AVALIAÇÃO ECONÔMICA DE CENÁRIOS PARA UMA CÉLULA DE ... · Modelagem por simulação a eventos discretos tem se tornado uma das técnicas de análise de sistemas complexos de

AVALIAÇÃO ECONÔMICA DE

CENÁRIOS PARA UMA CÉLULA DE

MANUFATURA POR SIMULAÇÃO A

EVENTOS DISCRETOS

Rafael Florêncio da Silva Costa (UNIFEI)

[email protected]

José Arnaldo Barra Montevechi (UNIFEI)

[email protected]

Marcos José Santos (UNIFEI)

[email protected]

Ana Carolina Oliveira Santos (UNIFEI)

[email protected]

Este artigo apresenta uma aplicação do uso combinado da simulação a

eventos discretos e da análise econômica de investimentos para avaliar

cenários, que contemplem a implantação do fluxo contínuo entre as

atividades, em uma célula de manufaatura de uma indústria do setor de

autopeças. Para isto, o processo de produção da célula foi

documentado através de um mapa de processos, que constituiu o

modelo conceitual de simulação. Em seguida, o modelo computacional

do sistema real foi construído no Promodel®, verificado e validado por

técnicas estatísticas. Foram construídos três modelos de simulação

para representar cenários onde existe fluxo contínuo entre as

atividades da célula. Então, o fluxo de caixa de cada cenário foi

construído a partir do total produzido fornecido pelo modelo de

simulação. Por fim, o Valor Presente Líquido foi calculado e uma

comparação entre os três cenários foi realizada, considerando o Lead

Time, valor do investimento e VPL.

Palavras-chaves: Simulação, avaliação econômica, aplicação

industrial

XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão.

Salvador, BA, Brasil, 06 a 09 de outubro de 2009

XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão


2

1. Introdução

As mudanças econômicas ocorridas nos últimos meses evidenciaram a necessidade de rápidos

ajustes estratégicos e estruturais em muitos setores da economia brasileira, e no setor de

manufatura não poderia ser diferente.

Segundo Hernandez-Matias et al. (2008), a alta competitividade das indústrias modernas leva

as empresas a um contínuo refinamento de seus processos de manufatura, e em muitos casos,

os resultados obtidos de análises convencionais deixam uma lacuna na descrição destes

sistemas complexos.

Esses modernos sistemas de manufatura são constituídos de muitas operações discretas que

ocorrem aleatoriamente e de forma não linear para que modelos matemáticos ou outros

métodos sejam práticos (O’KANE, SPENCELEY, e TAYLOR, 2000).

O modelo de simulação consegue capturar com mais fidelidade essas características,

procurando repetir em um computador o mesmo comportamento que o sistema apresentaria

quando submetido às mesmas condições de contorno (CHWIF e MEDINA, 2007).

Deste modo, analisar o efeito de mudanças nos sistemas produtivos de forma eficiente e

rápida é, atualmente, uma necessidade de todas as indústrias. A Simulação a Eventos

Discretos e a Análise Econômica de Investimentos são técnicas que podem ser combinadas e

aplicadas nesses sistemas, como no trabalho de Nazzal, Mollaghasemi e Anderson (2006).

Modelagem por simulação a eventos discretos tem se tornado uma das técnicas de análise de

sistemas complexos de manufatura mais populares e de melhor custo benefício (BANKS et

al., 2005; O’KANE, SPENCELEY, e TAYLOR, 2000).

A simulação computacional pode ser definida como a representação virtual de um sistema da

vida real através de um modelo, tornando possível o estudo do sistema sem que seja

necessário construí-lo na realidade, ou mesmo fazer modificações nesse sistema, e estudar os

resultados dessas modificações, sem que haja necessidade de alterá-lo previamente

(HARREL, GHOSH e BOWDEN, 2000).

A comparação de sistemas alternativos é um dos mais importantes usos da simulação

(BANKS et al., 2005). No caso de problemas de engenharia econômica, os sistemas

alternativos geralmente tomam a forma de projetos alternativos. Além disso, esses projetos

geralmente são mutuamente exclusivos, isto é, o tomador de decisão pode escolher somente

um para investir. Portanto, uma análise de alternativas pode ser conduzida selecionando o

melhor investimento. À medida que os projetos tornam-se mais complexos, a simulação

providencia uma ferramenta adequada para conduzir esta análise (COATES e KUHL, 2003).

De acordo com Nazzal, Mollaghasemi e Anderson (2006), decisões de investimento de capital

são geralmente tomadas utilizando modelos estáticos e determinísticos, tais como planilhas

eletrônicas ou modelos de otimização matemática, que geralmente usam estimativas de

modelos analíticos que simplificam as operações de fabricação.

Sendo assim, a proposta deste artigo é apresentar uma aplicação do uso combinado da

simulação a eventos discretos e da análise econômica de investimentos para avaliar cenários,

que contemplem a implantação do fluxo contínuo entre as atividades, em uma célula de

manufatura de uma indústria do setor de autopeças.

A principal vantagem de se utilizar um modelo de simulação computacional para representar



3

o sistema real de manufatura, neste tipo de análise econômica, é que o modelo considera a

aleatoriedade do sistema e a evolução do mesmo ao longo do tempo. Particularmente, o

modelo de simulação é utilizado como uma ferramenta para se obter respostas a sentenças do

tipo: “o que ocorre se...” (CHWIF e MEDINA, 2007).

Este artigo está estruturado da seguinte forma: a seção 2 mostra a metodologia que conduziu o

trabalho, a seção 3 traz a aplicação desta metodologia em uma célula de manufatura de uma

indústria automotiva, em seguida os resultados desta aplicação são discutidos na seção 4 e

finalmente, a seção 5 apresenta as principais conclusões do trabalho.

2. Metodologia

Diversas estruturas para ilustrar as etapas de um estudo de simulação podem ser encontradas

na literatura. Por exemplo: Banks (1998), Chwif e Medina (2007), Law (2006), Montevechi et

al. (2007) e Sánchez (2007). Este trabalho foi conduzido de acordo com a estrutura

apresentada por Chwif e Medina (2007), onde um estudo de simulação é composto de três

etapas: concepção, implementação e análise, como mostra a Figura 1.

Figura 1 – Etapas de um projeto de simulação. Fonte: Chwif e Medina (2007)

Na Concepção, a equipe do projeto de simulação define os objetivos e o escopo do estudo.

Então, o modelo conceitual é construído com o objetivo de representar o sistema existente,

facilitando a construção do modelo computacional de simulação.

Segundo Balci (2003), um modelo conceitual de simulação é o modelo formulado na mente

do modelador e especificado em uma variedade de formas comunicativas utilizadas por

diferentes usuários como gestores, analistas e desenvolvedores. Algumas técnicas que podem

ser utilizadas são: fluxograma, mapa de processos, SIPOC, IDEF0 como encontrado em

Montevechi et al. (2008) e IDEF-SIM proposto por Leal, Almeida e Montevechi (2008).

Uma vez que o modelo conceitual foi construído e validado pelos especialistas do processo, as

variáveis independentes e as variáveis dependentes são definidas. Em seguida, os dados de



4

entrada são coletados e ajustados a uma distribuição de probabilidade que alimenta o modelo

computacional. Ressalta-se que o modelo de simulação será confiável se os dados de entrada

também forem.

Na etapa de implementação, o modelo conceitual é convertido em modelo computacional,

através da programação em um simulador. Um ponto importante em um estudo de simulação

é a escolha correta do software (CHWIF e MEDINA, 2007). Hlupic e Paul (1996) apresentam

uma abordagem metodológica para seleção do software de simulação de acordo com alguns

critérios como custo e tempo de processamento.

Em seguida, o modelo computacional deve passar por dois procedimentos fundamentais em

um estudo de simulação: a validação e a verificação. O termo validação se refere ao modelo

conceitual, ou seja, consiste em aceitar ou não o modelo como uma boa representação do

sistema real. Embora exista a validação operacional atribuída ao modelo computacional, que

consiste em se utilizar técnicas estatísticas, como testes de hipóteses, para comparar a

igualdade entre os dados reais e simulados. Já a verificação está ligada ao modelo

computacional, ou seja, consiste em se comprovar que o modelo conceitual foi corretamente

traduzido em um modelo computacional. Em outras palavras, verificar se o modelo está sendo

construído de forma correta. Estudos específicos sobre verificação e validação de modelos

podem ser encontrados em Balci (2003), Banks et al. (2005), Kleijnen (1995) e Sargent

(2004).

Por último, e não menos importante, a fase de análise. Uma vez que o modelo foi verificado e

validado, está apto a receber experimentos, dentro dos limites de validação. Sanchez (2007)

afirma que o processo de construir, verificar e validar um modelo de simulação pode ser

árduo, mas uma vez que ele está completo, então é o momento de ter o modelo trabalhando

para o modelador.

Nesta fase encontram-se as inúmeras oportunidades para obter os benefícios que um modelo

de simulação tem a oferecer. Por exemplo, neste trabalho foram construídos três modelos

representando cenários, a partir do modelo validado. O melhor cenário proposto foi escolhido

pelo método do Valor Presente Líquido (VPL). Cada modelo de simulação forneceu a

quantidade de peças produzidas por ano para o cálculo do VPL do respectivo cenário.

O Valor Presente Líquido é uma medida de quanto valor é criado ou adicionado hoje por

realizar um investimento. Dada a meta de criar valor para os acionistas, o processo de

orçamento de capital pode ser encarado como uma busca de investimentos com valores

presentes líquidos positivos (ROSS, WESTERFIELD e JORDAN, 2002).

O VPL foi adotado como critério econômico de decisão porque o VPL considera os princípios

da matemática financeira, sendo um método correto, e bastante prático para realizar análises

envolvendo alternativas com investimentos diferentes sob a mesma vida econômica. Se o

VPL for positivo, o investimento é atrativo, viável e a empresa estará ganhando dinheiro se

realizar o investimento. Caso o VPL for negativo, significa que o projeto não é viável do

ponto de vista econômico. E para casos em que o VPL for igual a zero, o projeto é indiferente.

Estudos mais aprofundados podem ser encontrados em Casarotto e Kopittke (1998).

3. Aplicação

A aplicação da simulação foi motivada, principalmente, por duas situações que os

engenheiros precisavam resolver.

Primeiro, a planta na qual esta célula está inserida passava pela implantação da filosofia Lean



5

de produção. Por isso, havia a necessidade de implantação do fluxo contínuo entre as

operações da célula, o que poderia envolver mudanças no leiaute e nas atividades realizadas

pelos colaboradores.

E segundo, pelo apelo ambiental, já que o desengraxante atual poderia ser substituído por uma

solução alcalina, menos agressiva ao meio ambiente.

Deste modo, com o uso da simulação, a gerência pôde testar três cenários que contemplavam

tais premissas. Estes cenários foram construídos a partir do modelo de simulação do sistema

real, verificado e validado.

O sistema real que foi simulado é uma célula de manufatura de uma empresa de autopeças,

localizada no sul de Minas Gerais. Esta célula transforma a matéria-prima (fitas de aço inox)

em produtos semi-acabados. Após a primeira operação de conformação mecânica, as unidades

são inspecionadas (por amostragem), então são levadas pelos colaboradores para serem

desengraxadas e só depois elas podem passar por um tratamento térmico. Logo que elas saem

do tratamento térmico, são inspecionadas novamente (por amostragem) e seguem para a

célula seguinte, conforme mostra o mapa de processos da Figura 2, doravante chamado

modelo conceitual da simulação da célula de manufatura.

Figura 2 – Mapa de processos para a célula de manufatura estudada, modelo conceitual

Atualmente, estão disponíveis para a produção nove máquinas (4 máquinas tipo 01, 4

máquinas tipo 02 e 1 máquina tipo 03) e dois fornos. Existem dois colaboradores que operam

duas máquinas cada um. Eles são responsáveis pela inspeção ao longo de suas operações e

pelos deslocamentos de material em processo. Também existe um colaborador que carrega e

opera os fornos, leva os produtos até a operação de desengraxe e os coloca nos fornos.



6

O modelo conceitual, apresentado na Figura 2, foi submetido à avaliação dos especialistas do

processo e foi validado. Em seguida, foram escolhidas para alimentar o modelo dezesseis

variáveis independentes e estocásticas. Esses dados foram obtidos através de cronometragem

diretamente no sistema real ou de dados históricos (últimos seis meses). Com a utilização do

software Minitab®, para cada amostra de cada variável, foi construído um diagrama de caixas

a fim de se identificar e eliminar os valores não usuais (outliers). Após este tratamento, foi

realizado um teste de aderência dos dados de cada amostra à distribuição de probabilidades

Normal. Por este teste de normalidade foi comprovado que todas as variáveis poderiam ser

aproximadas por uma Normal. Não significa que a Normal é a melhor distribuição para esses

dados, mas o fato dessas variáveis poderem ser aproximadas por uma Normal implicará na

seleção de técnicas específicas para a validação operacional do modelo.

Na fase de implementação, o modelo conceitual foi convertido em um modelo computacional

através do simulador Promodel versão 7.0®. Esta escolha foi determinada principalmente

pela experiência que os pesquisadores têm com o simulador, além de diferenciais como:

animação da simulação e recursos visuais, recursos que facilitam a etapa de verificação do

modelo computacional e a validação face a face do modelo computacional por especialistas

do processo; relatórios e gráficos em 3D com as estatísticas do modelo; comandos de

rastreamento; possibilidade de comunicação com o Excel através da importação e exportação

de dados e possibilidade de programação em linguagem C.

A Figura 3 apresenta a tela do modelo computacional do sistema real construído no

simulador, após a construção sucessiva de 17 modelos, por ordem crescente de dificuldade.

Figura 3 – Tela do modelo computacional construído no simulador Promodel

O modelo foi dividido em dois módulos. Fato que ajudou na verificação do modelo. Então,



7

foram escolhidas duas variáveis de saída para o modelo, total produzido diariamente no

módulo 1 e total produzido no módulo 2. Cabe ressaltar que a programação através de

linguagem C e utilizando recursos do simulador (Matrizes) foi um desenvolvimento que

possibilitou que os valores destas variáveis fossem exportados diretamente para o Excel,

facilitando a construção do fluxo de caixa.

Para a realização da validação estatística, o modelo foi executado para dezoito dias de

produção, com dez réplicas cada um. Tendo-se assim dez valores para cada dia de produção,

para cada uma das duas variáveis de saída. O valor de cada variável de saída foi determinado

utilizando-se a média das dez réplicas. A mesma quantidade de dados de saída do modelo

simulado foi extraída do sistema real para o mesmo período.

De posse dos dados das variáveis de saída para dezoito dias, obtidos da simulação, foram

construídos gráficos que possibilitam a identificação do período de warmup. Como pode ser

observado na Figura 4, a partir do segundo dia de simulação o número de peças produzidas

pelo módulo 1 oscila dentro de uma faixa. Já o primeiro dia, devido ao período transitório,

apresentou valores abaixo dos encontrados durante o período em regime. Desta forma, os

resultados obtidos na simulação do primeiro dia serão desconsiderados.

0

20000

40000

60000

80000

100000

120000

140000

160000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Tempo de simulação (dias)

Réplica 1

Réplica 2

Réplica 3

Réplica 4

Réplica 5

Réplica 6

Réplica 7

Réplica 8

Réplica 9

Réplica 10

n.

de

pe

ça

sp

rod

uzid

as

Figura 4 – Gráfico ilustrando o período de warmup para o módulo alívio de tensões

Passa-se então para a etapa de validação operacional do modelo computacional. Entretanto,

como as saídas do modelo são variáveis discretas, foi necessário realizar uma transformação

para a estabilização da variância (raiz quadrada do total produzido), conforme apresentado por

Bisgaard e Fuller (1994), antes de se aplicar as técnicas estatísticas para a validação

operacional propriamente dita.

Após a transformação de estabilização da variância, foi realizado um teste de aderência com

estes dados, para cada uma das duas variáveis. Novamente, estes dados podem ser ajustados

como uma distribuição Normal. Sendo assim, o próximo passo foi a realização de um Teste F,

que testa a hipótese de que os dois conjuntos de dados (real e simulado) tem variâncias iguais.

Foi verificado através do teste F que os dois conjuntos de dados (real e simulado) têm

variâncias iguais. A partir desta informação, pode-se então realizar um teste T para duas

amostras independentes, que testa a hipótese de que não há diferença estatística entre os dois

conjuntos de dados analisados (real e simulado). Então, após este teste pode-se dizer que o



8

modelo computacional do sistema real está validado estatisticamente, em outras palavras, diz-

se que o modelo computacional está apto para receber experimentações nestas duas variáveis

de saída analisadas. Tem-se então o modelo operacional ou experimental da célula de

manufatura estudada.

Finalmente, na fase de análise, foram construídos três modelos, representando cenários

propostos pelos gestores. Todos os cenários contemplam a substituição do desengraxante

nocivo ao meio ambiente, através da substituição da máquina atual por outra que trabalhe

entre as máquinas 01 e 02 da célula, possibilitando o fluxo contínuo entre as atividades da

célula. Entretanto, os cenários se diferenciam quanto à distribuição de atividades entre os

colaboradores e pelo montante investido em novos equipamentos.

4. Resultados

Deste modo, cada um dos modelos (cenário A, cenário B e cenário C) foi executado para seis

anos, que é a vida econômica do projeto. O total produzido por ano em cada cenário foi

exportado diretamente para a planilha de avaliação econômica no Excel®, onde os dados

econômicos do projeto foram previamente preenchidos, como a TMA da empresa (10% ao

ano), margem de contribuição unitária e o investimento total do cenário analisado. Por se

tratar de uma peça industrial, portanto confidencial, os dados financeiros fornecidos pela

empresa foram codificados.

Para cada cenário foi construída uma planilha como a mostrada pela Figura 5. O fluxo de

caixa foi construído considerando o incremento no total anual produzido pelo cenário

multiplicado pela margem de contribuição unitária. Deste modo, está sendo avaliado se o total

anual produzido a mais pelo cenário (em comparação com o sistema real) justifica

economicamente o investimento neste cenário.

Figura 5 – Tela da planilha de avaliação econômica para o cenário B, no Excel

A Tabela 1 traz as características de cada cenário. O Lead Time apresentado corresponde ao

tempo que um lote de 13000 peças gasta para ser produzido em média. O incremento significa

a quantidade de peças que o novo cenário produz a mais em comparação ao cenário atual.

Conforme pode ser observado na Tabela 1, todos os cenários são economicamente viáveis.

Pois apresentam o VPL maior que zero. Sendo assim, o critério de decisão é escolher aquele



9

cenário que apresenta o maior VPL. Neste caso, o cenário B apresentou o maior VPL.

Portanto, o cenário B, que propõe a colocação de prismas manuais junto às máquinas 02, é o

indicado para ser implantado na célula de manufatura.

É possível que o gestor tome outra decisão, que não seja esta. Por exemplo, o gestor pode

escolher o cenário com base na demanda futura, uma vez que cada cenário pode produzir uma

quantidade de peças a mais. Pois, este é um método de auxílio à tomada de decisão. No

entanto, se o gestor optar pelos cenários A ou C e a demanda não for uma restrição, a empresa

estará deixando de ganhar dinheiro.

CENÁRIOS CARACTERÍSTICAS

VPL R$ 354.235,00

LEAD TIME 24,30 horas

INCREMENTO 697.666 peças

INVESTIMENTO R$ 7.143,00

DESCRIÇÃO: Este cenário se

diferencia do sistema real pela

substituição da máquina 03 por quatro

máquinas 05, o que possibilitou o

fluxo contínuo entre as atividades da

célula. O colaborador dos fornos não

tem mais que carregar a máquina 03,

já que está não existe mais.

VPL R$ 925.740,00


INCREMENTO 10.764.000

peças


DESCRIÇÃO: Neste cenário, os

colaboradores da célula retiram as

peças das máquinas 01, montam-nas

nos ferramentais dos fornos e os

depositam nos pallets. O colaborador

dos fornos apenas opera os fornos e

leva os produtos semi-acabados para a

máquina 04 (Expedição).

VPL R$ 887.558,00



10


INCREMENTO 10.390.250

peças


DESCRIÇÃO: Neste cenário existe

um dispositivo automático para cada

máquina 02. Os colaboradores da

célula realizam a inspeção, retiram o

ferramental já montado no dispositivo

e colocam no pallet. Deste pallet os

ferramentais são levados até os fornos

pelo colaborador dos fornos.

Tabela 1- Resumo da análise econômica para os três cenários

O Lead Time para o cenário atual é de 36,5 horas. Em todos os cenários houve a redução do

Lead Time. O que significa que apenas a substituição das máquinas 03 pelas máquinas 06

proporciona uma redução de Lead Time.

Outra questão também importante é a ocupação dos colaboradores (medida em porcentagem

de utilização em relação ao tempo total disponível). A Figura 6 mostra um gráfico da

ocupação dos colaboradores dentro dos três turnos de trabalho para o cenário B. Pode-se

observar que os colaboradores tipo 1 e 2 (que realizam atividades que agregam valor ao

produto) estão sendo bastante utilizados. Porém, com este cenário os colaboradores tipo 3

estariam pouco utilizados. Uma vez que um colaborador seria suficiente para a realização das

tarefas, a empresa estaria ganhando dois funcionários (contando os três turnos). Esses podem

ser remanejados para auxiliar os colaboradores tipo 1 e 2 ou mesmo para outras atividades que

agregam valor ao produto.

Figura 6 - Porcentagem de utilização dos colaboradores para o cenário B

Ressalta-se que muitas empresas podem estar escolhendo cenários sem o emprego de técnicas

adequadas. Muitas vezes esta escolha é realizada com base somente na experiência dos

gestores ou mesmo com o auxilio de modelos analíticos que não consideram a variabilidade e

a interdependência, geralmente presentes em sistemas complexos de manufatura. Neste artigo,

uma combinação da análise econômica e da simulação a eventos discretos é apresentada como

uma técnica possível.



11

5. Conclusão

Conclui-se que a principal contribuição desta pesquisa foi a combinação da simulação a

eventos discretos e a avaliação econômica de investimentos para auxiliar os gestores a

escolher o cenário economicamente mais viável. O uso combinado dessas duas técnicas foi

possível através de modelos de simulação construídos no Promodel®, que podem exportar o

total produzido em um período para uma estrutura de fluxo de caixa construída no Excel®.

Com isso, é possível que as ferramentas financeiras do Excel® sejam utilizadas, dentre elas o

Valor Presente Líquido. Com este procedimento o VPL de cada cenário pode ser calculado

com base em uma previsão de produção gerada pelo modelo de simulação e não por dados

arbitrários.

Sendo assim, esse procedimento foi aplicado em uma célula de manufatura para auxiliar a

escolha do cenário economicamente mais viável, que contemplasse a implantação do fluxo

contínuo entre as atividades e a substituição do desengraxante atual por uma solução

ambientalmente correta. Observando-se os VPL’s calculados para os três cenários, pode-se

perceber que o cenário B apresenta o maior VPL, portanto, é o cenário mais atrativo para a

célula de produção estudada.

Durante a aplicação, percebeu-se que a simulação contribuiu para um maior conhecimento do

processo produtivo, mesmo entre os gestores. Uma vez que a metodologia de simulação

proporciona várias etapas de reflexão e validação de modelos. Em uma dessas fases o mapa

de processos foi construído e validado por especialistas do processo. Os tempos que foram

cronometrados passaram a fazer parte dos registros do processo.

Embora não era o objetivo deste trabalho, a animação da simulação contribuiu para comunicar

a visão das mudanças propostas aos colaboradores, uma vez que estes assistiram a animação

da simulação para o cenário a ser implantado (cenário B), visualizando suas futuras

atividades, o que favoreceu para que a resistência que estes criariam diante das mudanças

fosse reduzida.

Agradecimentos

Os autores gostariam de agradecer à FAPEMIG pelo apoio a esta pesquisa.

Referências

BALCI, O. Verification, validation and certification of modeling and simulation applications. In: Proceedings

of the 2003 Winter Simulation Conference , New Orleans, Louisiana, USA, 2003.

BANKS, J. Handbook of simulation: Principles, Methodology, Advances, Applications, and Practice. Ed. John

Wiley & Sons, Inc., 864p, 1998.

BANKS, J.; CARSON, J.S.; NELSON, B.L.; NICOL, D.M. Discrete-event system simulation. 2ª Edição. New

Jersey: Prentice Hall, 2005.

BISGAARD, S.; FULLER, H. Analysis of Factorial Experiments with defects or efectives as the response.

Center for Quality and Productivity Improvement, University of Wisconsin, Report n. 119, 1994.

CASAROTO, N.F. KOPTTKE, Análise de investimentos. Ed Atlas. São Paulo, 20-124, 1998.

CHWIF, L.; MEDINA, A.C. Modelagem e simulação de eventos discretos: teoria e aplicações. 2ª Edição. São

Paulo, Editora dos Autores, 2007.

COATES, E.R.; KUHL, M.E. Using simulation software to solve engineering economy ploblems. Computer

and industrial engineering, n. 45, p. 285–294, 2003.

HARRELL, C.; GHOSH, B. K.; BOWDEN, R. Simulation Using Promodel. 3. ed. Boston: McGraw-Hill, 603



12

p, 2000.

HERNANDEZ-MATIAS, J.C.; VIZAN, A.; PEREZ-GARCIA, J.; RIOS, J. An integrated modeling

framework to support manufacturing system diagnosis for continuous improvement. Robotics and computer-

integrated manufacturing, v.24, n.2, p.187-199, 2008.

HLUPIC, V.; PAUL, R.J. Methodological approach manufacturing simulation selection. Computer Integrated

Manufacturing Systems, vol. 9, n.1, p.49-55, 1996.

KLEIJNEN, J.P.C. Theory and Methodology: Verification and validation of simulation models. European

Journal of Operational Research, v.82, p.145-162, 1995.

LAW, A.M. How to build valid and credible simulation models. In: Proceedings of the 2006 Winter Simulation

Conference, Monterey, CA, USA, 2006.

LEAL, F.; ALMEIDA, D.A.de; MONTEVECHI, J.A.B. Uma Proposta de Técnica de Modelagem Conceitual

para a Simulação através de elementos do IDEF. In: Anais do XL Simpósio Brasileiro de Pesquisa Operacional,

João Pessoa, PB, 2008.

MONTEVECHI, J.A.B.; PINHO, A.F. de; LEAL, F.; MARINS, F.A.S. Application of design of experiments

on the simulation of a process in an automotive industry. In: Proceedings of the 2007 Winter Simulation

Conference, Washington, DC, USA, 2007.

MONTEVECHI, J.A.B.; LEAL, F.; PINHO, A.F. de; COSTA, R.F. da S.; MARINS, F.A.S.; MARINS,

F.F.; JESUS, J.T. de. Combined use of modeling techniques for the development of the conceptual model in

simulation projects. In: Proceedings of the 2008 Winter Simulation Conference, Miami, USA, 2008.

NAZZAL, D.; MOLLAGHASEMI, M.; ANDERSON, D.A. Simulation-based evaluation of the cost of cycle

time reduction in Agere Systems wafer fabrication facility - a case study. International Journal of Production

Economics, 100, p. 300-313, 2006.

O’KANE, J.F.; SPENCELEY, J.R.; TAYLOR, R. Simulation as an essential tool for advanced

manufacturing technology problems. Journal of Materials Processing Technology, 107, p. 412-424, 2000.

ROSS, S.A.; WESTERFIELD, R.W.; JORDAN, B.D. Princípios de Administração Financeira. Editora Atlas,

São Paulo, 2002.

SANCHEZ, S.M. Work smarter, not harder: guidelines for design simulation experiments. In: Proceedings of

the 2007 Winter Simulation Conference, Washington,USA, 2007.

SÁNCHEZ, P.J. Fundamentals of simulation modeling. In: Proceedings of the 2007 Winter Simulation

Conference, Washington, USA, 2007.

SARGENT, R.G. Validation and Verification of simulation models. In: Proceedings of the 2004 Winter

Simulation Conference, 2004.

Documents

AVALIAÇÃO ECONÔMICA DE CENÁRIOS PARA UMA CÉLULA DE ... · Modelagem por simulação a eventos discretos tem se tornado uma das técnicas de análise de sistemas complexos de