Anexo VI Tcnicas Bsicas de Simulao do livro

Apoio Deciso em Manuteno na Gesto de Activos Fsicos

LIDEL, 2010 Rui Assis rassis@rassis.com http://www.rassis.com

ANEXO VI Tcnicas Bsicas de Simulao

Simular imitar a realidade A simulao uma forma de imitar a realidade sem correr os riscos, os custos e o tempo que resultariam se tivssemos de experimentar. Para o fazermos, criamos um modelo matemtico que descreva o comportamento ao longo do tempo do sistema que vamos estudar. Um modelo considera os elementos existentes no mundo real interrelacionados e funcionando com objectivos. O construtor do modelo deve focar a sua ateno apenas nos elementos mais importantes e na natureza das suas inter-relaes, com o objectivo ltimo de conseguir melhorar o desenho e funcionamento do sistema representado pelo modelo.
Fronteira Meio envolvente

Conceito de sistema

Figura VI.1 Modelo de um sistema

Entradas

Processo Retorno

Sadas

Tipos de modelos

Existem muitos tipos de modelos. Uns so fsicos outros so simblicos. Os modelos fsicos compreendem os modelos icnicos e os analgicos. Os modelos simblicos compreendem os modelos verbais e matemticos. Os modelos matemticos os nicos que nos interessam neste curso possuem vrias caractersticas. Podem diferir nos objectivos (descrio versus optimizao), modo de anlise (analtico versus numrico) e aleatoriedade (determinstico versus probabilstico). Os modelos de simulao contm equaes que expressam relaes entre variveis de interesse. Por exemplo: CT = CF + cv.Q As variveis de um modelo de simulao podem classificar-se como de entrada (polticas, aleatrias ou determinsticas), sada e sada intermdia, (ver a Figura VI.2). Dependendo da natureza do sistema e das caractersticas de interesse pode usar-se um modelo de simulao discreto, contnuo ou combinado. Os modelos discretos so os mais populares. A simulao um mtodo muito potente de anlise que, devido ao tempo e custo necessrios, s deve ser usado depois de esgotadas as alternativas: Modelos matemticos; Experincias com o sistema real ou com um seu prottipo; Experincia e intuio pessoais.

Modelos matemticos

Relaes entre variveis Tipos de variveis Modelos discretos e contnuos

Vantagens e desvantagens

Variveis de entrada

Variveis polticas Variveis aleatrias

Modelo

Variveis de sada

Variveis determinsticas

Variveis de sada intermdia

Figura VI.2 Variveis de um modelo

O ciclo de vida de um modelo de simulao compreende trs fases. Na fase de definio, o problema transmitido ao analista que o conceptualiza e constri uma soluo tcnica; Na fase de desenvolvimento, constri-se o modelo, valida-se e coloca-se em utilizao; Na fase de apoio deciso, o gestor manipula o modelo e decide colocando questes do tipo "O que que acontece se ...?" (what if ...?). Muitas vezes os modelos de simulao so componentes de sistemas de informao para gesto e de sistemas de apoio deciso, compartilhando as mesmas bases de dados. Um modelo de simulao pode proporcionar uma representao bastante fiel do mundo real. Esta representao no possvel, grande parte das vezes, com modelos analticos. A simulao de processos probabilsticos pode ser realizada por vrios mtodos, sendo o de Monte-Carlo o mais popular. A sua adequabilidade, porm, depende dos casos concretos. VI.1 Mtodo de Simulao de Monte-Carlo O mtodo de simulao de Monte-Carlo desenvolve-se ao longo das seguintes fases: Fase 1 Definimos a funo de probabilidade acumulada P(x), da varivel aleatria x, a qual pode ser uma distribuio terica (Uniforme, Triangular, Normal, Beta, Weibull, etc.) ou uma distribuio emprica qualquer. A Figura VI.3 representa uma funo de probabilidade acumulada P(x) da varivel aleatria contnua x; Fase 2 Escolhemos um nmero aleatrio equiprovvel entre 0 e 1 numa tabela de nmeros aleatrios (ou usando a funo RAND() no EXCEL). Representamos este nmero yp no eixo das ordenadas da funo P(x); Fase 3 Projectamos yp horizontalmente at curva P(x), definindo-se o ponto P. Projectamos este ponto, por sua vez, sobre o eixo das abcissas, definindo-se o valor xp de uma amostra; Fase 4 Repetimos o procedimento e obtemos uma amostra. Simulao de Monte-Carlo Ciclo de vida de um modelo

P(x) Figura VI.3 Funo de probabilidade acumulada P(x) 1 yp

xp

Vejamos um exemplo de gerao de uma funo de duas variveis. Exemplo VI.1 A varivel dependente funo de duas variveis independentes aleatrias x e y com a forma Z = 5x + 2y. As variveis aleatrias x e y podem tomar os valores dentro dos intervalos de referncia (probabilidades) descritas no Quadro VI.1. Gerar 8 resultados de Z. Quadro VI.1 Intervalos empricos de probabilidade assumidas pelas variveis x ey
Valores de x 0 1 2 3 4 5 Ensaios Intervalos de referncia 00 - 09 10 - 29 30 - 54 55 - 79 80 - 94 95 - 99 Valores de y 2 3 4 5 Intervalos de referncia 00 - 24 25 - 54 55 - 79 80 - 99

Quadro VI.2 Valores aleatrios assumidos pelas variveis independentes x e y e dependente Z

1 2 3 4 5 6 7 8

N aleatrio para x 43 96 57 53 14 03 33 40

x 2 5 3 2 1 0 2 2

N aleatrio para y 22 50 13 36 91 58 45 43

y 2 3 2 3 5 4 3 3

Valores de Z = 5x + 2y 14 31 19 16 15 8 16 16

Caso em Gesto de stocks

Um modelo de simulao de Monte-Carlo pode prever o comportamento de um sistema de gesto do stock de um artigo1, fornecendo como variveis de sada: o nvel mdio e nvel mximo de stock e os custos de posse, de encomendas e de roturas. Estes valores dependem do conjunto de variveis de deciso: Ponto de Encomenda e quantidade por encomenda
1

Ver o Anexo VII.

ou periodicidade de encomenda e nvel de stock objectivo conforme usarmos o modelo de reviso contnua ou de reviso peridica, respectivamente. Um modelo de simulao de uma fila de espera permite obter como variveis de sada: os tempos de espera dos clientes e o comprimento da fila, bem como, os tempos de ociosidade dos atendedores. Estes valores dependem do tempo entre chegadas e dos tempos de atendimento (variveis independentes) e do nmero de atendedores (varivel de deciso). A optimizao por simulao consegue-se por aproximaes sucessivas zona ptima, fazendo variar o conjunto de todas as variveis de deciso. A figura VI.4 mostra o caso de sucessivas iteraes para encontrar o conjunto de valores das variveis de entrada X e Y que minimizam a varivel de sada Z. O ponto P corresponde ao ptimo, ou seja, ao mnimo dos mnimos de Z.
Y1 Y2 Y3 Y4 Y7 Y6 Y5 Y8

Caso de uma fila de espera

Optimizao em simulao

Figura VI.4 Mnimo dos mnimos das vrias funes Z(X,Y)

P Zmn X* X

VI.2 Processos geradores de valores aleatrios Uma componente muito importante de um modelo de simulao consiste na amostragem dos processos probabilsticos. O procedimento que permite executar uma amostragem designa-se processo gerador. O processo gerador de distribuies de probabilidade empricas mais difcil do que o das distribuies de probabilidade tericas. O processo gerador das distribuies tericas requer apenas que o analista introduza os parmetros apropriados a cada tipo de distribuio. VI.2.1 Variveis contnuas No caso das distribuies contnuas tericas, tais como a Uniforme, a Exponencial negativa e a Triangular, o processo gerador pode ser obtido
5

Distribuies de Probabilidade tericas

pelo mtodo inverso. Com este mtodo, a distribuio simples integrada para obter a sua verso acumulada. A equao resultante igualada a r (nmero aleatrio uniforme) e resolvida de forma a obtermos a varivel aleatria x em funo de r. Distribuio Uniforme
p(x)

Figura VI.5 Funo densidade de probabilidade da distribuio Uniforme

1/(B-A)

0 A B x

O gerador da distribuio Uniforme : Expresso VI.1 Apoio do EXCEL Expresso VI.2 x = A + r.(B A) No EXCEL, podemos gerar qualquer valor contnuo x da distribuio Uniforme, entre B e A (B > A), fazendo: x = A + RAND()*(B A) Distribuio Exponencial negativa
p(x)

Figura VI.6 Funo densidade de probabilidade da distribuio Exponencial

0 0 x

O gerador da distribuio Exponencial no EXCEL : Expresso VI.3 x = -LN(RAND()) /

Distribuio Triangular
p(x) 2/(P-O)

Figura VI.7 Funo densidade de probabilidade da distribuio Triangular

0 O L P x

O gerador da distribuio Triangular, quando r < (L O) / (P O), :

x = O + r.(L O )(P O ) .

Expresso VI.4

O gerador da distribuio Triangular, quando: r (L O) / (P O), :

x = P

(1 r )(P L )(P O ) . .

Expresso VI.5

Distribuio Normal

p(x)

P(x x1) = A

Figura VI.8 Funo densidade de probabilidade da distribuio Normal

A
0

x
0

x1

x Z

O gerador da distribuio Normal no EXCEL : x = NORMINV(RAND();;) ou: x = + NORMSINV(RAND())* Expresso VI.7 Expresso VI.6

Distribuio de Weibull
p(x)

Figura VI.9 Funo densidade de probabilidade da distribuio de Weibull

>1

x0

A funo geradora da funo de Weibull no EXCEL a seguinte: Expresso VI.8

x = x0 + .[ ln (RAND() )]
1

Distribuio LogNormal
p(x)

Figura VI.10 Funo densidade de probabilidade da distribuio LogNormal

A funo geradora da funo LogNormal no EXCEL a seguinte: Expresso VI.9 x = LOGINV(RAND();y;y) VI.2.2 Variveis discretas A amostragem a partir de distribuies tericas discretas, tais como a Bernoulli, Binomial (n processos de Bernoulli) e Poisson, realizada atravs de um procedimento de contagem dos valores assumidos pela varivel aleatria. No caso de variveis discretas, se existirem dados histricos cujo padro possa repetir-se no futuro, analisam-se os dados em frequncia. Se no
8

existirem esses dados, estimam-se em probabilidade. Calculam-se, assim, as distribuies em probabilidade simples e acumulada de cada varivel. Seguidamente, aloca-se a cada valor possvel da varivel, um intervalo de nmeros aleatrios proporcional probabilidade da sua ocorrncia. Produz-se ento uma amostra de valores da varivel, gerando nmeros aleatrios e seleccionando os valores da varivel que lhe esto associados. Nesta obra no se apresentam os processos geradores das distribuies tericas discretas pois no fcil program-los no EXCEL. , contudo, possvel criar valores aleatrios das distribuies Bernoulli, Binomial, Poisson e Discrete (a Uniforme e a Normal so contnuas e a Patterned pode ser contnua ou discreta), usando a janela de dilogo mostrada na Figura VI.11, fazendo sucessivamente: Tools, Data analysis, Random Number Generation. Figura VI.11 Janela de dilogo no EXCEL para gerao de nmeros aleatrios

VI.3 Complementos das tcnicas de simulao A qualidade dos nmeros aleatrios fundamental para um estudo de simulao. Os nmeros aleatrios podem ser obtidos numa tabela (das muitas publicadas) ou em software para o efeito. Por vezes, os nmeros aleatrios no se encontram disponveis e o analista tem que saber gerlos e testar a sua qualidade. Um gerador de nmeros aleatrios deve gerar nmeros verdadeiramente aleatrios (equiprovveis), ser rpido, no requerer muito espao de armazenagem, possuir um longo perodo de ciclo, no degenerar e ser capaz de repetir sequncias predefinidas. Um gerador de nmeros aleatrios deve passar qualquer teste estatstico de aleatoriedade.

O objectivo da fase de desenho experimental de um modelo de simulao, consiste em conseguir o desenho efectivo e eficiente de uma experincia, de forma a determinar o efeito de diferentes variveis no comportamento do sistema que o modelo representa. Trata-se pois de uma forma de conhecer a resposta do sistema a diferentes factores. O nmero destes factores pode ser apenas um ou vrios. Cada factor pode variar ao longo de todo o intervalo possvel ou apenas ao longo de parte, dizendo-se que o desenho experimental completo ou parcial, respectivamente. Os modelos de simulao empregam os seguintes mtodos de avano do tempo: prximo acontecimento (o relgio progride por saltos desiguais); incremento fixo (o relgio progride por saltos iguais). A seleco de um ou outro mtodo depende do tipo de aplicao, da linguagem de programao usada, do tempo disponvel para correr o modelo e da preciso da informao requerida. Prximo acontecimento: Figura VI.12 Mtodos de avano do tempo: prximo acontecimento ou por incremento fixo
A5 A6 A7 Relgio

20

21

22

23

24

25

26

27

28

29

30

Tempo

Incremento temporal fixo:

A5 A6 A7 Relgio

20

21

22

23

24

25

26

27

28

29

30

Tempo

Quando se inicia uma corrida de um modelo de simulao, existe um perodo inicial transitrio antes de se entrar no regime estacionrio. O interesse da anlise pode situar-se no perodo transitrio ou no estacionrio ou em ambos, dependendo das caractersticas de interesse do sistema que se pretendem captar. Este facto determina quais as condies do estado inicial que devero ser usadas e o perodo de tempo a simular de forma a poder coligir e analisar dados suficientes.
Regime transitrio Regime estacionrio

Figura VI.13 Regime transitrio e regime estacionrio

Tempo

10

Quando as observaes das variveis de sada so estatisticamente independentes (ou quase), pode utilizar-se as frmulas da amostragem simples para calcular o nmero necessrio de iteraes.

+ Z

s
2

s
2

A amplitude do intervalo de confiana atinge um valor limite (preciso) desejado

Figura VI.14 A amplitude do intervalo de confiana decresce com o aumento do n de observaes n

N de observaes (n)

A validao de um modelo ao longo das vrias fases de desenvolvimento muito importante. A validao compreende: O teste dos pressupostos; O teste emprico das relaes usadas; A comparao das sadas do modelo com os dados colhidos do sistema real representado. Devido natureza probabilstica das variveis de sada, os seus valores mdios devem ser expressos em intervalos de confiana conforme mostra a Figura VI.15 e descrito nas Expresses VI.10, VI.11 e VI.12.
Probabilidades

95 %

Figura VI.15 Normal reduzida para um nvel de confiana de 95%

2,5 %

2,5 %

X - 1,96.s -1,96

X 0,0

X + 1,96.s +1,96

x Z

Intervalo de confiana da mdia quando n 30 (usamos a funo t de Student):

x t
2

;( n 1)

s n

Expresso VI.10

11

Intervalo de confiana da mdia quando n > 30 (usamos a funo Normal reduzida Z): Expresso VI.11

x Z .
2

s n

Intervalo de confiana no caso das propores: Expresso VI.12

p Z .
2

p.(1 p ) n

Nestas trs expresses, representa o nvel de significncia e o segundo termo da equao o erro amostral. Quando se comparam duas alternativas entre si usando o mesmo modelo de simulao, e no qual cada alternativa se caracteriza por diferentes valores de uma ou mais das suas variveis de entrada, torna-se necessrio determinar se os resultados obtidos so significativamente diferentes ou no. Para tal, se A e B representarem os valores esperados de uma qualquer varivel de sada resultantes da simulao das duas alternativas, e se considerarmos que a hiptese nula corresponde a A = B, ento, podemos chegar a uma de trs concluses:

A = B (a hiptese nula verdadeira); A < B (a hiptese nula falsa); A > B (a hiptese nula falsa).
A concluso depender dos valores esperadosXA eXB da varivel em estudo, bem como dos desvios padro sA e sB obtidos nas duas alternativas. Assumindo que as simulaes so estatisticamente independentes, isto , que os nmeros aleatrios usados em cada alternativa foram diferentes, e assumindo normalidade na distribuio dos resultados de cada alternativa, podemos eleger Z para estatstica de teste.

Expresso VI.13

Z=

XB +
2 sB nB

s2 A nA

Admitindo um nvel de significncia , a regra de deciso ser ento a seguinte: Se Z < -Z/2 ento: A < B e rejeitamos a hiptese nula; Se -Z/2 < Z < Z/2 ento: A = B e aceitamos a hiptese nula; Se Z > Z/2 ento: A > B e rejeitamos a hiptese nula. O desenvolvimento bem-sucedido de um modelo de simulao requer mais do que competncia tcnica. O analista deve seguir um processo
12

lgico e sistemtico de desenvolvimento do modelo e deve saber relacionar-se com os futuros utilizadores de forma a gerar interesse e aceitao. As fases do processo de concepo, teste e implementao de um modelo incluem: A identificao do problema e definio de objectivos; A ponderao de potenciais custos e benefcios; A colheita de dados e desenvolvimento do modelo; A validao do modelo; A implementao dos resultados. Durante o desenvolvimento de um modelo fundamental que haja envolvimento do utilizador final e haja apoio por parte dos gestores. Deve haver muito cuidado na definio do problema e na seleco da informao necessria. O desenho do modelo deve ter em conta a verdade dos dados, a forma como os utilizadores tomam decises e a forma como o modelo ir ser utilizado. Uma boa regra consiste em construir um modelo pequeno e expandi-lo mais tarde quando a situao o exigir. Um modelo s dever ser usado se o utilizador final perceber a sua validade e utilidade. Concepo de modelos de simulao

13