Simulação de Eventos Discretos (DES)
- Proposto por
- Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
- Ano
- 1960s (formalized); modern computational form from 1970s onward
- Tipo
- Stochastic process simulation
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Simulação de Eventos Discretos (DES) é um paradigma de modelagem computacional no qual o estado de um sistema muda apenas em uma sequência contável de pontos no tempo — os eventos.
Entre os eventos, nada muda, de modo que o relógio da simulação salta diretamente de um evento para o próximo. Formalizada através dos livros-fundamentais de Banks, Carson, Nelson e Nicol e de Law nas décadas de 1960 a 2000, a DES tornou-se a ferramenta padrão para analisar sistemas de filas, fluxos de pacientes em saúde, linhas de manufatura e redes logísticas onde entidades se movem através de recursos ao longo do tempo.
A intuição por trás do método
Imagine um pronto-socorro hospitalar: pacientes chegam, esperam por um enfermeiro, recebem tratamento e saem. A vida real não se atualiza a cada milissegundo — ela muda apenas quando algo acontece: um paciente chega, um enfermeiro fica livre ou um paciente recebe alta. A DES captura exatamente essa lógica. A simulação mantém uma lista ordenada de eventos futuros e os processa um por um, avançando um relógio virtual para cada tempo de evento, em vez de processar cada milissegundo. Isso a torna rápida, mesmo para sistemas complexos, e permite que os analistas perguntem 'e se adicionarmos mais um enfermeiro?' ou 'e se as chegadas dobrarem às segundas-feiras?' sem tocar no sistema real.
História
Os fundamentos da DES foram estabelecidos no final dos anos 1950 e início dos anos 1960 por pesquisadores como K.D. Tocher e R.W. Conway, que desenvolveram as primeiras linguagens de simulação de propósito geral (GSP, GPSS). O paradigma de agendamento de eventos — manter uma lista de eventos futuros ordenada por tempo — tornou-se padrão nos anos 1970. O livro de Banks, Carson, Nelson e Nicol (primeira edição em 1984, agora em sua quinta edição, 2010) e o volume complementar de Law (primeira edição em 1982, agora em sua quinta edição, 2015) consolidaram a metodologia, os procedimentos de análise de saída e as técnicas de modelagem de entrada que definem a prática moderna. A DES se espalhou rapidamente pela pesquisa operacional, engenharia industrial e gestão de saúde, e hoje é implementada tanto em bibliotecas de código aberto (SimPy, simmer) quanto em plataformas comerciais.
Quando usar
A DES é adequada sempre que um sistema pode ser descrito como entidades discretas movendo-se através de recursos governados por tempos estocásticos de chegada e serviço. É a escolha apropriada para sistemas de filas, fluxo de pronto-socorro e alas hospitalares, análise de vazão de manufatura e cadeia de suprimentos, dimensionamento de equipes de call center e roteamento logístico — onde quer que o analista precise avaliar capacidade, gargalos ou cenários 'e se' sem experimentar no sistema real. Nenhuma suposição de normalidade é necessária. O número de réplicas deve ser suficiente (tipicamente pelo menos 30, ou ≥1000 para intervalos de confiança estreitos) — com poucas réplicas, os resultados da DES são não confiáveis e um modelo analítico de filas pode ser preferível. As entradas distribucionais (distribuições de tempo de chegada e serviço) devem ser estimadas a partir de dados históricos; quando não há dados, a elicitação de especialistas ou execuções piloto são necessárias.
Limitações e considerações
- Incerteza de entrada: os resultados são tão confiáveis quanto as distribuições de chegada e serviço ajustadas.
- Viés de aquecimento: ignorar o período de aquecimento infla ou deflaciona as estimativas de estado estacionário.
- Réplicas: poucas réplicas (menos de ~30) produzem intervalos de confiança amplos que tornam as comparações de cenários não confiáveis.
- Custo computacional: modelos complexos com muitas entidades e recursos podem exigir tempo de execução substancial para alcançar intervalos de confiança estreitos.
- A validação do modelo requer dados históricos para verificação; processos mal mapeados levam a saídas enganosas.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Lida com processos complexos e não lineares — contenção de recursos, roteamento variável, filas de prioridade — que modelos analíticos de filas não conseguem representar.
- Produz intervalos de confiança realistas através de réplicas independentes, tornando a incerteza explícita.
- Suporta experimentação 'e se' e comparação de cenários sem interromper o sistema real.
- Nenhuma suposição distribucional sobre as saídas; qualquer distribuição de entrada pode ser acomodada.
- Aplicável em uma ampla gama de domínios — saúde, manufatura, logística, operações de serviço — sem alterar o paradigma central.
Aplicações
- Fluxo de pacientes no pronto-socorro: avaliação de níveis de pessoal, políticas de triagem e capacidade de leitos para reduzir tempos de espera.
- Vazão de manufatura: identificação de estações de trabalho gargalo, dimensionamento de buffers e planejamento de escalas de trabalho.
- Cadeia de suprimentos e logística: modelagem de operações de armazém, roteamento de entregas e reposição de estoque sob demanda estocástica.
- Dimensionamento de equipes de call center: determinação do número de agentes e regras de roteamento para atender aos acordos de nível de serviço.
- Operações de aeroportos e portos: simulação de atribuição de portões, manuseio em solo e vazão de carga.
Como funciona
Como funciona
O analista mapeia o processo real: entidades (pacientes, trabalhos, veículos), recursos (enfermeiros, máquinas, caminhões), filas e lógica de roteamento. Este modelo conceitual é o projeto para tudo o que se segue — mapas de processo vagos produzem simulações não confiáveis.
Os tempos entre chegadas e as durações de serviço são ajustados a distribuições de probabilidade — tipicamente exponencial, Erlang, log-normal ou empírica — usando dados históricos e testes de bondade de ajuste. A entrada distribucional é a principal fonte de incerteza na DES; se os dados forem escassos, análises de sensibilidade em famílias de distribuições plausíveis são essenciais.
O calendário de eventos (lista de eventos futuros) é inicializado. Cada tipo de evento (chegada, início de serviço, fim de serviço, partida) é codificado com as transições de estado que ele causa. Um fluxo de números aleatórios comanda cada elemento estocástico, e fluxos separados são atribuídos aos processos de chegada e serviço para que técnicas de redução de variância, como números aleatórios comuns, possam ser aplicadas posteriormente.
A simulação é executada por um período de aquecimento antes que as estatísticas sejam coletadas. No tempo zero, o sistema geralmente está vazio — uma condição inicial artificial que distorce as estimativas de estado estacionário. O período de aquecimento (estimado pelo método de Welch ou similar) permite que o sistema atinja o equilíbrio estatístico antes que a medição comece.
Múltiplas réplicas independentes são executadas, cada uma usando uma semente aleatória diferente. As réplicas, não as observações dentro de uma única execução, são as unidades de análise estatística. Pelo menos 30 réplicas são recomendadas para uma estimativa confiável do intervalo de confiança; o número necessário pode ser determinado por um procedimento piloto sequencial.
Estatísticas resumidas — tempo médio de espera, vazão, utilização de recursos — são calculadas entre as réplicas e relatadas com intervalos de confiança de 95%. Se o intervalo de confiança for muito amplo, mais réplicas ou técnicas de redução de variância são aplicadas. Comparações de cenários usam as mesmas sementes aleatórias (números aleatórios comuns) para reduzir o ruído entre cenários.
Erros comuns
- Executar menos de 1000 réplicas quando intervalos de confiança estreitos são necessários — use um procedimento piloto sequencial para determinar o número mínimo necessário.
- Omitir ou subdimensionar o período de aquecimento — métricas de estado estacionário coletadas de um sistema vazio no tempo zero são enviesadas para baixo para utilização e para cima para tempos de espera.
- Usar uma única execução longa em vez de múltiplas réplicas independentes — observações dentro de uma execução são autocorreacionadas e não podem ser tratadas como pontos de dados independentes para estimativa de intervalo de confiança.
- Ajustar a família de distribuição errada para os tempos de chegada ou serviço — sempre realize testes formais de bondade de ajuste e inspecione a distribuição ajustada contra os dados empíricos antes de aceitá-la.
- Confundir DES com simulação contínua — a DES é apropriada para sistemas onde as mudanças de estado são acionadas por eventos; para estoques e fluxos em evolução contínua, a dinâmica de sistemas é o paradigma correto.
Perguntas frequentes
Quantas réplicas eu preciso?
Um mínimo de 30 réplicas independentes é um ponto de partida comum para análise preliminar, mas intervalos de confiança estreitos para tomada de decisão geralmente requerem 100–1000 ou mais. Use um procedimento piloto sequencial: execute um lote inicial de 10–30 réplicas, estime a variância e, em seguida, calcule as réplicas adicionais necessárias para atingir sua semilargura alvo.
Como determino o período de aquecimento?
O método gráfico de Welch é a abordagem mais utilizada: plote uma média móvel da métrica de desempenho ao longo do tempo e identifique o ponto em que ela se estabiliza. Alternativamente, use o teste de Mecklenburg-White ou simplesmente execute o modelo por tempo suficiente para que o aquecimento represente menos de 10% do comprimento total da execução. Omitir o aquecimento distorce as estimativas de estado estacionário.
Quando devo usar DES em vez de um modelo analítico de filas?
Modelos analíticos de filas (M/M/c e variantes) fornecem resultados de forma fechada exatos ou aproximados para sistemas simples e idealizados. Use DES quando o processo tiver roteamento complexo, múltiplos tipos de recursos competindo, tempos de serviço não exponenciais, chegadas em lote ou taxas de chegada variáveis no tempo — situações onde soluções analíticas estão indisponíveis ou requerem suposições simplificadoras irrealistas.
E se eu não tiver dados históricos para ajustar as distribuições?
A elicitação de especialistas (por exemplo, estimativas mínima, mais provável e máxima para ajustar uma distribuição triangular) é um recurso aceito para modelos preliminares. Realize análises de sensibilidade em famílias de distribuições plausíveis para entender como a incerteza de entrada se propaga para a incerteza de saída. Colete dados reais à medida que o modelo amadurece.
Métodos relacionados
Fontes
Banks, J., Carson, J.S., Nelson, B.L. & Nicol, D.M. (2010). Discrete-Event System Simulation (5th ed.). Pearson.
ISBN: 978-0136062127Copiado.Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill.
ISBN: 978-0073401324Copiado.