A PESQUISA OPERACIONAL E O PROBLEMAS DAS MÉDIAS
|
|
- Iago Cipriano Raminhos
- 7 Há anos
- Visualizações:
Transcrição
1 A PESQUISA OPERACIONAL E O PROBLEMAS DAS MÉDIAS PAULO HENRIQUE DA SILVA COSTA (UnB) paulophsc@gmail.com MARCELLO DA COSTA VIEIRA (UnB) marcelloeng93@gmail.com Tafarel Carvalho de Gois (UnB) tafarelgois@yahoo.com.br Giseli Aparecida Ortolani (UnB) gi.ortolani@gmail.com Savage, et al. (2009) definiu O Problema das Médias como um dos principais fatores que explica porque a maioria dos projetos geralmente está atrasada e com o orçamento estourado. O Problema das Médias pode ser definido então por um conjunto de erros observados quando um único número, geralmente uma média, substitui uma distribuição. Mesmo incorporando em sua formulação o cálculo de probabilidades, a Teoria das Filas ainda deixa de proporcionar ao analista uma visualização da distribuição dessas probabilidades. Esse artigo propôs o emprego da simulação através do Método de Monte Carlo com o objetivo de corrigir essa limitação da Teoria das Filas. Os resultados encontrados para o estudo de caso da tramitação de documentos de uma seção da ANTT mostraram que o Método de Mote Carlo pode ampliar a percepção dos analistas, proporcionando melhor tomada de decisão. Palavras-chave: problema das médias, Monte Carlo, teoria das filas, pesquisa operacional
2 1. Introdução O levantamento bibliográfico realizado por Cardoso e Souza (2000) identificou 14 áreas de pesquisa envolvendo aplicações de Teoria das Filas nos transportes. Dentre as áreas mais contempladas com pesquisas destacam-se: planejamento dos transportes e modelos, operação portuária, engenharia de tráfego, e operação de sistemas de transportes. Portugal (2005) apresenta como um exemplo típico de aplicação de Teoria das Filas em Transportes um terminal de ônibus com quatro baias operando como um conjunto de canais de serviço independentes e em paralelo. Assume-se que, em média, 120 ônibus/hora usam a instalação e que o tempo médio levado para o embarque e desembarque é de 90 segundos. Para essas condições, que caracterizam um sistema de uma fila e diversos canais, são oferecidas na literatura um conjunto de equações baseadas em λ (taxa média de chegada por intervalo de tempo) e µ (taxa média de atendimento por intervalo de tempo). Essas equações são capazes de determinar diversas medidas de desempenho do sistema, respondendo a perguntas fundamentais ao dimensionamento de estruturas e sistemas. No caso do problema do terminal: Qual o número médio de ônibus na fila? Qual o número médio de ônibus no terminal? Qual o tempo médio gasto na fila? Qual o tempo médio gasto no terminal? e Qual a probabilidade de n ônibus ocuparem a fila, num determinado momento? Mesmo sendo um dado de entrada do problema a informação de que tanto a chegada quanto o atendimento são regidos por distribuições de probabilidade, os valores usados nas equações são as médias dessas distribuições. Esse tipo de abordagem, chamada de determinística não é uma exclusividade da Teoria de Filas. Outras áreas do conhecimento como engenharia, administração, biologia e medicina também se utilizam de valores determinísticos em suas atividades afins. Felizmente a própria Teoria das Filas incorpora em sua formulação o cálculo de probabilidades, o que ameniza o problema. Mesmo assim, a interpretação dos resultados ainda é limitada pela falta de uma visualização da distribuição dessas probabilidades. 2
3 Savage, et al. (2009) definiu O Problema das Médias como um dos principais fatores que explicam porque a maioria dos projetos geralmente está atrasada no cronograma, com orçamento estourado e aquém das projeções. O Problema das Médias pode ser definido então por um conjunto de erros observados quando um único número, geralmente uma média, substitui uma distribuição. O autor afirma que perguntas como as propostas por Portugal (2005) no problema do terminal de ônibus não têm uma única resposta, mas um leque de possíveis respostas, cada uma delas com sua própria probabilidade de sucesso. Ou seja, a resposta não deveria ser um número; e sim uma distribuição de probabilidade. De fato, reduzir uma resposta incerta, processada a partir de dados de entrada variáveis, a um único valor médio ou esperado descarta uma quantidade significativa de informações relevantes. No exemplo dado, o projetista responsável pelo dimensionamento das áreas de espera do terminal de ônibus, poderia ter sido induzido ao erro a partir do uso das médias. A solução apontada por Savage et al. (2009) para o problema das médias é substituir o gerenciamento de dados determinísticos pelo gerenciamento de dados probabilísticos. Esse artigo pretende identificar essa limitação da Teoria das Filas através de um estudo de caso e propor uma metodologia para aumentar a confiança de seus resultados a partir do emprego da Simulação de Monte Carlo. Para tanto, o artigo foi estruturado em cinco seções. Na próxima seção serão apresentadas as características do emprego e a formulação da Teoria das Filas; a seção 03 (três) abordará os conceitos e aplicações do gerenciamento de probabilidades; a seção 04 apresentará um estudo de caso com dados reais onde será aplicada a metodologia proposta; e na seção 05 (cinco) serão comparados os resultados e apresentadas as recomendações para estudos futuros. 2. Características e limitações da Teoria das Filas A Teoria das Filas trata de problemas de congestionamento de sistemas, cuja característica principal é a presença de clientes solicitando serviços de alguma maneira. Em sua expressão mais simples, um sistema de filas é composto de elementos que querem ser atendidos em um posto de serviço e que, limitados por restrições do sistema, eventualmente devem esperar até que o posto esteja disponível (Andrade, 2009). 3
4 As filas se formam sempre quando existe mais de um usuário de um recurso limitado. Elas podem aparecer de forma concreta ou abstrata em muitas atividades (Chase e Aquilano, 1997). Conhecê-las e saber administrá-las é importante para o dimensionamento de sistemas de atendimento. Chase e Aquilano (1997) ensinam que quando uma fila é composta de objetos inanimados que esperam algum tipo de processamento tem-se um problema basicamente econômico. O problema da fila é encontrar o trade-off entre o nível de serviço a ser ofertado e o custo que a empresa está disposta a incorrer na prestação deste serviço. Por este motivo, em determinadas situações, podem aparecer filas mesmo onde existem servidores mais que suficientes para atendê-las. As filas possuem seis elementos principais: uma população, que fornece os clientes para formação da fila; a forma como estes clientes chegam às instalações dos serviços; a fila propriamente dita; a forma como se selecionam os clientes para atendimento; as características das instalações dos serviços; e a forma como o cliente deixa o sistema. Os problemas clássicos de Teoria das Filas são divididos em modelos e cada modelo apresenta uma formulação própria. Os modelos são variações do número de canais e do tipo de população: finita ou infinita. O Quadro 1 apresenta as principais características de cada modelo, conforme proposto por Chase e Aquilano (1997). Quadro 1 - Modelos de Filas Modelo Distribuição Fase de Serviço Fonte da População Estrutura de chegada Disciplina da fila Estrutura do Serviço Comprimento Permitido da fila 1 Um canal Única Infinita De Poisson PEPS Exponencial Ilimitada 2 Um canal Única Infinita De Poisson PEPS Constante Ilimitada 3 Um canal Única Infinita De Poisson PEPS Exponencial Limitada 4 Um canal Única Infinita De Poisson PEPS Dist. discreta Ilimitada 5 Um canal Única Infinita De Poisson PEPS De Erlang Ilimitada 6 Multicanal Única Infinita De Poisson PEPS Exponencial Ilimitada 4
5 7 Um canal Única Finita De Poisson PEPS Exponencial Ilimitada 3. A Simulação de Monte Carlo A simulação de um sistema é definida por Pedgen et al. (1990) como: O processo de projetar o modelo computacional de um sistema real e conduzir experimentos com este modelo com o propósito de entender seu comportamento e / ou avaliar estratégias para sua operação. (Pedgen, 1991) Freitas Filho (2008) afirma que a simulação, principalmente a computacional, tem sido cada vez mais empregada como técnica que permite aos analistas verificarem ou encaminharem soluções, com a profundidade desejada, aos problemas com os quais lidam diariamente Dentre as principais vantagens do uso da simulação, apresentadas por Andrade (2012), Freitas Filho (2008), Pedgen et al. (1990), Shannon (1992), pode-se destacar: A simulação possibilita o estudo e a experimentação de complexas interações internas de um dado sistema; A experiência adquirida em construir e operar modelos geralmente resulta em uma melhor compreensão do sistema; A simulação de sistemas complexos pode fornecer valiosa visão no sentido de descobrir gargalos logísticos e operacionais e testar alternativas de minimizar seus impactos; A simulação pode ser usada para experiências com novas situações sobre as quais se tenha pouca ou mesmo nenhuma informação; Enquanto modelos analíticos requerem grande número de simplificações para torná-lo matematicamente tratáveis, o que muitas vezes mascaram os resultados; o modelo simulado não apresenta tais restrições; A simulação é perfeita para o estudo de eventos futuros incertos, ou seja, permite a identificação, a análise quantitativa de riscos e até a avaliação da eficácia da implementação de respostas aos riscos; A possibilidade de se comprimir e/ou expandir o tempo de simulação em relação ao tempo real; etc. 5
6 Entretanto, algumas desvantagens do emprego da simulação são apresentadas por Saliby (1989), Pedgen et al. (1990), Shannon (1992), e Oliveira (1988) são: Morosidade e falta de rigor científico; Por incorporar componentes aleatórios, o resultado da simulação poderá levar a análises inconclusivas; A disponibilidade de tempos e recursos geralmente limita as faixas de valores dos parâmetros que podem ser testados, incorrendo em possíveis perigos nas extrapolações; A análise e interpretação dos resultados podem ser extremamente difíceis, envolvendo testes e conhecimentos estatísticos; Necessidade de treinamento tanto para a modelagem quanto para o uso do simulador; etc. O uso moderno do termo simulação no sentido em que é empregado em Pesquisa Operacional tem sua origem em um trabalho de 1940 de Von Newmann e Ulam, que associaram a expressão Análise de Monte Carlo a uma técnica matemática que utilizaram para resolver problemas de blindagem em reatores nucleares (Andrade, 2012). O Método de Monte Carlo (MMC) usualmente envolve técnicas mais complexas, na medida em que a representação de uma variável é feita não por um valor, mas sim por uma série ou distribuição de valores. Essa técnica aplica a amostragem randômica para representar a ocorrência de um evento, procurando simular com realismo o fenômeno, o que garante a ocorrência do mesmo de forma aleatória (Portugal, 2005). O MMC baseia-se em um conceito estatístico simples. Seja x uma variável aleatória com as seguintes características: Função de distribuição de probabilidades: f(x); Função cumulativa de probabilidades: F(x). Se definirmos uma nova variável aleatória y = F(x), esta tem uma distribuição uniforme sobre o intervalo fechado (0,1). Assim, como a função cumulativa de probabilidades representa as características aleatórias da variável em questão, a função y = F(x) é uma relação entre duas variáveis: 6
7 Variável x, com distribuição aleatória própria; Variável y, com distribuição uniforme, entre 0 e 1. Toda simulação de Monte Carlo é efetuada por meio de amostragens das funções densidade de probabilidade e do uso das funções probabilidade cumulativa. Essas amostragens são realizadas através de números aleatórios, portanto, qualquer programa computacional que utiliza o MMC necessita de um gerador de números aleatórios. Geradores de números aleatórios são baseados em algoritmos matemáticos que geram números, cujas ocorrências obedecem a uma aleatoriedade, e que simulam a verdadeira aleatoriedade encontrada na natureza. Neste sentido, os números gerados por estes algoritmos são formalmente chamados de números pseudoaleatórios. Um conjunto de números definidos dentro de um intervalo, por exemplo [0,1] ou [0,100], constitui uma sequência de números aleatórios se eles estiverem uniformemente distribuídos neste intervalo e se nenhuma correlação existir dentro dessa sequência. Durante a simulação de um problema, os números aleatórios são utilizados no processo de decisão de escolha, quando um evento físico possui vários resultados possíveis. Uma simulação típica pode utilizar entre 107 a 1012 números aleatórios. Entre os métodos mais utilizados para a geração de números aleatórios, pode-se citar o método linear congruencial, o método congruencial misto e o método congruencial multiplicativo (Yoriyaz, 2009). O MMC baseia-se no Teorema do Limite Central. De acordo com esse Teorema, sob condições gerais, a função de distribuição acumulada (FDA) de uma soma de variáveis aleatórias independentes aproxima-se a uma FDA de uma variável aleatória gaussiana apesar das FDA das variáveis individuais estarem longe da distribuição normal. Ou seja, quaisquer que sejam as distribuições de probabilidade das variáveis aleatórias, o somatório delas resultará sempre numa distribuição normal. No entanto, para que os resultados do MMC sejam de fato representativos, é importante a escolha da melhor distribuição de probabilidade para cada variável aleatória. Existem três possibilidades para a obtenção dessas distribuições. A primeira, sempre desejável, é a utilização de dados históricos. A partir de uma amostra é possível encontrar e testar a distribuição de probabilidades que melhor representa este conjunto de dados. Se não houver 7
8 dados históricos ou se eles forem insuficientes restam duas alternativas: investigar o emprego de distribuições conhecidas que podem se adaptar ao tipo de evento aleatório ou utilizar a distribuição triangular quando não se dispõe de dados e também não se consegue vincular o formato da curva ao evento aleatório. 4. Estudo De Caso: O estudo de caso foi realizado num setor de um órgão público que atende empresas de transporte rodoviário interestadual e internacional de passageiros realizados em regime de fretamento realizando as seguintes atividades: emissão, renovação e alteração de autorização para prestação dos serviços. A Figura 1 apresenta o fluxograma das atividades realizadas pelo setor do órgão público estudado para emissão, renovação e alteração de autorização para prestação do serviço de transporte rodoviário interestadual e internacional de passageiros sob regime de fretamento. Figura 1: Fluxograma das atividades do setor estudado para o registro, alteração e renovação de autorizações Foram analisados os dados de atendimento do setor em questão no período de janeiro a maio de Neste período, foram iniciados atendimentos, desses foram concluídos e 34 ficaram em aberto Análise e Tratamento de Dados 8
9 Foram coletados, a partir do sistema informatizado da do setor estudado, o número de solicitações protocoladas por dia e o número de análises concluídas por dia. O período de observação proporcionou uma amostra de 107 observações de chegadas/dia e 101 tempos médios de atendimentos/dia. A variável de chegada é discreta e a de atendimento é contínua. O processo de tratamento dos dados se inicia pelo desenvolvimento da distribuição de frequência dos dados seguida de uma representação gráfica da tabela, a partir da elaboração de um histograma. Essa etapa proverá facilidades no processo de identificação da distribuição de probabilidades mais adequada dentre as diferentes famílias de distribuições conhecidas. O primeiro desafio para a montagem da tabela de distribuição de frequências é a determinação do número de classes (K) e de seus limites (Freitas Filho, 2008). Não existe técnica cientificamente comprovada para a definição exata. Segundo Barbetta (2006), quanto maior o conjunto de dados, mais classes podem ser usadas. Vale a seguinte regra para as variáveis discretas: para amostras pequenas, ou seja, n < 25 elementos, k = 5 classes; para amostras grandes, com n > 25, pode usar duas regras conhecidas regra de Sturges (para n < 100) ou regra da raiz quadrada de n. Para as variáveis contínuas usa-se sempre a regra da raiz quadrada de n. (1) (2) Para a distribuição de frequências da taxa de chegadas, as fórmulas (1) e (2) indicaram valores entre 07 e 11. Foi escolhido um k = 11, pois foi o que apresentou menor erro quadrado. O Quadro 2 apresenta o valor do Erro Quadrático para k = 11, considerando os tipos de distribuição mais usadas. Desse modo, verificou-se que os dados de taxa de chegada não se comportaram como era de se esperar. A distribuição exponencial foi uma das que menos se ajustou aos dados levantados. Mesmo assim, tanto o valor do erro quadrado e o teste de aderência apresentaram resultados que viabilizam a utilização dessa distribuição. Desse modo, por conveniência ao emprego da modelagem por Teoria das Filas, optou-se pela distribuição Poisson, com λ = 45,2 chegadas/dia. Já para a distribuição de frequências do tempo de atendimento as fórmulas (1) e (2) indicaram valores entre 7 e 10. Foi escolhido um k = 7. Assim como na taxa de chegadas, a distribuição exponencial não foi a que melhor se ajustou aos dados, no entanto, os testes amparam sua 9
10 escolha. Desse modo, por conveniência ao emprego da modelagem por Teoria das Filas, optou-se pela distribuição Exponencial, com ß = 0,0287 dias. Nesse caso, o µ = 1/ß = 34,84 atendimentos/dia. 10
11 Quadro 2 - Erro Quadrado (λ) DISTRIBUIÇÃO ERRO QUADRADO Normal Weibull Beta Triangular Erlang Gamma Uniform Lognormal Exponential Poisson Quadro 3 - Parâmetros (λ) DISTRIBUTION SUMMARY Distribution: Poisson Expression: POIS (45.2) Square Error: Chi Square Test Number of intervals 4 Degrees of freedom 2 Test Statistic 157 Corresponding p-value < 0.005
12 Figura 2 - Distribuição de Frequências de Chegadas (k = 11) Quadro 4 - Erro quadrado (µ) Quadro 5 - Parâmetros (µ) DISTRIBUIÇÃO ERRO QUADRADO Lognormal Gamma Erlang Weibull Beta Normal Exponential Triangular Uniform DISTRIBUTION SUMMARY Distribution: Exponential Expression: EXPO(0.0287) Square Error: Chi Square Test Number of intervals 4 Degrees of freedom 2 Test Statistic 29.2 Corresponding p-value < Figura 3 - Distribuição de Frequências de Tempo de Serviço (k = 7) 4.2. Modelagem por Teoria das Filas A modelagem do sistema de atendimento do setor do estudado por Teoria das Filas pode ser descrita por três elementos básicos: processo de chegada, considerada a data de entrada dos processos no protocolo, o processamento do pedido e a disciplina de atendimento (Fontanella e Morabito, 1997). Utilizando o modelo M/M/c, visto que as solicitações são recebidas em uma única fila e distribuídos a diversos servidores, e ainda que as chegadas seguem a distribuição de Poisson e os atendimentos seguem a distribuição exponencial, foram realizadas análises com dez e com dois servidores. Dimensionando-se o sistema com dez servidores, a probabilidade de não haver solicitação no sistema (P 0 ) é igual 27,3%. A probabilidade de mais de 10 solicitações simultâneas, o que implica na formação de fila, é de 0,00012%, com um tempo médio de cada solicitação no sistema de 0,03 dia. Quando se refez os cálculos dimensionando o sistema com dois servidores para analisar as solicitações, foi encontrada uma probabilidade de não haver nenhuma solicitação no sistema
13 (P 0 ) de 21,3%. A probabilidade de enfileiramento aumentou para 51,1% com o tamanho médio da fila de 0,9 solicitações e um tempo médio de cada solicitação no sistema de 0,06 dia. No primeiro caso, o sistema opera de maneira ideal para o solicitante (sem fila probabilidade < 0,001%, e tempo médio de análise de 14 minutos), porém o custo para se manter 10 servidores não se mostra razoável. No segundo, o sistema apresenta uma alta probabilidade de formação de fila 51%, com um tempo médio de análise de 29 minutos e uma fila média de aproximadamente 1,0 solicitação. O segundo modelo, dimensionado com dois analistas mostra-se mais equilibrado de forma que o custo para o setor não é elevado e o tempo médio no sistema reduzido. Concluída a análise a partir da Teoria das Filas convém repetir os cenários utilizando desta vez a simulação a partir do MMC Modelagem por Simulação de Monte Carlo Para a simulação foi utilizado um software comercial vinculado ao Excel da Microsoft. O procedimento de modelagem seguiu o seguinte roteiro: Desenvolvimento da lógica da simulação, a partir da formulação proposta pela Teoria das Filas para o modelo M/M/k; Definição dos inputs conhecidos (número de analistas), dos inputs com incertezas (taxa de chegada e taxa de atendimento) e dos outputs (taxa de utilização, P 0, probabilidade de enfileiramento, número médio na fila e tempo médio no sistema); Definição das distribuições (Poisson para a taxa de chegada e Exponencial para a taxa de atendimento); Definição do número de iterações (1.000 iterações); Execução da simulação; e Análise dos resultados. As figuras 4 e 5 apresentam os valores de intervalo de confiança de 90% das distribuições de probabilidades utilizadas. 13
14 XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO,060 Taxa de chegadas 5,0% 90,0% 5,0% 34,0 57,0 0,030 Taxa de atendimentos (µ) 5,0% 90,0% 5,0% 1,8 104,4,050 0,025,040 0,020,030 Versão Teste Poisson(45,2 ) 0,015 Versão Teste Para Propósitos de Avaliação Apenas Expon(34,84;RiskS hift(0)),020 0,010,010 0,005,000 0,000 Figura 4 Taxa de Chegada Figura 5 - Taxa de Atendimento A seguir são apresentados os resultados das iterações realizadas. Para cada output definido foram simuladas iterações a partir de números aleatórios gerados mecanicamente pelo software. Foram simulados os mesmos cenários propostos no item anterior, com dois e dez atendentes. O Quadro 6 apresenta os resultados das simulações. Os valores destacados representam as probabilidades acumuladas (P 5%, P 50% e P 95% ) geradas pelas diversas iterações. Quadro 6 - Resultados da Simulação 5. Conclusões O Problema das Médias foi definido como um conjunto de erros observados quando um único número, geralmente uma média, substitui uma distribuição de probabilidades. Os 14
15 problemas que encontramos comumente não têm uma única resposta, mas um leque de possíveis respostas, cada uma delas com sua própria probabilidade de sucesso. Mesmo incorporando em sua formulação o cálculo de probabilidades, a Teoria das filas ainda deixa de proporcionar ao analista uma visualização da distribuição dessas probabilidades. Esse artigo propôs o emprego da simulação através do Método de Monte Carlo combinada a formulação tradicional da Teoria das Filas, uma vez que o método envolve técnicas mais complexas, na medida em que a representação de uma variável é feita não por um valor, mas sim por uma série ou distribuição de valores. Para essa comparação foi apresentado como estudo de caso a tramitação de documentos, entrada mais atendimento, numa repartição de um órgão público. Os dados coletados, depois de tratados estatisticamente foram aproximados a curvas de distribuição conhecidas (Poisson e Exponencial). A Teria das Filas mostrou que a escolha por 2 atendentes é mais econômica. Mesmo com 51% de probabilidade de haver fila de solicitações, o número médio de documentos na fila é de apenas 1 e o tempo total no sistema de cada solicitação por volta de 14 minutos. O que a Teoria das filas deixou de mostrar é que o número de solicitações na fila pode chegar com 95% de certeza, a aproximadamente 6 unidades com um tempo médio no sistema superior a 80 minutos. Mesmo que esses resultados, no estudo de caso, não pareçam preocupantes, a metodologia aqui proposta é aplicável ao dimensionamento de espaços, de infraestrutura, de frotas de veículos e de equipamentos e outros elementos que compõem um sistema de transportes. Se, ao invés, de documentos empilhados numa mesa estivéssemos tratando, como proposto anteriormente por Portugal (2005), de ônibus num terminal de passageiros a diferença entre 1 e 6 unidades em média na fila, ou entre 14 e 80 minutos de tempo total no sistema seria certamente relevante. REFERÊNCIAS BIBLIOGRÁFICAS Freitas Filho, P. J. de (2008) Introdução à Modelagem e Simulação de Sistemas com Aplicações em Arena. 2ª Edição. Visual Books. Florianópolis. Pedgen, C. D.; Shannon, R. E.; Sadowski, R. P. (1990) Introduction to Simulation Using SIMAN. 2ª Edição. McGraw-Hill. New York. Yoriyas, Hélio (2009) Método de Monte Carlo: princípios e aplicações em Física Médica. Revista Brasileira de Física Médica. 2009;3(1): Prado, D.S. (2014) Teoria das Filas e da Simulação Volume 2. (5ª Edição). Nova Lima. Ed. Falconi. Chase, R.B.; Aquilano, N.J. (1995) Dirección y Administración de la Producción y de las Operaciones. 6ª Edição. McGraw-Hill Interamericana. México 15
16 Fontenella, G.C.; Morabito, R. (1997) Modelagem por meio de teoria das filas do tradeoff entre investir em canais de atendimento e satisfazer o nível de serviço em provedores de internet. Revista G&P Gestão e Produção, v.4, n.3, p
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Leia maisIdentificação da Distribuição Teórica de Probabilidades
Identificação da Distribuição Teórica de Probabilidades A utilização de gráficos, tais como um histograma, são muito úteis para a identificação ou delineamento da distribuição teórica de probabilidades.
Leia maisColeta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Leia maisSimulação e Modelagem
Simulação e Modelagem Prof. Afonso C Medina Prof. Leonardo Chwif Versão. 6//6 Introdução Definição A Simulação como ferramenta de suporte à decisão Quando utilizar a Teoria das Filas ou a Simulação? O
Leia maisColeta e Modelagem dos Dados de Entrada
Coleta e Modelagem dos Dados de Entrada Capítulo 2 Páginas 24-52 Este material é disponibilizado para uso exclusivo de docentes que adotam o livro Modelagem e Simulação de Eventos Discretos em suas disciplinas.
Leia maisMonte Carlo Method. Peter Frank Perroni. December 1, Monte Carlo Simulation
Monte Carlo Simulation December 1, 2015 Histórico Técnica muito antiga porém somente recentemente oficializado como método estatístico. Foi muito importante nas simulações da bomba desenvolvida no Projeto
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisTÍTULO: MODELAGEM E SIMULAÇÃO DE UM TERMINAL PORTUÁRIO PARA EMBARQUE DE AÇÚCAR PARA EXPORTAÇÃO
TÍTULO: MODELAGEM E SIMULAÇÃO DE UM TERMINAL PORTUÁRIO PARA EMBARQUE DE AÇÚCAR PARA EXPORTAÇÃO CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO: UNIVERSIDADE CATÓLICA
Leia mais4ªJornadaCientíficaeTecnológicadaFATECdeBotucatu 7 a9deoutubrode2015,botucatu SãoPaulo,Brasil
SIMULAÇÃO COMPUTACIONAL APLICADAAUM SISTEMA MODULAR DE PRODUÇÃO DIDÁTICO Fernando Doriguel 1, Celso Fernandes Joaquim Junior 2, Gilson Eduardo Tarrento 3, Luiz Enéias Zanetti Cardoso 4, Caio Antônio Villas
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação
Leia maisINE 5101 Simulação Discreta. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
INE 5101 Simulação Discreta 1 Objetivos do curso Ao final deste curso você deverá saber: O que é modelagem e simulação de sistemas; Como funcionam programas de simulação; Como utilizar corretamente uma
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Probabilidade Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Planejamento Experimental 2 fatores manipuláveis x 1 x 2 x p entradas Processo...... saídas
Leia maisPesquisa Operacional II
Pesquisa Operacional II Modelo de Filas Professor: Roberto César A Notação de Kendall Um modelo de fila pode ser descrito pela notação: A/B/c/K/m/Z em que: A = distribuição dos intervalos entre chegadas;
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos de v. a. contínuas: Exponencial, Hipoexponencial, Erlang, Hiperexponencial, Gamma, Weibull, Normal Aula de hoje V.a. Normal, Chi Square,
Leia maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Análise da Decisão Pela própria natureza da vida, todos nós devemos continuamente
Leia maisCOMO FUNCIONA A SIMULAÇÃO. Capítulo 2 - Aula 2. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
COMO FUNCIONA A SIMULAÇÃO Capítulo 2 - Aula 2 1 Tratando a Variabilidade dos Sistemas As diferenças fundamentais entre os dois tratamentos (T. Filas e simulação): para a solução analítica o objetivo da
Leia maisO que é Simulação? Capítulo 1. Prof. Afonso C Medina & Prof. Leonardo Chwif. fonte original de consulta.
O que é Simulação? Capítulo 1 fonte original de consulta. Prof. Afonso C Medina & Prof. Leonardo Chwif 1 Introdução Definição A Simulação como ferramenta de suporte à decisão Quando utilizar a Teoria das
Leia maisANÁLISE DE TEORIA DAS FILAS: SISTEMA DE FILAS DE UM SERVIÇO DE PRONTO ATENDIMENTO RESUMO
37 ANÁLISE DE TEORIA DAS FILAS: SISTEMA DE FILAS DE UM SERVIÇO DE PRONTO ATENDIMENTO Francieli de Fátima de Oliveira 1 Mara Lucia Grando; Marcel Belusso; Stefan Antônio Bueno 2 RESUMO A teoria das filas
Leia maisEscola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção. Teoria da Filas. Prof. Fabrício Maciel Gomes
Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção Teoria da Filas Prof. Fabrício Maciel Gomes Teoria das Filas Por quê das Filas? Procura por um serviço maior do que a capacidade do
Leia maisPNV-5005 MODELAGEM E ANÁLISE DE SISTEMAS INTERMODAIS DE TRANSPORTE UTILIZANDO TÉCNICAS DE SIMULAÇÃO
PNV-5005 MODELAGEM E ANÁLISE DE SISTEMAS INTERMODAIS DE TRANSPORTE UTILIZANDO TÉCNICAS DE SIMULAÇÃO Prof. Dr. Rui Carlos Botter e-mail: rcbotter@usp.br Março de 2015 Etapas de um projeto de simulação OBJETIVOS
Leia maisI - Introdução à Simulação
1 I - Introdução à Simulação Simulação é, entendida como a imitação de uma operação ou de um processo do mundo real. A simulação envolve a geração de uma história artificial de um sistema para a análise
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia mais2 CONCEITOS DE ESTATÍSTICA
2 CONCEITOS DE ESTATÍSTICA Quando se trata de simulação, uma das grandes vantagens em utilizá-la é a possibilidade de se trabalhar com variáveis aleatórias, diferentemente de programação linear, por exemplo,
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS PNV 2452 TRATAMENTO E ANÁLISE DE DADOS 2015 MOTIVAÇÃO PARA A ANÁLISE DE DADOS Data Summary Number of Data Points = 30000 Min Data Value = 0.00262 Max Data Value = 982 Sample Mean
Leia mais5 Agregação das Reservas das Entidades
5 Agregação das Reservas das Entidades Neste capítulo é apresentado o procedimento de agregação das reservas das entidades. É importante ressaltar que as entidades probabilísticas sofrem agregação probabilística,
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
Leia maisMetodologia de simulação
Metodologia de simulação OBJETIVOS E DEFINIÇÃO DO SISTEMA FORMULAÇÃO DO MODELO ANÁLISE E REDEFINIÇÃO MODELO ABSTRATO RESULTADOS EXPERIMENTAIS (Capítulo 6) MODELO CONCEITUAL (Capítulo 3) REPRESENTAÇÃO DO
Leia maisAPLICAÇÃO DA DISTRIBUIÇÃO POISSON E EXPONENCIAL VOLTADA PARA MELHORAMENTO DA QUALIDADE DE SERVIÇO EM UM POSTO DE COMBUSTÍVEL
APLICAÇÃO DA DISTRIBUIÇÃO POISSON E EXPONENCIAL VOLTADA PARA MELHORAMENTO DA QUALIDADE DE SERVIÇO EM UM POSTO DE COMBUSTÍVEL Carina Lemos Piton (UNIC) carina_piton@hotmail.com Jose Alfredo Zoccoli Filho
Leia mais1 - A capacidade de fluxo que corresponde a capacidade máxima que pode passar pelo arco.
CONCEITOS DE REDE Uma rede é formada por um conjunto de nós, um conjunto de arcos e de parâmetros associados aos arcos. Nós Arcos Fluxo Interseções Rodovias Veículos Rodoviários Aeroportos Aerovia Aviões
Leia maisGestão de Operações II Teoria das Filas. Prof Marcio Cardoso Machado
Gestão de Operações II Teoria das Filas Prof Marcio Cardoso Machado Filas O que é uma fila de espera? É um ou mais clientes esperando pelo atendimento O que são clientes? Pessoas (ex.: caixas de supermercado,
Leia mais3 Decisões de Localização de Instalações
3 Decisões de Localização de Instalações Historicamente, o estudo contemporâneo dos problemas de localização foi iniciado por Alfred Weber, que estudou a localização de uma fábrica com o objetivo de minimizar
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisAvaliação de Desempenho de Sistemas
Avaliação de Desempenho de Sistemas Introdução à Teoria das Filas Prof. Othon Batista othonb@yahoo.com Notação de uma fila Para analisar um dado sistema é necessário a definição das seguintes características:
Leia maisTeoria das Filas Aula 1. Gestão de Operações II Prof. Marcio Cardoso Machado
Teoria das Filas Aula 1 Gestão de Operações II Prof. Marcio Cardoso Machado 1 Modelagem de Sistemas Sistema de Operações Genérico Ambiente Otimizado Mais adequado Recursos Entrada de recursos PROCESSO
Leia maisSimulação a Eventos Discretos. Fernando Nogueira Simulação 1
Simulação a s Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisMétodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez
Métodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez Distribuição de probabilidades Contexto O porquê desta aula Ao desenvolvermos
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisTrunking e Grau de Serviço
Trunking e Grau de Serviço Os sistemas de comunicações rádio-celulares são baseados no conceito de trunking, o qual permite o acesso sob demanda a um grande número de usuários do espectro de rádio (limitado,
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisRede de Computadores II
Slide 1 Teoria das Filas Ferramenta matemática para tratar de eventos aleatórios. É o estudo da espera em filas. Proporciona uma maneira de definir o ambiente de um sistema de filas matematicamente. Permite
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia mais2.1 Variáveis Aleatórias Discretas
4CCENDMMT02-P PROBABILIDADE E CÁLCULO DIFERENCIAL E INTEGRAL Girlan de Lira e Silva (1),José Gomes de Assis (3) Centro de Ciências Exatas e da Natureza /Departamento de Matemática /MONITORIA Resumo: Utilizamos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisAplicação. Controlo Óptimas. 23º Seminário de Engenharia Mecânica - 4 Junho de Nuno Manuel R. S. Órfão
Aplicação de Cadeias de Markov em Redes de Filas de Espera Políticas de Controlo Óptimas 23º Seminário de Engenharia Mecânica - 4 Junho de 2003 - Nuno Manuel R. S. Órfão nmorfao@estg.ipleiria.pt 1 Sumário
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisEma Isabel Modesto Marques. Modelos de localização com filas de espera em rede. Orientador Prof. Doutor Francisco José Ferreira Silva.
Ema Isabel Modesto Marques Modelos de localização com filas de espera em rede Dissertação para a obtenção do grau de Mestre em Gestão (MBA) Orientador Prof. Doutor Francisco José Ferreira Silva Coorientador
Leia maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia maisPesquisa Operacional. Ementa. Prof. Edézio
Ementa Pesquisa Operacional A apresentação da PO Modelos e forma-padrão de PPL Solução gráfica de um PPL O algoritmo Simplex Teoria dos Jogos Livro texto Silva, Ermes Medeiros..et al.l., Pesquisa Operacional,
Leia maisMétodos de Monte Carlo
prcjunior@inf.ufpr.br VRI Visão Robótica e Imagem Universidade Federal do Paraná Introdução são métodos estatísticos baseados em amostragens aleatórias ou pseudoaleatórias Tempo de execução determinístico
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisSSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi Material
Leia maisO ALEATÓRIO EM COMPUTAÇÃO. Por Diogo Anderson Integrante do Grupo PET Computação
O ALEATÓRIO EM COMPUTAÇÃO Por Diogo Anderson (diogo@dsc.ufcg.edu.br) Integrante do Grupo PET Computação AGENDA Introdução Definição Aplicações Números aleatórios Números aleatórios vs pseudo-aleatórios
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisFILAS. Mestrado em Engenharia Elétrica Carlos Marcelo Pedroso 2013
FILAS Mestrado em Engenharia Elétrica Carlos Marcelo Pedroso 2013 Ementa Projeto de redes de computadores via estudos analíticos e de ferramentas de simulação. Bibliografia básica JAIN, Raj. The art of
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Parte II: Modelagem de Sistemas Professor: Reinaldo Gomes reinaldo@computacao.ufcg.edu.br Modelos Modelo é uma abstração de um sistema real Apenas as características
Leia maisMODELAGEM E SIMULAÇÃO DO SISTEMA DE XEROX DOC CENTER
MODELAGEM E SIMULAÇÃO DO SISTEMA DE XEROX DOC CENTER Ernane Rosa Martins¹ ¹Instituto Federal de Educação, Ciência e Tecnologia de Goiás Resumo: O artigo tem como objetivo fazer a modelagem e simulação
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho
Teoria de Filas - Resumo e Exercícios Pedroso 24 de setembro de 2014 1 Introdução 2 Definições básicas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de
Leia maisAvaliação de Desempenho de Sistemas Discretos
Modelos Avaliação de Desempenho de Sistemas Discretos Parte II: Modelagem de Sistemas Modelo é uma abstração de um sistema real Apenas as características importantes para a avaliação devem ser consideradas
Leia maisEng. de Produção. Introdução à Teoria das Filas. Prof. Ricardo Villarroel Dávalos Fpolis, Abril de 2010
Eng. de Produção Introdução à Teoria das Filas Prof. Ricardo Villarroel Dávalos ricardo.davalos@unisul.br Fpolis, Abril de 2010 Introdução Disciplinas das filas λ e IC c µ e TA População de clientes TF
Leia maisESTUDO DE CASO PARA DIMENSIONAMENTO DO PRAZO DE ENTREGA EM UMA LINHA DE PRODUÇÃO DE GARRAFAS DE POLIETILENO DE BAIXA DENSIDADE
ESTUDO DE CASO PARA DIMENSIONAMENTO DO PRAZO DE ENTREGA EM UMA LINHA DE PRODUÇÃO DE GARRAFAS DE POLIETILENO DE BAIXA DENSIDADE Jônatas Araújo de Almeida (UFPE) jonatasaa@hotmail.com Renata Zarzar Pinheiro
Leia mais9 Apêndices. Apendice I Diagrama do ciclo de atividades
122 9 Apêndices Apendice I Diagrama do ciclo de atividades O diagrama do ciclo de atividades usado para representar o modelo de simulação do processo de carregamento e transporte de minério mostrado na
Leia maisAnálise de dados em Fisica de Particulas
Análise de dados em Fisica de Particulas Magno V.T. Machado Instituto de Fisica - UFRGS Escola de Fisica de Particulas e Campos. Agosto 05-09, 2013 Números aleatórios e Monte Carlo Muitas aplicações computacionais
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho
Teoria de Filas - Resumo Pedroso 4 de setembro de 2011 1 Introdução 2 Definições básicas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de sistemas de comunicação
Leia maisS I M U L A Ç Ã O 84
S I M U L A Ç Ã O 84 - 1 - Elabore uma rotina que lhe permita gerar números pseudo-aleatórios (NPA) com distribuição X ( f X ( x ) representa a função de densidade de probabilidade de X e F X ( x ) representa
Leia mais7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS
7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS 7.1. Conclusões Neste trabalho foi estudado o problema da dinâmica da atenuação aplicado a dados resultantes de 28 anos-sítio, sendo 7 de enlaces via satélite
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisModelos Probabilísticos Filas M/M/1, M/G/1. Profa. Jussara M. Almeida 1 o Semestre de 2014
Modelos Probabilísticos Filas M/M/1, M/G/1 Profa. Jussara M. Almeida 1 o Semestre de 2014 Modelos Probabilísticos de Filas R W S λ Notação de Kendall Fila G / G / 1 1 = um único servidor Distribuição dos
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisFILAS Conceitos Fundamentais. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
FILAS Conceitos Fundamentais Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Teoria de Filas É uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento
Leia mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos de v. a. contínuas: Hipoexponencial, Erlang, Hiperexponencial, Gamma, Weibull Aula de hoje Exemplos de v. a. contínuas: Normal, Chi
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisSSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 3 Sarita Mazzini Bruschi
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 3 Sarita Mazzini Bruschi Material
Leia mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação As decisões econômicas de investimento, como adquirir novos equipamentos, aumentar a força de trabalho ou desenvolver novos produtos, bem como a avaliação econômica de projetos,
Leia maisAPOSTILA DE PROCESSOS DECISÓRIOS (JAN/2018)
APOSTILA DE PROCESSOS DECISÓRIOS (JAN/2018) Profª Mônica Roberta Silva, M.Sc. www.retadechegada.com (21) 3902-1462 e (21) 9157-5825 monicarobs@hotmail.com 1 Processo Decisório Bazerman (2004:4) aponta
Leia maisAnálise de Processos ENG 514
Análise de Processos ENG 514 Capítulo 1 Introdução à Modelagem de Processos Prof. Édler Lins de Albuquerque Outubro de 2013 1 Considerações Iniciais Processos e Sistemas da Engenharia Química são Complexos
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisFILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro
TEORIA DAS FILAS FILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro Ingressa na sala de atendimento Sai da sala de atendimento Pessoa precisa de cuidados médicos
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de Setembro a 01 de Outubro
COMPARAÇÃO DOS MÉTODOS DE VERIFICAÇÃO DO AJUSTE DA DISTRIBUIÇÃO GUMBEL A DADOS EXTREMOS CARLOS JOSÉ DOS REIS 1, LUIZ ALBERTO BEIJO 2,GILBERTO RODRIGUES LISKA 3 RESUMO A distribuição Gumbel é muito aplicada
Leia mais, logo, para se obter uma boa precisão seria necessário aumentar, e muito, o número de
2. Simulação de Monte Carlo A Simulação de Monte Carlo (SMC) é um método numérico que utiliza um gerador de números aleatórios para simular possíveis valores da variável de interesse e assim obter a estimativa
Leia mais4 Metodologia Proposta 4.1. Introdução
4 Metodologia Proposta 4.1. Introdução A metodologia proposta para a valoração da flexibilidade decorrente da existência de uma sonda dedicada para intervenção numa plataforma de petróleo consiste no cálculo
Leia maisPERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);
O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores
Leia maisSIMULAÇÃO. Professor: Adriano Benigno Moreira
SIMULAÇÃO Professor: Adriano Benigno Moreira Base de conhecimento Estatística. Pesquisa Operacional PO. Linguagem de Programação C. Distribuição dos Pontos 1º Avaliação Atividade e Prova 30 pontos 2º Avaliação
Leia maisDIMENSIONAMENTO DA OFERTA ATUAL E FUTURA DO TRANSPORTE INTERCAMPI DA USP-SÃO CARLOS: UMA AVALIAÇÃO DE DIFERENTES CENÁRIOS
DIMENSIONAMENTO DA OFERTA ATUAL E FUTURA DO TRANSPORTE INTERCAMPI DA USP-SÃO CARLOS: UMA AVALIAÇÃO DE DIFERENTES CENÁRIOS Bruno Almeida Maximino Cintia Isabel de Campos Cira Souza Pitombo Universidade
Leia maisProgramas de simulação
Conceitos Por que SIMULAR? Objetivos da simulação Avaliar a precisão de modelos analíticos Comparar estratégias distintas Avaliar o desempenho de sistemas 1 Processo de simulação Desenvolvimento de um
Leia maisAPLICAÇÃO DE TEORIA DAS FILAS PARA MODELAGEM E ANÁLISE DE DESEMPENHO NO SETOR DE RECURSOS HUMANOS DE UMA INDÚSTRIA ALIMENTÍCIA.
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 APLICAÇÃO DE TEORIA DAS FILAS PARA MODELAGEM E ANÁLISE DE DESEMPENHO NO SETOR DE RECURSOS HUMANOS DE UMA INDÚSTRIA ALIMENTÍCIA MARCELO OTAVIO MILANI
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisInstrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição
Instrumentação Industrial Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição Introdução a Metrologia O que significa dizer: O comprimento desta régua é 30cm. A temperatura
Leia mais