© UNESP 6 Agosto 2008
Autor: Anibal Tavares de Azevedo
Limeira, 17 de Outubro 2013
MODELAGEM E SIMULAÇÃO DE SISTEMAS AULA DE LABORATÓRIO 6
2
© UNESP 6 Agosto 2008
SIMULAÇÃO DE SISTEMAS
Tempo entre as chegadas
... Fila Máquina I
CENÁRIO 1
Tempo entre as chegadas
... Fila Máquina I
CENÁRIO 10
3
© 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, X
jé o estimador da medida de performance da j-ésima
replicação, tal que a sequência X
1, X
2, ..., X
nserá de variáveis aleatórias i.i.d. Para estas variáveis a análise estatística clássica pode ser aplicada para construir um intervalo de confiança de 100*(1-α αα α)% para θ = E(x) usando:
ANÁLISE ESTATÍSTICA
( )
n t S
X
n2 1 , 2
/ −
±
αANÁLISE ESTATÍSTICA
4α αα
α /2% das observações
⇔
⇔ ⇔ α ⇔ αα
α /2% da área sob a curva
z
αααα/2= 1,6;
Z é função de distrib.
normal
y
x
IC de 100*(1- αααα )%
© UNESP 6 Agosto 2008
( )
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
Valor da distribuição t-Student com n – 1 graus de liberdade tal que: P(t
n-1≥≥≥≥ t
(αααα,n-1)) = α αα α. Esse
valor pode ser encontrado com o Excel usando:
=TINV(2*alpha, graus_de_liberdade).
Erro que se comete (em α αα α% dos casos) ao se afirmar que a medida está no intervalo de valores fornecido.
6
© UNESP 6 Agosto 2008
ANÁLISE ESTATÍSTICA
Simulação X
j1 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
Exemplo 1: Sejam os dados do número de terminais em operação obtidos de 10 simulações, de mesmo tamanho
de tempo, como dado na Tabela a seguir.
O número médio de terminais em operação é de 9,331, a variância S
2= 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%
αααα /2 n-1
7
© UNESP 6 Agosto 2008
ANÁLISE ESTATÍSTICA -PROMODEL
ANÁLISE ESTATÍSTICA -PROMODEL
8© UNESP 6 Agosto 2008
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
aproxima daquela fornecida pelo estado estacionário (que é 9,362).
(2)O tamanho do intervalo de confiança diminui de 0,192 para 0,058.
10
© 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
Valor da distribuição t-Student com n – 1 graus de liberdade pode ser substituída por: Z
αααα/2Pois t(
αααα/2, n-1) ≅≅≅≅ Z
ααα/2αpara n suficientemente grande.
A vantagem é que Z
αααα/2o valor de não depende de n.
Z
ααα/2αque é o ponto da distribuição normal tal que
100*(1-α αα α/2)% abarca dos valores da distribuição.
11
© UNESP 6 Agosto 2008
ANÁLISE ESTATÍSTICA
α αα
α /2% das observações
⇔
⇔ ⇔ α ⇔ αα
α /2% da área sob a curva
z
αααα/2= 1,6;
p.ex.
Z é função de distrib.
normal
y
x
ANÁLISE ESTATÍSTICA
12(5/2)% das observações
⇔
⇔ ⇔
⇔ 2,5% da área
sob a curva
z
0,025= 1,96
y
x
Para IC = 95%, então, α
αα
α = 5% = 0,05 !
© UNESP 6 Agosto 2008
Matematicamente, seja εεεε o tamanho desejado do intervalo:
(
α) ≥ ε
n z S
2 2
/
n z (
/2) S
1
α
≥ ε
( )
2
2 /
1
≥
S z
n
αε
(
/2)
2
≥ ε
α
S
n z ∑ ( )
=
=
n−
i i
n X S X
1
2 2
Variância amostral
∑
=
=
ni i
n X X
1
Média
14
© UNESP 6 Agosto 2008
Exemplo 1: Calcular o número de amostras n (número de simulações) necessárias para que o intervalo de confiança (IC) de 95% seja tal que:
ε= 0,02. Uso os dados da tabela abaixo e as eqs.:
ANÁLISE ESTATÍSTICA -PROMODEL
(
/2)
2
≥ ε
α
S n z
( )
∑
=
=
n−
i i
n X S X
1
2 2
18 ,
= 0 X
z
0,025= 1,96
15
© UNESP 6 Agosto 2008
ANÁLISE ESTATÍSTICA -PROMODEL
1 3
2
ANÁLISE ESTATÍSTICA -PROMODEL
16[ − 0 , 06 0 , 03 0 , 09 0 , 02 0 , 1 − 0 , 03 − 0 , 01 − 0 , 09 0 − 0 , 04 ]
=
− X X
i18 ,
= 0
( ) X
∑
=
=
n−
i i
n X S X
1
2 2
( ) 0 , 0176
10
1
2
=
∑ −
= i
i
X
X ( ) 0 , 00176
10
10
1
2
2
= ∑ − =
= i
i
X
S X
(
/2)
2
≥ ε
α
S
n z Se z
0,025= 1,96 e εεεε = 0,02:
17 94 , ) 16
02 , 0 (
) 00176 ,
0 ( ) 96 , 1 (
2
2
≈ =
≥
n
© UNESP 6 Agosto 2008
Opções de Simulação
Opções
18
© UNESP 6 Agosto 2008
PROMODEL
Opções de Simulação
Opções
19
© UNESP 6 Agosto 2008
ANÁLISE ESTATÍSTICA -PROMODEL
ANÁLISE ESTATÍSTICA -PROMODEL
2020 ,
= 0
( ) X
∑
=
=
n−
i i
n X S X
1
2 2
( ) 0 , 0775
20
1
2
=
∑ −
= i
i
X
( ) 0 , 0039 X
20
20
1
2
2
= ∑ − =
= i
i
X
S X
(
/2)
2
≥ ε
α
S
n z Se z
0,025= 1,96 e εεεε = 0,02:
38 22 , ) 37
02 , 0 (
) 0039 , 0 ( ) 96 , 1 (
2
2
≈ =
≥ n
18 ,
= 0 X
Para n = 10:
Iguais aos
valores de
n = 10 !
© UNESP 6 Agosto 2008
Opções de Simulação
Opções
22
© UNESP 6 Agosto 2008
PROMODEL
Opções de Simulação
Opções
23
© UNESP 6 Agosto 2008
ANÁLISE ESTATÍSTICA -PROMODEL
24