técnicas analíticas versus técnicas de simulaçãosandra/ms614/handouts/apresentacao13... · por...
TRANSCRIPT
TÉCNICAS
ANALÍTICAS VERSUS
TÉCNICAS DE
SIMULAÇÃO Bernardo França Rocha - 059214
Victor Jeronymo – 157490
Vitor Prado Corrêa – 157558
Explicar o que é um
sistema.
Técnica Analítica:
Conceito
Exemplos
Vantagens e limitações
Simulação
Conceito
Tipos
Vantagens e limitações.
Caso real.
Discussão:
Será que os dois
processos são
antagônicos ?
Onde eles convergem.
No que eles diferem.
Revisão do apresentado
Objetivos:
O que é um sistema ? • Tentativas de definição:
• Agregação ou montagem de coisas, combinadas pelo
homem ou pela natureza de modo a formar um todo
unificado.
• Grupo de itens interdependente ou interagindo
regularmente, formando um todo unificado.
• Combinação de componentes que agem em conjunto para
desempenhar uma função que se torna impossível na
ausência de qualquer das partes.
O que é um sistema ? – Conceito de um sistema: é um conjunto de elementos e a
relação entre eles.
■ Sistemas biológicos: O corpo humano ( sistema digestivo,
sanguíneo, a “comunicação” entre os órgãos...)
■ Sistemas físicos: sistema solar, sistemas termodinâmicos...
■ Sistemas em computação: sistemas operacionais, bancos de
dados...
■ ...
Sistemas
– Interesse de estudar um sistema : todo sistema visa um
objetivo. Por isso ele tem diversos usos : design,
planejamento, controle, melhorias, e otimização
– Modelos de um sistema: Representação de um sistema
real
■ Modelos físicos
■ Modelos lógicos ou matemáticos
Sistemas e modelos de estudo Sistema
Estudo/Experimento
Com o sistema real
Estudo/Experimento
Com um modelo
Modelo físico Modelos matemáticos
Ou lógicos
Modelo de simulação Modelo Analítico
O que é um modelo analítico ? Tentativa de definição: um modelo analítico é uma descrição totalmente matemática obtida por meio de equações e fórmulas.
Os modelos matemáticos possuem varias características.
Podem diferir nos objetivos (descrição ou otimização), no modo
de análise (analítico ou numérico) e na aleatoriedade
(determinístico ou probabilístico)
Por exemplo a equação 𝐶𝑇 𝑄 =𝐴𝐷
𝑄+𝑟𝐶𝑄
2 descreve os custos
anuais totais de um estoque.
Mais um exemplo Suponha que o movimento de uma partícula no espaço siga uma descrição de uma parábola, sendo, portanto, aproximada por:
𝑓 𝑥 = 𝑎𝑥2 + 𝑏𝑥 + 𝑐 Se quisermos saber o(s) pontos onde essa partícula atingirá um anteparo podemos usar a equação de Bhaskara:
𝑥 =−𝑏 ± 𝑏2 − 4𝑎𝑐
2𝑎
E assim acharemos os pontos de contato
Modelos analíticos ■ Vantagens:
– O custo computacional tende a ser menor (resposta
rápida) do que o custo da simulação.
– Em modelos bem formulados, a resposta teoricamente
é única (exata ou aproximação numérica)
– Resolve muito bem problemas simples.
Alguns problemas
Imagine agora que o fenômeno que você queira calcular
seja descrito por uma equação do tipo:
𝑓 𝑥 = 𝑎𝑥6 + 𝑏𝑥5 + 𝑐𝑥4 + 𝑑𝑥3 + 𝑔𝑥2 + ℎ𝑥 + 𝑗
Como resolver ?
Teorema de Abel-Rufini: não há uma solução geral através de radicais para as equações
polinomiais de grau cinco ou superior
Outro exemplo problemático
𝑒𝑥2
1
0
𝑑𝑥
Esse é a integral da distribuição normal:
Como não sabemos calcular a primitiva do integrando, não
podemos usar o teorema fundamental do cálculo; temos que
usar algum método numérico para conseguir a resposta.
Modelos analíticos
• Limitações:
- Problemas muito complexos tem difícil
modelagem
- Alguns problemas possuem solução em aberto,
ou seja, não possuem solução conhecida
- Trabalhar com a variabilidade do sistema pode
não ser trivial
Se temos um modelo analítico, por que usaríamos a simulação ?
■ É interessante sempre tentar trabalhar com sistemas no
mundo real a para obter o conhecimento de sua dinâmica e
de seu comportamento, já que eles são o problema em si.
Entretanto, isso nem sempre é possível:
– Sistemas disruptivos: uma linha de produção nova em
processo fabril estabelecido.
– O sistema pode ser muito caro: performance
aerodinâmica de um avião
– O sistema pode ser impossível de se reproduzir: o
lançamento de um foguete espacial
O que é uma simulação ?
■ Tentativa de definição: é o processo de desenho e
criação de um sistema real ou proposto com
objetivo de desenvolver uma melhor compreensão
do comportamento e/ou da dinâmica daquele
sistema sob certas condições
Métodos de simulação
Dentre as várias técnicas de simulação existentes, destacamos
os seguintes:
• Sistemas dinâmicos
• Monte Carlo
• Modelagem de evento discreto
• Modelagem baseada em agente/indivíduo
Sistema dinâmicos É um conceito no qual um regra fixa descreve como um ponto em
um espaço geométrico depende do tempo: EDO com tempo, por
exemplo
Matematicamente, um modelo de sistemas dinâmicos é um sistema
equações diferenciais de primeira ordem, não lineares, acopladas.
Simulação de modelos de sistemas dinâmicos geralmente é feita
com métodos numéricos.
Exemplo: Sistema massa-mola, orbita de um planeta, partículas…
http://runthemodel.com/models/run.php?popup=1&id=1940
Monte Carlo • “A simulação de Monte Carlo emprega números aleatórios uniformemente
distribuídos no intervalo [0,1] para resolver problemas onde o tempo não é
um fator determinante”
• “Uma maneira de se transformar um conjunto de números aleatórios em
outro conjunto de números (variáveis aleatórias), com a mesma distribuição
da variável considerada”
• Em resumo, este método oferece uma garantia de que, quando um processo
de geração aleatória de números é exercido para uma grande massa de
dados, os valores simulados guardam uma estreita semelhança com os
valores reais no que se refere a variáveis randômicas. Ou seja, a duração
média obtida dos números sorteados tende a ser idêntica à duração do
processo na vida real (sistema real).
Monte Carlo - Determinação da
área de uma figura
Quando se deseja calcular a área de um circulo de raio r = 10 cm, não há grandes problemas uma vez que tanto sua área (A), quanto seu perímetro (2p) podem ser avaliados analíticamente:
𝐴 = 𝜋𝑟2 2𝑝 = 2𝜋𝑟
Neste caso, a solução é A = 314.16 𝑐𝑚2 e 2p = 62.83 cm.
Monte Carlo
Por Monte Carlo, esse mesmo problema seria resolvido da seguinte forma:
• Criar um quadrado de lado duas vezes o raio tal que o circulo fique
dentro dele;
• Colocar, aleatoriamente, n pontos dentro do quadrado;
• Ver o número c de quantos pontos ficaram dentro do circulo.
Monte Carlo
Assim teremos que a área do circulo (A) vai ser obtida por meio de uma comparação com a área do quadrado (aq) que é mais facilmente calculada:
𝐴 =𝑐
𝑛𝑎𝑞 =
𝑐
𝑛2𝑟 2 =
𝑐
𝑛4𝑟2
O resultado da área dependerá de quantos pontos n foram usados:
𝑛 = 100 ⇒ 𝐴 = 320 𝑐𝑚2 𝑛 = 10 000 ⇒ 𝐴 = 313 𝑐𝑚2
Monte Carlo – Avaliação de Integrais
Suponha que queremos calcular uma integral que não conhecemos a primitiva:
𝑔 𝑥 𝑑𝑥𝑏
𝑎
Supondo também que x seja um número uniformemente
distribuído em [a,b] e que a correspondente função de
densidade de probabilidade seja 1/(𝑏 − 𝑎)
Monte Carlo
Então a esperança(E) de y = g(x), será: E, portanto, a integral poderá ser estimada por:
Modelagem de evento discreto
• A matemática por trás eventos de
simulação discreta é baseada na
discretização do tempo. No modelo, o
tempo só avança quando algo de
significativo acontece: uma entidade
começa ou termina uma operação.
Qualquer mudança no sistema é
associada à um desses eventos; as
mudanças contínuas são aproximadas
para essas ações instantâneas
• http://runthemodel.com/models/run.php
?popup=1&id=2191
Modelagem Baseada em Agente
• Pode ser vista como uma “evolução” da modelagem por evento discreto
• Facilita o estudo da dinâmica espacial, em contraposição aos modelos
determinísticos ou técnicas mais simples de simulação. Considera tanto
casos contínuos quanto discretos, sendo este último o mais comum.
• A ênfase da modelagem baseada em agente (MBA) está na interação
entre os agentes, que carregam tantas informações quanto forem
necessárias para detalhar o modelo, e cujas características evoluem
estocasticamente no tempo. A dinâmica do sistema é determinada por
regras a serem aplicadas a cada indivíduo.
Estudo de caso Real - EMBRAPA -
Contextualização • Ideia: Apresentar um case real do uso de técnicas de simulação no Brasil:
• Introdução ao assunto:
• Brasil é o maior produtor de Citrus do mundo (detém 30% da produção
mundial de laranja e aprox. 60% da produção de suco de laranja).
• Setor de citricultura gera 4,5 bilhões de dólares/ano (aprox. 7 Unicamps)
• Setor é responsável por cerca de 400 mil empregos diretos e indiretos.
• Estratégico para o Brasil – existem politicas de governo para auxiliar o setor.
• São Paulo é maior região produtora brasileira.
Estudo de caso Real - EMBRAPA -
Contextualização
• Desafio do setor que foi tratado no estudo:
• A doença conhecida como Huanglongbing (HLB) é a mais importante e destrutiva da
citricultura mundial.
• Chegou em SP em 2004.
• O HLB é incurável.
• Afeta todas as variedades de citros
• Seu vetor transmissor é encontrado em todo o país.
• Objetivo: Avaliar a dinâmica de propagação do HLB Citros:
• Técnicas abordadas:
• Modelo Analtico Deterministico.
• Modelagem Baseada em Agente/Individuo (“evolução“ da modelagem do evento discreto)
Estudo de caso Real - EMBRAPA Modelo Analitico – modelagem por compartimentos:
Artigo: http://scitation.aip.org/content/aip/proceeding/aipcp/10.1063/1.4826049
Estudo de caso real - EMBRAPA Modelo Analitico – Equações diferenciais com delay
Artigo: http://scitation.aip.org/content/aip/proceeding/aipcp/10.1063/1.4826049
Estudo de caso real - EMBRAPA Modelo Analitico – Exemplo de saída
Artigo: http://scitation.aip.org/content/aip/proceeding/aipcp/10.1063/1.4826049
Estudo de caso real - EMBRAPA Modelo MBI
Artigo: http://dx.doi.org/10.5540/03.2015.003.01.0064
Por que MBI:
• Facilita o estudo da dinâmica espacial, em contraposição aos modelos
determinísticos.
• A ênfase do MBI está na interação entre os indivíduos, que carregam tantas
informações quanto forem necessárias para detalhar o modelo, e cujas
características evoluem estocasticamente no tempo. A dinâmica do sistema é
determinada por regras a serem aplicadas a cada indivíduo.
• O objetivo foi desenvolver um modelo baseado no indivíduo para representar
a dinâmica espaço-temporal de transmissão do HLB pelo seu inseto vetor D.
citri, considerando as premissas do modelo determinístico e parâmetros
biológicos
Estudo de caso real - EMBRAPA Modelo MBI – Premissas e saída
Artigo: http://dx.doi.org/10.5540/03.2015.003.01.0064
O MBI descrito foi implementado utilizando o software Matlab.
• Para o início das simulações considerou-se:
• População de 400 plantas sadias distribuídas num reticulado 20x20
• A chegada de 4.000 insetos vetores pela lateral esquerda do reticulado
• 5% desses vetores adultos sejam infectivos desde a fase de ninfa.
Estudo de caso real - EMBRAPA Resultados práticos:
• Integração entre profissionais de diversas áreas: Matematicos/estatisticos, Computação,
Agronomia, Biologia, Fazendeiros, Industria, Governo,…em torno de um objetivo comum.
• Publicações (artigos, teses, etc..)
• Criação/Revisão de leis regulamentando o setor:
• Exemplo de lei: Instrução Normativa nº 53 (IN53) publicada em 2008 pelo
Ministério da Agricultura, Pecuária e Abastecimento (MAPA):
A instrução recomenda a realização da inspeção em um pomar citrícola a cada três meses
e a remoção das plantas detectadas sintomáticas ao HLB.
• Capacitação de consultorias/industrias do setor na tratativa da doença
• Fornecimento de alternativas de plantação para o produtor manter ganhos com citricultura
• Formato de plantação
• Introdução de outras plantas/agentes para controle da praga,
Simulações
■ Vantagens ( visando a tomada de decisão) :
– Nos permite avaliar e experimentar sistemas com custo mais
baixo que um teste real
– Permite analise do tipo “e se ”
– Lida bem com sistemas complexos
■ Limitações :
– Fornece uma massa de dados/relatórios nem sempre de análise
imediata
– Não compensa dados inadequados nem decisões gerenciais
ruins
– Não nos dá resposta facil nem rápida para problemas complexos
Exemplos de simulações:
■ Casos já vistos em sala:
– Fabrica de cuecas
– O lava-carro
– Filas em hospital
– O homem que se perdeu na floresta
– Pendulo duplo
– O desafio do cinema
– www.runthemodel.com
Revisando: Modelo analítico VS Modelo de simulação
■ Estudar um sistema via modelo analiticos v.s. modelo de simulação
(modelos descritivos V.S. prescritiva);
■ Modelo Analiticos: As medidas de desempenho são expressas como
funções matemáticas com parâmetros de entrada definidos, o
resultado é exato, sendo aplicável apenas a problemas menos
complexos do que o caso real.
■ Modelo de simulação: É um modelo lógico que é avaliada
(numericamente) durante um período de tempo de interesse, medidas
de desempenho são estimados a partir de dados gerados pelo
modelo com procedimentos estatísticos, aplicáveis a sistemas de
qualquer complexidade.
Comparação Direta
ANALÍTICO: Mais rápido que simulação
Problemas com menor grau de complexidade
Resposta única
Não pode ser aplicado em todos os casos
Geralmente requer uma simplificação do
modelo
Resolve-se o modelo
SIMULAÇÃO: Lida bem com modelos complexos
Leva em conta a variabilidade
Possibilita um leque maior de possibilidades
de decisão
Pode não ser tão fácil de interpretar os
resultados
Custo pode ser mais baixo do que a
realização do experimento em si
Roda-se o modelo
• “ A máxima da simulação diz ‘é melhor ter uma solução aproximada para um modelo bem realista do que uma solução exata para um modelo com muitas aproximações’” (BOUZADA, Marco).
fontes
■ http://designprocessing.free.fr/?page_id=122&lang=en
■ http://www.portalaction.com.br/simulacao-monte-carlo/11-calculo-de-integrais ■ http://www.runthemodel.com/ ■ http://www.unicamp.br/unicamp/ju/649/matematica-avalia-acao-de-praga-que-
infesta-laranjais ■ http://periodicos.unifacef.com.br/index.php/rea/article/viewFile/699/534 ■ Simulation Modeling with AnyLogic: Agent Based, Discrete Event and System
Dynamics Methods (www.anylogic.com) ■ Teoría de Modelos y Simulación – TARIFA, Enrique Eduardo (Univerisidad
Nacional de Jujuy) ■ Sim3.ppt * - fonte desconhecida.