GOVERNO DO ESTADO DO PAR

UNIVERSIDADE DO ESTADO DO PAR

CENTRO DE CINCIAS NATURAIS E TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA

Pesquisa Operacional
Tpico 4 Simulao

Rosana Cavalcante de Oliveira, Msc

rosanacavalcante@gmail.com

Maio, 2008

Universidade do Estado do Par - Pesquisa Operacional

1.

Introduo

Uma simulao a imitao, durante determinado perodo de tempo, da operao de um

sistema ou de um processo do mundo real. Feita a mo ou em um computador, a simulao
envolve a gerao de uma histria artificial do sistema e, a partir desta histria artificial, a
inferncia de como o sistema real funcionaria. O comportamento do sistema estudado pela
construo de um Modelo de Simulao. Este modelo normalmente toma a forma de um
conjunto de consideraes relacionadas a operao do sistema. Estas consideraes so
expressas atravs de relaes matemticas, lgicas e simblicas entre as entidades, ou objetos
de interesse, do sistema. Uma vez construdo e validado, um modelo pode ser usado para
investigar uma grande quantidade de questes do tipo e se... sobre o sistema do mundo real.
Alteraes no sistema podem ser inicialmente simuladas para se prever as conseqncias no
mundo real. A Simulao tambm pode ser usada para estudar sistemas no estgio de projeto,
ou seja, antes do sistema ser construdo. Assim, a Simulao pode usada tanto como uma
ferramenta de anlise para prever o efeito de mudanas em sistemas j existentes, quanto
como uma ferramenta para prever o desempenho de novos sistemas sobre as mais variadas
circunstncias.

Figura 1- Simulao como modelo da realidade

1.1. Vantagens e desvantagens

As vantagens principais da simulao so:
Novas polticas, procedimentos operacionais, regras de negcio, fluxos de
informao etc, podem ser estudadas sem se alterar o mundo real.
Novos equipamentos, layouts, sistemas de transporte, etc, podem ser testados sem se
comprometer recursos na sua aquisio.
Hipteses sobre como e porque certos fenmenos ocorrem podem ser testados
visando verificar sua praticabilidade.
O tempo pode ser comprimido ou expandido permitindo acelerar ou retardar o
fenmeno sob investigao.
Pode-se entender melhor sob a interao das variveis do sistema.
Pode-se entender melhor a participao das variveis na performance do sistema.
Gargalos em processos produtivos podem ser analisados nas mais diferentes formas.
Um modelo de simulao pode ajudar a entender como um sistema funciona como
um todo, em relao a como se pensa que o sistema opera individualmente.
Questes do tipo e se... podem ser respondidas. Isto extremamente til na fase de
elaborao de um projeto.
As desvantagens a serem consideradas so:
A construo de Modelos de Simulao requer treinamento especial. Alm disto, se 2
modelos so construdos por 2 profissionais competentes, eles tero semelhanas, mas ser
altamente improvvel que sejam iguais.
Os resultados de uma Simulao podem ser difceis de interpretar. Como a maioria
das sadas de uma simulao so variveis aleatrias (elas esto normalmente baseadas em
entradas aleatrias), difcil determinar se uma observao o resultado do relacionamento
entre as variveis do sistema ou conseqncia da prpria aleatoriedade.

Pgina | 2
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

A construo e anlise de Modelos de Simulao pode consumir muito tempo e,

como conseqncia, muito dinheiro. Economizar por sua vez pode levar a modelos
incompletos.
A Simulao usada em muitos casos onde uma soluo analtica possvel.
A Simulao no d resultados exatos.
1.2 reas de aplicao
Existem inmeras reas de aplicao da simulao. A seguir esto listadas algumas das
mais importantes:
Simulao das operaes de uma companhia area para testar alteraes em seus
procedimentos operacionais.
Simulao do fluxo de partculas no carregadas atravs de um campo radioativo
para determinar a intensidade de radiao que penetra o campo.
Simulao de uma siderrgica para avaliar alteraes nos seus procedimentos
operacionais.
Simulao da economia de um setor de um pas para prever o efeito de mudanas
econmicas.
Simulao de batalhas militares visando avaliar o desempenho de armas estratgicas.
Simulao de sistemas de distribuio e controle de estoque, para melhorar o
funcionamento destes sistemas.
Simulao de uma barragem em um determinado rio para avaliar os problemas
advindos com a sua construo.
Simulao de uma linha de produo em determinada indstria, para avaliar efeitos
de mudanas previstas no processo produtivo. Etc...
1.3. Etapas de um estudo de simulao
Formulao do problema;
Estabelecimento de objetivos;
Construo do modelo lgico-matemtico;
Levantamento dos dados;
Construo do modelo computacional;
Verificao do modelo computacional;
Validao do modelo computacional;
Implementao;
2.

Tipos de Modelos

2.1. Modelos Estticos e Modelos Dinmicos.

Modelos de Simulao podem ser Estticos ou Dinmicos.
Um modelo de simulao esttica, algumas vezes chamado de Simulao de Monte
Carlo, um modelo onde a passagem do tempo irrelevante. Modelos de Simulao
Dinmicos representam sistemas cujos resultados variam com a passagem do tempo.
Um modelo de simulao pode ser ainda Determinstico ou Estocstico. Modelos de
simulao que no contm nenhuma varivel aleatria so classificados como determinsticos,
ou seja, para um conjunto conhecido de dados de entrada teremos um nico conjunto de
resultados de sada. Um modelo estocstico de simulao tem uma ou mais variveis
aleatrias como entrada. Estas entradas aleatrias levam a sadas aleatrias que podem
somente ser consideradas como estimativas das caractersticas verdadeiras de um modelo.
Assim, por exemplo, a simulao (estocstica) do funcionamento de uma agncia
bancria envolve variveis aleatrias como o intervalo entre chegadas e a durao dos
Pgina | 3
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

servios prestados. Logo, medidas como o nmero mdio de clientes esperando e o tempo
mdio de espera de um cliente devem ser tratadas como estimativas estatsticas das medidas
reais do sistema.
2.2. Modelos Discretos e Contnuos
Os modelos de simulao dinmicos podem ser Discretos ou Contnuos. Em uma
simulao discreta, considera-se somente os eventos onde h alterao do sistema, ou seja, o
tempo decorrido entre alteraes do estado do sistema no relevante para a obteno dos
resultados da simulao. Alguns autores a chamam de Simulao de Eventos Discretos,
enfatizando assim que a discretizao se refere apenas ocorrncia dos eventos ao longo do
tempo. Um exemplo seria a simulao de uma agncia bancria onde entre a chegada (ou a
sada) de clientes o estado do sistema no se altera. Numa Simulao Contnua o sistema se
altera a cada frao de tempo. Exemplos clssicos so a simulao de um avio voando e a
passagem de gua por uma barragem.
2.3. Exemplo (Fila com uma estao de servio)
Uma loja tem somente 1 atendente. Os fregueses chegam aleatoriamente com intervalo,
entre eles, variando de 1 a 8 minutos. Cada valor possvel do intervalo entre chegadas tem a
mesma probabilidade de ocorrncia, como mostrado na tabela a seguir:

A durao do atendimento aos clientes varia de 1 a 6 minutos com probabilidades

mostradas na tabela a seguir:

Temos que construir tabelas relacionando as probabilidades com nmeros aleatrios

gerados:

Pgina | 4
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

A simulao para os primeiros 20 clientes apresentou os seguintes resultados:

Podemos, a partir da simulao, inferir alguns resultados:

O tempo de espera mdio de um cliente foi de 2,8 minutos. Este valor encontrado de :

A probabilidade de que um cliente tenha que esperar na fila 65%. Isto vem de:

A proporo de tempo que o atendente fica ocioso 21%. Vem de:

Pgina | 5
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

O atendente est ocupado 100 - 21 = 79% do tempo.

O tempo de servio mdio de 3.4 minutos. Podemos obt-lo de:

Este resultado pode ser comparado com o tempo de servio esperado achando-se a mdia da
distribuio do tempo de servio usando a equao:

Temos ento:
1(0:10) + 2(0:20) + 3(0:30) + 4(0:25) + 5(0:10) + 6(0:05) = 3:2 minutos
O resultado da simulao um pouco maior porque o tamanho da simulao foi pequeno.
Quanto maior a durao da simulao mais o resultado se aproximar de 3.2 minutos.
Algum que fosse tomar decises estaria interessado nos resultados obtidos acima.
Obviamente seria necessrio uma simulao mais demorada para se conseguir resultados
mais precisos.
Entretanto, algumas inferncias podem ser obtidas: A maioria dos clientes tem que esperar
mas a espera no excessiva. O atendente no fica muito tempo ocioso.
O objetivo a ser alcanado vai depender do balano entre o custo de espera e o custo de se
colocar mais atendentes.
3.

A gerao de Nmeros Aleatrios

Pudemos reparar no exemplo acima que a chave para simular eventos aleatrios
discretos a gerao de nmeros aleatrios. Como se usa o computador para fazer a
simulao, precisamos de mtodos rpidos e eficientes para ger-los.
Os nmeros aleatrios, gerados em computador, no so realmente aleatrios pois eles
so gerados em seqncias que podem ser reproduzidas, o que viola o princpio bsico da
aleatoriedade. Como contornar este fato? Se os nmeros passam por uma srie de testes
estatsticos de aleatoriedade ento, para efeitos prticos, podemos consider-los como se
fossem realmente aleatrios.
Por este fato eles so conhecidos como nmeros Pseudo-aleatrios. comum se usar,
em simulao, a expresso nmeros aleatrios, mas considere, sempre, isto como um
sinnimo de nmeros pseudo-aleatrios.
3.1. Propriedades desejveis de um gerador de nmeros aleatrios
Um gerador de nmeros aleatrios deveria possuir todas as caractersticas abaixo:
1. Aleatoriedade:
essencial que a seqncia gerada exiba as propriedades dos nmeros verdadeiramente
aleatrios. Este comportamento aleatrio deve ser confirmado por testes estatsticos.
2. Grande Perodo
Todos os geradores de nmeros aleatrios so baseados no uso de frmulas
determinsticas precisas. Estas frmulas fazem com que, a partir de um valor inicial chamado
semente, seja gerada uma srie de nmeros aleatrios (pseudo-aleatrios). Em um
Pgina | 6
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

determinado ponto da srie, voltamos semente e como a srie gerada por uma frmula, a
srie, obviamente, se repete. A quantidade de nmeros gerados at a seqncia comear a se
repetir chamada de Perodo. Sempre desejamos o maior perodo possvel. Para propsitos
prticos o perodo deve ser, no mnimo, grande o suficiente para no se repetir durante uma
simulao.
3. Eficincia Computacional
Desde que um estudo de simulao necessita de que um grande nmero de variveis
aleatrias sejam geradas, o gerador de nmeros aleatrios deve gerar estes nmeros gastando
o mnimo de tempo de computador. Alm disto, o gerador no deve usar muita memria. Com
a evoluo dos computadores esta ltima propriedade est perdendo um pouco de sua
importncia.
3.2. Mtodos para a gerao de nmeros aleatrios
3.2.1 Mtodo dos quadrados mdios
Um dos primeiros mtodos de gerao de nmeros aleatrios foi o chamado Mtodo dos
Quadrados Mdios. Este mtodo foi desenvolvido por John Von Neumann na dcada de 40. A
tcnica comea com um nmero inicial chamado de semente. O nmero ento elevado ao
quadrado e os dgitos do meio do nmero gerado formam o prximo nmero da seqncia.
Este segundo nmero ento elevado ao quadrado e os nmeros do meio do nmero gerado
so o prximo nmero da seqncia e assim por diante.
Exemplo: Gerar uma seqncia de nmeros aleatrios de 4 dgitos. Seja 3187 a semente
normalmente rotulada como x0 (x0 = 3187)

e assim por diante...

Este mtodo apresenta 2 problemas srios: normalmente os perodos so curtos e se o no
gerado 0, o mtodo s apresenta zero!
Exemplo: Gerar, pelo mtodo dos quadrados mdios, nmeros pseudo aleatrios de 2 dgitos
tendo 44 como semente.

3.2.2 Mtodos Congruentes

A maioria dos mtodos usados hoje em dia so variaes do chamado Mtodo
Congruente Linear, cujos pontos bsicos foram propostos por Lehmer em 1951. Neste mtodo
os nmeros aleatrios, gerados sucessivamente, so obtidos da relao recursiva:

Pgina | 7
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

A funo z mod t d o resto inteiro da diviso de z por t (ex. 23 mod 5 = 3). A constante
a chamada de multiplicador, a constante c o incremento e m o mdulo. Como antes, x0
a semente.
Quando c = 0 chamado de Mtodo da Congruncia Multiplicativa.
Por ser, estatisticamente, mais pobre que o Mtodo da Congruncia Multiplicativa (c = 0), o
Mtodo da Congruncia Linear (c 0) no praticamente mais usado.
Exemplo: Gerar nmeros aleatrios usando o mtodo congruente linear tendo os seguintes
valores: x0 = 0 , a = 2 , c = 3 e m = 10.

Como podemos observar o perodo desta gerao foi muito curto (=4).
Ficou claro tambm, neste pequeno exemplo, que o nmero aleatrio gerado o resto
inteiro da diviso por m, ou seja um nmero inteiro entre 0 e (m - 1). Neste ponto devemos
esclarecer que a frmula congruente necessria para se gerar nmeros aleatrios mas no
suficiente. A seleo dos valores de a, c, m e x0 afeta drasticamente as propriedades
estatsticas da gerao bem como o tamanho do perodo.
4.

Simulao de Monte Carlo

uma simulao esttica usada para modelar fenmenos probabilsticos cujas

caractersticas no mudam com o tempo, necessita de nmeros pseudo-aleatrios, assim como
as simulaes dinmicas e tambm pode ser usado para avaliar expresses no probabilsticas
atravs de mtodos probabilsticos.
A simulao de Monte Carlo tem sido reconhecida como uma ferramenta de grande
utilidade para tomadores de deciso tratarem situaes sujeitas a risco em seus projetos de
investimento. No entanto, no passado, o seu uso foi limitado principalmente pela necessidade
de programao e de equipamento computacional. Com o recente avano dos computadores
pessoais e desenvolvimento de softwares tais como planilhas eletrnicas sofisticadas e
programas de computador especficos (ex: @Risk, Cristal Ball 2000), esta tcnica tem se
tornado mais accessvel aos tomadores de deciso.
A cidade de Monte Carlo, Mnaco, um lugar onde os cassinos so a principal atrao.
Jogos como roleta, dados etc exibem um comportamento randmico, esse comportamento
randmico de jogos similar a forma como a simulao de Monte Carlo funciona. Por
exemplo, quando se rola um dado, sabe-se que os possveis valores so 1, 2, 3, 4, 5 e 6. No
entanto, no se sabe qual vai ser o resultado do dado para uma jogada em particular. Da
mesma forma acontece com as variveis da simulao, onde se conhece a faixa de valores
possveis, mas no se sabe o valor especfico para um dado tempo ou evento.
A simulao de Monte Carlo randomicamente gera inmeros valores para variveis
consideradas incertas, simulando assim combinaes de valores dessas variveis que levam a
resultados que so o foco da anlise. No caso de anlise de rentabilidade de projetos de
investimento, cada simulao como se o projeto tivesse sito executado e atingido uma
determinada rentabilidade. As vrias simulaes ento geram uma srie de valores de
possveis rentabilidade que permitem ao tomador de deciso analisar o risco daquele projeto
sob as condies que ele foi elaborado e modelado na planilha.

Pgina | 8
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

4.1. Fases da Simulao de Monte Carlo

De modo geral, a anlise de risco utilizando a simulao de Monte Carlo definida por
quatro passos distintos, ou seja:
Desenvolvimento do modelo: Nesta fase, o problema e suas caractersticas
modelado, relacionando-se as variveis do modelo;
Identificar a Incerteza e/ou Risco: identificar no modelo as variveis que exercem
significativa importncia no resultado do modelo. Identificadas essas variveis, o estudo de
cada uma necessrio para que se defina a distribuio de probabilidade que melhor se ajusta
a aquela srie de dados. Esse procedimento se repete para cada uma das variveis de risco do
modelo. Essas so chamadas variveis de entrada do modelo de simulao;
Identificar a(s) Varivel(eis) de Anlise (Var. de Sada): Por outro lado,
identifica-se as variveis de estudo ou ndices de desempenho do projeto cujo
comportamentos sero analisados. Essas so chamadas variveis de sada ou anlise.
Gerar Simulao: Executar o modelo N vezes, gerando a srie de valores para
varivel de anlise;
Anlise do Modelo Simulado: Obter a distribuio de freqncia e distribuio de
freqncia acumulada para as variveis de anlise (sada);
Tomar a Deciso - tomar a deciso com base nas informaes obtidas em conjunto
como outros aspectos relevantes do projeto.
4.2 Anlise das Variveis de Sada:
Vamos considerar que uma simulao de 250 vezes revelou o comportamento para a
margem bruta (MB) de uma atividade (varivel de sada) mostrado nos dois grficos abaixo.
A anlise do grfico pode revelar algumas informaes:
A o valor mais provvel dentro dessas simulaes uma MB entre $0 e $250 (usando o
grfico de Freqncia por bloco).
B Considerando-se um valor aceitvel para a MB $500, existe uma probabilidade de 70%
de o valor da MB esteja abaixo de $500 (usando o grfico de freqncia acumulada).

Pgina | 9
www.rosanacavalcante.org

Universidade do Estado do Par - Pesquisa Operacional

BIBLIOGRAFIA
PRADO, DARCI. Teoria das filas e da simulao. Belo Horizonte, M. Editora de
desenvolvimento gerencial, 1999.

Exerccio
1) Usando o mtodo dos quadrados mdios, calcule os 12 primeiros nmeros gerados, com 4
dgitos, a partir de uma semente igual a 7308.
2) Use o mtodo congruente linear para gerar um seqencia de 3 nmeros aleatrios de 2
dgitos. Use x0 = 27; a = 8; c = 47 e m = 100.
3) Encontramos algum problema no exerccio anterior se x0 = 0 ?

Pgina | 10
www.rosanacavalcante.org