MODELAGEM E SIMULAÇÃO. Professor: Adriano Benigno Moreira

Transcrição

1 MODELAGEM E SIMULAÇÃO Professor: Adriano Benigno Moreira

2 Variáveis de Estado As variáveis cujos valores determinam o estado de um sistema são conhecidas como variáveis de estado. Quando a execução de um programa de simulação é interrompida, esta só poderá ser retornada a partir do ponto em que foi interrompida se, e somente se, forem conhecidos os valores de todas as variáveis de estado, no exato momento da interrupção as variáveis de estado constituem o conjunto de informações necessárias à compreensão do que está ocorrendo no sistema (ou no modelo representando esse sistema) num determinado instante de tempo, com relação aos objetos de estudo. A determinação dessas variáveis é função do propósito de estudo. Variáveis de estado definidas numa determinada investigação de um sistema podem ser completamente diferentes daquelas definidas em outros estudo sobre o mesmo sistema, Exemplo: Na fábrica: O número de peças esperando para serem processadas na máquina (fila da máquina) ou, ainda, o estado da máquina, isto é, ocupada ou livre No banco o número de clientes esperando na fila do caixa

3 Evento Eventos são acontecimentos, ocorrências, programadas ou não, os quais, quando ocorrem, provocam uma mudança de estado em um sistema. Toda mudança de estado é provocada pela ocorrência de eventos. Em outras palavras, sempre que ocorre um evento, pelo menos uma variável de estado se altera. Uma chegada: de peças, de clientes ou de tarefas, respectivamente, em cada um dos sistemas; Um início de processamento: pela máquina, pelo caixa ou pela CPU, respectivamente, em cada um dos sistemas: Uma saída de peças, clientes ou tarefas, respectivamente, em cada um dos sistemas.

4 Entidades e Atributos Em se tratando de modelagem e simulação de sistemas, uma entidade representa um objeto que necessita de uma clara e explícita definição. Ela pode ser dinâmica, movendo-se através do sistema, ou estática, servindo a outras entidades. Exemplo de entidades dinâmicas para os sistemas exemplificados poderiam ser: as peças (que se movem pela fábrica), os clientes chegando e saindo da fila do caixa no supermercado ou as tarefas que chegam e saem da CPU depois de processadas. Já entidades estáticas podem ser, por exemplo, a máquina, o caixa e a CPU. As características próprias das entidades, isto é, aquelas que as definem totalmente, são chamadas de atributos. Entidades semelhantes possuem os mesmos atributos. Os valores dos atributos é que as diferenciam entre si. Dessa forma, pode-se, por exemplo, caracterizar ou dar o nome de peça, a toda entidade que é processada em uma determinada máquina de um sistema de manufatura. Se essas peças (entidades) forem diferentes entre si e as investigações sobre o sistema requererem respostas que considerem tais diferenças, um simples atributo com um código, um número ou tipo, por exemplo, as tornarão explicitamente individualizadas. Os resultados poderão ser apresentados pelo código, pelo número ou pelo tipo das peças. O mesmo poder ocorrer com as entidades clientes ou tarefas dos dois outros sistemas exemplificados.

5 Entidades e Atributos Importante Um atributo pode ser o tempo de entrada de uma peça na linha de produção para encontrar o tempo médio. O tempo no sistema da peça que está saindo. Usando a informação contida no atributo TCS (Tempo de Chegada no sistema), realiza uma operação de subtração, isto é, o tempo da saída da peça menos o tempo de sua chegada, registrado no TCS. Atualiza um contador de peças que deixam o sistema Acumula numa variável o tempo no sistema da peça que está saindo. Calcula o tempo médio de todas as peças que já passaram pelo sistema, dividindo a variável do passo três pelo acumulador do passo dois.

6 Recursos e Filas de Recursos Um recurso é considerado uma entidade estática que fornece serviços às entidades dinâmicas. Um recurso pode ter a capacidade de servir uma ou mais entidades dinâmica ao mesmo tempo, operando como um servidor paralelo. É possível que uma entidade dinâmica opere com mais de uma unidade do recurso ao mesmo tempo ou com diferentes recursos simultaneamente. Se uma entidade dinâmica não puder se apoderar de um recurso solicitado, ela deverá aguardar por ele em uma fila. A política de tratamento de filas mais comum é o FIFO (sigla em inglês para First In,First Out), onde o primeiro a chegar à fila será o primeiro a ser atendido pelo recurso. Outras formas de gerenciamento podem ser adotadas. Não havendo disponibilidade de espaço na fila, essa entidade poderá tomar o destino de outro recurso, a entidade dinâmica o reterá por um tempo (o qual se costuma chamar de tempo de processamento ou serviço) liberando-o a seguir. Um recurso pode ter vários estados. Os mais comuns: são ocupado livre. Outros podem ser definidos, tais como bloqueado, falhado, indisponível, etc

7 Atividades e Período de Espera Em simulação diz-se que uma atividade corresponde a um período de tempo predeterminado. Logo, uma vez iniciada, seu final pode ser programado. A duração de uma atividade, no entanto, não é, necessário, uma constante. Poderá ser o resultado de uma expressão matemática, um valor aleatório com base em uma distribuição de probabilidade, ser fornecida a partir da leitura em algum arquivo ou fonte externa ou até mesmo ser dependente do estado do sistema. Por exemplo, o tempo necessário a um serviço poderá ser de 5 min para cada entidade ou de 5 min para a entidade A e de 8min para a entidade B. Poderá ser aleatório, de acordo com uma distribuição de probabilidade Normal, com média de 10 min e desviopadrão de 1 min. Poderá ainda ser dependente do tempo de simulação. Por exemplo, 5 min, se o tempo de simulação se encontar em 0 e 120 min. e de 3 min se o temo de simulação for maior que 120 min. Outra hipótese é que o tempo de serviço dependa do tamanho da fila diante de um servidor. Se a fila for grande, mais que cinco entidades, por exemplo, o servidor é levado a agir mais rápido, com média 3 min por entidade. Se, no entanto, o número de entidades na fila for pequeno (menos de cinco) ele relaxa e passa a atender com média 4 min por entidade.

8 Atividade e Período de Espera Ao contrário de uma atividade, uma espera é um período de tempo sobre o qual, em geral, não se tem controle se o modelo contiver variáveis aleatórias. Uma vez iniciada, não se pode programar seu fim. Um caso típico é a espera causada por eventos inesperados. Por exemplo, uma entidade entra em uma fila de espera por um curso de tempo. O tempo que a mesma ficará retida na fila dependerá da soma dos tempos de processamento das outras entidades que se encontram na fila ou em processo. Se a forma de gerenciamento da fila for FIFO e os tempos determinísticos, pode-se calcular essa espera. Do contrário, com tempos aleatórios, só se poderá estimar esse tempo. Se outra forma de gerenciamento for adotada, com base, por exemplo em um atributo de prioridade, um evento inesperado, como a chegada na fila de uma entidade com maior prioridade, torna tal controle quase impossível. Outro caso de um evento inesperado seria a indisponibilidade, por tempo indeterminado, de um recurso devido a quebra de mesmo. Todo início e final de uma atividade ou período de espera são causados por um evento (mudança de estado).

9 Tempo (Real) Simulado e Tempo de Simulação Um cuidado necessário por parte de que está modelando um sistema diz respeito à relação entre o tempo (do sistema real) simulado e o tempo de simulação (tempo necessário à execução de um experimento no computador). Para certos sistemas, o tempo de simulação pode ser muito maior que o tempo simulado. Por exemplo, na simulação de um modelo de uma rede de computadores, as unidades de tempo admitidas para os eventos podem ser de ordem de milisegundos. Se, no modelo, o número de entidades e o número de processos a que estas devem ser submetidas for grande (milhares de pacotes sendo roteados, por exemplo), o tempo de CPU devotado a esse processamento poderá ser razoável (dependendo da capacidade da CPU). Dessa forma, para simular, digamos 15 segundos de funcionamento desse sistema, é possível que gastem dezenas de minutos de tempo de um computador. Por outro lado, em um terminal portuário. Os eventos associados a esse tipo de sistema podem ser contabilizados até mesmo na ordem de dias ou semanas, como por exemplo, o período da chegada de navios.

10 Classificação dos Sistemas para Modelagem e Simulação Para o propósito de modelar e simular sistemas, estes podem, de maneira geral, ser classificados como: estáticos ou dinâmicos, contínuos ou discretos ou ainda, como determinísticos ou aleatórios. Iremos no embasar no processo dinâmico, aleatórios e discretos. SISTEMAS Os sistemas que serão aqui referidos, estudados, modelados e simulado, reais ou projetados, são classificados como dinâmicos, uma vez que as variáveis de estado que o representam se modificam na medida em que o tempo evolui. Não são determinísticos, mas aleatórios, pois os possíveis estados das variáveis podem ser descritos, mas não predeterminados. E, finalmente, são também, classificados como discretos, pois as mudanças de estado em pontos discretos no tempo e não de forma continua. ESTÁTICOS DETERMINISTICOS DINÂMICOS ALEATÓRIOS A caracterização de um modelo é dada em função da maneira com que ocorrem as mudanças nas variáveis de estados do sistema. Em outras palavras, é possível classificar um sistema, como contínuo ou discreto, dependendo da maneira com que o mesmo foi modelado. Logo, classifica-se o modelo (e não o sistema) com base nas variáveis necessárias ao acompanhamento do estado do sistema. CONTÍNUOS DISCRETOS

11 Modelos de mudança discreta ou modelos discretos: Nos modelos assim classificados, as variáveis de estado mantêm-se inalteradas ao longo de intervalos de tempo e mudam seus valores somente em pontos bem definidos, também conhecidos como tempo de ocorrência do evento. Convém salientar que a variação do tempo, nesses modelos, pode ser tanto discreta como contínua. Se as variáveis que dependem do tempo podem assumir qualquer valor ao longo do tempo, a variação poderá ser contínua, caso contrário, somente no pontos permitidos. Nº de jobs na fila da CPU Tempo Simulado

12 Modelos de mudança contínua ou modelos contínuos Nesses modelos, as variáveis de estado podem variar continuamente ao logo do tempo. Por exemplo, imagine um modelo que descreva um sistema composto de uma caixa d agua com um tampão em sua base. Como variáveis de estado, podese utilizar o seu volume ou o seu nível de água. As simulações realizadas teriam início no momento em que o tampão fosse aberto e a água contida começasse a escoar. Intuitivamente, pode-se imaginar que qualquer das duas variáveis de estado estará variando continuamente ao longo do tempo simulado Nível da água Tempo Simulação

13 Modelos contínuos e discretos Alguns modelos contínuos podem ser discretizados, isto é, tratados como modelos discretos, após algumas suposições realizadas sobre as variáveis de estado. Há também a possibilidade da modelagem mista nas quais variáveis dependentes do tempo podem variar ora de maneira continua ora discretamente ao longo do tempo. Além da classificação dos modelos como discretos, contínuos ou mistos vistos anteriormente, cujo principal propósito é a adequação entre as características físicas do modelo ao tipo de sistema, outras classificações podem ser empregadas. Nesse caso, os modelos são classificados de acordo com seu propósito e tipo de processo decisório envolvido.

14 Tipos de Modelos Modelos voltados à previsão: a simulação pode ser usada para prever o estado de um sistema em alguns ponto no futuro, baseado nas suposições sobre seu comportamento atual e de como continuará se comportando ao longo do tempo. Modelos de previsão do clima e modelos de previsão de demanda são exemplos clássicos. Modelos voltados à investigação: alguns tipos de estudos baseados em simulação estão voltados à busca de informações e ao desenvolvimento de hipóteses sobre o comportamento de sistemas. Como visto anteriormente, nem sempre é verdade que os objetivos dos estudos estejam claros e bem definidos ao início dos estudos. Nesse caso as variáveis de resposta servem, muito mais, para construir e organizar as informações sobre a natureza do fenômeno ou sistema sob estudo. Os experimentos recaem sobre as reações do sistema (modelo) a estímulos normais e anormais. Exemplo desse tipo de aplicação encontram-se na indústria química (busca de novos compostos). Na industria farmacêutica (novos remédios), na indústria automotiva (novas estruturas visando segurança de veículos). Modelos voltados para à comparação: uma comparação de diferentes rodadas de simulação pode ser usada para avaliar o efeito de mudanças nas variáveis de controle. Os efeitos podem ser medidos sobre as variáveis de resposta e relacionados aos objetivos traçados, se estes forem bem específicos. Esse tipo de aplicação da simulação está entre os mais populares. Na industria em geral, é comum a busca por melhores soluções de layout ou a determinação do melhor tamanho de lote de fábrica. Em sistemas logísticos, considere, por exemplo, em um terminal portuário as opções de tamanho de tanques de armazenamento e frotas de caminhões transportadores, visando à minimização da espera dos navios para a atracação e descarregamento. Dentro da classificação dos modelos com vistas ao propósito de sua aplicação, esse podem ser ainda subdivididos em modelos únicos e específicos (de curta utilização) ou modelos genéricos (longa utilização).

15 Tipos de Modelos Modelos específicos: Até o início dos anos 90, o desenvolvimento e o uso de modelos, visando à obtenção de informações quantitativas auxiliares à tomada de decisão, eram exclusivos de processos que envolvessem, pelo menos, algumas centenas de milhares de dólares. No entanto, em algumas áreas, tais como serviços e manufatura, o crescimento de seu emprego é notável. Suas aplicações: Quando e qual tipo de equipamento novo deve ser comprado; Quando e como reorganizar os recursos voltados ao atendimento de clientes. Filas de atendimento em bancos, hospitais, supermercados, etc. Decidir sobre a alocação de determinado tipo de equipamento servindo uma ou outra linha de produção Decidir sobre qual poder de processamento necessário a um servidor de rede de comunicação de acordo com diferentes tipos de cargas ao sistema. Depende quase exclusivamente, de que tal atitude seja factível, isto é, desejam um envolvimento com que os está desenvolvendo (se diferentes pessoas decidem e constroem modelos na organização) e, sobretudo, desejam modelos que apresentem credibilidade. Os dados envolvidos com modelos específicos devem ser confiáveis. Na maioria das vezes seu emprego será único. Modelos genéricos: em algumas organizações existe a necessidade de se desenvolver modelos os quais são usados periodicamente por longos períodos. Eis alguns exemplos; Decisões sobre aplicações orçamentárias, baseadas em desenvolvimento e projeção simuladas do futuro; Gerenciamento do tráfego sobre uma área em particular. Com o aumento da densidade populacional em determinadas áreas, existe a necessidade de novos estudos sobre a implantação de novos semáforos, planejamento de trabalhos sobre a rodovia, planejamento de tráfego, etc.; Necessitam ser flexíveis e robustos a mudanças nos dados de entrada, mudanças e processos por eles contemplados. Exigem uma clara necessidade por dados recentes e confiáveis. Em geral esse tio de modelo é parte de um conjunto de outros sistemas voltados à aquisição de dados e a atividades de provisão de informações conhecidos como Sistema de Apoio à Decisão (SAD).

16 Processo Experimental com Modelos de Simulação O modelo é utilizado muitas vezes em procedimentos do tipo tentativa e erro, procurando mostrar os efeitos das várias políticas operacionais e de gerenciamento. Aqueles que apresentem os melhores resultados podem, então, ser empregados no sistema real. Em alguns casos envolve técnicas de estatística experimental, principalmente quando os diferentes efeitos sobre o comportamento do modelo/sistema são resultantes da combinação das diferentes políticas Entradas (Dados) Sistema do Mundo Real Modelo de Simulação Saídas (Respostas) A modelagem de um sistema dependerá, fundamentalmente, do propósito e da complexidade do sistema sob investigação. São vários os tipos de modelos que podem ser empregados, tais como matemáticos, descritivos, estatísticos, e ainda, do tipo entrada-saída (caixa-preta).

17 Exemplo Posto de limpeza de automóveis. Informações: Dependendo do dia da semana e da hora escolhida, é possível que, ao chegar ao posto, um cliente encontre o mesmo ocupado. Prevendo tal situação, o proprietário criou um área de espera na qual os clientes podem aguardar (por ordem de chegada) pelo momento de serem atendidos. Área de Espera Imagine que o proprietário, zeloso de seu negócio, anda considerando a possibilidade de melhorar o atendimento e evidentemente, os ganhos que potencialmente o posto de serviço oferece. Ele reconhece, no entanto, certos receio de investir sem uma análise mais detalhada da situação e de uma melhor avaliação do desempenho do negócio se novos investimentos forem realizados.

18 Exemplo Algumas duvidas apontadas por ele. Será que a área de espera disponível (no momento para no máximo quatro automóveis) é suficiente para acomodar a clientela do sábado pela manhã (período de maior movimento) ou estou perdendo clientes por falta de espaço? Será que o serviços estão sendo prestados em tempo aceitável, de tal forma que os clientes não fiquem muito tempo no sistema? Será que é necessário contratar um operador auxiliar, para esse período de alta demanda?

19 Exemplo Porem é importante que se responda duas perguntas: Com que frequência ocorre a chegada de carros para serem servidos? Qual o tempo necessário para completar o serviço? Informações do proprietário sobre as manhãs de sábado: chegam mais ou menos a cada 10 min. tempo de atendimento é de aproximadamente 15 min.. No entanto (segue afirmando) as vezes é ao contrário. O operador leva cerca de 10 min. para lavar e os carros demoram mais para chegar. Considere os seguintes comportamentos do sistema: A frequência com que se observam chegadas de automóveis no sistema é maior do que a frequência de observações de saídas de automóveis, uma vez que o tempo de atendimento ( 15 min.) é maior que o intervalo entre chegadas de carros ( 10 min.). Observando-se um sistema com este comportamento por um período razoável, por duas horas por exemplo, com toda certeza a área de espera disponível não seria suficiente para a fila que seria formada. A segunda observação do proprietário ( as vezes é ao contrário ), levaria a uma situação totalmente diferente. Neste caso, o sistema apresentaria folgas, isto é, a área de espera não seria necessária.

20 Exemplo - Como Tratar e Analisar o Problema Sistema de fila simples, três alternativas de tratamento: tratamento por emprego de bom senso e um pouco de adivinhação, o qual batizaremos de achometria ou chute; tratamento analítico, empregando-se, por exemplo, teoria das filas; tratamento por meio de modelagem e simulação.

21 Exemplo Utilizando achometria, ou chute Bom senso + imaginação para adivinhar o futuro Embora desaconselhável, esta é uma das técnicas de apoio a decisão mais utilizadas (a mais econômica?). Vejamos até aonde seus resultados podem auxiliar o decisor. Dados: Frequência com que os automóveis chegam ao posto; Tempo necessário para efetuar os serviços. Situação TEC - Tempo entre Chegadas TS - Tempo de Serviço A 10 min 15 min B 10 min 10 min

22 Exemplo Utilizando achometria, ou chute Situação TEC - Tempo entre Chegadas TS - Tempo de Serviço A 10 min 15 min B 10 min 10 min Na situação A: os automóveis chegam mais rápidos do que podem ser servidos; alta a possibilidade de ocorrerem congestionamentos. Assim, considerando este possível cenário, as decisões poderiam ser, por exemplo: aumentar a área de espera (alugando um terreno vizinho, por exemplo); contratar mais um empregado e comprar mais um elevador hidráulico; ambas as medidas acima. Situação B: o sistema apresenta uma certa folga (tempo de atendimento é menor do que os tempos decorridos entre as chegadas; raramente ocorrerão filas de espera. Neste caso, a decisão do proprietário seria não tomar nenhuma medida.

23 Exemplo Conclusões Utilizando achometria, ou chute Como decorrência destas possíveis situações, poucas informações adicionais podem ser obtidas. Claramente, adotar uma ou mais ações com base nos resultados deste processo de achometria, poderá conduzir a resultados nada compensadores. A verdade neste caso deve, provavelmente, se encontrar entre estes dois extremos. Um problema do emprego desta técnica, é a considerável falta de elementos para o exercício da previsão e da avaliação. Com o emprego de técnicas mais apuradas, é possível construir modelos que permitem a análise de desempenho do sistema e de suas possíveis alternativas, diante de diversos cenários.

24 Exemplo Emprego da Teoria das Filas Modelagem Analítica A abordagem matemática de filas se iniciou no principio do Século XX (1908) em Copenhague, Dinamarca, com A.K. Erlang, considerado o pai da Teoria das Filas, quando trabalhava em uma companhia telefônica estudando o problema de redimensionamento de centrais telefônicas. Foi somente a partir da segunda guerra mundial que a teoria foi aplicada a outros problemas de filas. Apesar do enorme progresso alcançado pela teoria, inúmeros problemas não são adequadamente resolvidos por causa de complexidades matemáticas. Conjunto de fórmulas matemáticas, as quais permitem calcular a maioria das respostas desejadas pelo proprietário, tais como: Dados: tempo médio dos serviços, tamanho médio da fila na área de espera, tempo médio de espera, proporção de ocupação do operador, etc.. É preciso estimar valores para a o tempo médio entre duas chegadas de automóveis no sistema e para o tempo médio de uma lavação/limpeza. Tais informações podem ser obtidas de duas possíveis fontes: das estimativas do proprietário; amostragem realizada no sistema.

25 Exemplo Emprego da Teoria das Filas Modelagem Analítica No caso do exemplo, este será considerado como um sistema do Tipo M/M/1 É o mais simples e popular, pressupondo que tanto o tempo decorrido entre as chegadas dos clientes no sistema quanto o tempo relativo aos serviços executados seja independentes uns dos outros e distribuídos segundo uma distribuição exponencial (processo Markoviano; M/M) O algarismo 1 indica um único servidor M/M/1, isto é, aquele em que tanto as chegadas quanto o atendimento são marcovianos (o que é o mesmo que dizer que seguem a Distribuição de Poisson ou a Exponencial Negativa) e em que temos um único atendimento. O sistema mais usual e M/M/1. Conforme apresentado na figura abaixo. Nela o retângulo tracejado representa o sistema que está sendo analisado, ao qual chegam clientes que recebem algum atendimento e, então, desocupam o sistema.

26 Exemplo Emprego da Teoria das Filas Modelagem Analítica Nesse sistema de filas, pressupõe-se que tanto a variável aleatória associada ao tempo entre chegadas de clientes (automóveis) no sistema quanto aquela relativa aos tempos dos serviços executados estejam de acordo com um processo de Poisson. Nesse caso considera-se que esses tempos sejam independentes uns dos outros e distribuídos segundo uma distribuição exponencial. Diz-se que tal distribuição não tem memória, com o passado não influenciando o comportamento futuro. Para complementar as informações sobre a notação, o algarismo 1 do modelo indica a existência de um único servidor. Número Médio de Carros no Sistema Tempo Médio Despendido no Sistema Taxa Média de Ocupação do Servidor Nas expressões apresentadas, representa a taxa de chegadas, isto é, o número de carros que chegam ao sistema durante um período de tempo determinado, por exemplo, cinco carros por hora. O símbolo representa a taxa de serviço. Esta é também expressa em termos de unidades servidas por período de tempo. Por exemplo, seis carros por hora. As fórmulas são válidas para estimativas do comportamento do sistema considerando longas observações do mesmo e para situações em que <, pois caso contrário a fila não para de crescer e o sistema torna-se totalmente instável

27 Exemplo Emprego da Teoria das Filas Modelagem Analítica Situação TEC - Tempo entre Chegadas TS - Tempo de Serviço A 10 min 15 min B 10 min 10 min Na situação A os dados informam que em média chegam aos sistema seis carros a cada hora, isso é, = 6. Quanto à taxa de atendimento, o valor adotado é de quatro a cada hora, com > a tendência nesse caso é de uma instabilidade total do sistema, com filas de carros crescendo sem parar. Analisando o comportamento do posto no cenários B, o tempo de chegadas é maior ou igual a 10 min. e que o tempo de serviço é de é de ±10 min. Analisando o comportamento do posto em outros cenários assumem-se diferentes valores para o primeiro parâmetro (10, 12 e 15 min.) com a fixação do segundo em 10 min. Dessa forma, com assumindo os valores 6(60 min/10 min) 5 e 4 carros por hora, respectivamente, e = 6 carros por hora, obtém-se as respostas apresentadas abaixo L W - 1 0,5 1 0,833 0,666

28 Exemplo Emprego de Modelagem e Simulação Para a construção da tabela de simulação empregam-se os mesmos elementos (variáveis parâmetros) disponíveis e utilizados pelas duas abordagens anteriores. De forma semelhante, a situação A não será considerada, uma vez que é evidente que o sistema não pode funcionar a contento sob aquelas condições. Já a situação B, serão empregados valores semelhantes aos utilizados no modelo de teoria das filas. A maior diferença entre as duas abordagens fica por conta de uma sofisticação a mais: o uso de valores não determinísticos, tanto para os tempos entre chegadas (TEC), quanto para os tempos de serviços (TS). No modelo anterior (teoria de filas) foram empregados diferentes valores para TEC. Porém os valores médios permanecem fixos. Já no caso da simulação, faz-se uma aproximação maior com a realidade. A variável TEC assumirá os valores de 10,12 e 15 min, mas de forma aleatória como num sistema real, onde o tempo entre chegadas não é sempre 10, 12 ou 15 min. Assume-se que esta variável pode apresentar esses três possíveis valores com as mesmas probabilidades, isto é 1/3 para cada alternativa. Da mesma forma com o tempo de serviço também poderá, randomicamente, assumir os valores, 9, 10 e 11 min. Também com a probabilidade de 1/3 para cada uma deles TEC TS Tempos (min) Probabilidaes 1/3 1/3 1/3 1/3 1/3 1/3

29 Exemplo Emprego de Modelagem e Simulação As possibilidades definidas pela tabela anterior devem estar inseridas no modelo de simulação que será construído. A tabela deve ser feia de tal maneira que, ao final da simulação manual seja possível dela extrair elementos (estatísticas) que permitam responder as questões básicas formuladas pelo proprietário do posto. O tamanho da área de espera disponível (para no máximo quatro automóveis). Os tempos de realização dos serviços; A necessidade de contratar um operador auxiliar;

30 Exemplo Emprego de Modelagem e Simulação As respostas para tais indagações exigem que as seguintes estatística seja calculadas. Número máximo de carros esperando na fila; Tempo despendido pelos clientes no sistema; Taxa de ocupação do operador O calculo dessas estatísticas exige que os seguintes dados devam ser levantados: Para o calculo do número máximo de carros esperando na fila, um constante monitoramento da área de espera será realizado ao longo da simulação; Par a o calculo do tempo de um cliente no sistema faz necessário: Guardar o tempo de entrada; Guardar o tempo de saída; Guardar o resultado da subtração tempo de saída tempo de entrada. Por exemplo: se um carro chega as 10h00min e sai do posto às 10h25min, faz-se (10h00min 10h25min = 25min). O tempo de 25 min é armazenado como tempo do cliente no sistema.

31 Exemplo Emprego de Modelagem e Simulação Uma lista com os tempos de todos os clientes que passam pelo sistema durante a simulação permitirá, posteriormente, a verificação de que despendeu o menor tempo no sistema, o maior tempo no sistema, o tempo médio a variância, etc.; Para calcular a taxa de ocupação do operador, é necessário verificar que parcela do tempo de operação do sistema(tempo simulado) este se encontra ocupado ou livre. Acumulam-se todos os períodos de tempo em que o operador está no estado livre. Ao final faz-se a relação tempo livre/tempo de simulação e se obtém o percentual de tempo livre. Seu complemento será o percentual de ocupação do servidor.

32 Exemplo Emprego de Modelagem e Simulação Cliente Tempo desde a última chegada (minutos) Tempo chegada no relógio Tempo de Serviço Tempo de início do serviço no relógio Tempo do Tempo final cliente na fila do serviço no (minutos) relógio Tempo do cliente no sistema (minutos) tempo livre do operador (minutos)

33 Exemplo Emprego de Modelagem e Simulação - Resultados Tempo médio de espera na fila = tempos de espera na fila Número total de clientes ,13 min. Probabilid ade de um cliente esperar na fila = Numero de clientes que esperaram Numero total de clientes ,13 Probabilid ade do operador livre = tempo livre do operadordo r Tempo total de simulação ,202 Como o operador pode se encontrar em duas possíveis situações, livre ou ocupado (outras situações não foram consideradas, como por exemplo de folga ou ausente), a probabilidade dele estar ocupado é dada pelo complemento de 20,2%, isto é, 79,8%.

34 Exemplo Emprego de Modelagem e Simulação - Resultados Tempo médio de servico = Tempode servico Numero total de clientres ,0 min Tempo médio despendido no sistema = tempos no sistema Número de clientes ,13 min.

35 Exemplo Emprego de Modelagem e Simulação - Resultados Em relação as dúvidas do proprietário, as questões dois e três foram respondidas considerando-se algumas das estatísticas acima apresentadas. Em média um cliente permanece em torno de 10 min. no posto; Em média, o operador estará ocupado cerca de 80% de seu tempo; O tempo médio na fila, 0,07 min. e o tempo médio de serviço, 0,10 min.

36 Exemplo Emprego de Modelagem e Simulação - Resultados As revelações mais importantes no entanto não foram propriamente os números e estatísticas reveladas ao final da simulação, mas sim a possibilidade de se observar toda a dinâmica do sistema ao longo da simulação. A eventual formação de fila, a variabilidade associada aos tempos entre chegadas, as diferenças entre os tempos mínimo e máximo no sistema, etc.. Tais possibilidades permitem ao proprietário testar novas estratégias para o funcionamento de seu negócio, incorporando ao modelo detalhes que possam ser considerados importantes, verificando o comportamento do sistema, antes de sua real implementação.

37 Exemplo Emprego de Modelagem e Simulação - Diferentemente da abordagem anterior e, a pedido de uma analista, o proprietário do posto de lavação, com a ajuda deste, realizou um levantamento de dados, cujo propósito é modelar e simular manualmente o comportamento do sistema, mas agora com mais realismo, os dados abaixo se referem ao tempo de chegada 13,6 27,9 1,1 12,3 9,7 12,7 15,3 4,1 13,5 0,7 10,8 29,5 5,8 9,9 6,1 5,5 7,7 17,4 7,7 26,4 15,9 5,9 11,6 2,7 2,9 1,7 4,6 35,5 15,8 17,5 0,6 4 18,1 21,8 3,8 14,6 12,9 8,5 0,4 2,5 33,1 39,8 6,4 1,8 8,3 11,9 4,4 16,2 6,8 0, ,1 16,5 8,5 12,5 1,4 5,6 8,2 0,9 17,9 10,9 24,4 1,02 28,1 2 42,7 29,9 4,9 3,1 8,1 0,4 10,4 8,1 2, ,7 4,8 2,8 4,3 3,4 28,5 28,4 3,02 15,5 17,3 1,6 17,7 1,2 13,4 14,1 14,9 4,3 1,6 0,6 6,9 22,6 10,2 7,3 3,8 10,4

38 Exemplo Emprego de Modelagem e Simulação Resultados Tempo de Chegada Classes Ponto Médio Observações Distribuição de Frequência , , , , , , , , ,

39 Exemplo Emprego de Modelagem e Simulação Resultados Tempo de Serviço Classes Ponto Médio Observaçõe s Distribuição de Frequência 25 9,00 --> 9,55 9, ,55 --> 10,10 9, ,10 --> 10,65 10, ,65 --> 11,20 10, ,20 --> 11,75 11, ,75 --> 12,30 12, ,30 --> 12,85 12, ,85 --> 13,40 13, ,40 --> 13,95 13, Frequência ,00 --> 9,55 9,55 --> 10,10 10,10 --> 10,65 10,65 --> 11,20 11,20 --> 11,75 Classe 11,75 --> 12,30 12,30 --> 12,85 12,85 --> 13,40 13,40 --> 13,95 13,95 --> 14,50 13,95 --> 14,50 14,

40 Exemplo Emprego de Modelagem e Simulação Cliente Tempo desde a última chegada (minutos) Tempo chegada no relógio Tempo de Serviço Tempo de início do serviço no relógio Tempo do cliente na fila (minutos) Tempo final do serviço no relógio Tempo do cliente no sistema (minutos) tempo livre do operador (minutos) 1 17,5 17,5 11,5 17, ,5 17,5 2 7, , ,6 16, ,5 37, ,6 4,1 53,6 16, , ,5 53,6 13,6 65,1 25, ,5 42, ,1 22,6 77,1 34, , ,4 77,1 32,1 87,5 42, ,5 47,5 11,5 87, , , , ,1 27, ,5 102,5 10,4 112,1 9,6 122, , ,5 122,5 2, ,5 152,5 11,5 152, ,5 18, , , ,8 9, ,5 197,5 10,9 199,8 2,3 210,7 13, , ,5 210,7 0,7 222,2 12, ,5 222,5 10,4 222, ,9 10,4 0,3 170,6 145,5 316,1 62,3

41 Exemplo Emprego de Modelagem e Simulação - Resultados Tempo médio de espera na fila = tempos de espera na fila Número total de clientes 145,5 15 9,7 min. Probabilid ade de um cliente esperar na fila = Numero de clientes que esperaram Numero total de clientes ,73 Probabilid ade do operador livre = tempo livre do operadordo r Tempo total de simulação 62,3 232,9 0,27 Como o operador pode se encontrar em duas possíveis situações, livre ou ocupado (outras situações não foram consideradas, como por exemplo de folga ou ausente), a probabilidade dele estar ocupado é dada pelo complemento de 26,0%, isto é, 74,0%.

42 Exemplo Emprego de Modelagem e Simulação - Resultados Tempo médio de servico = Tempo de servico Numero total de clientres 170, ,37 min Tempo médio despendido no sistema = tempos no sistema Número de clientes 316, ,11min.

43 Referência Filho, Paulo José de Freitas - Introdução à Modelagem e Simulação de Sistemas Editora Visual Books CHWIF, Leonardo; Medina Afonso C. Modelagem e Simulação de Eventos Discretos: Teoria e Aplicação 2.ed - Editora Bravarte