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
✓Coleta: processo de amostragem

✓Tratamento: descrição dos dados levantados

✓Inferência: testes de aderência para inferir qual o

comportamento da população a partir da
amostra
o Resultado: modelo probabilístico (distribuição de
probabilidades)
4
✓Escolha adequada das variáveis de entrada do
sistema
✓O tamanho da amostra deve estar entre 150 e
200 observações.
oAmostras com menos de 150 observações podem
comprometer a identificação do melhor modelo
probabilístico, e amostras com mais de 200 observações
não trazem ganhos significativos ao estudo;

5
✓Coletar e anotar as observações na mesma ordem
em que o fenômeno está ocorrendo, para permitir a
análise de correlação ;

✓Se existe alguma suspeita de que os dados mudam

em função do horário ou do dia da coleta, a coleta
deve ser refeita para outros horários e dias.
oNa modelagem de dados, vale a regra: toda suspeita deve
ser comprovada ou descartada estatisticamente.
6
 Um gerente de supermercado está preocupado com
as filas formadas nos caixas de pagamento durante
um dos turnos de operação. Quais seriam as
variáveis de estudo para coleta de dados? (S - Sim)
ou (N - Não).
1.( N ) O número de clientes que entram no supermercado
2.( S ) Os tempos de atendimento nos caixas
3.( N ) O número de clientes em fila É resultado!!

4.( N ) O tempo de permanência dos clientes no supermercado

5.( S ) Os tempos entre chegadas sucessivas de clientes nos caixas de
pagamento
7
✓Análise de Outlier: Pontos fora da curva

✓Análise de correlação: Tendência das

observações;

✓Testes de Aderência: Identificar a

distribuição de probabilidade
8
Intervalo entre chegadas (seg) de pessoas nos caixas do supermercado (200 medidas).
11 5 2 0 9 9 1 5 5 1
1 3 3 3 7 4 12 8 7 5
5 2 6 1 11 1 2 4 4 2
2 1 3 9 0 10 3 3 4 5
1 5 18 4 22 8 3 0 4 4
8 9 2 3 12 1 3 1 11 9
7 5 14 7 7 28 1 3 3 4
2 11 13 2 0 1 6 12 8 12
15 0 6 7 19 1 1 9 12 4
1 5 3 17 10 15 43 2 9 11
6 1 13 13 19 10 9 20 17 24
19 2 27 5 20 5 10 8 728 8
2 3 1 1 4 3 6 13 12 12
10 9 1 1 3 9 9 4 6 3
0 3 6 3 27 3 18 4 4 7
6 0 2 2 8 4 5 1 3 1
4 18 1 0 16 20 2 2 9 3
2 12 28 0 7 3 18 12 2 1
3 2 8 3 19 12 5 4 0 3
6 0 5 0 3 7 0 8 5 8 9
 Média 10,44
Mediana 5
Medidas de posição Moda 3
Mínimo 0
Máximo 728
Amplitude 728
Desvio padrão 51,42
Medidas de dispersão Variância da amostra 2.643,81
Coeficiente de Variação 493%
Coeficiente Assimetria 13,80

10
 Média 10,44
Mediana 5
Medidas de posição Moda 3
Mínimo 0
Máximo 728
Amplitude 728
Desvio padrão 51,42
Medidas de dispersão Variância da amostra 2.643,81
Coeficiente de Variação 493%
Coeficiente Assimetria 13,80

O 728 é um outlier (“ponto fora da curva”)?

11
Intervalo entre chegadas (seg) de pessoas nos caixas do supermercado (200 medidas).

11 5 2 0 9 9 1 5 5 1
1 3 3 3 7 4 12 8 7 5
5 2 6 1 11 1 2 4 4 2
2 1 3 9 0 10 3 3 4 5
1 5 18 4 22 8 3 0 4 4
8 9 2 3 12 1 3 1 11 9
7 5 14 7 7 28 1 3 3 4
2 11 13 2 0 1 6 12 8 12
15 0 6 7 19 1 1 9 12 4
1 5 3 17 10 15 43 2 9 11
6 1 13 13 19 10 9 20 17 24
19 2 27 5 20 5 10 8 728 8
2 3 1 1 4 3 6 13 12 12
10 9 1 1 3 9 9 4 6 3
0 3 6 3 27 3 18 4 4 7
6 0 2 2 8 4 5 1 3 1
4 18 1 0 16 20 2 2 9 3
2 12 28 0 7 3 18 12 2 1
3 2 8 3 19 12 5 4 0 3
6 0 5 0 3 7 0 8 5 8
12
 Dados
Com o outlier Sem o outlier
Média 10,44 6,83
Mediana 5 5
Desvio Padrão 51,41 6,60
Variância da amostra 2.643,81 43,60

13
✓Análise de Box-Plot
20
Valores Q3+1,5(Q3-Q1)

Q3
15
mediana

Q1
10

Q1-1,5(Q3-Q1)

outlier

0
A B C
Séries
14
Principais Motivos:
✓Erro na coleta de dados. Este tipo de outlier é o mais comum,
principalmente quando o levantamento de dados é feito por meio
manual.
✓ Eventos Raros. Nada impede que situações totalmente atípicas
ocorram na nossa coleta de dados. Alguns exemplos:
✓Um dia de temperatura negativa no verão da cidade do Rio de
Janeiro;
✓Um tempo de execução de um operador ser muito curto em relação
aos melhores desempenhos obtidos naquela tarefa;
✓Um tempo de viagem de um caminhão de entregas na cidade de São
Paulo, durante o horário de rush, ser muito menor do que fora deste
horário.
15
 20

Observação
Diagrama de dispersão de um
Resposta
k +1 exemplo hipotético em que
18 existe correlação entre os
dados que compõem a amostra.
16

14

n. X i .Yi − ( X i )(
.  Yi )
12 rX ,Y =
[n. X i − ( X i ) 2 ].[n. Yi − (Yi ) 2 ]
2 2

10
10 20 30 40 50 60
Observação
Obs.k

16
 Diagrama de dispersão de um
exemplo hipotético em que não
há correlação entre os dados
Resposta que compõem a amostra.

Obs.
17
 Histograma h=4.8
Freqüência
120
100
80
60
40
20
0
4.8 14.3 23.9 33.4 43
Bloco

18
 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

19
 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
20
Teste Qui-Quadrado (c2)

21
✓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
22
✓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)

24
✓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

25
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
26
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