6 Sistemas Terminais e Não-Terminais

Tamanho: px
Começar a partir da página:

Download "6 Sistemas Terminais e Não-Terminais"

Transcrição

1 6 Sistemas Terminais e Não-Terminais 1 A fim de poder realizar uma análise mais precisa dos resultados de simulação, é preciso saber classificar o sistema modelado como sendo terminal ou não-terminal. Os sistemas terminais apresentam condições iniciais fixas, que são reinicializadas, a cada rodada de simulação. Em sistemas terminais, tem-se um sistema vazio e totalmente disponível, no início de suas execuções de tarefas, considerando que todos os recursos estão à disposição, e não há nenhuma entidade no sistema. Exemplos: restaurantes, bancos e lojas comerciais Os sistemas não-terminais, não possuem condições inicias fixas, e nem um evento que determina o final de um um processo de simulação. Exemplos: processos industriais, hospitais e serviços 24 horas

2 6 Sistemas Terminais e Não-Terminais 2 Pode não ser uma tarefa simples fazer a classificação de um sistema em terminal ou não-terminal. Uma industria que funciona 8 horas por dia é um caso típico que gera dúvida na classificação, como as atividades são encerradas sempre em um determinado horário e retomadas no outro dia, pode-se pensar em classificá-lo como um sistema terminal, porém algumas tarefas podem ser deixadas pela metade para serem concluídas no dia seguinte, fazendo com que o sistema deva ser considerado não-terminal. Projetos de longa duração podem também causar dúvidas, e serem considerados como não-terminais, mas por terem uma condição inicial bem definida e um término também bem especificado, faz com que tenha que ser classificado como um sistema terminal.

3 6 Sistemas Terminais e Não-Terminais 3 O objetivo de simular sistemas terminais é de verificar o comportamento do sistema em um determinado período com duração fixa. Sendo as condições iniciais e o período de simulação fixos, o único fator que é controlável no modelo é o número de replicações (número de rodadas de execução do modelo de simulação). Se o objetivo é de verificar o tempo decorrido entre a entrada de um cliente em uma agência bancária até o momento de sua saída, após ter sido atendido por um dos caixas, por exemplo, o que se vai verificar é a média dos valores obtidos em cada uma das replicações. E como saber qual é o número ideal de replicações para que essa média tenha uma precisão adequada?

4 6 Sistemas Terminais e Não-Terminais Número de replicações para a determinação da média Supondo que queiramos estimar o desempenho de um sistema baseados no valor médio de alguma variável de controle desse sistema, assumindo um nível de precisão de ± r % e um nível de confiança de 100 (1-a) %. É necessário definir o tamanho ideal da amostra para os valores da média para essa variável, calculando assim o número de replicações necessárias para a obtenção de resultados dentro de um nível de confiança estabelecido. Sabe-se que um intervalo de confiança é obtido por: x ± Z.S n

5 6 Sistemas Terminais e Não-Terminais 5 Para a precisão desejada de r %, temos e o seguinte intervalo de confiança: (x (1 r / 100), x ( 1 + r / 100)), assim: x ± Z.S = x (1 ± r / 100) n Z. S = x. r n 100 n = 100. Z. S r. x 2

6 6 Sistemas Terminais e Não-Terminais 6 Exemplo 1: Obteve-se média amostral de uma variável de controle igual a 20 segundos, em um teste preliminar. O desvio padrão foi de 5 segundos. Qual o número de replicações necessárias para que essa variável tenha precisão de 1 segundo com 95 % de confiança: r = 5 % (1 em 20) S = 5 seg ; x = 20 seg ; Z 0,95 = 1,96 n 5% = [(100 x 1,96 x 5) / (5 x 20)] 2 = (9,8) 2 = 96,04 Arredondando-se para cima: n 5% = 97

7 6 Sistemas Terminais e Não-Terminais Vale lembrar que o nível de significância ou erro (a) do intervalo de confiança, é uma estimativa de que o intervalo de confiança não contenha o valor real do parâmetro observado. Já a precisão do intervalo de confiança é a distância entre o seu ponto central e seus extremos, também chamada de semi-intervalo (h): Por exemplo: suponha um intervalo de confiança encontrado com 98 % de confiança: (100 ; 120) ou x ± 10, com 98 % de confiança Consegue-se observar que a média (x) é igual a 110 (valor central do intervalo de confiança), e a precisão (r) ou semi-intervalo de confiança (h) é 10. O erro ou nível de significância (a) é dado por % = 2 %. 7

8 6 Sistemas Terminais e Não-Terminais 8 Exemplo 2: Encontrar os extremos do intervalo de confiança para a = 5 %, e uma precisão de 5 % para o valor da média amostral, tendo: x = 115,3 e S = 5,7 Z 0,95 = 1,96 ; r = 5 % n 5% = [(100 x 1,96 x 5,7) / (5 x 115,3)] 2 = (1,94) 2 n 5% = 3,75 = 4 É necessário lembrar que os valores de média e desvio padrão amostrais são obtidos a partir de uma amostra piloto de tamanho arbitrário, tamanho esse que para o exemplo 2 era de 10 replicações.

9 6 Sistemas Terminais e Não-Terminais 9 Para encontrarmos a precisão desejada de acordo com o nível de confiança escolhido, é necessário verificar o intervalo de confiança (IC) obtido com os resultados das 4 novas replicações do modelo de simulação. E, se necessário for calcular novamente o tamanho ideal da amostra até que se atinja a precisão desejada. Com os resultados das novas 4 replicações obteve-se o seguinte intervalo de confiança: (109,26 ; 121,34) = x ± 6,04 O semi-intervalo obtido (h = 6,04) é maior do que a precisão desejada (5 % da média = 5,77), assim devemos calcular um novo tamanho de amostra.

10 6 Sistemas Terminais e Não-Terminais 10 Para encontrar a nova estimativa de tamanho da amostra (n*), podemos utilizar a seguinte fórmula: n* = ( n ( h / h* ) 2 ) onde: n* = a nova estimativa para n h = semi-intervalo de confiança obtido h* = semi-intervalo de confiança desejado Dessa forma, para o exemplo anterior temos: n* = (4 ( 6,04 / 5,77 ) 2 ) = 4,38 = ~ 5 Com 5 replicações obteve-se o IC (109,58 ; 120,62), cujo semi-intervalo de confiança (h = 5,52) é menor no que o desejado (h* = 5,77), o que dá condições de aceitar estatisticamente os resultados baseados da confiança e na precisão desejadas.

11 6 Sistemas Terminais e Não-Terminais 11 Quando se faz análise de sistemas não-terminais, deve-se considerar que o modelo pode levar algum tempo para chegar ao estado de sistema em regime normal de funcionamento, para isso é necessário que se faça a remoção da fase transiente do sistema (Warm up period). A maior dificuldade é de saber exatamente quando a fase transiente termina, os métodos mais utilizados para a remoção dessa fase são: 1 Longa simulação; 2 Inicialização apropriada; 3 Truncagem; 4 Observação visual.

12 6 Sistemas Terminais e Não-Terminais 12 1 Longa simulação: A execução de simulações longas podem forçar que os resultados obtidos não sejam influenciados pelas condições iniciais; 2 Inicialização apropriada; Consiste em definir condições iniciais diferentes de vazio para filas e diferente de recursos totalmente disponíveis, assumindo que o sistema já estava em operação quando do início da simulação;

13 6 Sistemas Terminais e Não-Terminais 13 3 Truncagem; É um método que verifica a amplitude entre o maior valor observado em relação a cada um dos valores obtidos, a partir do primeiro, até que essa amplitude se estabilize; 4 Observação visual. É o método mais simples e prático de verificar o término da fase transiente. Consiste na construção de um gráfico que aponta o comportamento da variável, no qual pode-se verificar a sua estabilização.

14 7 Projetos de Experimentos 14 Para a execução de um estudo de avaliação de desempenho, é necessário seguir uma seqüência de passos e decisões para bem analisar os sistema em observação. Os principais passos são: 1 Levantamento das características do sistema a ser avaliado; 2 Escolha da técnica de avaliação de desempenho: - modelagem analítica; - simulação; - medição; 3 Escolha da métrica de desempenho (variável de resposta); 4 Caracterização da carga de trabalho; 5 Obtenção dos dados; 6 Construção e validação do modelo de desempenho (simulação); 7 Escolha do projeto de experimento para o estudo.

15 7 Projetos de Experimentos 15 O objetivo de um projeto de experimento formal é de obter o máximo de informações com um número mínimo de experimentos, a fim de economizar o tempo gasto e fazer a separação dos efeitos que podem afetar o sistema, indicando se algum fator pode influenciar significativamente o desempenho do sistema, ou se as suas variações são causadas apenas por elementos randômicos ou erros não controláveis. Terminologia utilizada: - Variável de resposta: é o resultado de um experimento (tempo de resposta, tempo de reação, throughput, taxa de utilização do recurso, número de entidades na fila, etc.); - Fatores: são variáveis controladas pelo experimentador, com o objetivo de verificar o comportamento do sistema com a variação de seus níveis;

16 7 Projetos de Experimentos 16 - Níveis: são os possíveis valores, que presumidamente os fatores podem assumir; - Replicação: é a repetição de todos ou de alguns experimentos; - Projeto: estratégia formal a ser adotada, em função no número de fatores e níveis que se vai utilizar para a avaliação de desempenho do sistema em observação. Dentre muitas estratégias de projetos de experimento podemos citar: - Bom senso; - Um fator por vez; - Projeto fatorial completo; - Projeto fatorial fracionário; - Projeto fatorial com replicações.

17 7 Projetos de Experimentos Bom senso Quando o experimentador tem grande conhecimento a respeito do sistema a ser avaliado. Por exemplo, um velejador que tem que escolher sua prancha, vela e quilha para poder ter uma boa performance na água. 7.2 Um fator de cada vez Observa-se o comportamento do sistema, alterando apenas um fator, e deixando os outros fixos. Repetindo a variação dos níveis para cada um dos fatores, sem modificar os demais.

18 7 Projetos de Experimentos Projeto fatorial completo É o emprego de todas as combinações possíveis dos níveis de todos os fatores. Por exemplo, se tivéssemos um sistema com 4 fatores, e cada um com dois níveis, teríamos 2 4 = 16 combinações possíveis, sendo que para cada combinação ter-se-ia que realizar pelo menos um ensaio do experimento (simulação). 7.4 Projeto fatorial fracionário Quando o número de fatores e seus respectivos níveis gera uma grande quantidade de combinações possíveis, pode-se descartar algumas dessas combinações, mantendo uma boa qualidade nas observações de experimentos desse tipo.

19 7 Projetos de Experimentos 19 Exemplo: Suponha que se deseja verificar o desempenho de dois velejadores (um novato e outro sênior), utilizando dois tamanhos diferentes de prancha, quilha e vela: Se adotássemos o projeto de experimento fatorial completo teríamos 2 4 = 16 combinações possíveis para esses fatores e níveis, porém com o projeto fatorial fracionário o número de combinações pode ser dado por 2 k-p = = 8 combinações. Onde: 2 é o número de níveis de cada fator; k é o número de fatores; p multiplicado pelo número de níveis dos fatores, resulta no divisor que irá reduzir o número de combinações do projeto fatorial completo.

20 7 Projetos de Experimentos Projeto Fatorial Completo Prancha Vela Quilha Experiência P P P Novato P P P Sênior P P G Novato P P G Sênior P G P Novato P G P Sênior P G G Novato P G G Sênior G P P Novato G P P Sênior G P G Novato G P G Sênior G G P Novato G G P Sênior G G G Novato G G G Sênior 20

21 7 Projetos de Experimentos 21 Projeto Fatorial Fracionário Prancha Vela Quilha Experiência G P P Novato P G P Novato P P G Novato G G G Novato P P P Sênior G G P Sênior P G G Sênior G P G Sênior

22 7 Projetos de Experimentos Projeto fatorial com replicações Devido à possibilidade de ocorrerem observações diferentes entre um ensaio e outro do experimento, devese procurar realizar mais de uma replicação para cada combinação dos níveis dos fatores, daí então proceder a média dos valores encontrados a fim de reduzir os possíveis erros experimentais que possam haver entre uma rodada de simulação e outra. 7.6 Projeto de Experimento Fatorial 2 k É um projeto fatorial completo em que os k fatores possuem apenas dois níveis.

23 8 Um Exemplo 23 RTPC Troncos Matriz de Comutação Posições de Supervisão Filtros Digitais UMGC Unidade de Resposta Audível (URA) Posições de Atendimento Unidade de Coordenação do Sistema Base de Dados da Companhia

24 8 Um Exemplo 24 Chamadas Entrantes 1560 Troncos 643 PA s 208 Filtros Sinalização 0,5 a 0,8 Seg 90% - 102/121 5% - 101/107 5% Canais de URA Consulta à Base de Dados Encerramento da Ligação

25 00:00 02:20 04:41 07:01 09:21 11:41 14:01 16:21 18:13 20:34 22:54 8 Um Exemplo 25 Chamadas por segundo em um dia Chamadas Chamadas 10 0

26 Chamadas por segundo na HMM 8 Um Exemplo 26 Chamadas Chamadas 16:26 16:36 16:46 16:51 16:56 17:02 16:58 17:08 17:18 17:28

27 8 Um Exemplo 27 TEC = 1 / (chamadas por segundo) TEC 0,12 0,1 0,08 0,06 0,04 0,02 0 TEC 16:26 16:36 16:46 16:51 16:56 17:02 16:58 17:08 17:18 17:28

28 8 Um Exemplo 28 Tempo de Simulação = 4020 segundos (67 min) Tempo Entre Chegadas EXPO (Lambda) Lambda = 0,078, nos primeiros 1200 segundos Lambda = 0,033, entre 1200 e 3120 segundos Lambda = 0,082, entre 3120 e 4020 segundos Tempo de Utilização dos Recursos TRIA (Min, Mod, Máx) Por Exemplo: Filtros (sinalização MFC) - TRIA (0,5; 0,6; 0,8) Ocupação da PA (serviço 102) - TRIA (20, 22, 28)

29 8 Um Exemplo 29 Projeto Experimental Fatorial 2 k (k=4) 16 Cenários / 4 Replicações Fatores Níveis Valor Atual Troncos 1320 (11 EG s) 1800 (15 EG s) 1560 (13 EG s) Filtros 176 (22 DFID s) Canais 900 (5 ERA s) 240 (30 DFID s) 1260 (7 ERA s) 208 (26 DFID s) 1080 (6 ERA s) de URA PA s

30 8 Um Exemplo Resultados: Mín = 42,044 s / Máx = 66,869 s Inseridos no STATISTICA ParetoChart of StandardizedEffects; Variable: TEMPO 2**(4-0) design; MSResidual=,02685 DV: TEMPO p=,05 (4)PAS (1)TRONCOS 277, ,473 1by4-96,0606 2by4 (2)FILTROS 1by2 (3)URA 2by3 3by4 1by3-4, , , , 0, 0, 0, Effect Estimate(AbsoluteValue)

31 8 Um Exemplo 31 Maior n de PA s: menor tempo de resposta Maior n de Troncos: maior tempo de resposta Filtros e Canais de URA dimensionados com folga Deficiência do Projeto de Experimento Fatorial 2 k Linearidade dos efeitos dos fatores Não verifica comportamento quadrático Projeto de Experimento Central Composto Aplicado sobre os fatores mais significativos

32 8 Um Exemplo 32 Projeto de Experimento Central Composto Troncos (520,1800) (640,1900) (760,1800) (470,1560) (640,1560) (810,1560) PA s (520,1320) (760,1320) (640,1220)

33 8 Um Exemplo Resultados: Mín = 42,033 s / Máx = 66,916 s ParetoChart of StandardizedEffects; Variable: TEMPO 2factors, 1Blocks, 40Runs; MSResidual=, DV: TEMPO p=,05 (2)PAS(L) -65,9169 (1)TRONCOS(L) 54, Lby2L -12,8804 PAS(Q) 9, TRONCOS(Q) 2, Effect Estimate(AbsoluteValue)

34 8 Um Exemplo 34 FittedSurface; Variable: TEMPO 2factors, 1Blocks, 40Runs; MSResidual=, DV: TEMPO 42,941 47,231 51,52 5,812 60,102 64,392 68,682 72,973 7,263 81,53 above

35 9 Referências Bibliográficas 35 BARBETTA, Pedro A. Estatística Aplicada às Ciências Sociais. 5. Ed Florianópolis: Ed. da UFSC, COSTA-NETO, Pedro L. O. Estatística. São Paulo: Ed. Edgard Blücher, DRISSEN-SILVA, Marcus V., Avaliação de Desempenho de uma Plataforma de Comutação Telefônica para Serviços Especializados de Atendimento ao Cliente. Dissertação (Mestrado em Ciência da Computação) Curso de Pós-Graduação em Ciência da Computação, Universidade Federal de Santa Catarina Florianópolis. FREITAS F, Paulo J. Introdução à Modelagem e Simulação de Sistemas com Aplicações em Arena. Florianópolis: Ed. Visual Bools Ltda, JAIN, Raj. The Art of Computer Systems Performance Analysis: Techniques for Experimental Design, Measurement, Simulation and Modeling. New York: John Wiley & Sons, MONTGOMERY, Douglas C. Design and Analysis of Experiments. New York: John Wiley & Sons, STEVENSON, William J. Estatística Aplicada à Administração. São Paulo: Ed. Harper & Row do Brasil, 1981.

Simulação Transiente

Simulação Transiente Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação

Leia mais

Modelagem e Simulação Material 02 Projeto de Simulação

Modelagem e Simulação Material 02 Projeto de Simulação Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação

Leia mais

Avaliação de Desempenho em Sistemas de Computação e Comunicação

Avaliação de Desempenho em Sistemas de Computação e Comunicação Avaliação de Desempenho em Sistemas de Computação e Comunicação Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM UFES Objetivos

Leia mais

PLANEJAMENTO EXPERIMENTAL

PLANEJAMENTO EXPERIMENTAL PLANEJAMENTO EXPERIMENTAL Técnicas de Pesquisas Experimentais LUIS HENRIQUE STOCCO MARCIO TENÓRIO SANDRA MARCHI Introdução O Planejamento de Experimentos (Design of Experiments, DoE), técnica utilizada

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

SIMULAÇÃO DO SISTEMA DE ATENDIMENTO DE UMA CAFETERIA UNIVERSITÁRIA: UM ESTUDO DE CASO

SIMULAÇÃO DO SISTEMA DE ATENDIMENTO DE UMA CAFETERIA UNIVERSITÁRIA: UM ESTUDO DE CASO SIMULAÇÃO DO SISTEMA DE ATENDIMENTO DE UMA CAFETERIA UNIVERSITÁRIA: UM ESTUDO DE CASO JOSÉ AIRTON A. DOS SANTOS 1, ANGELA R. BEM 2, CAMILA C. C. DOS REIS 3, EDUARDO A. NAUMANN 4, MATHEUS FERNANDO MORO

Leia mais

Avaliação de Desempenho de Sistemas Lista III

Avaliação de Desempenho de Sistemas Lista III Avaliação de Desempenho de Sistemas Lista III Aleciano Ferreira Lobo Júnior aflj@cin.ufpe.br Ana Carolina Veloso Teixeira acvt@cin.ufpe.br Charles Bezerra Moreira cbm3@cin.ufpe.br Edson Samuel Gonzaga

Leia mais

Mini Curso # 4: Estatística para Bioquímica e Biotecnologia. Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br

Mini Curso # 4: Estatística para Bioquímica e Biotecnologia. Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br Mini Curso # 4: Estatística para Bioquímica e Biotecnologia Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br CONSIDERAÇÕES INICIAIS A competitividade e o alto custo tornam, a cada momento,

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

SIMULAÇÃO APLICADA EM PROJETOS DE LINHAS DE MONTAGEM COM PALLETS RETORNÁVEIS 1

SIMULAÇÃO APLICADA EM PROJETOS DE LINHAS DE MONTAGEM COM PALLETS RETORNÁVEIS 1 SIMULAÇÃO APLICADA EM PROJETOS DE LINHAS DE MONTAGEM COM PALLETS RETORNÁVEIS 1 Leonardo Chwif Sinopse Simulate Tecnologia de Simulação Ltda Travessa R, n o 400, sala 19, Prédio Cietec 05508-900, São Paulo,

Leia mais

SIMULAÇÃO DE ESTRATÉGIAS DE MANUTENÇÃO CORRETIVA E O IMPACTO EM UM SISTEMA PRODUTIVO.

SIMULAÇÃO DE ESTRATÉGIAS DE MANUTENÇÃO CORRETIVA E O IMPACTO EM UM SISTEMA PRODUTIVO. SIMULAÇÃO DE ESTRATÉGIAS DE MANUTENÇÃO CORRETIVA E O IMPACTO EM UM SISTEMA PRODUTIVO. CAMILA RODRIGUES VIEIRA MACHADO (pitagoras) camilarvm@hotmail.com SAMARA LOPES BARBOSA (pitagoras) samaralb@hotmail.com

Leia mais

Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer

Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer Tema DoE Projeto Curso Disciplina Tema Professor Pós-graduação Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer Introdução O DoE Design of Experiments é uma ferramenta

Leia mais

PLANEJAMENTO FATORIAL: UMA FERRAMENTA PODEROSA PARA OS PESQUISADORES

PLANEJAMENTO FATORIAL: UMA FERRAMENTA PODEROSA PARA OS PESQUISADORES PLANEJAMENTO FATORIAL: UMA FERRAMENTA PODEROSA PARA OS PESQUISADORES Mary R. M. Marinho - maryroberta@terra.com.br Universidade Federal de Campina Grande, Departamento de Engenharia Mecânica Av Aprígio

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

Pesquisa experimental

Pesquisa experimental 1 Aula 7 Interação Humano-Computador (com foco em métodos de pesquisa) Prof. Dr. Osvaldo Luiz de Oliveira 2 Pesquisa experimental Wilhelm Wundt (1832-1920), Pai da Psicologia Experimental. Leituras obrigatórias:

Leia mais

Aplicação do Controle Estatístico Multivariado no Processo de Extrusão de Tubos de PVC.

Aplicação do Controle Estatístico Multivariado no Processo de Extrusão de Tubos de PVC. Aplicação do Controle Estatístico Multivariado no Processo de Extrusão de Tubos de PVC. Ítalo L. Fernandes, Lidiane J. Michelini, Danilo M. Santos & Emerson Wruck Universidade Estadual de Goiás UEG, CEP

Leia mais

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA João Cirilo da Silva Neto jcirilo@araxa.cefetmg.br. CEFET-MG-Centro Federal de Educação Tecnológica de Minas Gerais-Campus IV, Araxá Av. Ministro Olavo Drumonnd,

Leia mais

Resumo. 1. Introdução

Resumo. 1. Introdução Resumo. Este trabalho avaliou o desempenho em um ambiente de banco de dados distribuído analisando o tráfego dos dados que tramitam na rede local que abriga os hosts. Para tanto, foram realizadas requisições

Leia mais

CAPÍTULO 9. PROCESSAMENTO DOS DADOS 9.5. ALGARISMOS SIGNIFICATIVOS. =0.01 gcm 3 3.36 Logo o resultado experimental é: = 5.82 g 0.

CAPÍTULO 9. PROCESSAMENTO DOS DADOS 9.5. ALGARISMOS SIGNIFICATIVOS. =0.01 gcm 3 3.36 Logo o resultado experimental é: = 5.82 g 0. CAPÍTULO 9. PROCESSAMENTO DOS DADOS 9.5. ALGARISMOS SIGNIFICATIVOS Logo o resultado experimental é: =(1.732 ± 0.001) gcm 3 O erro relativo do volume (0.1%) é uma ordem de grandeza maior que o erro relativo

Leia mais

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;

Leia mais

Thiago P. Arouca Toledo (UNIFEI) thiagoarouca@hotmail.com Pedro Paulo Balestrassi (UNIFEI) pedro@iem.efei.br

Thiago P. Arouca Toledo (UNIFEI) thiagoarouca@hotmail.com Pedro Paulo Balestrassi (UNIFEI) pedro@iem.efei.br Tuiuiu Papercóptero: Um exemplo didático para a metodologia Seis Sigma na otimização de duas respostas simultâneas utilizando planejamento de experimentos. Thiago P. Arouca Toledo (UNIFEI) thiagoarouca@hotmail.com

Leia mais

Controle estatístico de processo: algumas ferramentas estatísticas. Linda Lee Ho Depto Eng de Produção EPUSP 2009

Controle estatístico de processo: algumas ferramentas estatísticas. Linda Lee Ho Depto Eng de Produção EPUSP 2009 Controle estatístico de processo: algumas ferramentas estatísticas Linda Lee Ho Depto Eng de Produção EPUSP 2009 Controle estatístico de Processo (CEP) Verificar estabilidade processo Coleção de ferramentas

Leia mais

Simulação Estacionária

Simulação Estacionária Tópicos Avançados em Avaliação e Desempenho de Sistemas Simulação Estacionária Aleciano Júnior aflj@cin.ufpe.br Carlos Melo casm3@cin.ufpe.br Charles Bezerra cbm3@cin.ufpe.br Tópicos Introdução; Sistemas,

Leia mais

UTILIZAÇÃO DO SIMULADOR EMSO NO ENSINO DE MODELAGEM E SIMULAÇÃO DE PROCESSOS

UTILIZAÇÃO DO SIMULADOR EMSO NO ENSINO DE MODELAGEM E SIMULAÇÃO DE PROCESSOS UTILIZAÇÃO DO SIMULADOR EMSO NO ENSINO DE MODELAGEM E SIMULAÇÃO DE PROCESSOS Bianca Capucho 1, Domenico Andreatta 1, Mariana Kuster Moro 1, Rayane Bimbato 1, George Simonelli 2 1. Discentes do curso de

Leia mais

)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR

)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR 6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,

Leia mais

DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS)

DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS) 18º Congresso de Iniciação Científica AVALIAÇÃO DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS) Autor(es) MARCO

Leia mais

Introdução a Avaliação de Desempenho

Introdução a Avaliação de Desempenho Introdução a Avaliação de Desempenho Avaliar é pronunciar-se sobre as características de um certo sistema. Dado um sistema real qualquer, uma avaliação deste sistema pode ser caracterizada por toda e qualquer

Leia mais

Cálculo de amostra para monitoria de qualidade em Call Center

Cálculo de amostra para monitoria de qualidade em Call Center Cálculo de amostra para monitoria de qualidade em Call Center Esta metodologia tem como objetivo definir o tamanho mínimo ideal da amostra, garantindo a representatividade da população de chamadas em um

Leia mais

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014 PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método

Leia mais

SIMULAÇÃO DA DINÂMICA OPERACIONAL DE UM PEQUENO RESTAURANTE UNIVERSITÁRIO: UM ESTUDO DE CASO

SIMULAÇÃO DA DINÂMICA OPERACIONAL DE UM PEQUENO RESTAURANTE UNIVERSITÁRIO: UM ESTUDO DE CASO SIMULAÇÃO DA DINÂMICA OPERACIONAL DE UM PEQUENO RESTAURANTE UNIVERSITÁRIO: UM ESTUDO DE CASO Roberta Alves (UTFPR ) robertalvess@hotmail.com Jose Airton Azevedo dos Santos (UTFPR ) airton@utfpr.edu.br

Leia mais

Gerência de Projetos. Aula 07. Prof. Gladimir Ceroni Catarino gladimir@gmail.com

Gerência de Projetos. Aula 07. Prof. Gladimir Ceroni Catarino gladimir@gmail.com Gerência de Projetos Aula 07 Prof. Gladimir Ceroni Catarino gladimir@gmail.com SERVIÇO NACIONAL DE APRENDIZAGEM COMERCIAL FACULDADE DE TECNOLOGIA SENAC PELOTAS Gerenciamento do Tempo o Tempo gasto é tempo

Leia mais

Dimensionamento da capacidade de atendimento da nova portaria industrial norte da CST-Arcelor por simulação

Dimensionamento da capacidade de atendimento da nova portaria industrial norte da CST-Arcelor por simulação Dimensionamento da capacidade de atendimento da nova portaria industrial norte da CST-Arcelor por simulação Bruno Camara Vieira (CST-Arcelor/FAESA) bruno.vieira@arcelor.com.br Daniella G. Barros S. de

Leia mais

JOGOS EMPRESARIAIS Conceitos e Fundamentos

JOGOS EMPRESARIAIS Conceitos e Fundamentos UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL (UFMS) CAMPUS DE BONITO/MS, CURSO DE ADMINISTRAÇÃO JOGOS EMPRESARIAIS Conceitos e Fundamentos Prof. Ana Cristina Trevelin Conceitos Simulação Jogos de Empresa

Leia mais

8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007

8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007 8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007 ANÁLISE DA SIMULAÇÃO DE REFRIGERAÇÃO NO PROCESSO DE INJEÇÃO DE TERMOPLÁSTICOS. Carlos Mauricio Sacchelli*, Christian

Leia mais

CÁLCULO DO TAMANHO DA AMOSTRA PARA UMA PESQUISA ELEITORAL. Raquel Oliveira dos Santos, Luis Felipe Dias Lopes

CÁLCULO DO TAMANHO DA AMOSTRA PARA UMA PESQUISA ELEITORAL. Raquel Oliveira dos Santos, Luis Felipe Dias Lopes CÁLCULO DO TAMANHO DA AMOSTRA PARA UMA PESQUISA ELEITORAL Raquel Oliveira dos Santos, Luis Felipe Dias Lopes Programa de Pós-Graduação em Estatística e Modelagem Quantitativa CCNE UFSM, Santa Maria RS

Leia mais

Classificação: Determinístico

Classificação: Determinístico Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos

Leia mais

Utilização de Software Livre no Controle Estatístico de Processo

Utilização de Software Livre no Controle Estatístico de Processo Utilização de Software Livre no Controle Estatístico de Processo Wagner André dos Santos Conceição (UEM) wasconceicao@bol.com.br Paulo Roberto Paraíso (UEM) paulo@deq.uem.br Mônica Ronobo Coutinho (UNICENTRO)

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

Avaliação de Desempenho de Sistemas. Conceitos Básicos de Sistemas e Modelos

Avaliação de Desempenho de Sistemas. Conceitos Básicos de Sistemas e Modelos Avaliação de Desempenho de Sistemas Conceitos Básicos de Sistemas e Modelos O que é Desempenho? Webster s? The manner in which a mechanism performs. Aurélio: Conjunto de características ou de possibilidades

Leia mais

INSTRUMENTAÇÃO INDUSTRIAL 1. INTRODUÇÃO / DEFINIÇÕES

INSTRUMENTAÇÃO INDUSTRIAL 1. INTRODUÇÃO / DEFINIÇÕES 1 INSTRUMENTAÇÃO INDUSTRIAL 1. INTRODUÇÃO / DEFINIÇÕES 1.1 - Instrumentação Importância Medições experimentais ou de laboratório. Medições em produtos comerciais com outra finalidade principal. 1.2 - Transdutores

Leia mais

Noções de Pesquisa e Amostragem. André C. R. Martins

Noções de Pesquisa e Amostragem. André C. R. Martins Noções de Pesquisa e Amostragem André C. R. Martins 1 Bibliografia Silva, N. N., Amostragem probabilística, EDUSP. Freedman, D., Pisani, R. e Purves, R., Statistics, Norton. Tamhane, A. C., Dunlop, D.

Leia mais

Aula ERROS E TRATAMENTOS DE DADOS

Aula ERROS E TRATAMENTOS DE DADOS ERROS E TRATAMENTOS DE DADOS METAS Apresentar os algarismos significativos e operações que os envolvem; apresentar os conceitos de precisão e exatidão; apresentar os tipos de erros experimentais; apresentar

Leia mais

Estratégia para dentificação dos fatores de maior impacto de aplicações Mapreduce

Estratégia para dentificação dos fatores de maior impacto de aplicações Mapreduce Estratégia para dentificação dos fatores de maior impacto de aplicações Mapreduce Fabiano da Guia Rocha Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso - Campus Cáceres Av. dos Ramires,

Leia mais

Avaliação de Desempenho de Sistemas Discretos

Avaliação de Desempenho de Sistemas Discretos Avaliação de Desempenho de Sistemas Discretos Parte IV: Simulação Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Parte 4 Simulação P A R T E Etapas básicas em um estudo de simulação Geração de números

Leia mais

Reduzindo Custos na Logística

Reduzindo Custos na Logística Reduzindo Custos na Logística 1 Sempre que observo o processo tenho a sensação de estar perdendo muito dinheiro, mas não sei o quanto. Tenho ideia de onde estou perdendo dinheiro mas é impossível ter checar

Leia mais

DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE

DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento

Leia mais

PESAGEM DE PREGOS EM BALANÇA ANALÍTICA

PESAGEM DE PREGOS EM BALANÇA ANALÍTICA ATENÇÃO: Não sou o detentor dos direitos e também não tenho a intenção de violá-los de nenhuma imagem, exemplo prático ou material de terceiros que porventura venham a ser utilizados neste ou em qualquer

Leia mais

1.1 Definições e Conceitos Importantes

1.1 Definições e Conceitos Importantes 1 INTRODUÇÃO À TEORIA DE ERROS Quando procuramos obter resultados através de observações experimentais, devemos ter sempre à mente que nossa observações serão sempre limitadas, no sentido de que jamais

Leia mais

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução a Analise Química - II sem/2012 Profa Ma Auxiliadora - 1 Introdução à Análise Química QUI 094 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução

Leia mais

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS Roosevelt Belchior Lima Neste artigo será apresentada uma proposta de acompanhamento

Leia mais

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 Sumário Parte l 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 2. Entrevistas 5 2.1 Tipos de entrevistas 8 2.2 Preparação e condução

Leia mais

UMA NOVA FORMA DE MODELAR A VARIÂNCIA EM EXPERIMENTOS COM POUCAS REPLICAÇÕES

UMA NOVA FORMA DE MODELAR A VARIÂNCIA EM EXPERIMENTOS COM POUCAS REPLICAÇÕES UMA NOVA FORMA DE MODELAR A VARIÂNCIA EM EXPERIMENTOS COM POUCAS REPLICAÇÕES Pedro Alberto Barbetta Departamento de Informática e de Estatística - UFSC Caixa Postal 476 - Florianópolis - SC, 88.040-900

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

Informações importantes para o dimensionamento do call center

Informações importantes para o dimensionamento do call center Informações importantes para o dimensionamento do call center Informações importantes para dimensionamento do call center Este documento tem por objetivo especificar dados e indicadores mais importantes

Leia mais

METODOLOGIA PARA SIMULAÇÃO DE EVENTOS DISCRETOS

METODOLOGIA PARA SIMULAÇÃO DE EVENTOS DISCRETOS NEAAD METODOLOGIA PARA SIMULAÇÃO DE EVENTOS DISCRETOS Professor Fabiano Leal (INSTITUTO DE ENGENHARIA DE PRODUÇÃO E GESTÃO) INTRODUÇÃO A simulação é o ato de imitar um procedimento real em menor tempo

Leia mais

PROTOCOLO DO 1º PROGRAMA DE ENSAIOS DE PROFICIÊNCIA

PROTOCOLO DO 1º PROGRAMA DE ENSAIOS DE PROFICIÊNCIA PROTOCOLO DO 1º PROGRAMA DE ENSAIOS DE PROFICIÊNCIA PROGRAMA DA COMPARAÇÃO INTERLABORATORIAL DE CALIBRAÇÃO NA AREA DE PRESSÃO FORA DAS INSTALAÇÕES PERMANENTES Rodada 01 Revisão 02 22 de Novembro de 2013

Leia mais

Teorema Central do Limite e Intervalo de Confiança

Teorema Central do Limite e Intervalo de Confiança Probabilidade e Estatística Teorema Central do Limite e Intervalo de Confiança Teorema Central do Limite Teorema Central do Limite Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),

Leia mais

Guia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância.

Guia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância. números e funções Guia do professor Objetivos da unidade 1. Analisar representação gráfica de dados estatísticos; 2. Familiarizar o aluno com gráfico de Box Plot e análise estatística bivariada; 3. Utilizar

Leia mais

Análise e Modelagem de Perda de Pacotes em Redes 802.11 em Ambientes Indoor

Análise e Modelagem de Perda de Pacotes em Redes 802.11 em Ambientes Indoor SBRC 2007 - Sessão de Artigos Curtos II 1117 Análise e Modelagem de Perda de Pacotes em Redes 802.11 em Ambientes Indoor Kleber V. Cardoso 1,José F. de Rezende 1 1 GTA - PEE - COPPE Universidade Federal

Leia mais

GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA

GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA Eduardo Saggioro Garcia Leonardo Salgado Lacerda Rodrigo Arozo Benício Erros de previsão de demanda, atrasos no ressuprimento

Leia mais

ENG09012 - Atividades Complementares em Engenharia de Produção - UFRGS - janeiro de 2004

ENG09012 - Atividades Complementares em Engenharia de Produção - UFRGS - janeiro de 2004 Monitoramento através de controle estatístico do processo do setor de videocodificação no Centro de Tratamento de Cartas (CTC) Empresa Brasileira de Correios e Telégrafos (ECT) Conrado Rodrigues Paganotti

Leia mais

Revisão da Literatura Tema 2. Mestranda: Arléte Kelm Wiesner

Revisão da Literatura Tema 2. Mestranda: Arléte Kelm Wiesner Revisão da Literatura Tema 2 Mestranda: Arléte Kelm Wiesner Sistema Termo utilizado em muitas situações Prado (2014) afirma que: Sistema é uma agregação de objetos que têm alguma interação ou interdependência.

Leia mais

Modelo de simulação de um processo de requisições em um servidor web de alta disponibilidade

Modelo de simulação de um processo de requisições em um servidor web de alta disponibilidade Modelo de simulação de um processo de requisições em um servidor web de alta disponibilidade Tiago de Azevedo Santos tiago@iff.edu.br João José de Assis Rangel joao@ucam-campos.br RESUMO Este trabalho

Leia mais

PLANEJAMENTO - ESCOPO - TEMPO - CUSTO

PLANEJAMENTO - ESCOPO - TEMPO - CUSTO PLANEJAMENTO - ESCOPO - TEMPO - CUSTO PAULO SÉRGIO LORENA Julho/2011 1 Planejamento escopo, tempo e custo PROGRAMA DA DISCIPLINA Apresentação professor Programa da disciplina Avaliação Introdução Processos

Leia mais

TÉCNICAS DE ANÁLISE DE DADOS

TÉCNICAS DE ANÁLISE DE DADOS observação = previsível + aleatória aleatória obedece algum modelo de probabilidade ferramenta: análise de variância identificar fatores, controláveis, que expliquem o fenômeno ou alterem a característica

Leia mais

3DUkPHWURVGH6LPXODomR

3DUkPHWURVGH6LPXODomR $5(1$ 3DUkPHWURVGH6LPXODomR Usados para: Orientar as decisões dentro do modelo; Apresentar na animação resultados parciais; Efetuar cálculos para as estatísticas finais. 5(&85626 )LOD 14QRPHGDILOD : retorna

Leia mais

3DUkPHWURVGH6LPXODomR

3DUkPHWURVGH6LPXODomR $5(1$ 3DUkPHWURVGH6LPXODomR Usados para: Orientar as decisões dentro do modelo; Apresentar na animação resultados parciais; Efetuar cálculos para as estatísticas finais. 5(&85626 )LOD 14QRPHGDILOD : retorna

Leia mais

Aplicação da Simulação Discreta para Melhoria do Gerenciamento de Incidentes de Sistemas de Informação em uma Empresa do Setor de Petróleo e Gás

Aplicação da Simulação Discreta para Melhoria do Gerenciamento de Incidentes de Sistemas de Informação em uma Empresa do Setor de Petróleo e Gás Aplicação da Simulação Discreta para Melhoria do Gerenciamento de Incidentes de Sistemas de Informação em uma Empresa do Setor de Petróleo e Gás Hadriel Toledo Lima hadriellima@gmail.com UFF/PETROBRAS

Leia mais

Estudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada

Estudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos

Leia mais

APLICAÇÃO DA METODOLOGIA DoE UM PROCESSO DE FABRICAÇÃO DE DIAFRAGMAS DE FREIO. (Design of Experiments) EM. Carlos Eduardo GEHLEN Jordão GHELLER

APLICAÇÃO DA METODOLOGIA DoE UM PROCESSO DE FABRICAÇÃO DE DIAFRAGMAS DE FREIO. (Design of Experiments) EM. Carlos Eduardo GEHLEN Jordão GHELLER APLICAÇÃO DA METODOLOGIA DoE (Design of Experiments) EM UM PROCESSO DE FABRICAÇÃO DE DIAFRAGMAS DE FREIO Carlos Eduardo GEHLEN Jordão GHELLER Experimento Procedimento no qual alterações propositais são

Leia mais

Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos de Sobrevivência

Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos de Sobrevivência TEMA Tend. Mat. Apl. Comput., 7, No. 1 (2006), 91-100. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos

Leia mais

Processamento dos dados

Processamento dos dados Capítulo 9 Processamento dos dados 9.1 Propagação não estatística de erros Suponhamos que é possível estabelecer uma relação de proporcionalidade directa (ver secção3.2) entre duas variáveis. Por exemplo,

Leia mais

03.05.11 SIMULAÇÃO. Arq. Giovanna Ronzani Borille, M.Sc. (ronzani@ita.br)

03.05.11 SIMULAÇÃO. Arq. Giovanna Ronzani Borille, M.Sc. (ronzani@ita.br) 03.05.11 SIMULAÇÃO Arq. Giovanna Ronzani Borille, M.Sc. (ronzani@ita.br) roteiro da aula TEORIA PRÁTICA LAB conceitos Algumas definições SIMULAÇÃO: técnica de solução de um problema análise de um modelo

Leia mais

Exercício de Revisao 1

Exercício de Revisao 1 Exercício de Revisao 1 Considere que seu trabalho é comparar o desempenho de dois algoritmos (A e B) de computação gráfica, que usam métodos diferentes para geração de faces humanas realistas. São sistema

Leia mais

RENATO SOARES DE AGUILAR ADEQUAÇÃO DE UM SISTEMA DE PICKING NO ARMAZÉM DE PRODUTOS ACABADOS DE UMA EMPRESA DE PRODUTOS ELÉTRICOS

RENATO SOARES DE AGUILAR ADEQUAÇÃO DE UM SISTEMA DE PICKING NO ARMAZÉM DE PRODUTOS ACABADOS DE UMA EMPRESA DE PRODUTOS ELÉTRICOS RENATO SOARES DE AGUILAR ADEQUAÇÃO DE UM SISTEMA DE PICKING NO ARMAZÉM DE PRODUTOS ACABADOS DE UMA EMPRESA DE PRODUTOS ELÉTRICOS Escola de Engenharia Universidade Federal de Minas Gerais Departamento de

Leia mais

GUIA DE LABORATÓRIO LABORATÓRIO 2 LEI DE OHM

GUIA DE LABORATÓRIO LABORATÓRIO 2 LEI DE OHM 1. RESUMO GUIA DE LABORATÓRIO LABORATÓRIO 2 LEI DE OHM Validação, por parte dos alunos, da expressão R = ρ RLApara o cálculo da resistência de um condutor cilíndrico. Determinação da resistência total

Leia mais

Introdução a Química Analítica. Professora Mirian Maya Sakuno

Introdução a Química Analítica. Professora Mirian Maya Sakuno Introdução a Química Analítica Professora Mirian Maya Sakuno Química Analítica ou Química Quantitativa QUÍMICA ANALÍTICA: É a parte da química que estuda os princípios teóricos e práticos das análises

Leia mais

Usando o Arena em Simulação

Usando o Arena em Simulação Usando o Arena em Simulação o ARENA foi lançado pela empresa americana Systems Modeling em 1993 e é o sucessor de dois outros produtos de sucesso da mesma empresa: SIMAN (primeiro software de simulação

Leia mais

2 Avaliação de desempenho de uma rede de telecomunicações

2 Avaliação de desempenho de uma rede de telecomunicações 2 Avaliação de desempenho de uma rede de telecomunicações Ao longo do presente capítulo são introduzidos os principais elementos qualitativos e quantitativos capazes de permitir a avaliação do desempenho

Leia mais

4 Gráficos de controle

4 Gráficos de controle 4 Gráficos de controle O gráfico de controle é uma ferramenta poderosa do Controle Estatístico de Processo (CEP) para examinar a variabilidade em dados orientados no tempo. O CEP é composto por um conjunto

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I:

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I: Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados usados no Assistente no Software Estatístico

Leia mais

Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível

Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível Problema Um fabricante de bicos injetores de combustível instala um novo sistema digital de medição. Os investigadores

Leia mais

ADS - Medidas de Desempenho Típicas Desejadas

ADS - Medidas de Desempenho Típicas Desejadas ADS - Medidas de Desempenho Típicas Desejadas Vazão (Throughput) - é definida como a taxa de clientes total servida pelo sistema por unidade de tempo; Utilização (Utilization) - é medido como a fração

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

Uma proposta de gráfico de controle EWMA com dados sazonais

Uma proposta de gráfico de controle EWMA com dados sazonais Uma proposta de gráfico de controle EWMA com dados sazonais Leandro Callegari Coelho (UFSC) leandroah@hotmail.com Robert Wayne Samohyl (UFSC) samohyl@yahoo.com Resumo: A importância do controle estatístico

Leia mais

AVALIAÇÃO DE DESEMPENHO EM REDES DE COMPUTADORES UTILIZANDO TEORIA DE FILAS 1

AVALIAÇÃO DE DESEMPENHO EM REDES DE COMPUTADORES UTILIZANDO TEORIA DE FILAS 1 AVALIAÇÃO DE DESEMPENHO EM REDES DE COMPUTADORES UTILIZANDO TEORIA DE FILAS 1 Anderson Luis Marchi 2 ; Tiago Boechel 3 ; Juliano Tonizetti Brignoli 4 INTRODUÇÃO A comunicação é uma das maiores necessidades

Leia mais

Estratégia Seis Sigma

Estratégia Seis Sigma Estratégia Seis Sigma Transformando oportunidades em resultados para os negócios M. I. Domenech Seis Sigma - Treinamentos Seis Sigma Crescimento Melhoria de Processos - Treinamentos M. I. Domenech Carlos

Leia mais

ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL

ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL Vinicius Fechio Técnico de Metrologia Brasmetal Waelzholz S. A. Ind. e Com. Julho/ 2009 E-mail: vfechio@brasmetal.com.br / Site: www.brasmetal.com.br

Leia mais

SIMULAÇÃO E LAYOUT - UM ESTUDO DE CASO

SIMULAÇÃO E LAYOUT - UM ESTUDO DE CASO XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. SIMULAÇÃO E LAYOUT - UM ESTUDO DE CASO André Fernandes Meirelles (UFRJ) andre.meirelles@gpi.ufrj.br Luiz Antônio Meirelles (UFRJ) meirelles@ufrj.br Rafael

Leia mais

Técnicas de Medidas e Tratamento de Dados Experimentais

Técnicas de Medidas e Tratamento de Dados Experimentais IQ-UFG Curso Experimental de Química Geral e Inorgânica Técnicas de Medidas e Tratamento de Dados Experimentais Prof. Dr. Anselmo Introdução A interpretação e análise dos resultados são feitas a partir

Leia mais

Visão Geral das Áreas de Conhecimento e dos Processos da Gerência de Projetos

Visão Geral das Áreas de Conhecimento e dos Processos da Gerência de Projetos Visão Geral das Áreas de Conhecimento e dos Processos da Gerência de Projetos GERÊNCIA DE INTEGRAÇÃO GERÊNCIA DO ESCOPO GERÊNCIA DO TEMPO GERÊNCIA DE CUSTO GERÊNCIA DA QUALIDADE Desenvolvimento do Plano

Leia mais

Simulações em Aplicativos

Simulações em Aplicativos Simulações em Aplicativos Uso Avançado de Aplicativos Prof. Marco Pozam mpozam@gmail.com A U L A 0 5 Programação da Disciplina 20/Agosto: Conceito de Project Office. 27/Agosto: Tipos de Project Office.

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos

Leia mais

3ª Lista de Exercícios Representação de dados com agregados: Arrays e Matrizes

3ª Lista de Exercícios Representação de dados com agregados: Arrays e Matrizes 1 Universidade Federal Fluminense Instituto de Computação Departamento de Ciência da Computação Programação de Computadores II Professores: Leandro A. F. Fernandes, Marcos Lage, Pedro Velloso 3ª Lista

Leia mais

Segurança da Informação e Proteção ao Conhecimento. Douglas Farias Cordeiro

Segurança da Informação e Proteção ao Conhecimento. Douglas Farias Cordeiro Segurança da Informação e Proteção ao Conhecimento Douglas Farias Cordeiro Risco O risco é medido por sua probabilidade de ocorrência e suas consequências; Pode se realizar uma análise qualitativa ou quantitativa;

Leia mais

ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento

ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento 33 Capítulo 4 Teoria de Filas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de sistemas de comunicação de dados. Muita atenção deve ser dada aos processos

Leia mais

Medidas e Incertezas

Medidas e Incertezas Medidas e Incertezas O que é medição? É o processo empírico e objetivo de designação de números a propriedades de objetos ou eventos do mundo real de forma a descreve-los. Outra forma de explicar este

Leia mais

CARLOS GUILHERME BATISTA DA SILVA MARCÍLIO BHERING MAGALHÃES

CARLOS GUILHERME BATISTA DA SILVA MARCÍLIO BHERING MAGALHÃES CARLOS GUILHERME BATISTA DA SILVA MARCÍLIO BHERING MAGALHÃES SIMULAÇÃO DO ATENDIMENTO DOS CAIXAS EM AGÊNCIAS BANCÁRIAS Trabalho de graduação apresentado ao Departamento de Engenharia Elétrica e de Produção

Leia mais

MANUTENÇÃO CENTRADA EM CONFIABILIDADE

MANUTENÇÃO CENTRADA EM CONFIABILIDADE MANUTENÇÃO CENTRADA EM CONFIABILIDADE PREFÁCIO Dado o elevado padrão da tecnologia atual, medidas que asseguram a confiabilidade são indispensáveis. Devido à problemática da confiabilidade ainda ser pouco

Leia mais