 7 – Modelagem do processo no ambiente ARENA