UNIVERSIDADE FEDERAL DE VIÇOSA

CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS

DEPARTAMENTO DE ENG. DE PRODUÇÃO E MECÂNICA
EPR 311 – SIMULAÇÃO DA PRODUÇÃO

Alexandre Navarro
 “Discutir como um fenômeno aleatório
observado no sistema real pode ser
representado no modelo de simulação”.

Tempo de atendimento: variável aleatória

Previsão do comportamento probabilístico a

partir da observação
2
Ou seja:

“Obter modelos probabilísticos que

permitam inferir as propriedades de
um dado fenômeno aleatório”

3
 Histograma h=4.8
Freqüência
120
100
80
60
40
20
0
4.8 14.3 23.9 33.4 43
Bloco

4
 Testes de Aderência
Construção do Histograma
O histograma é utilizado para identificar qual a distribuição a ser
ajustada aos dados coletados

K = 1 + 3,3 log10 (n) (n>30)

1. Definir o número de classes:
K= n (30<n<250)

2. Definir o tamanho do intervalo: Amplitude

h=
K

3. Construir a tabela de freqüências

4. Construir o histograma

5
 H0: o modelo é adequado para representar a distribuição
da população.

▪Ha: o modelo não é adequado para representar a

distribuição da população.

✓Se a um dado nível de significância  rejeitarmos H0, o modelo

testado não é adequado para representar a distribuição da
população.
✓O nível de significância  equivale à probabilidade de rejeitarmos
a hipótese nula H0, dado que ela está correta. Testes usuais:
oQui - quadrado
oKolmogorov-Sminov
6
Teste Qui-Quadrado (c2)

7
✓Indica a probabilidade do valor encontrado ser ao acaso.
✓Parâmetro usual nos softwares de estatística.
✓Para o teste do qui-quadrado no Excel, utilizar:
=DIST.QUI (valor de c2; graus de liberdade)

Critério Indicação
Evidência forte contra a hipótese de
p-value<0,01
aderência
Evidência moderada contra a hipótese de
0,01p-value<0,05
aderência
Evidência potencial contra a hipótese de
0,05p-value<0,10
aderência
Evidência fraca ou inexistente contra a
0,10p-value
hipótese de aderência
8
✓Utilização de séries históricas

o Ex.: simulação de um terminal portuário

(o tempo para coleta de dados seria muito
grande, tornando-se muitas vezes
inviável)

10
✓Modelagem quando não se dispõe de
dados reais
o Sistemas que ainda não existem

o Custo de coleta de dados alto ou inviável

tecnicamente

o Cliente não fornece dados

11
Distribuição Parâmetros Características Aplicabilidade
•Grande variabilidade dos valores
•Independência entre um valor e outro
•Variância alta
Exponencial Média •Muitos valores baixos e poucos valores altos
•Cauda para direita
•Utilizada para representar o tempo entre chegadas
sucessivas e o tempo entre falhas sucessivas
Menor valor, •Quando se conhece ou se tem um bom “chute” sobre a
Triangular moda e •Simétrica ou não moda (valor que mais ocorre), o menor valor e o maior
maior valor valor que podem ocorrer
•Simétrica •Quando a probabilidade de ocorrência de valores acima
Média e •Forma de sino da média é a mesma que valores abaixo da média
Normal desvio- •Variabilidade •Quando o tempo de um processo pode ser considerado
padrão controlada pelo desvio- a soma de diversos tempos de sub-processos
padrão •Processos manuais
•Todos os valores no
•Quando não se tem nenhuma informação sobre o
Maior valor e intervalo são
Uniforme processo ou apenas os valores limites (simulação do pior
menor valor igualmente prováveis
caso)
de ocorrer
Valores e •Utilizada para a escolha de parâmetros das entidades
probabilidade (por exemplo: em uma certa loja, 30% dos clientes
•Apenas assume os
de realizam suas compras no balcão e 70% nas prateleiras)
Discreta valores fornecidos pelo
ocorrência •Quando se conhecem apenas “valores intermediários”
analista
destes da distribuição ou a porcentagem de ocorrência de
valores alguns valores discretos
12
f (x )
BINOM (n, p)
E(x ) = np
V (x) = np(1 − p)

x
f (x ) POIS ( )

E (x ) = 

x
  
BETA( ,  ) E (x ) = V (x ) =
 + ( +  )2 + ( +  + 1)
f (x ) α =1,5 β =5 α =6 β =2

α =4
β =4 α =2
α =2 β =1
α =2 α =3
β =1
β =3 β =2

x
0 0,5 1
 ERLA(, k )
f (x )

λ =0,5

E (x ) =
k
λ =0,5 k= 3

V (x ) =
k
λ =0,2 k= 10
2

x
f (x ) GAMA( ,  )

α =0, E(x) = 

V ( x ) =  2
α =1

α =2

x
f (x )
µ =1 σ =0,5 LOGN  ,  ( 2
)
2
+
µ =1 σ =1 E (x ) = e 2

V (x ) = e 2  + 2
(e 2
)
−1

x
  1 1
WEIB( ,  ) E (x ) =   ( ) =  x  −1 − x
e dx
f (x )
   0
α =0,5 β =1
   2  1
2
2
 1  
α =3 β =1
V (x ) = 2  −    
       

α =1 β =1 α =2 β =1

α =3 β =2