Modelagem Probabilstica e Simulao

de Sistemas de Produo/Engenharia
da Qualidade.

Simulao de Monte Carlo

Adricia Fonseca Mendes

Introduo
Os

conceitos
abordados
sero
fundamentais para a modelagem e
simulao de sistemas de produo tendo
em vista que o referido mtodo permite
realmente simular um sistema real. A
simulao de sistemas discretos repousa
amplamente no mtodo de Monte Carlo. A
Simulao de Monte Carlo, por ser esta
uma tcnica capaz de recriar totalmente
o funcionamento de um sistema real
dentro de um modelo terico.

Sistema
Definio:
Grupo de objetos que esto juntos em alguma interao ou
interdependncia, objetivando algo em comum.
Elementos:
Entidade;
Atributo;
Atividade;
Estado;
Evento.
3

Sistema
Modos de estudar um sistema

Simulao
Definio:

Simulao a imitao da operao de um

processo ou sistema real ao longo do tempo
para fazer inferncias relativas s
caractersticas do sistema real em estudo.

Simulao
A Simulao permite:
Capturar o comportamento do sistema real;
Anlise da pergunta E se...?;
Representar sistemas complexos de

natureza dinmica e aleatria.

reas de aplicao da
simulao
Produo: Manufatura e montagem, Movimentao de

peas e matria prima, Alocao de mo-de-obra, reas

de armazenagem, Layout, etc;
Transporte e Estocagem: Redes de distribuio,
Armazns e entrepostos, Frotas, etc;
Computacionais: Redes (computadores e comunicao),
Servidores de redes, Arquitetura de computadores,
sistemas operacionais, etc;
Administrativos: Seguradoras, Operadores de Crdito e
Financeiras, etc;
Prestao de servios: Hospitais, Bancos, Restaurantes,
Servios de emergncia, Servios de assistncia jurdica,
etc.
7

Vantagens da simulao
Altamente

indicada

para

modelos

complexos;
Cenrios
alternativos
podem
ser
analisados e comparados com pouca, ou
nenhuma interferncia no sistema real;
Permite o controle total de todas as
variveis, endgenas ou exgenas;
Permite o estudo do comportamento a
longo prazo de um sistema em pouco
tempo de simulao.
8

Desvantagens da
Simulao
Restrio

a um dado conjunto de
parmetros;
Os estudos so em geral caros e
demandam
tempo
para
serem
desenvolvidos;
Tendncia a confiana exagerada. Devese ressaltar que os resultados de um
modelo invlido no possuem qualquer
significado.
9

Simulao de Monte Carlo

Dentre uma variedade de mtodos de
simulao, merece destaque a Simulao
de Monte Carlo, por ser esta uma tcnica
capaz
de
recriar
totalmente
o
funcionamento de um sistema real dentro
de um modelo terico.

10

Definio: Mtodo capaz de transformar um

conjunto de nmeros aleatrios em outro
conjunto de variveis aleatrias, com a
mesma
distribuio
da
varivel
considerada.

Simulao de Monte Carlo

11

Histrico
Durante a segunda guerra
mundial, o matemtico
hngaro americano John
Von Neumann, em seu
trabalho
no
projeto
Manhattan
(bomba
atmica) criou o conceito
denominado
Simulao
de Monte Carlo.
O
trabalho
consistia
na
simulao de problemas

Simulao de Monte Carlo

Histrico

A designao deve-se a
similaridade da simulao
estatstica com jogos de
azar
simbolizados
nas
roletas do cassino de
Monte Carlo na capital do
principado de Monaco.

12

Simulao de Monte Carlo

Caracterizao da simulao de Monte Carlo:
Contnua ou discreta;
Probabilstica;
Esttica (no considera o tempo);
Exemplos: Clculo de integrais complexas,

gerao de distribuies de probabilidade,

finanas, Fsica, Computao Grfica...

13

Simulao de Monte Carlo

Exemplo ilustrativo

14

Etapas da Simulao de
Monte Carlo
A base da simulao de Monte Carlo a

experimentao com os elementos

probabilsticos por meio de amostras
aleatrias. A tcnica pode ser decomposta
em cinco etapas:

15

Aleatoriedade
Pode-se observar que a chave para simular

eventos
aleatrios
discretos

a
gerao de nmeros aleatrios.
Na prtica necessrio uma fonte de
aleatoriedade que gere a ocorrncia
aleatria de eventos;

16

Propriedades de nmeros
aleatrios
Uma

sequncia de nmeros aleatrios

precisa
ter:
uniformidade
e
independncia;
Em
cada
intervalo
de
[0,1]
ser
evidenciada a relao N / n, onde N
corresponde
ao
nmero
total
de
observaes e n ao nmero de classes;
A probabilidade de observar o valor em um
intervalo particular independente de
um valor escolhido anteriormente.
17

Nmeros pseudo-aleatrios
Definio:
So nmeros gerados deterministicamente,
mas que aparentam ser aleatrios, pois
passam nos testes estatsticos. Em geral, so
gerados facilmente por uma equao ou
algoritmo e so tratados como aleatrios.
Ateno: Eles devem estar bem prximos

das
propriedades
estatsticas
uniformidade
independncia.
18

ideais

de
e

Gerao de nmeros
aleatrios
Ateno: Geradores de nmeros aleatrios

no devem ser escolhidos aleatoriamente.

Como produzir nmeros aleatrios?

Dispositivos fsicos (ex. dados, roleta,
moeda e etc.);
Tabela de nmeros aleatrios (livros);
Processos matemticos.
19

Mtodos de Gerao de nmeros

aleatrios
Mtodo do Meio

Quadrado

20

Sequncia
gerada
(76, 77, 92, 6, 11,
12, 14,...) Quando
resultar em 0, devese
utilizar
outra
semente.

Mtodo da

Congruncia

x0 a semente do
nmero aleatrio
mod a funo
mdulo = mostra o
resto
da
diviso
inteira. Ex.: 10 mod 6
=4

Mtodos de Gerao de nmeros

aleatrios
Mtodo da Congruncia

Gerar nmeros aleatrios pelo mtodo da

congruncia, com a =9, c=1, m=17 e x 0=7.

21

Gerador Excel
O Excel tem mais de 90% do mercado e

largamente utilizado na simulao de

modelos de pequeno e mdio porte.
Desta forma, o gerador embutido do Excel
tem sido objeto de muitos estudos de
avaliao da sua qualidade estatstica. O
seu gerador baseado no mtodo da
congruncia. Inmeros trabalhos tcnicos
mostram que o gerador do Excel de boa
qualidade e suas funes responsveis
pela gerao de variveis aleatrias so:
22

Testes para variveis

aleatrias
Via de regra deve-se utilizar geradores de

nmeros aleatrios que tenham sido

amplamente testados. Tambm deve-se
fugir de geradores cuja frmula de gerao
seja desconhecida.
Para assegurar que as propriedades de
uniformidade e independncia sejam
alcanadas, um nmero de testes podero
ser executados.
23

Testes para variveis

aleatrias
1. Teste de frequncia. Utiliza os testes Kolmogorov-

Smirnov e
Qu-quadrado para comparar a distribuio do
conjunto de
nmeros gerados com uma distribuio uniforme;
2. Teste de execuo. Compara os resultados
obtidos com os
esperados;
3. Teste de autocorrelao. Testa a correlao
entre os nmeros aleatrios e compara a correlao
da amostra com a correlao esperada de zero;

24

Testes para variveis

aleatrias
4. Teste de Gap. Conta o nmero de

dgitos que aparecem entre as repeties

de um dgito particular e ento usa
Kolmogorov-Smirnov teste para comparar
com um esperado nmero de Gaps;
5. Teste Poker. Trata nmeros agrupados
juntos como um mo de Poker. Ento, as
mos obtidas so comparadas com o que
for esperado utilizando o teste Ququadrado.
25

Verificao e Validao para

simulao de Monte Carlo
O processo de verificao envolve determinar

se o modelo computacional internamente

consistente e se segue a lgica do modelo
conceitual. A validao o processo de
comparar o modelo com o sistema real que
ele representa para assegurar que ele acurado.
Dever ser realizada a conferncia das
distribuies apropriadas de probabilidade.
A indagao dever ser: ns construmos o modelo

certo ?
26

Fatores importantes para a

simulao de Monte Carlo
Distribuies de probabilidade;
H algum estudo anterior com os dados?
Verifique os valores mnimo, mximo e mais provvel;
Certifique-se que a distribuio escolhida est bem prxima da distribuio real;
Quantidade de simulaes
Quanto mais melhor, sugere-se mais de 10000 simulaes, a fim de tentar representar
melhor o sistema real;
Propriedades das variveis aleatrias
Ficar atento o a uniformidade e independncia das variveis

27

Gerador de Qualidade
Utilizar geradores de aleatoriedade de boa qualidade, de preferencia, que j foram
largamente testados;

Aplicao prtica - Exemplo 1

O gestor da empresa ENPRO que fabrica e vende

produtos feitos a partir de material plstico

reciclado
deseja
projetar
a
Margem
de
Contribuio Unitria Esperada (MCUE) de seus
produtos (ALFA e BETA) para o ms de xxx/2015
com o intuito verificar qual dos produtos
contribuir mais para o resultado econmico da
empresa. Como os custos e as despesas no so
dados de forma determinstica, o gestor realizou
um levantamento histrico de dados consolidados
dos doze ltimos meses acerca dos gastos na
forma de distribuio de frequncia e dos preos
de venda, como mostra o quadro a seguir:
28

Aplicao prtica - Exemplo 1

Com base nos dados abaixo: Pede-se:

projetar a MCU esperada de cada

produto utilizando Simulao de
Monte Carlo.

29

Aplicao prtica - Exemplo 1

1 passo: Para o clculo da MCU de

cada produto, em cada simulao, fazse o uso da frmula apresentada a

seguir :

30

Aplicao prtica - Exemplo 1

2

passo: Aps a aplicao das

simulaes,
deve-se
determinar
Margem de Contribuio Unitria
Esperada (MCUE) de cada produto
para o perodo em anlise. Para tal,
projetam-se as MCUs apontadas em
cada simulao para a aplicao de
estatstica descritiva. A estatstica
utilizada a mdia das MCUs. Assim,
para efeito deste estudo, o valor da
MCU esperada de cada produto pode
ser descrito:

31

Aplicao prtica - Exemplo 1

Segue Tabela com parte dos resultados obtidos na simulao.

32

Aplicao prtica - Exemplo

Suponhamos que uma empresa deseja

simular sua demanda diria de

determinado produto do estoque: Para
tanto preciso que inicialmente se
identifiquem as frequncias relativas das
demandas dirias, conforme mostra a
Tabela abaixo.

33

Referncias
CAETANO, M.A.L. Teorias, Tcnicas e Simulaes

em Processos Aleatrios. Disponvel em:

<http://www.mudancasabruptas.com.br/TeoriaFilas.p
df> Acesso em: 15 Abr. 2015.
MOORE, J.; WHEATHERFORD, L. Tomada de
Deciso em Administrao com planilhas
eletrnicas, Brasil: Bookman, 6. ed. 2005.
Morn, W. Apostila de Modelagem Probabilstica
e Simulao de Sistemas de Produo.
Notas de aulas. Abrao Freires Saraiva Jnior
Notas de aulas. Aneirson Silva.
Notas de aulas. David Custdio de Sena
34

Referncias
Notas de aulas. Marco Antonio Leonel Caetano.
Notas de aulas. Statmeup.
Notas de aulas. Thomas Edson E. Gonalo.
PRADO, Darci Santos do. Teoria das Filas e da

Simulao. 4. ed. Minas Gerais: Instituto de

Desenvolvimento Gerencial S.a., 2009. 2 v. (Pesquisa
Operacional).
Rubinstein R.Y.; Kroese, D. P. Simulation and the
Monte Carlo Method. John Wiley & Sons, Inc., New
York, NY, USA, 2008.
RENDER, B.; STAIR, R.; HANNA, M. Anlise
Quantitativa para Administrao, Brasil: Bookman,
10. ed. 2010.
35