Beruflich Dokumente
Kultur Dokumente
= 0,79.
legenda Nvel de
importncia
do critrio.
Coluna A
Avaliao
do critrio
no software.
Coluna B
3 Muito
importante
Muito bom
2 Importante Bom
1 Pouco
importante
Insatisfatrio
0 Sem
importncia
Inexistente
Critrios para avaliao de software de
simulao :
Prospeco dos processos de recebimento de carga
O software ARENA atingiu o escore de
79% do total atribudo a um software
considerado perfeito.
Concluiu-se que o Software Arena V
constitui um ferramental adequado
Workshop aulas 9 e10
Tpicos avanados
Advanced process
Sistema de produo e inventrio
produto nico
Considere um sistema de produo/inventrio em que
o processo de produo (por exemplo, empacotar) compreendido de
trs estgios
1. encher cada unidade do recipiente (por exemplo, frascos)
2. selar de cada unidade
3. Etiquetar cada unidade
um suprimento de matria-prima alimenta o processo de produo, e as
unidades terminadas so armazenadas em um armazm
Clientes chegam no sistema com pedidos do produto (demanda),
se um pedido no puder ser satisfeito inteiramente pelo inventrio da em
mos,a parcela insatisfeita da demanda representa negcios perdidos.
Raw
Material
Process
Warehouse
Demand
Lost
Customers
A Operao Da Produo
O componente do processo de produo opera como
segue:
h sempre um material prima suficiente no
armazenamento, assim o processo de produo nunca
para por falta de suprimento.
processamento do produto realizado nos lotes de 5
unidades, e os lotes terminados so colocados no
armazm.
o tempo processando do lote distribudo uniformemente
entre 10 e 20 minutos.
o processo de produo passa por falhas aleatrias, que
podem ocorrer em qualquer ponto no tempo.
os tempos entre falhas so distribudos exponencial com
uma mdia de 200 minutos.
os tempos de reparo so distribudos normalmente, com
uma media de 90 minutos e um desvio padro de 45
minutos.
A operao do armazm
O armazm opera da seguinte maneira:
as operaes do controle de inventrio, segue o
mtodo do ponto de reposio do pedido, onde:
1. o armazm tem uma capacidade (nvel de alvo) de
unidades.
2. o processo de produo pra quando o inventrio no
armazm alcana o nvel de alvo.
3. a partir deste ponto, o processo de produo fica
inativo at o nvel do inventrio atingir o ponto de
requisio de pedido unidades.
4. O processo de produo reiniciado neste momento
at que o nvel do inventrio do armazm alcance o
nvel de alvo.
500 R =
150 r =
A operao do armazm
os tempos entre chegadas de clientes
sucessivos so distribudos uniformemente
entre 3 a 7 horas, e os tamanhos individuais da
demanda so distribudos uniformemente entre
50 e 100 unidades.
na chegada do cliente, o inventrio verificado
imediatamente, e se houver estoque suficiente
em mos, a demanda ser satisfeita
prontamente.
Caso contrrio, a parcela insatisfeita da demanda
perdida.
Medidas de Desempenho do
Sistema
As medidas de desempenho de interesse so:
utilizao processo.
probabilidade de falha do processo
(percentual do tempo em que a produo encontra-se
paralizada por quebra da mquina).
nvel do inventrio mdio do armazm.
porcentagem dos clientes cuja a demanda no
satisfeita completamente na chegada no
armazm.
tamanho mdio das demandas de cliente
perdidas no armazm,
dado que as demandas no foram satisfeitas
completamente.
O modelo em Arena
Lgica do modelo
O modelo da arena do sistema de
production/inventory composto de dois
segmentos:
gerncia de inventrio e
gerncia de demanda.
gerncia de inventrio:
o processo empacotando pega uma unidade de
materia prima de sua fila, e o processa em lotes de 5
unidades de produto.
o lote terminado adicionado ao inventrio do
armazm (inventrio varivel).
Quando o inventrio alcanar o nvel de alvo (estoque
varivel do alvo),
a produo para at que o ponto de requisio seja novamente
alcanado .
O processamento de novos lotes de produto comea
novamente.
gerncia de demanda
as chegadas dos clientes e das suas demandas no
armazm so geradas.
o inventrio varivel ajustado a partir do
atendimento ao cliente.
o valor do inventrio monitorado provocando a
ativao do processo de produo quando o re
order point por alcanado.
feito um registro da demanda perdida.
Lgica da gerncia de
inventrio
o mdulo Create , cahamado Raw Material,
gera unidades para a operao de produo e
empacotamento packaging.
a operao de empacotamento packaging foi
modelada usando os na sequencia os
mdulos Seize, Delay and Release
O Processamento real ocorre no mdulo
Delay , chamado Packaging Process, onde o
tempo de processamento de um lote foi
estipulado como minutos
10,20 Unif( )
Mdulo Seize
O mdulo Seize captura recursos
Mdulo Release
O mdulo Release libera os recursos
Mdulo Resource
A Programao no spreadsheet view do mdulo
Resource (no paninel de template dos Basic Process )
usada para listar os recusros e seus atributos
Um dos campos de atributos o de falhas (Failures),
abaixo, programao do recurso Packaging Process com
seu campo de falhas em detalhe (Failures).
Mdulo Failure
Up time tempo entre falhas
Down time tempo de falha (tempo de conserto)
NORM(90,45)
Mdulo Hold
O mdulo Hold executa uma funo de
bloqueio das entidades
Lgica da gerncia de
inventrio
o mdulo faz a varredura para a condio
lgica verdade ou falso de uma varivel,
(Production = = 1),
E aprisiona as entidades na fila Shall We
Produce?.Queue o at que uma condio se
torne verdadeira.
Lgica da gerncia de
inventrio
O nvel do inventrio no armazm controlado
atravs de uma varivel chamada Inventory,
inicialmente ajustada para 250
cada entidade produzida (lote de 5) entity entra
no mdulo Assign chamado Update Inventory,
e aumenta o valor da varivel Inventory
adicionando o valor do tamanho do lote ,definada
na varivel Batch Size varivel Inventory.
A entidade ento segue do mdulo Hold, called
Shall We Produce?, para o mdulo Decide,
chamado Check Target
Mdulo Decide
a caixa de dilogo acima faz uma deciso em dois
sentidos verificando o nvel do alvo do inventrio
target stock = 500
Lgica da gerncia de
inventrio
Se o alvo do inventrio R=500 foi
antingido, ento a entidade segue para o
mdulo Assign, chamado Stop
Production, e muda Production = 0
Lgica da gerncia de
inventrio
Uma entidade terminou seu trajeto atravs do sistema, e
seria eliminada normalmente (em um mdulo dispose).
Entretanto, desde que o mdulo Packaging nunca
paralizado por falta de materia prima, e nenhum atraso
ocorre desde sua partida da estao de empacotando,
ns podemos reciclar a entidade, mandando de volta ao
Packaging Queue, para fazer o papel de uma entidade
nova.
Este dispositivo modelando logicamente equivalente a
dispr da entidade e a criar uma nova.
entretanto, computacionalmente mais eficiente, pois
conserva este esforo computacional extra.
assim, a simulao funcionar mais rapidamente!
Lgica da Gerncia da
Demanda
Faz uso dos seguintes mdulos
Mdulo Create , chamado Customer Arrives, gera a
chegada dos clientes no sistema
, e o mdulo Assign, chamado Customer Demand,
designa ao cliente a demanda que ele vai fazer.
A politica do inventrio modelada
usando uma sequencia of mdulos Decide e Assign
.
A varivel inventrio Inventory espelha o nvel de
invatrio do armazm.
, ( ) r R
Cria os clientes
Assign
Gera a demanda do cliente;
Faz a contagem de clientes;
50,100 Unif( )
Mdulo decide
Checa se o armazm tem estoque
suficiente para atender a demanda.
Caso V:Se a varivel Inventory
possuir estoque maior ou igual
Demand
Se a varivel Inventory possuir estoque maior ou igual Demand.
O cliente caminha pela sada True para o mdulo Assign, chamado
Take Away From Inventory, quando o inventrio diminuido pelo valor
da demanda.
Em seguida, a entidade prossegue ao mdulo Decide, chamado
Restart Production, para testar se a varivel Reorder Level foi
atingida.
Decide
Caso contrrio, a entidade (cliente) segue para ser eliminado do sistema pelo
mdulo Dispose, chamado Dispose1
Inicia a produo
Mdulo assign muda Production = 1, imediatamente libera a entidade que
controla a produo contida no mdulo Hold Shall We Produce?
Dispose 1
A entidade que representa o cliente
eliminado do sistema no mdulo dispose
Caso F:Se a varivel Inventory
possuir estoque menor que a
Demand
A demanda no ser satisfeita totalmente
A entidade cliente segue para o mdulo
assing Lost Customer, onde:
a varivel Inventory recebe o valor 0
A varivel lost incrementada em 1
A varivel Lost Amount monitora a
quantidade de produtos que no foram
vendidos (Lost Amount = Demand
Inventory)
Caso F:Se a varivel Inventory
possuir estoque menor que a
Demand
Caso F:Se a varivel Inventory
possuir estoque menor que a
Demand
Mdulo Record
Chamado Tally Amount Lost, para registrar a quantidade perdida por o
cliente cuja a demanda no foi satisfeita inteiramente.
O mdulo record usado epara coleo de estatsticas definidas pelo
usurios, atravs das entidades, em posies particulares do modelo.
Mdulo Record
Sempre que uma entidade entra no
mdulo Record, a quantidade da
expresso (neste caso, a quantidade de
vendas perdidas) avaliada, e o valor
resultante registrado.
Quando a rodada de simulao termina, o
relatrio de sada conter uma seo dos
registros que sumaria as estatsticas da
quantidade perdida por o cliente.
Dispose 1
A entidade que representa o cliente
eliminado do sistema no mdulo chamado
dispose 1
Mdulo varivel
usado para ajustar ou inspecionar as
variveis definidas no modelo.
Basic Process template panel
Mdulo Statistics
O mdulo statistic usado especificar a
coleo das estatsticas no modelo e suas
propriedades.
Advanced Process template panel
spreadsheet
Mdulo Statistics
Time-Persistent statistic, chamada Stock
On Hand, para a varivel Inventory.
A estatstica Inventory inclui
valor mdio
semi-intervalo de confiana 95% (half width)
valores mnimos e mximos
Time-Persistent statistic, chamada
Production On, para a condio
Production = 1
Mdulo Statistics
Frequency
statistic, chamado Process States, que
estima as probabilidades do estado do
processo empacotando(busy),
esperando(idle) ou quebrado(fail)
Aparece no relatrio Frequencie
Relatrios de sada
A rodade de simulao preve 1
replicao de1,000,000 minutos de
durao (pouco menos de 2 anos)
Os relatrios produzidos devem incluir
User Specified report
Frequencies report
Relatrios de sada
User Specified
Relatrios de sada
Frequencies Report
Experimento e anlise
Claramente, a probabilidade do nvel de
servio ao cliente (demanda satisfeita
inteiramente) baixa, apenas 77%
Indicada pela probabilidade complementar
das demandas parcialmente ou inteiramente
insatisfeita, que foi estimada pela simulao
como 0.223.
O valor da Lost Percentage na Output na parte do
relatrio chamado User Specified report
Experimento e anlise
Ns queremos modificar o sistema para
aumentar o nvel de servio ao cliente
(queremos diminuir a probabilidade da
perda de vendas de 0.223 a um em nvel
"aceitvel").
em sistemas inventrio-orientados, tais como
esse, uma maneira de aumentar o nvel de
servio ao cliente passa por aumentar o nvel
de estoque em mos.
Estratgias de melhoria
Estratgia 1
Investir mais em manuteno para reduzir o
tempo parado por falhas
Estratgia 2
Elevar o Reorder point para 250,
aumentando o estoque mnimo e reduzindo o lote
de pedido.
Estratgia 1
Reduzir o tempo de reparo de 90 para 70
minutos e desvio padrao de 25min.
Estratgia 1
Menor tempo total de parada por quebra
Estratgia 1
Reduziu a perda de clientes para apenas
0,0916 ou 9%
Estratgia 2
Essa estratgia reduziu a perda de clientes em
menos de 2% apenas ficando em torno 21,98%
Estratgia 2
concluso
Para o caso em anlise pode se afirmar
que a melhor soluo seria investir em
manuteno e reparo ( estratgia1).
Aula 11
Validao de modelo
Validao de modelo
Validao de modelo
Determinar se o modelo uma representao
adequada do sistema em estudo.
(funciona como no mundo real??)
Verificao do modelo
Determinar se o programa de simulao tem a
performance desejada.
(faz o que eu quero??)
Crvel ou vlido
Quando o programa de simulao e seus resultados
so aceitos pelos especialistas como vlidos e
podem ser usados como auxilio tomada de
decises.
Como proceder para fazer uma
modelagem vlida
Definir criteriosamente os temas a ser
investigados
Usar especialistas e anlise de sensibilidade
para determinar o nvel de detalhamento do
modelo,
Comear com um modelo moderadamente
detalhado
Se o nmero de fatores de interessa for muito
grande
usar um modelo rstico ou mtodo analtico para
definir os fatores mais importantes antes de partir
para o detalhamento do modelo
Coisas que devemos ter em mente
Experimentao com o modelo de simulao
Garantir que o modelo bom o suficiente para embasar anlises e
decises
Complexidade e existncia
Complexo, difcil de validar ou ainda nem existe
Aproximao
Custo x benefcio
O modelo vlido para um propsito pode no ser vlido
para outro
Documentar avanos a intervalos regulares
Ateno aos detalhes durante o desenvolvimento do
modelo, no aps sua construo.
Aproximao em Trs etapas
1 Fazer uma modelo com validao de rosto
face validity
Modelo q parece razovel para especialistas
no assunto estudado
Conversas com experts
Observao dos sistemas
A coleta de dados
Teorias existentes
Resultados de modelos simulares
Modelar em sintonia com o cliente/gerente
Aproximao em Trs etapas
2 Teste as hipteses usadas no modelo
empiricamente
Testar se as distribuies de probabilidade so
vlidas
Fazer uma anlise de sensibilidade
3 Determinar a representatividade dos
resultados da simulao
compare os resultados do modelo com os
resultados do sistema real ou seus
parmetros ( mdia, varina, etc)
Coleta
Tratamento
Inferncia
Dados de Entrada:
1. Escolha adequada da varivel de estudo
2. O tamanho da amostra deve estar entre
100 e 200 observaes. Amostras com
menos de 100 observaes podem
comprometer a identificao do melhor
modelo probabilstico, e amostras com
mais de 200 observaes no trazem
ganhos significativos ao estudo;
Coleta dos Dados
3. Coletar e anotar as observaes na mesma
ordem em que o fenmeno est ocorrendo,
para permitir a anlise de correlao ;
4. Se existe alguma suspeita de que os dados
mudam em funo do horrio ou do dia da
coleta, a coleta deve ser refeita para outros
horrios e dias. Na modelagem de dados,
vale a regra: toda suspeita deve ser
comprovada ou descartada estatisticamente.
Coleta dos Dados
Exemplo : Filas nos Caixas do
Supermercado
Um gerente de supermercado est preocupado
com as filas formadas nos caixas de pagamento
durante um dos turnos de operao. Quais seriam
as variveis de estudo para coleta de dados? (S)
ou (N).
( ) O nmero de prateleiras no supermercado
( ) Os tempos de atendimento nos caixas
( ) O nmero de clientes em fila
( ) O tempo de permanncia dos clientes no supermercado
( ) Os tempos entre chegadas sucessivas de clientes nos
caixas de pagamento
N
S
N
N
S
resultado!!
Exemplo : Coleta de Dados
Intervalo entre chegadas de pessoas nos caixas do supermercado
(100 medidas). Tempos em minutos:
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
Exemplo: Medidas de Posio e
Disperso
Medidas de posio
Mdia 10,44
Mediana 5
Moda 3
Mnimo 0
Mximo 728
Medidas de disperso
Amplitude 728
Desvio padro 51,42
Varincia da amostra 2.643,81
O 728 um outlier?
Exemplo 2.1: Outlier
Intervalo entre chegadas de pessoas nos caixas do supermercado
(100 medidas). Tempos em minutos:
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
Outliers ou Valores Discrepantes
Erro na coleta de dados. Este tipo de outlier o mais comum,
principalmente quando o levantamento de dados feito por meio manual.
Eventos Raros. Nada impede que situaes totalmente atpicas
ocorram na nossa coleta de dados. Alguns exemplos:
Um dia de temperatura negativa no vero da cidade do Rio de
Janeiro;
Um tempo de execuo de um operador ser muito curto em relao
aos melhores desempenhos obtidos naquela tarefa;
Um tempo de viagem de um caminho de entregas na cidade de So
Paulo, durante o horrio de rush, ser muito menor do que fora deste
horrio.
Exemplo 2.1: Outlier (valor discrepante)
Dados
com o outlier sem o outlier
Mdia 10,44 6,83
Mediana 5 5
Varincia da amostra 2.643,81 43,60
Anlise de Correlao
0
10
20
30
40
50
0 10 20 30 40 50
Observao
k
Observao
k +1
Diagrama de disperso dos tempos de
atendimento do exemplo de
supermercado, mostrando que no h
correlao entre as observaes da
amostra.
10
12
14
16
18
20
10 12 14 16 18 20
Observao
k
Observao
k +1
Anlise de Correlao
Diagrama de disperso de um
exemplo hipottico em que existe
correlao entre os dados que
compem a amostra.
Se existe correlao no h
aleatoriedade, dados esto
viciados!
Exemplo : Construo do Histograma
1. Definir o nmero de classes:
n K
10
log 3 , 3 1+ =
n K =
O histograma utilizado para identificar qual a distribuio a ser ajustada
aos dados coletados ou utilizado diretamente dentro do modelo de
simulao.
2. Definir o tamanho do intervalo:
K
Amplitude
h =
3. Construir a tabela de freqncias
4. Construir o histograma
Exemplo : Histograma
Com 9 classes
Histograma h=4.8
0
20
40
60
80
100
120
4.8 14.3 23.9 33.4 43
Bloco
Fr eqncia
Exemplo: Inferncia
Qual o melhor modelo probabilstico ou distribuio
estatstica que pode representar a amostra coletada?
Histograma h=4.8
0
20
40
60
80
100
120
4.8 14.3 23.9 33.4 43
Bloco
Fr eqncia
x
f ( x )
1/
x
f ( x )
x
f ( x )
a b m
x
f ( x )
=1 =1
=1 =0,5
Exponencial?
Normal?
Triangular?
Lognormal?
Testes de Aderncia (no paramtricos)
Testa a validade ou no da hiptese de aderncia (ou hiptese nula) em
confronto com a hiptese alternativa:
H
0
: o modelo adequado para representar a distribuio da populao.
H
a
: o modelo no adequado para representar a distribuio da
populao.
Se a um dado nvel de significncia o % rejeitarmos H
0
, o modelo testado no
adequado para representar a distribuio da populao.
O nvel de significncia o equivale probabilidade de rejeitarmos a hiptese nula H
0
,
dado que ela est correta. Testes usuais:
Qui quadrado
Kolmogorov-Sminov
Ho verdadeira Ho falsa
Aceitar Ho
Deciso correta
(1-) Erro tipo II ( )
Rejeitar Ho Erro tipo I ( )
Deciso correta
(1-)
Realidade
Deciso
Testes de Aderncia (no paramtricos)
Teste do Qui-quadrado
Inf Sup Exponencial Terica (T) Observada (O) (O-T)^2/ T
0 4.8 0.5022 100 96 0.16
4.8 9.6 0.2500 50 55 0.55
9.6 14.3 0.1244 25 25 0.00
14.3 19.1 0.0620 12 13 0.04
19.1 1.0E+10 0.0614 12 10 0.40
E 1.15
Confiana 5%
3
Valor Terico 7.81
p-value 0.76
Graus de liberdade
Limites Freqncias
Por tanto,
no
rejeitamos
a hipt ese de que os dados
ader em ao modelo
exponencial
= k-1-m
Onde:
K = classes (fundidas
se O 5)
m = numero de
parmetros estimados
2
,
2
o
_ _
v v
>
2
v
_ =
Rejeito a aderncia se
Freqncias
0
20
40
60
80
100
120
0 4,8 9,6 14,3 19,1
Exponencial Terica
Observadas
Verificao grfica da aderncia
Teste Kolmogorov-Smirnov (KS)
Em geral mais poderoso
A varivel de teste a maior diferena
observada entre a funo de distribuio
acumulada do modelo e a da amostra.
Onde
d = max[F(x) G(x)]
Se d > valor crtico, rejeita-se a aderncia.
Teste Kolmogorov-Smirnov (KS)
Valores crticos
Teste Kolmogorov-Smirnov (KS)
Valor crtico
Para n > 50, valor crtico:
para = 5%
para = 1%
n
36 , 1
n
63 , 1
Teste Kolmogorov-Smirnov (KS)
Ho = no existe diferena entre a distribuio observada e a
obtida pela distribuio de Poison de = 0,5577
P-value
Valor Critrio
p-value<0,01
Evidncia forte contra a hiptese de
aderncia
0,01sp-value<0,05
Evidncia moderada contra a hiptese de
aderncia
0,05sp-value<0,10
Evidncia potencial contra a hiptese de
aderncia
0,10sp-value
Evidncia fraca ou inexistente contra a
hiptese de aderncia
Parmetro usual nos softwares de estatstica. Para o teste do qui-
quadrado no Excel ou Input analiser, utilizar:
=DIST.QUI (valor de E; graus de liberdade)
P-value
O p-value o nvel de significncia observado.
Se o p-value for maior ou igual a o ,
ento a hiptese nula ser aceita.
Se o p-value for menor ou igual a o
ento a hiptese nula ser rejeitada.
Quanto menor for o p-value, mais forte ser a evidncia
para rejeitar a hiptese nula.
Ex:
Em um nvel de significncia de 5%, a hiptese nula dos testes
em questo, ser recusada, se a p-value for menor que 2,5%
Anlise de sensibilidade
Mostra como sensvel a resposta do modelo aos parmetros utilizados
Tcnica usada para refinamento ou simplificao do modelo, indicando possveis
modificaes.
Comparando os resultados do modelo
com os valores do sistema real
Testes paramtricos
Mdia; variana
Testes no paramtricos
Teste dos sinais
Teste da mediana
Teste wilcoxon-mann-whitney
Turing test
Testes paramtricos
Teste da mdia com (desvio padro da populao) desconhecido
Calculo a distribuio t de Student com n-1 graus de liberdade
Varina= S
2
=
Ou seja, a mdia da amostra,nesse nvel de significncia, no 12, ento como
eles no esto sadios e a doena influi no consumo renal de oxignio
Varincia calculada
Testes paramtricos
Teste da Varincia
H0:
2
=
0
2
H1:
2
>
0
2
( )
2
0
2
2
1
1
o
_
s n
n
2
, 1
2
1 o
_ _
>
n n
H0:
2
=
0
2
H1:
2
<
0
2
H0:
2
=
0
2
H1:
2
0
2
2
1 , 1
2
1 o
_ _
<
n n
2
2 / 1 , 1
2
1 o
_ _
<
n n
Rejeitaremos Ho se:
2
2 / , 1
2
1 o
_ _
>
n n
ou
Teste da varincia
Ex. Uma amostra de dez elementos extrada de uma populao suposta
normal forneceu varincia igual a 12,4. (S
2
= 12,4)
Pergunta-se:
Esse resultado suficiente para se concluir, ao nvel = 5% de
significncia, que a varincia dessa populao interior a 25?
Soluo:
H0:
2
=25
H1:
2
< 25
o valor crtico com o qual esse valor experimental deve ser comparado :
X
9,1-0,05%
= 3,325
Com o valor calculado foi maior que o valor crtico, ento devemos aceitar H0.
Assim, no podemos concluir que, ao nvel de significncia 5%, que a
varincia dessa populao seja inferior a 25, pois entendida como igual!
2
1 , 1
2
1 o
_ _
<
n n
( )
2
0
2
2
1
1
o
_
s n
n
( )
464 , 4
25
4 , 12 . 1 10
2
1
=
=
n
_
Rejeito Ho se:
Comparao de duas populaes
Os testes a seguir independem da forma
da distribuio da populao.
Isto os torna aplicveis mesmo em caso de
desconhecimento total sobre o
comportamento da varivel de interesse
Porm, so mais fracos que os paramtricos
Teste dos sinais
Suponhamos que temos duas amostras de tamanho n e queremos testar a
hiptese de que as populaes das quais provieram sejam idnticas.
Sejam Xai e Xbi ( i = 1, 2, .., n) os valores da varivel observadas nas
amostras.
Consideremos os sinais das diferenas xai - xbi.
Ora sendo verdadeira a hiptese H0, devemos ter, em mdia, n/2 sinais
positivos e n/2 sinais negativos qualquer que seja distribuio da populao.
O problema passa a ser, portanto, o de testar a hiptese de que a proporo
populacional de vezes em que aparece o sinal + ou - seja igual a 0.5.
Onde p a freqncia dos sinais
Se Z for maior do que o valor crtico, podemos rejeitar a hiptese Ho.
Foram realizados vrios testes com o modelo de simulao e coletados dados do sistema
real. Devemos considerar, com = 5%, que estes resultados so equivalentes quanto ao
tempo fornecido?
Valor crtico de z 2,5% = 1,96
Ento rejeitamos ho
Teste da mediana
Adequada quando o tamanho das amostras forem diferentes, com 10 ou mais elementos
Verifique, pelo teste da mediana, ao nvel de 5% de significncia, se os dois grupos de
valores que seguem podem ser consideradas de populao distintas.
Como Z
2,5%
= 1.96, aceitamos H0
no h, a esse nvel, evidncia de que haja diferena entre duas populaes.
Teste wilcoxon-mann-whitney
Comparao de duas populaes baseado na soma de postos
de valores observados.
O posto de um valor em conjunto de n valores um nmero que
indica sua posio no conjunto ordenado (crescente ou
decrescente), do primeiro ao n- simo.
Ex. 15 12 16 19 16
Postos 2 1 3.5 5 3.5
Considerando as amostras de tamanho n
a
e n
b
, com n
a
n
b
o procedimento de teste consiste em:
ordenar as p = n
1
+ n
2
observaes associando-lhes valores
ordinais de 1 a P em ordem crescente; ( Quando o valores forem
iguais, adotar um posto mdio para todos)
Calcular a soma a dos valores ordinais associados s observaes
da amostra n
1
;
Calcular a soma a dos valores ordinais associados s observaes
da amostra n
2
;
Calcular a estatstica Mann-whitney
Funciona para n
1
e n
2
> 7
1 12
2 15
3,5 16
3,5 16
5 19
Teste wilcoxon-mann-whitney
Conjunto de equaes
Teste wilcoxon-mann-whitney
Teste wilcoxon-mann-whitney
Turing Test
Schrueben (1980) reporta o uso do Turing Test
durante estudos de simulao de uma fbrica
de componentes automotivos.
Dados da fbrica e resultados da simulao
foram mostrados a 3 gerentes, 3 engenheiro e 2
trabalhadores.
A incapacidade destes especialistas em
reconhecer quais dados eram da fbrica e quais
eram resultados da simulao levou a imediata
aceitao do modelo.
Workshop aulas 11 e 12
Tpicos avanados
Advanced transfer
Operao de descarga de
caminhes
Suponha uma empresa que receba uma carga
de mercadoria em paletes seguindo uma
distribuiao exp com mdia em 30 min entre
cada chegada.
A empresa possui 2 box para descarga em sua
doca.
A empresa utiliza-se de um sistema palete
empilhadeira para movimentar sua carga.
Uma empilhadeira alocada para atender ao
sistema de descarga e conferncia de carga.
Pede-se verificar a utilidade de uma
empilhadeira adicional na velocidade de
descarga e liberao dos caminhes
Operao de descarga de
caminhes
create
Caracteristica da carga
Registra o tempo de
chegada de cada
carga
Define quantos
paletes tem a carga,
min 5
mais provavel 20
max 40
Aguardo vaga na doca
Caminho ica preso
no mdulo hold at
que o box 1 ou box 2
esteja livre:
ou seja variveis
OCUPA BOX =0
Seleciona para qual box despacha
o caminho
O caminho segue
para a doca cuja
variavel ocupa box
esteja livre, ou seja,
igual a zero.
De fato, o sistema
escolha a doca cujo
valor da variavel
ocupa box seja
menor
Define a estao box1 - docas
Define um nome a um
dos box das docas
Define controles de descarga e
muda figura da entidade
Atributo prioridade
Recebe o tempo
atual
Zera variavel de
contagem de paletes
Muda -ocupa box
para ocupado (1)
Muda figura
Desmonta a carga
Separa a carga em
vrias unidades de
carga (paletes)=
cubicagem
Conta quantos paletes tem no
caminho para descarregar
Cria a estao do lastro carreta
o local dentro da
carroceria do caminho
onde se encontram os
paletes que sero
descarregados
Chama a empilhadeira
Chama o transporter
(empilhadeira)
Define a prioridade
Leva a carga que chegou
primeiro
Conta quantos paletes faltam para
terminar o descarregamento
Reduz o numero de
paletes a cada
viagem da
empilhadeira
Verifica se j descarregou o
caminho
Decide se vai
liberar o
caminho
Libera o box
Muda variavel ocupa
box para 0, liberando
a doca.
Mede o tempo de descarga por
box
Compara o tempo
da chegada do
caminho com o
tempo atual, e
registra.
Define o transporte da entidade
Define para onde
ser levada a
entidade (PALETE)
Repetir os passos para os
outros box
Cada box da doca deve ser programado
Define o lugar de deposio dos
paletes
Denomina a estao do
patio de conferencia
Define o processo de
conferencia
Vamos definir que o
processo de
conferencia
Recurso =
conferente
Tempo de
conferencia =
30 seg
1 min
1:30 min
Libera empilhadeira
Elimina as entidades da
simulao
Programao das planilhas da
simulao avanada de transportes
Selecionar a planilha de distancias
Dar nome ao conjunto de distancias
Clicar no botao para programar as distancias
entre cada estao que a empilhadeira deve
percorrer
Programao das planilhas da
simulao avanada de transportes
Programar o elemento transportador (empilhadeira)
Definir velocidade , conjunto de distancias e posio de inicio
Programar a replicao
Comprimento da replicao = 7 dias
Unidade de relatrio em minutos
Abilitar coleta dos relatorios
Rodas a simulao e observar
resutados
Cenrio 2:
Adicione uma nova empilhadeira
Cenrio 2:
Adicione uma nova empilhadeira
Aula 13
Definindo os parmetros da
Simulao
Quanto vai durar cada
replicao?
Qual o tempo de
aquecimento (warm-up)?
Como determino o nmero
de replicaes
necessrias?
Replicao vs. Rodada
Rodada:
o que ocorre quando selecionamos ou iniciamos o comando que
executa a simulao programada no computador. Uma rodada
pode envolver vrias replicaes.
Replicao:
uma repetio da simulao do modelo, com a mesma
configurao, a mesma durao e com os mesmos parmetros
de entrada, mas com uma semente de gerao dos nmeros
aleatrios diferente.
Observao:
Apesar de os dados e dos parmetros de entrada serem os
mesmos, como os nmeros aleatrios gerados so diferentes,
cada replicao ter uma sada diferente tambm.
Definies sobre tempo
A fim de estimar o tempo de cada
replicao preciso saber as
caractersticas de funcionamento do
sistema real.
Uma praa de pedgio opera 7 x 24 (sete
dias da semana por 24h seguidas)
Uma agencia bancrio atende ao pblico
apenas nos dias teis da semana.
Simulao Terminal vs. No
Terminal
NO TERMINAL:
a simulao no possui um tempo exato para
terminar.
(Ex. simulao de uma usina siderrgica que
opera 24 horas por dia, 7 dias por semana).
TERMINAL:
a simulao roda por um tempo exato e aps
este tempo acaba.
(Ex. simulao de uma loja que abre s 10:00
horas e fecha s 22:00 horas).
1
2
3
4
5
6
1 2 3 4 5 6 7 8 9 10
Lanament os
Mdia Acumulada
dos Lanament os
3,5
Lanamento
Nmero
Obtido
Mdia Acumulada
1 1 1/1=1,0
2 1 (1+1)/2=1,0
3 4 (1+1+4)/3=2,0
4 6 (1+1+4+6)/4=3,0
5 6 3,6
6 5 3,8
7 2 3,6
8 1 3,5
9 2 3,3
10 1 3,1
Regime Permanente x Transitrio
Regime Permanente x Transitrio
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
6,0
0 20 40 60 80 100 120 140
Lanament os
Mdia Acumulada
dos Lanament os
Regime Transitrio Regime Permanente
Definir tempo de warm up
0
2
4
6
8
10
12
14
16
18
20
0 50 100 150 200 250 300 350 400 450 500
Tempo de Simulao (min)
Tempo de
Ciclo (min)
Replicao 1
Replicao 2
Replicao 3
Replicao 4
Replicao 5
Mdia
Regime Permanente x Transitrio
Tcnicas para diminuir o efeito do Regime
Transitrio:
Simular por um perodo muito longo de modo que o
nmero de amostras em regime transitrio seja
desprezvel em relao ao nmero de amostras em
regime permanente (jogar mais vezes o dado);
Iniciar o sistema j em um estado dentro do regime
permanente, o que equivale, no exemplo do dado, a
considerar a mdia inicial igual a 3,5.
Eliminar o perodo transitrio atravs de alguma
tcnica apropriada(definindo um warm up, por
exemplo);
Nmero de replicaes
Qual critrio usar para definir o nmero de
replicaes em uma rodada de
simulao?
Depende da preciso que se quer dos
resultados.
Replicao
Mdia de Pessoas em
Fila
1 6,72
2 2,00
3 0,38
4 1,28
5 0,46
6 0,19
7 0,14
8 1,30
9 0,12
10 2,85
Mdia de 10
replicaes
1,54
Desvio Padro 2,03
Primeira replicao: 6,72
pessoas em mdia na fila
Ex.: fila em um posto bancrio
Pode-se CONFIAR nesses resultados?
Confiabilidade dos resultados
dcima replicao: 2,85
pessoas em mdia na fila
Definies
Intervalo de Confiana: intervalo de valores que
contm a mdia da populao, com uma
certa probabilidade (confiana estatstica)
Confiana: probabilidade de que o intervalo
de confiana contenha a mdia. Valores
usuais: 99%, 95% e 90%.
Exemplo: pesquisa Viracopos
1
2
3
4
5
U
t
il
i
d
a
d
e
d
o
s
i
s
t
e
m
a
i
n
f
o
r
m
a
t
i
z
a
d
o
p
a
r
a
a
g
e
s
.
.
.
P
o
s
s
i
b
i
l
i
d
a
d
e
d
e
a
c
e
s
s
o
s
i
n
f
o
r
m
a
e
s
d
a
c
.
.
.
A
m
i
g
a
b
i
l
i
d
a
d
e
p
a
r
a
a
c
e
s
s
a
r
a
s
i
n
f
o
r
m
a
e
s
d
.
.
.
I
n
t
e
r
a
o
d
o
s
o
f
t
w
a
r
e
d
e
g
e
s
t
o
d
o
t
e
r
m
i
n
a
l
.
.
U
s
o
d
e
s
i
s
t
e
m
a
s
a
u
t
o
m
t
i
c
o
s
d
e
a
q
u
i
s
i
o
d
e
.
.
.
T
r
o
c
a
d
e
i
n
f
o
r
m
a
e
s
e
l
e
t
r
o
n
i
c
a
m
e
n
t
e
(
E
D
I
)
e
.
.
.
Percebido Experado
Intervalo de Confiana da Mdia
Populacional
A partir de uma populao de origem, com
sua mdia e desvio padro, podem ser
obtidas vrias amostras,
cada qual com sua mdia e desvio padro, e,
a partir da, obtm-se uma populao de mdias
amostrais com sua mdia e desvio padro.
Ou seja:
Se retiro vrias amostras e calculo
suas mdias,
Acabo por construir uma populao de
mdias das amostras
Intervalo de Confiana da Mdia
Populacional
x
|
.
|
\
|
2
*
*
h
h
n = n
Exemplo: nmero de replicaes
Considere-se que foram realizadas 20 replicaes de
um modelo de simulao. Para essa amostra piloto, a
preciso obtida foi de 0,95 minutos para a mdia do
tempo em fila. Qual o nmero de replicaes
necessrias caso necessite-se de uma preciso de
0,5 minutos?
Neste caso, n=20, h=0,95 e h*=0,5:
(
73 72,2
0,5
0,95
20
2
= = = n
(
(
(
(
|
.
|
\
|
Final do segundo bimestre
Vamos provinha...