1
© UNESP 6 Agosto 2008
Autor: Anibal Tavares de Azevedo
Limeira, 26 de Setembro de 2013
MODELOS E SIMULAÇÃO DE SISTEMAS AULA DE LABORATÓRIO 5
2
© UNESP 6 Agosto 2008
Exemplo 1: Em um drive-in com 1 atendente 10 carros chegam por hora.
Assumindo que o tempo médio de serviço por cliente é de 4 minutos e tanto o tempo entre as chegadas e o tempo de
atendimento são exponenciais:
TEORIA DE FILAS
(B) Qual o número médio de carros na fila esperando atendimento (carro em atendimento não está na fila)?
(C) Qual o tempo médio gasto por um carro no sistema?
(A) Qual a probabilidade do servidor estar vazio?
(D) Na média quanto clientes são atendidos por hora?
© UNESP 6 Agosto 2008
Sabendo que o modelo de filas segue M/M/1/GD/∞∞∞∞/∞∞∞∞, que a taxa de chegadas é de λλλλ = 10 carros por hora e de atendimento
é de µµµµ= 15 carros por hora e que ρρρρ = λλλλ/µµµµ = 10/15 = 2/3.
j+1 j
j-1
λλλλ
= 10
λλλλ= 10
µµµµ
= 15
µµµµ= 15
ππππ0
= (1 -
ρρρρ) = (1 – 2/3) = 1/3
4
(B) Qual o número médio de carros na fila esperando atendimento (carro em atendimento não está na fila)?
TEORIA DE FILAS
) 3 / 4 ) ( 3 / 1 (
) 9 / 4 ( ) 3 / 2 ( 1
) 3 / 2 ( 1
2
2
= =
= −
= −
−
= ρ
ρ ρ L Lq
(C) Qual o tempo médio gasto por um carro no sistema?
3
© UNESP 6 Agosto 2008
(D) Na média quanto clientes são atendidos por hora?
Se o servidor estivesse sempre ocupado, então, µµµµ = 15 clientes seriam atendidos em 1 hora. Mas, do item (a) sabe-se que o
servidor está ocupado 2/3 do tempo. Assim, em qualquer, hora em média (2/3)*15 = 10 clientes são atendidos. E este
deve ser justamente o caso dado que por hora chegam 10 clientes.
6
© UNESP 6 Agosto 2008
PROMODEL
Passo 1: Construir os locais
Locais
© UNESP 6 Agosto 2008
8
PROMODEL
Passo 1: Construir os locais
5
© UNESP 6 Agosto 2008
Passo 1: Construir os locais
Máximo de itens na fila
10
© UNESP 6 Agosto 2008
PROMODEL
Passo 1: Construir os locais
Estatísticas do local
© UNESP 6 Agosto 2008 1
12
PROMODEL
Passo 2: Construir as entidades
Entidades
7
© UNESP 6 Agosto 2008
Passo 2: Construir as entidades
14
© UNESP 6 Agosto 2008
PROMODEL
Passo 3: Chegadas
Chegadas
© UNESP 6 Agosto 2008
16
PROMODEL
Passo 3: Chegadas
9
© UNESP 6 Agosto 2008
Passo 3: Chegadas
Clicar com o botão direito
18
© UNESP 6 Agosto 2008
PROMODEL
Passo 3: Chegadas
© UNESP 6 Agosto 2008
20
PROMODEL
Passo 3: Chegadas
11
© UNESP 6 Agosto 2008
Passo 3: Chegadas
22
© UNESP 6 Agosto 2008
PROMODEL
Passo 3: Chegadas
Taxa de Chegada:
λλλλ= 10
© UNESP 6 Agosto 2008
Intervalo entre chegadas: E(6)
E(6)
24
PROMODEL
Passo 4: Processamento
Processamento
E(6)
13
© UNESP 6 Agosto 2008
Passo 4: Processamento
26
© UNESP 6 Agosto 2008
PROMODEL
Passo 4: Processamento
© UNESP 6 Agosto 2008
28
PROMODEL
Passo 4: Processamento
Processamento
15
© UNESP 6 Agosto 2008
Passo 4: Processamento
Taxa de proc.:
µµµµ30
© UNESP 6 Agosto 2008
PROMODEL
Passo 4: Processamento
Taxa de proc.:
µµµµ© UNESP 6 Agosto 2008
Taxa de proc.:
µµµµ32
Passo 4: Processamento
PROMODEL
Taxa de proc.:
µµµµ= 15
17
© UNESP 6 Agosto 2008
Passo 4: Processamento
Tempo médio de serviço: E(4)
E(4)
E(4)
34
© UNESP 6 Agosto 2008
Passo 4: Processamento
PROMODEL
Tempo médio de serviço: E(4)
E(4)
E(4)
© UNESP 6 Agosto 2008
Finalizando: Rotear para saída
36
Passo 4: Processamento
PROMODEL
Finalizando: Rotear para saída
E(4)
19
© UNESP 6 Agosto 2008
Passo 5: Configuração da Simulação
Informação Geral
E(4)
38
© UNESP 6 Agosto 2008
PROMODEL
Passo 5: Configuração da Simulação
Informação Geral
© UNESP 6 Agosto 2008
Opções
40
PROMODEL
Passo 7: Execução da Simulação
Executar
21
© UNESP 6 Agosto 2008
ππππ0
= (1 -
ρρρρ) = (1 – 2/3) = 1/3
W = 2/10 = 1/5 hora
= 12 minutos
0,13 hora = 7,8 min
58% do tempo
42
© UNESP 6 Agosto 2008
PROMODEL
Passo 7: Opções de Simulação
Opções
© UNESP 6 Agosto 2008
W = 2/10 = 1/5 hora
= 12 minutos
ππππ0= (1 -
ρρρρ) = (1 – 2/3) = 1/3
0,18 hora = 11 min
34% do tempo
44
ANÁLISE ESTATÍSTICA
X
0X
nSe uma simulação com variáveis aleatórias for executadas duas vezes, os valores
produzidos serão diferentes.
23
© UNESP 6 Agosto 2008
Se a performance do sistema é medida por um parâmetro θθθθ, então, a simulação tem por objetivo fornecer uma
estimativa de θθθθ, bem como determinar a acuracia através do desvio padrão do estimador . Essa medida
de variabilidade pode ser colocada na forma de um intervalo de confiança para um dado nível de confiança.
O propósito da análise estatística é fornecer este intervalo de confiança. Alguns problemas para determinar
o intervalo de confiança em simulação são:
(1)Os dados de saída geralmente são relacionados.
(2)As condições iniciais no tempo t = 0 podem influenciar os dados de saída.
θˆ
θˆ
46
© UNESP 6 Agosto 2008
(1)Os dados de saída geralmente são relacionados:
Ou seja, na simulação de uma fila o tempo de espera de um cliente depende de clientes anteriores. Na simulação de um estoque, o volume inicial do estoque em um dia depende do volume final do dia anterior.
dessa forma, métodos estatísticos clássicos que supõem independência não são aplicáveis diretamente.
t=0
t
t t+1
ANÁLISE ESTATÍSTICA
© UNESP 6 Agosto 2008
primeiros clientes de um problema com filas não esperam o mesmo tempo que aqueles que chegam bem depois.
t=0
t
Período de transição ou de “warm-up”.
Duas formas de resolver o problema do warm-up.
Período de estado permanente.
48
(2.1) Usar um conjunto de condições iniciais que sejam representativas do estado permanente do sistema. O problema é que em muitas simulações é difícil determinar estas condições iniciais.
Período de transição ou de “warm-up”.
t=0
ANÁLISE ESTATÍSTICA
25
© UNESP 6 Agosto 2008
(2.2) A alternativa é rodar a simulação por um período de tempo e descartar a parte inicial da simulação relativa ao “warm-up” e assumir que a simulação começa (estatísticas são coletadas) já em estado permanente.
t
Período de transição ou de “warm-up”.
t=0
Sem estatísticas Coleta de estatísticas
50
© UNESP 6 Agosto 2008
Para realizar a análise dos dados de saída, as
simulações podem ser classificadas em duas categorias:
(1)SIMULAÇÃO TERMINAL: É aquela que funciona por um período de tempo TE, onde E é um ou mais eventos especificados. O evento E pode ser também um instante de tempo específico, resultando em um tempo máximo de simulação.
(2)SIMULAÇÃO DE ESTADO ESTACIONÁRIO: É tal que funciona por um longo período de tempo, ou seja, o tempo de simulação tende a infinito.
ANÁLISE ESTATÍSTICA
T
ET
→→→→∞© UNESP 6 Agosto 2008
exemplo, se a simulação de uma fila em banco deve usar simulação terminal, pois o banco fecha de tarde.
T
E10:00-16:00
52
Já a simulação de um sistema computacional é melhor usar estado estacionário, pois o sistema funciona por um tempo suficientemente grande até que o sistema sofra um quebra ou tenha que realizar manutenção.
ANÁLISE ESTATÍSTICA
27
© UNESP 6 Agosto 2008
Suponha que são realizadas n replicações independentes que empregam a simulação terminal. Se as n simulações começam com a mesma condição inicial e usam diferentes sequências de valores aleatórios, então, cada simulação pode ser tratada com uma replicação independente. Por simplicidade suponha que exista uma medida de
performance representada pela variável X. Então, Xj é o estimador da medida de performance da j-ésima
replicação, tal que a sequência X1, X2, ..., Xn será de variáveis aleatórias i.i.d. Para estas variáveis a análise estatística clássica pode ser aplicada para construir um intervalo de confiança 100*(1-α)% para θ = E(x) usando:
( )
n t S
X
n2 1 , 2
/ −
±
α54
© UNESP 6 Agosto 2008
ANÁLISE ESTATÍSTICA
( )
n t S
X
n2 1 , 2
/ −
±
α∑
=
=
ni i
n X X
1
( )
∑
=
=
n−
i i
n X S X
1
2 2
Média Variância amostral
É o valor da distribuição t com n – 1 graus de liberdade tal que: P(tn-1 ≥≥≥≥ t(αααα,n-1)) = αααα. Esse valor pode ser encontrado com o Excel usando:
=TINV(2*alpha, graus_de_liberdade).
Erro que se comete (em αααα% dos casos) ao se afirmar que a medida está no intervalo de valores fornecido.
© UNESP 6 Agosto 2008
Simulação Xj
1 9,252
2 9,273
3 9,413
4 9,198
5 9,532
6 9,355
7 9,155
8 9,558
9 9,310
10 9,269
de tempo, como dado na Tabela a seguir.
O número médio de terminais em operação é de 9,331, a variância S2 = 0,018 e se t(0,25, 9) = 2,26, então:
10 0180 , 26 0 , 2 331 ,
9 ±
096 , 0 331 ,
9 ±
E para a amostra de dados é este o intervalo com confiança de 95%
56
ANÁLISE ESTATÍSTICA
OBSERVAÇÃO: O tamanho do intervalo de confiança irá depender da qualidade da nossa amostra. Se o intervalo
de confiança for inaceitável, então, para reduzir o seu tamanho é necessário aumentar o número de amostras
ou o tempo de cada simulação. Por exemplo, se o Número de amostras aumentar de 10 para 20 ocorrem
duas melhorias:
(1)A média da amostra (passa para 9,359) se
29
© UNESP 6 Agosto 2008
Matematicamente, seja εεεε o tamanho desejado do intervalo:
(α −)
≥ ε
n t
nS
2 1 , 2
/
n t
( /2,n 1)S
1
−
≥
α
ε
( )
2
1 , 2 /
1
≥
−
S t
n
α nε
( /2, 1) 2
≥
−ε
α
S
n t
n58
© UNESP 6 Agosto 2008