Apostila de Pesquisa Operacional - Parte II PDF

UNIVERSIDADE SO FRANCISCO
DISCIPLINA
PESQUISA OPERACIONAIOL
Parte II
Adalberto Nobiato Crespo
2015
Verso 4.0
Sumrio
PROCESSOS ESTOCSTICOS ......................................................................................................... 3
1 Processos Estocsticos ................................................................................................................... 3
1.1 Classificao de Processos Estocsticos ................................................................................. 3
Questes para Estudo ........................................................................................................................... 4
2 Processos Markovianos .................................................................................................................. 5
3 Conceitos Fundamentais .............................................................................................................. 11
3.1 Cadeias de Markov................................................................................................................ 11
3.2 Probabilidade de Transio ................................................................................................... 12
3.3 Probabilidade de Transio de Passo 1 ................................................................................. 12
3.4 Probabilidade de Transio de Passo n ................................................................................. 12
3.5 Distribuio Inicial de Probabilidades .................................................................................. 14
3.6 Distribuio de Probabilidades aps n Passos ................................................................... 16
3.7 Classificao dos Estados de Uma Cadeia de Markov ......................................................... 20
3.8 Classificao de Matrizes Estocsticas ................................................................................. 26
Primeira Lista de Exerccios - Cadeias de Markov ......................................................................... 28
4 Aspectos Fundamentais sobre Filas ............................................................................................. 34
4.1 Conceito de Fila .................................................................................................................... 34
4.2 Dimensionamento de Filas .................................................................................................... 35
4.3 Aspectos Histricos............................................................................................................... 36
5 Fundamentos Bsicos de Filas ..................................................................................................... 37
5.1 - Elementos de Uma Fila .......................................................................................................... 37
5.2 Caractersticas de Uma Fila .................................................................................................. 38
5.3 Distribuio do Tempo de Atendimento ............................................................................... 41
5.4 Dinmica de uma Fila ........................................................................................................... 42
5.5 Conceitos Bsicos de Fila .................................................................................................... 47
5.5.1 Variveis Aleatrias Fundamentais ....................................................................................... 48
5.5.2 - Postulados Bsicos.................................................................................................................. 53
Segunda Lista de Exerccios ............................................................................................................ 54
6 O Sistema de uma Fila e um Atendente ....................................................................................... 55
6.1 Equaes do Modelo ................................................................................................................. 55
Terceira Lista de Exerccios ............................................................................................................ 57
Quarta Lista de Exerccios .............................................................................................................. 59
PROCESSOS ESTOCSTICOS
1 Processos Estocsticos
Um Processo Estocstico definido como uma coleo de variveis aleatrias Xt
indexadas por um parmetro t pertencente a um conjunto T. Normalmente, T um
conjunto de nmeros inteiros no negativos e Xt representa uma caracterstica
qualquer mensurvel de interesse e que varia com o tempo t.
Exemplo 1:
Xt: Nvel de estoque de um produto no fim de cada semana t.
t = 1, 2, 3...
X1 = 20 significa que na semana 1 o estoque era de 20 unidades.
Processos Estocsticos so de interesse para descrever o procedimento de um sistema
operando em algum perodo de tempo. Com isso, a varivel aleatria Xt representa o
estado do sistema no parmetro t.
O parmetro t representa o estado e o valor da varivel Xt representa o
comportamento do sistema no estado t.
Por exemplo, interessante para uma empresa observar o comportamento do estoque
de um determinado produto, durante 6 meses. Esta observao serve para a
programao dos estoques nos prximos perodos.
Portanto, a varivel Xt definida em um conjunto de estados denominado Espao de
Estados.
1.1 Classificao de Processos Estocsticos
Os Processos Estocsticos podem ser classificados como:
a) Em relao ao Estado
Estado Discreto: Xt definida sobre um conjunto enumervel finito.
Estado Contnuo: Xt caso contrrio
b) Em relao ao Tempo t (parmetro)
Tempo Discreto: t finito e enumervel
Tempo Contnuo: t caso contrrio
Exemplos:
1 Nmero de usurios em uma fila de banco em um determinado instante t.
Estado discreto e Tempo contnuo
2 ndice pluviomtrico dirio.
Estado contnuo e Tempo discreto
3 Nmero de dias chuvosos.
Estado Discreto e Tempo discreto
Questes para Estudo
1 Suponha que Xt representa o nvel de estoque de um produto e t representa a
semana de observao do estoque.
Qual a probabilidade do estoque ser zero no final desta semana, dado que na
semana anterior o estoque era de 10 unidades?
Matematicamente temos a equao: PX atual 0 | X anterior 10 ?
Fazendo: semana atual =1
semana anterior = 0
Ento teremos a seguinte equao: PX 1 0 | X 0 10 ?
Pode se tambm estar interessado na seguinte questo:
PX 10 0 | X 9 11, X 8 12, X 7 15... X 1 6, X 0 3 ?
Onde: 10=semana atual; 9 = semana anterior; e assim por diante.

O valor desta probabilidade serve para tomada de decises sobre o estoque do
produto em questo.
2 Suponha que Xt representa o comportamento do tempo numa cidade de praia
durante o vero.
Qual a probabilidade do tempo estar com sol nesta semana, dado que na semana
anterior o tempo esteve com chuva.
Matematicamente temos a equao: PX atual sol | X anterior chuva ?
Fazendo: semana atual =1
semana anterior = 0
Ento teremos a seguinte equao: PX 1 sol | X 0 chuva ?
Pode se tambm estar interessado na seguinte questo:
PX 4 sol | X 3 chuva, X 2 chuva, X 1 sol ?
Onde: 4 = semana atual; 3 = semana anterior; e assim por diante.

O valor desta probabilidade serve para tomada de decises sobre os eventos que
podero ser promovidos na cidade de praia, no perodo em questo.
Existem vrios "tipos" de Processos Estocsticos, porm neste curso ser abordado
apenas um tipo de Processo Estocstico denominado Processo Markoviano.
2 Processos Markovianos
Um Processo Estocstico dito ser um Processo Markoviano se:
PX k 1 yk 1 | X k yk , X k 1 yk 1 , X k 2 yk 2 ... X 1 y1 , X 0 y0 PX k 1 yk 1 | X k yk
Onde k = 0, 1, 2, 3 ...
Essa expresso pode ser traduzida como: a probabilidade condicional de qualquer
evento futuro, dado qualquer evento passado e o estado presente Xk = yk,
independente do evento passado e depende somente do estado presente.
Em termos mais resumidos: Um processo Estocstico dito ser um Processo
Markoviano se o estado futuro depende apenas do estado presente e no depende dos
estados passados.
Este tipo de Processo Estocstico tambm denominado de processo sem Memria,
uma vez que o passado desprezado.
As probabilidades condicionais PX k 1 yk 1 | X k yk so denominadas
Probabilidades de Transio e representam a probabilidade do estado Xk+1 ser yk+1
no instante k+1 dado que no instante k o estado Xk yk.
Exemplo 2: No ano de 1993, o estado do uso da terra em uma cidade de 50
quilmetros quadrados de rea ra:
Tabela 1 Estado do uso da Terra em 1993
I
Uso Residencial
30%
II
Uso Comercial
20%
III
Uso Industrial
50%
Os valores da tabela 1 podem ser dispostos em um vetor T, denominado

Vetor de Estados:
T = [ I II III ].
As probabilidades de cada Estado podem tambm serem dispostas em
um vetor , denominado Vetor de Probabilidades de Estado:
= [0,30 0,20 0,50].
Supondo que as probabilidades de transio para intervalos de 5 anos
so dadas pela Tabela 2:
Tabela 2 Probabilidades de Transio em 5 anos

Para I
Para II
Para III
de I
0,8
0,1
0,1
de II
0,1
0,7
0,2
de III
0,1
0,9
As probabilidades condicionais na Tabela 2 podem ser interpretadas

como:
de I para I: a probabilidade da cidade estar no estado I aps 5 anos,
dado que atualmente est no estado I 0,8, ou seja
PX t 5 I | X t I 0,8 .
Para t = 1993, tem-se: PX (1998) I | X (1993) I 0,8
de I para II: a probabilidade da cidade estar no estado II aps 5 anos,
PX t 5 II | X t I 0,1 .
Para t = 1993, tem-se: PX (1998) II | X (1993) I 0,1
de I para III: a probabilidade da cidade estar no estado III aps 5 anos,
PX t 5 III | X t I 0,1 .
Para t = 1993, tem-se: PX (1998) III | X (1993) I 0,1
O mesmo raciocnio para os demais estados.
Os valores da Tabela 2 podem ser dispostos numa matriz denominada
Matriz de Transio.
I 0,8 0,1 0,1
P II 0,1 0,7 0,2
III 0 0,1 0,9
Assim, a partir da matriz de transio P e do vetor de probabilidade de

estado para 1993, denominado (0), pode-se calcular o vetor de
probabilidades de estado para o ano de 1998 da seguinte forma,
denominado (1).
0,8 0,1 0,1
1 0 P [0,30 0,20 0,50]0,1 0,7 0,2 [0,26 0,22 0,52]
0 0,1 0,9
Este resultado pode ser interpretado como:

Em 1998, o estado de uso da terra na cidade ser dado pela Tabela 3:
I
Uso Residencial
26%
II
Uso Comercial
22%
III
Uso Industrial
52%
Exemplo 3: Um cliente pode adquirir uma das seguintes marcas de carro: Fiat, Ford e
Chevrolet. A prxima compra do cliente controlada pela marca do
carro que ele possui atualmente. Toda vez que um novo carro
comprado, ocorre um passo no processo de compra. Neste processo h,
portanto, apenas 3 Estados possveis (m=3): a compra de um Ford, a
compra de um chevrolet e a compra de um Fiat.
Isto pode ser representado como:
Estados do Processo
Descrio
S1
O cliente compra um Ford
S2
O cliente compra um Chevrolet
S3
O cliente compra um Fiat
No presente momento (t = 0), os Estados S1, S2, S3 representam o estado

atual do processo, isto , a marca do carro que o cliente possui
atualmente.
No passo seguinte, (t = 1) os Estados S1, S2, S3 representam todos os
resultados possveis da prxima compra do cliente.
Assim, o Espao de estado { S1, S2, S3}.
Uma pessoa de mercado revela a seguinte situao:
Prxima Compra (t = 1)
Marca do Carro
Atual (t=0)
% que compra
% que compra
% que compra
Ford
Chevrolet
Fiat
Ford
40
30
30
Chevrolet
20
50
30
Fiat
25
25
50
Essa mesma informao pode ser representada numa matriz de

probabilidades chamada Matriz de Transio.
0,40 0,30 0,30
P 0,20 0,50 0,30
0,25 0,25 0,50
Cada elemento dessa tabela representa uma probabilidade de se passar

de um Estado para outro em um passo. Isto , representa a probabilidade
de compra de uma marca de carro.
Ex: 0,20 representa a probabilidade de um cliente comprar um carro Ford
dado que atualmente ele possui um carro da marca Chevrolet.
Graficamente tem-se a seguinte situao:
0,50
0,40
S2
0,30
S1
Chevrolet
0,20
Ford
0,25
0,25
0,30
Fiat
0,30
S3
0,50
Exemplo 4: A situao de uma mquina poderia ser descrita por um Processo de

Markov. Neste caso, o Estado pode descrever a condio da mquina:
em funcionamento; esperando reparo; sendo reparada. O espao de
Estado discreto e pelo menos em alguns casos a probabilidade da
situao da mquina na prxima observao depende de sua situao
presente.
Estados do Processo
Descrio
S1
Mquina funcionando
S2
Mquina ociosa, esperando reparo
S3
Mquina ociosa, sendo reparada
Exemplo 5: Um grupo de 4 crianas joga um jogo que consiste em passar uma bola
de um lado para outro. Em cada estgio do jogo, a criana que est com
a bola tem idntica chance de passar a bola para qualquer uma das
outras 3 crianas. Seja X0 a criana que est com a bola no incio do
jogo e Xn a criana que est com a bola depois que a mesma foi lanada
exatamente n vezes.
Este jogo consiste de um Processo de Markov com a seguinte Matriz de
Transio:
0
1
P 3
1
3
1
1
3
0
1
3
1
3
1
3
1
3
0
1
3
1
3
1
3
1
3
A matriz P chama-se Matriz de Transio ou Matriz de probabilidades.

Para que uma criana receba a bola em um dado momento, depende
apenas de quem est com a bola naquele momento e no depende das
demais crianas.
Com esta propriedade este jogo constitui-se numa cadeia de Markov.
O conjunto S = { 1, 2, 3, 4} chama-se espao de estados.
Algebricamente tem-se:
Seja k = 1 se a criana est com a bola num dado momento.
k = 0 se a criana no est com a bola num dado momento.
Logo, PX 1 1 | X 0 0
1
e ainda
3
PX 1 1 | X 0 1 0
Constitui-se numa Cadeia de Markov porque tem a propriedade que:

PX n y | X n1 y, X n2 k ,... X 0 1 PX n k | X n1 k
Isto , o fato de Xn = k (uma criana estar ou no com bola depois de n

lanamentos) depende somente de Xn-1 = k e independe da trajetria
percorrida. Isto , independe de Xn-2, Xn-3, Xn-4, ... X0.
Exemplo 6: Jogo da Moeda

Um jogador paga R$ 10,00 ao banqueiro para lanar uma moeda e ganha
R$ 80,00 quando a diferena entre o nmero de Caras e Coroas for igual a
3. Qual deve ser a situao do jogador depois de n lanamentos da
moeda?
Situao:
O jogador paga R$10,00 por um lanamento e recebe R$80,00 quando
Z = | #Caras - #Coroas | = 3.
Onde: #Caras: nmero de caras e #Coroas: nmero de Coroas
Analisando tem-se:
Numero de Lanamentos
Resultados #Caras #Coroas
Ca
Ca
Co
Ca
Co
Ca
Ca
Graficamente, a probabilidade da funo Z assumir os valores 0, 1, 2, 3,

so:
1
1/2
1/2
2
1/2
1/2
1
3
1/2
Matricialmente tem-se a seguinte Matriz de Transio:

0
1
P 2
0
1
0
1
2
0
0
1
2
0
0
0
1
2
1
10
Logo, tem-se:
Seja Zn a varivel aleatria que pode assumir os valores 0, 1, 2, 3 no
tempo t = n.
Espao de Estados: S = {0, 1, 2, 3}
Isto , antes do incio do jogo, tem-se:
Tempo t = 0
Tempo t = 1
P[Z0 = 0] = 1;
P[Z1 = 0] = 1/2;
P[Z0 = 1] = 0;
P[Z1 = 1] = 0;
P[Z0 = 2] = 0;
P[Z1 = 2] = 1/2;
P[Z0 = 3] = 0.
P[Z1 = 3] = 0.
Para saber a situao do jogador no tempo t = n, ou seja, depois de n

lanamentos, deve-se calcular:
Pn = P.P.P.P...P
Isto , multiplica-se a matriz P n vezes.
3 Conceitos Fundamentais
3.1 Cadeias de Markov
Um Processo Markoviano dito ser uma Cadeia de Markov quando as variveis
aleatrias Xt esto definidas em um espao de Estados discreto.
De acordo com a forma de representao dos estados e do tempo, os Processos
Markovianos podem ser:
Estados
Tempo
Classificao
Contnuo
Contnuo
Processo Markoviano em tempo contnuo
Contnuo
Discreto
Processo Markoviano em tempo discreto
Discreto
Contnuo
Cadeia de Markov em tempo contnuo
Discreto
Discreto
Cadeia de Markov em tempo discreto
Desta forma, uma cadeia de Markov um Processo Markoviano onde o espao de

estados um conjunto discreto.
Quando o tempo t discreto, a Cadeia de Markov dita ser uma Cadeia de Markov
em Tempo Discreto. Note tambm que existem cadeias de Makov de tempo
contnuo.
11
No caso de tempo discreto, tem-se:

PX k 1 yk 1 | X k yk , X k 1 yk 1 , X k 2 yk 2 ... X 1 y1 , X 0 y0 PX k 1 yk 1 | X k yk
Uma maneira simples de visualizar um tipo especifico de cadeia de Markov atravs

de uma mquina de estados finitos. Se voc est no estado y no tempo n, ento a
probabilidade de que voc se mova para o estado x no tempo n+1, no depende
de n, e somente depende do estado atual y em que voc est.
3.2 Probabilidade de Transio
Numa Cadeia de Markov, chamam-se Probabilidades de Transio a probabilidade do
Estado Xk+1 ser yk+1 no tempo k+1 dado que o Estado Xk yk no tempo k.
Isto : PX k 1 yk 1 | X k yk .
Se para cada xk+1 e xk, tem-se: PX k 1 yk 1 | X k yk PX 1 y1 | X 0 y0 .
Ento, as Probabilidades de Transio so ditas Estacionrias.
Se as Probabilidades de Transio so Estacionrias, ento isto significa que as
Probabilidades de Transio no mudam em relao ao tempo.
3.3 Probabilidade de Transio de Passo 1
As Probabilidades de Transio so denominadas Probabilidades de Transio de
Passo 1 se:
PX k 1 yk 1 | X k yk PX 1 y1 | X 0 y0 .
3.4 Probabilidade de Transio de Passo n

Se a Probabilidades de Transio de Passo 1 for Estacionrio (no muda com o
tempo) implica que para cada xk+n e yk e n (n=0,1, 2, ...), tem-se:
PX k n yk n | X k yk PX n yn | X 0 y0
Essas probabilidades condicionais so chamadas Probabilidades de Transio de

Passo n.
Notao:
Para facilitar a notao ser adotada a seguinte alterao: yk+1 = j; ou yk+n = j e yk =i
Logo, se tem: pij PX k 1 j | X k i
pij( n ) PX k n j | X k i
12
Propriedades:
Como os valores pij(n ) so probabilidades, ento precisam satisfazer as seguintes
propriedades:
a) p ij( n ) 0
M
b)
p
j 0
(n)
ij
(i, j); n = 0, 1, 2,...
1 i: n = 0, 1, 2, ...
Uma maneira de mostrar todas as Probabilidades de Transio de Passo n :

Estados
...
(n)
p00
(n)
p01
...
p 0( nM)
(n)
0j
(n)
1j
j 0
p10( n )
p11( n)
...
p1(Mn)
p
j 0
...
p M( n )0
pM( n1)
...
(n )
pMM
p
j 0
(n)
Mj
Ou atravs de uma matriz de probabilidades:
P (n)
(n)
p 00
(n)
p
10
...
(n)
p M 0
(n)
p 01
p11( n )
...
p M( n1)
...
...
...
...
p 0( nM)
p1(Mn )
...
(n)
p MM
A matriz P(n) denominada Matriz de Transio de Passo n.

Quando n = 1 denominada apenas Matriz de Transio.
Exemplo 7: Supe uma mquina que em um determinado momento pode estar
funcionando ou parada. Seja Xn a varivel aleatria que denota o estado
da mquina no tempo n (ou tempo t).
Espao de Estados: S = { parada, funcionando} = {0, 1}
O tempo n pode representar um dia (por exemplo).
13
Graficamente tem-se:
1-p
0
0
p
1-q
Tempo n
Tempo n+1
Assim tem-se:
P[Xn+1 =1 | Xn = 0] = p
P[Xn+1 =0 | Xn = 1] = q
P[Xn+1 = 1 | Xn = 1] = 1 - q
Consequentemente tem-se:
P[Xn+1 =0 | Xn = 0] = 1 - p
A Matriz de Transio de Passo 1 dada por:

0
1
0 1 p
p
P
1 q
1 q
3.5 Distribuio Inicial de Probabilidades

Seja S um espao de Estados.
Chama-se distribuio inicial ao vetor das probabilidades no incio do processo. Isto
, so as probabilidades associadas a cada estado do sistema no incio do processo (no
tempo t =0).
Notao:
0(x) = P[X0 = x] a probabilidade de o sistema iniciar no Estado x.
n(x) = P[Xn = x] a probabilidade de o sistema estar no Estado x, no tempo n (ou
seja, aps n passos).
A distribuio inicial 0(x) = P[X0 = x] tal que:
a) 0(x) 0 xS.
b)
xS
( x) 1
14
Exemplo 8: Se no exemplo 2, 0 = [0,30 0,20 0,50] significa que no ano de 1993 o

uso da terra pode estar no estado I, II, ou III, respectivamente com as
probabilidades 0,30; 0,20; e 0,50.
0(I) = P[X0 = I] = 0,30 probabilidade da cidade usar a terra para uso
residencial.
0(II) = P[X0 = II] = 0,20 probabilidade da cidade usar a terra para
uso comercial.
0(III) = P[X0 = III] = 0,50 probabilidade da cidade usar a terra para
uso industrial.
Exemplo 9: Se no exemplo 3, 0 = [0 0 1], significa que o sistema inicia no Estado
S3, ou seja no incio o cliente possui um automvel Fiat.
0(1) = P[X0 = 1] = 0 probabilidade de o cliente ter um carro Ford.
0(2) = P[X0 = 2] = 0 probabilidade de o cliente ter um carro
Chevrolet.
0(3) = P[X0 = 3] = 1 probabilidade de o cliente ter um carro Fiat.
Exemplo 10: Se no exemplo 4, 0 = [0 1 0], significa que o sistema inicia no
Estado S2, ou seja, a maquina est ociosa esperando reparo.
0(1) = P[X0 = 1] = 0 probabilidade de a mquina estar funcionando
0(2) = P[X0 = 2] = 1 probabilidade de a mquina estar ociosa
esperando reparo.
0(3) = P[X0 = 3] = 0 probabilidade de a mquina estar ociosa sendo
reparada.
Exemplo 11: Se no exemplo 5, 0 = [0 1/3 0 2/3], significa que no inicio do jogo

a bola pode estar com a criana no. 2 ou com a criana no. 4,
respectivamente com probabilidades 1/3 e 2/3 (no tempo 0).
0(1) = P[X0 = 1] = 0 probabilidade de a criana 1 estar com a bola.
0(2) = P[X0 = 2] = 1/3 probabilidade de a criana 2 estar com a bola.
0(3) = P[X0 = 3] = 0 probabilidade de a criana 3 estar com a bola.
0(4) = P[X0 = 4] = 2/3 probabilidade de a criana 4 estar com a bola.
15
3.6 Distribuio de Probabilidades aps n Passos - Distribuio

Estacionria
Sejam:
0(x) a distribuio inicial de probabilidades de um processo, isto , no incio do
processo.
n(x) a distribuio de probabilidades do processo aps n passos.
P a Matriz de Transio de Passo 1, ou simplesmente Matriz de transio.
Pn = P.P.P....P (multiplicao da matriz P n vezes)
Ento a distribuio de probabilidades aps n passos pode ser obtida como:
n(x) = 0(x)Pn
Isto :
0(x) = 0(x)
1(x) = 0(x)P
2(x) = 0(x).P.P = 0(x).P2
3(x) = 0(x).P.P.P = 0(x).P3
...
n(x) = 0(x).P.P...P = 0(x).Pn
Exemplo 12: No exemplo 2 da cidade que utiliza a terra tem-se:

0,8 0,1 0,1
P 0,1 0,7 0,2
0 0,1 0,9
Assim, a partir da matriz de transio P e do vetor de probabilidade de

estado para 1993, denominado (0), pode-se calcular o vetor de
probabilidades de estado para o ano de 1998, denominado (1).
0,8 0,1 0,1
1 0 P [0,30 0,20 0,50]0,1 0,7 0,2 [0,26 0,22 0,52]
0 0,1 0,9
Este resultado pode ser interpretado como:

Em 1998, o estado de uso da terra na cidade ser dado pela Tabela 3:
I
Uso Residencial
26%
II
Uso Comercial
22%
III
Uso Industrial
52%
16
Exemplo 13: No exemplo 7 da utilizao das maquinas, tem-se:

0
1
0 1 p
p
P
1 q
1 q
Supondo que (0) = [ 0 1], ou seja que a mquina est funcionando,

ento pode-se calcular a distribuio de probabilidades da mquina no
prximo dia como:
1 = 0.P = 0
p
1 p
1
=[q
1 q
q
1-q ]
A distribuio de probabilidades da mquina no segundo dia pode se

calculada como:
2 = 0.P2 = 0
(1 p) 2 pq 2 p p 2 pq
1
=
2
pq (1 q) 2
2q pq q
[2q pq - q2
pq + (1 - q)2]
Lembrando que: 0: representa o estado maquina parada

1: representa o estado maquina funcionando
Logo: 2(0) = 2q - pq - q2 e a probabilidade da mquina estar parada
no segundo dia.
2(1) = pq + (1- q2)
e a probabilidade da mquina estar

funcionando no segundo dia.
Observao: Pode ser demonstrado que, num tempo n infinitamente grande tem-se:
( n ) (0) lim P[ X n 0]
n
( n ) (1) lim P[ X n 1]
n
Logo:
n
pq
q
p q a probabilidade da mquina estar parada.
p
p q a probabilidade da mquina estar funcionando.
pq
a distribuio de probabilidades no
tempo n, ou seja, aps n passos.
17
Exemplo 14: Se no exemplo 5, (crianas com a bola) a distribuio inicial for

0 = [0 1/3 0 2/3] e a matriz de transio de probabilidades dada pela
matriz P,
0
1
P 3
1
3
1
1
3
0
1
3
1
3
1
3
1
3
0
1
3
1
3
1
3
1
3
Ento, a distribuio de probabilidades depois de 2 lanamentos da bola

(n = 2) ser calculada como: 2(x) = 0(x).P.P = 0(x).P2 , Ou seja,
2 ( x) 0 ( x).P 2 0
Ou seja,
1
3
3
9
2
2 9
3 2
9
2
2 ( x)
27
7
27
2
9
3
9
2
9
2
9
2
9
2
9
3
9
2
9
2
9
2
9 6
2 27
9
3
6
27
8
27
7
27
6
27
8
27
Exerccio de Fixao: O problema do Rato e o Labirinto

Um rato colocado num labirinto conforme a figura abaixo:
O rato se movimenta atravs dos compartimentos aleatoriamente, isto , se existem k

meios de sair de um compartimento ele escolhe cada um deles com probabilidade 1/k.
O rato faz uma mudana de compartimento a cada minuto. Seja X0 a posio inicial
do rato e para n 1, seja Xn o compartimento onde se encontra o rato no n-simo
minuto (ou aps n minutos).
18
Pede-se:
a) Descreva o espao de estados do sistema
b) Calcule a matriz de probabilidades de transio para cadeia de Markov
{Xn; n = 0, 1, 2, 3,...}.
c) Calcule a Matriz P2.
d) Supondo que o rato seja colocado inicialmente no box no. 9, ou seja,
0(x) = [0 0 0 0 0 0 0 0 1], calcule (2), isto a Distribuio de Probabilidade
do Passo 2.
Soluo:
a) Espao de Estados: S = { 1, 2, 3, 4, 5, 6, 7, 8, 9}
1 0
1
0
0
0
0
0
0
0
2 1 / 2 0 1 / 2 0
0
0
0
0
0
3 0 1/ 2 0
0
0 1/ 2 0
0
0
4 0
0
0
0
0
0
1
0
0
b) P 5 0
0
0
0
0
0
0
1
0
6 0
0
1
0
0
0
0
0
0
7 0
0
0 1/ 2 0
0
0 1/ 2 0
8 0
0
0
0 1 / 3 0 1 / 3 0 1 / 3
9 0
0
0
0
0
0
0
1
0
1 1 / 2
2 1 / 4
3 1 / 4
4 0
c) P 2 P.P 5 0
6 0
7 0
8 0
9 0
1/ 2
0
0
3/ 4 0
0
1/ 4 1/ 2
0
0
0 1/ 2
0
0
0
1/ 2
0
0
0
0
0
0
0 1/ 6
0
0
0
0
0
0
0
1/ 3
0
1/ 6
0
1/ 3
0
0
0
0
0
1/ 2
0
0
0
0
0
0
0
0
0
0
0
0
0 1/ 2
0
1/ 3
0 1/ 3
0
0
0
4 / 6 0 1/ 6
0 5/6 0
1/ 3
0 1 / 3
d) 2 = 0.P2 = [0 0 0 0 1/3 0 1/3 0 1/3]
19
3.7 Classificao dos Estados de Uma Cadeia de Markov

Seja S = {s1, s2, s3, ...} o Espao de Estados de uma cadeia de Markov.
a) Estado Alcanvel (Acessvel)
Seja si e sj dois estado de S.
O estado sj dito ser alcanvel a partir do estado si se existe n 0 tal que
p ij( n ) 0 .
Isto implica que possvel o sistema entrar no estado sj eventualmente quando
o sistema comea no estado si.
Notao: si sj
Exemplo 15: No exerccio do rato e o labirinto tem-se s1 s3 uma vez que p31( 2) 0 .
Exemplo 16: Um jogador tem R$ 1,00 e a cada vez que joga ganha R$ 1,00 com
probabilidade p > 0 ou perde R$ 1,00 com probabilidade 1 p.
O jogo termina quando o jogador acumula R$ 3,00 ou R$ 0,00.
Este jogo uma Cadeia de Markov cujos estados representam a
quantia esperada de dinheiro que o jogador possui a cada vez
que joga. O Espao de estados
S = { 0, 1, 2, 3} e a
matriz de transio dada por:
0 1
0
1 1 p
0
P
2 0
1 p
3 0
0
0
p
0
0
0
0
p
Nesta Cadeia de Markov, o estado 2 no alcanvel a partir do

estado 3. Isto pode ser observado a partir do contexto, uma vez
que se o jogador alcanar o estado 3, ele nunca deixar este
estado, o que implica que p32( n) 0 para qualquer n 0.
Entretanto o estado 3 alcanvel a partir do estado 2, uma vez
que p 23(1) 0 .
b) Estados Comunicantes
Um estado sj dito comunicante com o estado si se o estado sj alcanvel a
partir de si e o estado si alcanvel a partir de sj.
Notao: si sj
Obs.: si sj
ento si sj e sj si.
20
Relao de Equivalncia
i)
si si
ii)
si sj
iii)
Se si sj e sj sk ento si sk
sj si
Nota: Se dois estados se comunicam entre si, diz-se que eles pertencem mesma
classe de estados.
Se todos os estados so comunicantes ento os estados pertencem a uma nica
classe. Neste caso tem-se uma Cadeia de Markov Irredutvel.
c) Estado Transiente
Um estado dito ser transiente (transitrio) se, entrando neste estado, o
processo pode nunca retornar novamente para este estado.
Portanto, o estado si transiente se e somente se existe um estado sj (i j) que
alcanvel a partir de si mas no vice versa, isto o estado si no alcanvel
a partir de sj.
Assim, se o estado si transiente e o processo visita este estado, h uma
probabilidade positiva que o processo ir mover para o estado s j e assim nunca
ir retornar para o estado si.
Consequentemente, um estado transiente ser visitado somente um nmero
finito de vezes.
Definies
i) Seja f ii = a probabilidade condicional de que o processo iniciando em s i,
retorne alguma vez em si.
ii) Seja f ij = a probabilidade condicional de que o processo iniciando em si,
visite alguma vez o estado sj.
iii) Seja f ijn = a probabilidade condicional de que o processo iniciando em s i
visite sj pela primeira vez no tempo n (no n-simo passo).
f ijn = P[Xn= sj, Xn-1 sj, Xn-2 sj, ....., X1 sj / X0=si ]
Nota: Um estado si transiente se e somente se f ii < 1.
21
d) Estado Recorrente
Um estado dito ser recorrente se, entrando neste estado, o processo
definitivamente ir retornar para este estado.
Portanto, um estado recorrente, se e somente se no transiente.
Nota: Um estado si recorrente se e somente se f ii = 1.
e) Estado Absorvente
Um estado dito absorvente se o sistema aps ter entrado nele no pode mais
sair dele. Isto , se um estado k absorvente ento pkk 1 . Uma vez que o
processo visita o estado k no mais sai deste estado.
f) Estado Peridico e Aperidico
Um estado i Peridico com perodo t se um retorno a este estado possvel
somente em t, 2t, 3t, ......passos para t > 1 e t o maio nmero inteiro com esta
propriedade (Mximo Divisor Comum). Isto significa que pii( n ) 0 sempre que n
no divisvel por t.
Se um estado i de uma classe tem perodo t ento todos os estados desta classe
tambm tm perodo t.
Exemplo 17:
0,5
1
S6
S1
1
S3
Todos os Estados so Peridicos.
0,5
0,5
S1
S6
0,5
0,5
S3
0,5
Todos os Estados so Aperidicos
Exemplo 18: Comeando no estado 1 da matriz P possvel retornar ao estado 1

somente nos tempos 2, 4, 6, ..... Logo o estado 1 tem perodo t = 2.
Isto pode ser verificado calculando pii(n ) para todo n e observar que
pii( n ) 0 quando "n" impar.
22
0 1
0
1 1 p
0
P
2 0
1 p
3 0
0
0
p
0
0
0
0
p
Se t = 1 ento o estado i chamado Aperidico. Isto , existem dois nmeros

consecutivos s e s+1 tal que o processo pode estar no estado i nos tempos s e
s+1.
g) Estado Ergdico
Em uma Cadeia de Markov de estados finitos, os estados recorrentes que so
aperidicos so chamados de estados Ergdicos.
Uma Cadeia de Markov dita ser Ergdica se todos os estados so Ergdicos,
S3
ou seja todos os estados so recorrentes
e aperidicos.
h) Classes de Comunicao ou Conjunto Fechado
Seja S um Espao de Estados.
Seja C = {sk tal que sk sj}, diz-se que C uma classe de comunicao (ou
um conjunto fechado) do estado sj.
Isto , um conjunto C dito ser uma classe de comunicao se o processo ao
entrar em um desses estados de C, este ir permanecer nos estados de C
indefinidamente, ou seja, C um conjunto tal que nenhum estado fora de C
alcanvel a partir de qualquer estado de C.
Pode-se afirmar que C um conjunto formado por estados recorrentes.
Se dois estado se comunicam entre si ento pertencem mesma classe.
Observao: Se C1 e C2 so duas classes de comunicao, ento C1 = C2 ou
C1 C2 = .
Se todos os estados so comunicantes, isto , todos os estados
pertencem a uma nica classes, ento a cadeia de Markov dita
ser Irredutvel.
23
Exemplo 19: Classes de Comunicao da matriz de transio do problema do rato e o

labirinto.
As classes so C1 e C2.
C1
s2
s1
s6
s3
C2
s8
s4
s7
s9
s5
C1 ={s1, s2, s3, s6} uma classe recorrente, ou seja formada por estados
recorrentes
C2 ={s4, s5, s7, s8, s9} uma classe recorrente, ou seja formada por
estados recorrentes.
Nenhum estado de C1 consegue alcanar qualquer estado de C2.
Exemplo 20: Classifique os estados e decomponha em classes a Cadeia de Markov
representada
pela
seguinte
Matriz
de
Transio.
0
1 / 4 3 / 4 0
1 / 2 1 / 2 0
0
P 0
0
1
0
0 1/ 3 2 / 3
0
1
0
0
0
0
0
0
0
0
S5
C3
S1
S2
S4
C1
S3
C2
24
C1 ={s1, s2} uma classe recorrente, ou seja, formada por estados recorrentes
C2 ={s3}
uma classe absorvente, ou seja, formada por estados absorventes
C3 ={s4, s5} uma classe transiente

Exemplo 21: Classifique os estados e decomponha em classes a Cadeia de Markov
representada pela seguinte Matriz de Transio.
S1 S2 S3 S4 S5 S6 S7
S1 0,8 0
0
0
0 0,2 0
S2 0
0
0
0
1
0
0
S3 0,1 0 0,9 0
0
0
0
P S4 0
0
0 0,5 0
0 0,5
S5 0 0,3 0
0 0,7 0
0
S6 0
0
1
0
0
0
0
S7 0 0,5 0
0
0 0,5 0
S5
S2
S6
S1
C3
S4
S3
S7
C1
C2
C1 ={s1, s2, s6} uma classe recorrente, ou seja formada por estados recorrentes
C2 ={s4, s7}
uma classe transiente
C3 ={s2, s5}
uma classe recorrente, ou seja formada por estados recorrentes
i) Estados Estveis
Se existir j = lim j(k) onde j(k) = P[Xk = j], para um dado estado j, ento j
um estado estvel ( ou de equilbrio estacionrio).
Se j existe para todos os estados j, ento = [0, 1, 2, ......] o vetor de
probabilidade de estados estacionrios.
Nota: Quando a cadeia de Markov for irredutvel e no peridica ento o valor de
obtido resolvendo-se o sistema de equaes = P, onde 0 + 1 + 2 + .... = 1.
25
3.8 Classificao de Matrizes Estocsticas

a) Matrizes Ergdicas
P existe, isto ,
Uma matriz estocstica P Ergdica se a matriz L lim
n
n
se cada pij(n ) tem limite quando n. Isto , todos os estados so

aperidicos.
No limite, a Matriz L tem todas as linhas iguais.
A matriz L a matriz com as distribuies limites e independe da
distribuio inicial 0.
b) Matrizes Regulares
Uma das mais importantes caractersticas exibidas por muitas cadeias de
Markov um comportamento de equilbrio em longo prazo. Em outras
palavras, depois de um longo tempo, a distribuio da cadeia de Markov
permanece aproximadamente a mesma de perodo em perodo de tempo. Isso
significa que, em longo prazo, as probabilidades de o sistema estar em cada um
dos vrios estados pouco ou nada variam medida que o tempo passa.
Uma matriz estocstica Regular se uma das suas potncias contm apenas
elementos positivos (no contm elementos nulos).
Exemplo 21:
0,6 0,3 0,1
P 0,1 0,8 0,1
0,1 0,2 0,7
A matriz P contm somente valores positivos. Logo P uma matriz Regular.

0,2
0
P
0,15 0,85
A matriz P contm um valor nulo. Entretanto a segunda potncia de P

somente valores positivos. Logo P uma matriz Regular.
tem
0 0,2 0,8
P 0 1
0
0 0,7 0,3
A matriz P contm valores nulos e suas potencias continuaro com valores

nulos. Logo P no uma matriz Regular.
26
A propriedade fundamental das matrizes Regulares a de possurem uma distribuio

de equilbrio. Isso significa que, a longo prazo, as probabilidades de o sistema estar
em cada um dos vrios estados estabilizam-se em determinados valores positivos. Em
particular, ento, aps um perodo de tempo suficientemente longo, haver uma
probabilidade positiva de estar em qualquer um dos estados da cadeia de Markov.
Teorema: Uma matriz Regular tambm uma matriz Ergdica.
Observaes:
a) Se P uma matriz Regular com matriz L, ento as linhas de L so todas
idnticas, tendo a soma de seus componentes igual a 1.
b) Se P uma matriz Regular ento P uma matriz Ergdica e assim existe a
matriz limite L.
c) A Matriz L obtida resolvendo-se o sistema L = LP, com a condio de que
pij(n ) =1.
Exemplo 22: Seja a matriz estocstica P, determine a matriz L com as distribuies
limites.
0,88 0,12
P
0,15 0,85
Soluo:
Como a matriz P contm todos os elementos positivos ento P uma matriz
regular e por isso uma matriz Ergdica. Logo existe a matriz L.
Clculo da matriz L:
Seja L1 a primeira linha da matriz L onde L1 = [x1 x2]. Ento L1 = L1P.
Isto :
[x1 x2] = [x1
0,88x1 0,15x2 x1
0,88 0,12
x2].
0,12x1 0,85x2 x2
0,15 0,85
x x 1
1 2
0,12x1 0,15x2 0
0,12x1 0,15x2 0
x x 1
2
1
Eliminando uma das redundncias teremos:

0,12 x1 0,15x2 0
x1 x2 1
Resolvendo o sistema em x1 e x2, teremos a seguinte soluo:

x1 = 0,55 e x2 = 0,45
Logo L1= [0,55
0,45]
0,55 0,45
Com isso a matriz com os valores limite L ser: L

.
0,55 0,45
27
Exemplo 23: Seja a matriz estocstica P, determine a matriz L com as distribuies

limites.
0 0 1
P
1 1 0
Se o processo comea no estado 0 no tempo 0, o processo retornar ao

estado 0 nos tempos 2, 4, 6, .... e entrar no estado 1 nos tempos 1, 3, 5, ....
n
P no existe. Esta matriz no Ergdica.

Portanto, o nlim
c) Matrizes Absorventes
Diz-se que uma matriz absorvente se ela tem um estado absorvente e se
de cada estado no absorvente possvel ir para algum estado absorvente.
Esta ltima condio significa que para cada estado i no absorvente existe
um estado absorvente j tal que, para algum n, pij( n ) 0 .
Numa matriz absorvente, qualquer que seja a distribuio inicial, aps um
nmero finito de passos, o sistema estar em um dos estados absorventes.
28
Primeira Lista de Exerccios - Cadeias de Markov

1. O fabricante da pasta dental HIGLO controla atualmente 60% o mercado de uma
determinada cidade. Dados do ano anterior mostram que 88% dos consumidores
de HIGLO permaneceram leais marca, enquanto 12% mudaram para outras
marcas. Alm disso, 85% dos consumidores das marcas da concorrncia
permaneceram leais concorrncia, enquanto que os outros 15% mudaram para
HIGLO. Assumindo que essa tendncia se mantm, resolva:
a) Formule o processo seguinte como uma cadeia de Markov, e determine a
Matriz de Probabilidades de transio.
b) Determine a quota de mercado de HIGLO daqui a 5 anos.
c) Determine a quota de mercado de HIGLO a longo prazo.
2. O programa de formao de supervisores de produo de uma determinada
companhia consiste em duas fases. A fase 1, a qual envolve 3 semanas de aulas,
seguida da fase 2, que envolve 3 semanas nas de aprendizagem prtica sob a
direo de supervisores experimentados. Da experincia anterior, a companhia
espera que apenas 60% dos candidatos que comeam as aulas venham a passar
fase seguinte, verificando-se a desistncia dos restantes 40%. Dos que passam
fase prtica, 70% sero graduados como supervisores, 10% tero de repetir esta
fase e 20% abandonaro o programa. Quantos supervisores pode a companhia
esperar formar no seu programa de formao atual, sabendo que h 45 pessoas na
primeira fase e 21 na fase prtica.
Formule o processo seguinte como uma cadeia de Markov, identificando a matriz
de probabilidades de transio.
3. Resolva os itens b) e c) do problema formulado no exerccio 1, assumindo que a
quota atual de mercado da HIGLO igual a 90%.
4. Construa o diagrama de transio de estados da cadeia de Markov do exerccio 2.
5. Os dados de um recenseamento familiar dividem as famlias em populaes
economicamente estveis e economicamente deprimidas. Num perodo de 10
anos, a probabilidade de que uma famlia estvel assim permanea de 0,92,
enquanto a probabilidade de ela ficar em depresso de 0,08. A probabilidade de
que uma famlia em depresso se torne estvel de 0,03, enquanto a probabilidade
de que ela assim permanea de 0,97. Se designarmos a estabilidade econmica
como o estado 1 e a depresso econmica como o estado 2, ento podemos
representar este processo por uma cadeia de Markov com dois estados.
a) Determine a matriz de probabilidades de transio do processo de
Markov.
29
p ij2
b) Faa uma interpretao fsica dos elementos

da matriz P2 encontrada,
que representa a probabilidade de passagem do estado i para o estado j em
dois perodos de tempo.
6. Assumindo que os dados do exerccio 5 permanecem vlidos a longo prazo,
determine a proporo de famlias que, a longo prazo, sero classificadas como
economicamente estveis.
7. A ala geritrica de um hospital classifica os seus pacientes como acamados ou
ambulatrios. Dados histricos indicam que durante o perodo de uma semana,
30% de todos os pacientes em ambulatrios tm alta, 40% permanecem em regime
ambulatrio e 30% tm de ser acamados para repouso completo. Durante o mesmo
perodo, 50% dos pacientes acamados vo para o ambulatrio, 20% permanecem
acamados e 30% morrem. Atualmente, o hospital tem 100 pacientes na sua ala
geritrica, com 30% dos pacientes acamados e 70% em ambulatrios.
a) Formule o sistema como uma cadeia de Markov, e determine a matriz de
probabilidades de transio.
b) Determine o estado dos pacientes atuais aps 2 semanas.
c) Determine o estado dos pacientes atuais a longo prazo.
(O estado de um paciente com alta no muda se o paciente morrer).
8. Numa cadeia de Markov, um estado dito ser absorvente se o sistema aps ter
entrado nele no pode mais sair dele.
Determine todos os estados absorventes para as cadeias de Markov definidas pelas
seguintes matrizes:
0
1
0,21 0,79
a)
c)
1 0
0 0,5
0 0
0 0,3
0 0
0 0,5
1 0
0 0,7
e)
0
0
1
0,21 0,79 0
0,17 0,35 0,48
0
1
0
0,5 0,3 0,2
1
0
0
b)
0,1 0,8 0,1

0,9 0 0,1
0,2 0,2 0,6

d)
30
9. Num pas, existem 4 principais fabricantes de automveis : FD, VW, GM, FT. Os
market shares destes fabricantes so, respectivamente : 10%, 35% , 25 % e 30
%. A matriz de transio que representa a probabilidade de mudana de marca
dada a seguir:
PFD , FD
PVW , FD
P
P
GM,FD
PFT,FD
PFD,VW
PFD,GM
PVW,VW
PVW,GM
PGM,VW
PGM,GM
PFT,VW
PFT,GM
PFD,FT 0.6 0.1 0.2
PVW,FT 0.1 0.7 0.1
PGM,FT 0.15 0.05 0.75

PFT,FT 0.05 0.35 0.25
0.1
0.1
0.05
0.35
Supondo que o instante inicial t =0 calcule:

a) Os market shares nos instantes t = 1 e t = 2.
b) A matriz de transio de 2, 3, 10, 20 e 30 estgios.
c) Baseado nos resultados de b, voc consegue fazer alguma conjectura a
respeito da existncia de um limite para Pn ?
10. O tempo num dia qualquer pode ser classificado como sol ou chuva. Suponha que
o tempo hoje depende das condies dos ltimos 2 dias. Mostre como este sistema
pode ser analisado como uma cadeia de Markov. Quantos estados so necessrios
para esta representao?
11.Um fabricante de disquetes usa cadeias de Markov para ter uma idia da lealdade
dos consumidores a diversas marcas. Dados de uma pesquisa foram usados para
estimar a seguinte matriz de transio que representa a probabilidade de mudana
de marcas a cada ms. Suponha que existem 3 marcas principais, A, B e C.
PAA
P PBA
PCA
PAB
PBB
PCB
PAC 0.80 0.10 0.10

PBC 0.03 0.95 0.02
PCC 0.20 0.05 0.75
A diviso de mercado das marcas A, B e C no instante inicial t = 0 so 45%, 25% e

30%, respectivamente.
a) Qual ser a diviso de mercado das marcas A, B e C aps 2 meses
(isto , em t = 2)?
b) Qual a previso para o equilbrio de mercado das marcas A, B e C, isto ,
aps um grande nmero de transies?
12.Classifique todas as classes de estados da matriz de transio P do problema do
Rato e o Labirinto.
13.Classifique todas as classes de estados da matriz de transio P 2 do problema do
Rato e o Labirinto.
31
14.Seja P uma matriz de transio, calcule a matriz P().

0
1
0
P 0,5 0,3 0,2
0
0
1
15.Classifique os estados das Cadeias de Markov abaixo, de acordo com as suas

respectivas Matrizes de Transio.
0 0 1 / 2 1 / 2
a) P 1 1 / 2 0 1 / 2
2 1 / 2 1 / 2 0
0 0 1 / 2 1 / 2 0
0
0
1 0 0
0 1 / 3 1 / 3 1 / 3
2 0 0
0 1 / 3 1 / 3 1 / 3
b) P
3 1 0
0
0
0
0
4 1 0
0
0
0
0
5 1 0
0
0
0
0
0 0 1 0
c) P 1 0 0 1
2 1 0 0
16.Um treinador de futebol na moda acredita na polivalncia dos seus jogadores.

Considera trs tipos de jogadores na sua equipe: Atacantes, Defesas, e Goleiro.
Aps cada jogo reavalia os jogadores de forma a que no jogo seguinte possa uslos de acordo com as suas tcticas para o ataque/defesa. Alm disso, sempre que
um jogador incorre numa falta disciplinar coloca-o, de castigo, como goleiro no
jogo seguinte. Depois de ter experimentado este sistema uma poca observou que
a probabilidade que, de um jogo para o outro:
um atacante continue atacante 1/2;
um atacante passe a defesa zero;
um defesa passe a atacante zero;
um defesa fique defesa 1/2;
um goleiro passe a atacante 3/4;
um goleiro passe a defesa zero.
No nicio do campeonato classificou o seu plantel da seguinte forma: doze
atacantes, onze defesas e dois goleiros. Depois pensou num modelo de cadeia de
Markov para a evoluo da sua equipa. Os alunos de USF vo ajud-lo a entender
o que lhe vai acontecer com este esquema, estudando a cadeia de Markov
subjacente ao modelo.
32
1 - Identifique os seguintes itens.

a) O espao de estados S.
b) Um grafo dirigido correspondente s transies.
c) A matriz de transio de estados P.
d) A distribuio inicial .
2 - Determine, para este modelo, os seguintes resultados.
e) A matriz de transies de ordem superior Pn para n 1, Ex. n = 2 e n = 3.
f) As classes de estados comunicantes.
g) As classes fechadas e os estados absorventes.
3 - Diga o que vai acontecer no fim do campeonato, isto , ao fim de 35 jogos.
Se no puder efetuar o clculo exatamente proponha um resultado que ache
plausvel.
4 - Determine os estados transientes, recorrentes e os estados peridicos.
5 - Determine a distribuio estacionria, se esta existir.
33
TEORIA DAS FILAS

4 Aspectos Fundamentais sobre Filas
4.1 Conceito de Fila
O que so filas?
Qualquer pessoa sabe exatamente o que so filas em decorrncia das experincias que
o dia-a-dia nos coloca. Todos nos conhecemos o que so filas pela vivncia do dia-adia.
Ns entramos em uma fila para descontar um cheque em um banco, pagar pelas
compras em um supermercado, comprar um ingresso em um cinema, pagar o pedgio
em uma estrada e tantas outras situaes. Filas existem tambm em ambientes de
produo.
Algumas vezes as filas so algo abstrato, tais como uma lista no computador
referente a pedidos de manufatura em uma fbrica de geladeiras, ou uma pilha de
papis referentes a solicitaes de reparos em mquinas estragadas dentro de uma
fbrica, que devem aguardar a disponibilidade do reparador. Outras vezes a fila no
vista enfileirada, mas sim, dispersa, como, por exemplo, pessoas em uma barbearia,
esperando pela vez de cortar o cabelo, avies sobrevoando um aeroporto, esperando
pela vez para aterrissar, ou navios parados no mar, esperando pela vez de atracar no
porto para descarregar.
Exemplos de Problemas de Filas:
Chamadas Telefnicas
Salo de Barbeiro
Caixas de Supermercados
Pedgios
Posto de Gasolina
Atracao de Navios em um Porto
Consultrio Mdico
Hospitais
Bancos
Aeroportos
Banheiros
Computador, etc.
34
Filas no so Simpticas
Certamente no agradvel entrar em uma fila e esperar pelo servio e quando a
espera longa, ficamos aborrecidos. Se estivermos em uma fila, passamos a
comparar o desempenho da nossa fila com o desempenho das outras filas e,
geralmente, somos levados a pensar como uma das leis de Murphy.
Lei de Murphy:
A fila que anda a outra, mas no adianta trocar de fila, pois a fila que anda a outra.
Filas so Dispendiosas
Alm de no serem simpticas, as filas tm ainda o lado desfavorvel do custo. Isto
vlido em qualquer ambiente, indo de fbricas a um supermercado. Por exemplo, nas
fbricas a existncia de fila em um determinado equipamento pode ocasionar um
aumento nos tempos do ciclo de produo. As conseqncias disto podem ser
aumento nos custos, e atrasos no atendimento aos pedidos dos clientes.
Medidas de Efetividade de um Sistema de Filas
1. Percentual de tempo ocioso ou ocupado
2. Tempo mdio que cada cliente gasta na fila de espera
3. Tempo mdio gasto pelo cliente no sistema
4. Nmero mdio de clientes na fila
5. Nmero mdio de clientes no sistema
6. Probabilidade de existir um nmero n de clientes no sistema.
4.2 Dimensionamento de Filas

Do ponto de vista do cliente, o ideal seria dimensionar sistemas para a no existncia
de filas e, se isto realmente fosse possvel, certamente no teramos clientes
aborrecidos.
Em muitas situaes na vida real, apesar de no serem simpticas e de causarem
prejuzos, temos que conviver com as filas na vida real, visto ser antieconmico
superdimensionar um sistema para que nunca existam filas. O que se tenta obter um
balanceamento adequado que permita um atendimento aceitvel pelo melhor custo e
melhor benefcio.
35
O melhor dimensionamento de um sistema de filas pode estar fundamentado nos

seguintes itens:
- Na demanda histrica mdia;
- Na expectativa de qualidade de atendimento por parte dos clientes;
- Na necessidade de oferecer uma melhor renda aos funcionrios;
- Na percepo, pelo proprietrio, da fidelidade dos clientes;
- Na percepo, pelo proprietrio, de que no existe nenhuma ameaa de
surgimento de um novo concorrente na vizinhana.
O dimensionamento de sistemas pode ser feito por duas abordagens inteiramente
diferentes entre si:
- Teoria das Filas;
- Simulao de Funcionamento dos Sistemas.
A Teoria das Filas um mtodo analtico que aborda o assunto por meio de
frmulas matemticas.
A Simulao uma tcnica que, utilizando um computador, procura montar um
modelo que melhor represente o sistema em estudo. A simulao uma tcnica que
permite imitar o funcionamento de um sistema real. Pode-se visualizar o
funcionamento de um Banco, uma Fbrica, um Pedgio, etc.
4.3 Aspectos Histricos
Teoria das Filas
A abordagem matemtica de filas se iniciou no princpio do sculo XX (1908) em
Copenhague, Dinamarca, com A. K. Erlang, considerado o pai da Teoria das Filas,
quando trabalhava em uma companhia telefnica estudando o problema de
redimensionamento de centrais telefnicas. Foi somente a partir da segunda guerra
mundial que a teoria foi aplicada a outros problemas de filas. Apesar do enorme
progresso alcanado pela teoria, inmeros problemas ainda no so adequadamente
resolvidos devido a complexidades matemticas.
36
Simulao
Com surgimento do computador na dcada de 50, a modelagem de filas pode ser
analisada pelo ngulo da simulao, em que no mais se usam frmulas matemticas,
mas apenas tenta-se imitar o funcionamento do sistema real. As linguagens de
simulao apareceram na dcada de 60 e hoje, graas aos microcomputadores, podem
ser facilmente usadas. A tcnica de simulao visual, cujo uso se deu a partir da
dcada de 80, por causa de sua maior capacidade de comunicao, teve uma aceitao
surpreendente. Por causa do seu menor nvel de complexidade, seu uso cresceu
enormemente.
5 Fundamentos Bsicos de Filas

5.1 - Elementos de Uma Fila
Clientes
Servidor
Servidor
Fila
Populao
Servidor
Atendimento
Figura 1: Elementos de uma fila
A Figura 1 ilustra os elementos que compem uma fila.

Num sistema de filas tem-se que, de certa populao, surgem os clientes que formam
uma fila e que aguardam por algum servio.
O termo cliente usado de uma forma genrica e pode representar tanto uma pessoa,
um navio, ou um produto numa linha de produo.
O atendimento constitudo de um ou mais servidores (que podem ser chamados de
atendentes ou canais de servio) e tanto podem representar um barbeiro, um cais de
atrao ou uma mquina numa linha de produo.
37
5.2 Caractersticas de Uma Fila

5.2.1 - Clientes e Tamanho da Populao
Um cliente proveniente de uma populao. Quando a populao muito grande

dizemos que a populao infinita para efeitos prticos. Em populao muito grande
a chegada de um novo cliente numa fila no afeta a taxa de chegada dos clientes
subseqentes e, assim, conclumos dizendo que as chegadas so independentes.
Como exemplo, a chegada de um novo passageiro numa fila de um metr no afetar
a taxa de chegada dos demais clientes. Quando a populao pequena isto no
acontece, como exemplo, se numa populao de 3 caminhes para serem carregados
por uma carregadeira, se os 3 caminhes j esto na fila, a partir deste momento a
taxa de chegada ser zero, porque no h mais caminhes para chegar na fila.
5.2.2 - Processo de Chegada
Consideremos um posto de pedgio com 5 atendentes. Podemos constatar, por

exemplo, que o processo de chegada de veculos entre 7 e 8 horas da manh pode ser
definido por 20 veculos por minuto, ou 1 veculo a cada 3 segundos. Trata-se de um
valor mdio, pois no significa que em todo intervalo de 1 minuto chegaro 20
veculos. Em alguns intervalos de 1 minuto pode-se constatar a chegada de 10, 15, 25
ou at mesmo 30 veculos. Igualmente, o intervalo de 3 segundos entre chegadas no
rgido e podemos constatar valores desde zero segundo (2 veculos chegando
juntos) at 20 segundos. O nmero 3 segundos representa o intervalo mdio entre
chegadas no perodo de 7 s 8 horas da manh.
Resumindo: Podemos quantificar o processo de chegada dizendo que:
- A taxa mdia de chegadas de 20 veculos por minuto, ou que
- O intervalo mdio entre chegadas de 3 segundos.
No entanto existem variaes em torno da mdia e, portanto, para caracterizar
corretamente um processo de chegada devemos lanar mo de uma distribuio de
probabilidades, tal como a distribuio normal, a distribuio de Poisson, ou a
Distribuio Exponencial.
Quando se estudam filas, o ritmo de chegada uma importante varivel aleatria e a
seguinte notao ser adotada:
A letra grega ser adotada para representar o ritmo de chegada.
A sigla IC ser adotada para representar os intervalos de chegada dos clientes.
Assim, no exemplo anterior temos:
38
Ritmo de chegada (ou taxa de chegada): = 20 clientes/minuto

Intervalo entre chegadas: IC = 3 segundos
5.2.3 - Processo de Atendimento
Continuando com o exemplo do pedgio e observando um atendente em servio,

podemos constatar, por exemplo, que ele atende 6 veculos por minuto ou que gasta
10 segundos para atender um veculo. Estes valores so mdios e, para descrev-los
corretamente devemos tambm utilizar uma distribuio de probabilidades.
Resumindo: Podemos quantificar o processo de atendimento dizendo que:
- A taxa mdia de atendimento de 6 veculos por minuto, ou que
- O Tempo mdio de atendimento de 10 segundos.
O processo de atendimento tambm quantificado por uma importante varivel
aleatria e a seguinte notao ser adotada:
A letra grega ser adotada para representar o ritmo de atendimento.
A sigla TA ser adotada para representar os tempos de atendimento dos clientes.
Assim, no exemplo anterior temos:
Ritmo de atendimento (ou taxa de atendimento): = 6 clientes/minuto
Tempo de Atendimento: TA = 10 segundos
5.2.4 - Nmero de Servidores
O mais simples sistema de filas aquele de um nico servidor que pode atender um
nico cliente de cada vez. Conforme aumenta o ritmo de chegada dos clientes,
podemos manter a qualidade do servio aumentando convenientemente o nmero de
servidores. A figura 1 representa um sistema de filas com 3 servidores.
5.2.5 - Disciplina da Fila
Trata-se da regra que define o prximo cliente a ser atendido e o processo comum de
atendimento aquele em que o primeiro da fila atendido ou, de uma maneira mais
ampla, o primeiro a chegar o primeiro a ser atendido (FIFO: first In First Out).
Outras disciplinas podem existir tais como ultimo a chegar o primeiro a ser
atendido (LIFO: Last In First Out), ou ento atendimento por ordem de prioridade,
ou atendimento aleatrio.
39
5.2.6 - Tamanho Mdio da Fila
O tamanho mdio da fila a caracterstica que mais se considera ao se defrontar com

a opo de se escolher uma fila. Considera a situao de um cliente em um
supermercado procurando efetuar o pagamento no caixa de menor fila: o ideal
chegar ao caixa e ser logo atendido, ou seja, fila zero.
Quando a fila de tamanho razovel (por exemplo 10 clientes) intuitivamente
sabemos que o tempo de espera na fila ser longo. Assim, o supermercado
dimensiona a quantidade de caixas de modo que, a qualquer momento, os clientes no
sintam um grande desconforto ao pegar uma fila. Situaes atpicas certamente
ocorrero, mas no devem afetar a credibilidade da instituio.
5.2.7 - Tamanho Mximo da Fila
Quando os clientes devem esperar, alguma rea de espera deve existir (por exemplo:
as cadeiras de uma barbearia). Observa-se, na vida real,que os sistemas existentes so
dimensionados para certa quantidade mxima de clientes em espera. Esse
dimensionamento geralmente feito com base em experincia real. Quando existe
um crescimento da demanda, se faz uma ampliao tambm baseada na experincia
com o manuseio do referido sistema.
H casos em que um novo cliente que chega pode ser recusado, devendo tentar
novamente em outro instante. Exemplo: tentativa de conseguir uma linha telefnica,
recebendo o sinal de ocupado ou de que no h linha disponvel.
Essas condies referem-se ao que se chama de tamanho mximo da fila, que
uma importante varivel de estudo em um sistema de filas.
5.2.8 - Tempo Mdio de Espera na Fila
O tempo mdio de espera na fila outra caracterstica capaz de causar irritaes nos
clientes. O ideal que no haja tempo de espera na fila, mas nem sempre a melhor
situao do ponto de vista econmico.
Se entrarmos numa fila com 10 pessoas nossa frente, o tempo de espera ser igual
ao somatrio dos tempos de atendimento de cada uma dos clientes na nossa frente ou,
possivelmente, ser igual a 10 vezes a durao mdia de atendimento dos clientes.
Tal como o tamanho mdio da fila, o tempo mdio de espera na fila depende do
processo de chegada e do processo de atendimento.
40
5.3 Distribuio do Tempo de Atendimento

Quando nos referimos a filas, precisamos recorrer s variveis aleatrias. Assim para
as principais variveis existe um valor mdio e uma distribuio de freqncias que
mostra as chances de ocorrncias dos valores.
Quando se diz que a durao mdia de atendimento de 10 segundos, no se est
afirmando que todo atendimento de 10 segundos. Em diferentes momentos de
observao podem-se ter valores maiores ou menores que 10 segundos.
Para exemplificar a varivel tempo de atendimento, se fosse coletada uma grande
quantidade de dados sobre o atendimento poder-se-ia concluir que existe um padro
de atendimento expresso por uma distribuio de freqncias, tal como mostrado na
Figura 2.
18
Frequencia Relativa (%)
16
14
12
10
8
6
4
2
0
2
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Figura 2: Tempo de Atendimento (segundos)
Pela Figura 2 pode-se concluir que:

nula a probabilidade de atender um cliente em menos de 5 segundos
A probabilidade de atender um cliente em 10 segundos 18% ou 0,18.
A probabilidade de atender um cliente em 25 segundos 0,5% ou 0,05.
A mesma observao pode ser feita para outras variveis tais como tamanho mdio
da fila, etc.
41
5.4 Dinmica de uma Fila
Imagine um observador fazendo anotaes num sistema de filas num banco durante
30 minutos, anotando o intervalo entre chegadas dos clientes no caixa eletrnico e
anotando tambm o tempo de atendimento do cliente. Imagine que o observador
obteve os seguintes resultados em minutos:
Processo de Chegada
Cliente
10
11
12
Intervalo
Momento
12
17
17
18
23
24
28
29
31
No perodo de meia hora chegaram 12 pessoas em intervalos de minutos:

Momento: significa o instante da chegada do novo cliente
Intervalo: significa o tempo que levou para chegar um novo cliente
Exemplo: O 1 cliente demorou 2 minutos para chegar, chegou no 3 minuto.
O 5 e o 6 clientes chegaram juntos no 17. minuto.
Neste sistema, as seguintes perguntas podem ser feitas:
- Qual a mdia dos intervalos de chegada?
- Qual a taxa de chegada dos clientes?
IC = Intervalo de Chegada
A soma de todos os intervalos igual a 30, logo, pode-se concluir que:
Em mdia: IC =
soma dos intervalos 30
2,5 minutos
total de clientes
12
Ou seja, pode-se concluir que em mdia a cada 2,5 minutos chega um cliente.
Desta forma, pode-se concluir que a taxa de chegada de clientes por hora :
60 minutos
24 clientespor hora
2,5 minutos
Graficamente temos:
Minutos
1. 2. 3.
6.
9.
12.
17.18.
23.
31.
Clientes
1.
2.
3.
4.
5. 7.
6.
8.
12.
42
Concluso: IC = 2,5 minutos ou

= 24 clientes por hora ou
= 0,4 clientes por minuto
Processo de Atendimento
O observador anotou o tempo de atendimento dos clientes no caixa eletrnico e
obteve os seguintes resultados em minutos:
Cliente
10
11
12
Tempo de
Atendimento
O tempo total de atendimento de todos os clientes foi de 24 minutos.

O tempo mdio de atendimento dos clientes :
TA
1 2 1 1 3 2 1 4 2 3 1 3 24
2 minuntos
12
12
Ou seja, TA = 2 minutos por cliente

Ou seja, o sistema tem capacidade de atender 30 clientes por hora. Logo, a taxa de
atendimento =30.
Concluso: = 30 clientes por hora
TA = 2 minutos
Parmetros do Sistema
Taxa de Chegada dos Clientes:
= 24 clientes por hora
IC = 2,5 minutos
Taxa de Atendimento dos Clientes:
= 30 clientes por hora
TA = 2 minutos
Nota: Todos esses parmetros representam mdias.
43
Dinmica do Funcionamento de uma Fila
5
6
9
10
Tempo de
Atendimento
7
11
12
15
10
20
35
30
25
Tempo de
Espera na Fila
12
7
11
10
9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Figura 3: Dinmica do Funcionamento de uma Fila
Pela Figura 3, observa-se que:

- O primeiro cliente chegou ao caixa eletrnico no incio do 3 minuto e seu
atendimento durou 1 minuto, portanto se encerrou no final do 3 minuto.
- O quinto cliente chegou ao caixa eletrnico no incio do 17 minuto e seu
atendimento durou 3 minutos, portanto se encerrou no final do 19 minuto.
- O 6 cliente chegou ao caixa eletrnico junto com o 5 cliente. Ento no incio do
20 minuto foi iniciado o atendimento do 6 ciente que se estendeu at o final do 21
minuto.
- O 12 cliente saiu do atendimento no final do 35 minuto.
De acordo com a Figura 3, os tempos fila foram:
Cliente
10
11
12
Tempo de
fila
44
Portanto, os seguintes parmetros podem ser calculados:

Total de clientes atendidos: 12
Tempo Mdio de Fila:
TMF
tempo total de fila 0 0 0 0 0 3 4 0 3 1 3 2 16
1,33 minutos
total de clientes
12
12
Tamanho Mdio da Fila

TaMF
tempo total de fila

3 4 3 1 3 2 16
0,4 clientes
tempo gasto no atendimento
35
35
Observao:
Revendo os dados do sistema do banco, pode-se concluir que:
= 24 clientes por hora (ou IC = 2,5 minutos)
= 30 clientes por hora (ou TA = 2minutos)
Observe que a capacidade de atendimento do sistema () superior ao ritmo de
chegada dos clientes (), mas mesmo assim houve a formao de filas.
Sistemas Estveis
A abordagem matemtica de filas pelo uso da Teoria das Filas exige que exista
estabilidade no fluxo de chegada e no processo de atendimento, ou seja, os valores
e devem se manter constantes no tempo. Do contrrio deve ser utilizada a tcnica
de simulao de sistemas.
Por exemplo, observando-se o funcionamento de um banco, poderamos verificar que
o fluxo de chegada de clientes varia durante o dia na seguinte forma:
Perodo
Fluxo
10 s 12 horas
12 s 14 horas
14 s 16 horas
Mdio
Alto
Mdio
Ou seja, no existe uma estabilidade para o ritmo de chegada dos clientes e neste caso
o uso da Teoria das Filas s pode ser aplicado se o perodo global de chegada for
retalhado em perodos parciais estveis.
45
Condies para sistemas Estveis:

O fluxo mdio de chegada constante ( constante).
O fluxo mdio de atendimento constante ( constante).
O ritmo de atendimento maior que o ritmo de chegada (<).
Exerccio
Considere um sistema em que navios chegam a um porto para carregamento. Abaixo
esto anotados os valores de intervalos entre chegadas para 12 navios (tempo em
horas).
Intervalos entre chegadas dos navios:
Navios
10
11
12
Intervalo
10
02
13
07
02
08
08
08
10
09
01
14
Tempo de carga dos navios :

Navios
10
11
12
Intervalo
Calcular:
a) O intervalo mdio entre as chegadas
b) A durao mdia de carga dos navios
c) Monte o desenho do funcionamento do sistema
d) Calcule o tamanho mdio da fila
e) Calcule o tempo mdio de espera na fila
Soluo:
a) Tempo Mdio Entre as Chegadas
mdia
92
7,6 horas, ou seja; IC 7,6 horas
12
Taxa de chegada dos navios
1 navio
0,13 navios por hora
7,6h
46
b) Tempo mdio de carregamento

mdia
66
5,5 horas
12
Taxa de carregamento dos navios
1 navio
0,18 navios por hora
5,5h
c) Funcionamento do Sistema
Navios
10
11
12
Intervalo
10
02
13
07
02
08
08
08
10
09
01
14
Momento 11
13
26
33
35
43
51
59
69
78
79
93
Atendimento
1
11 13
16
21
26
29
33 35 36
42
49
51
57 59
67 69 71
Filas
10
12
11
78 79
83
91 93
101
11
d) Tamanho Mdio da Fila

TaMF
3 1 4
0,079
101
e) Tempo Mdio de Fila

TMF
3 1 4
0,66 horas na fila
12
5.5 Conceitos Bsicos de Fila

Seja um sistema de filas, numa situao estvel, na qual clientes chegam e entram na
fila onde existe um nmero c de atendentes.
Portanto, tem-se:
= Ritmo mdio de chegada dos clientes
= Ritmo mdio de atendimento dos clientes
c = Capacidade de atendimento do sistema
Dentre as variveis aleatrias num sistema de filas, algumas so fundamentais e esto
ilustradas na Figura 4.
47
Sistema de filas
Cliente no atendimento
Entrada
Sada
Clientes na Fila
Chegada
IC
Fila
TF NF
Atendimento
C TA NA
Figura 4: Sistema de Filas

5.5.1 Variveis Aleatrias Fundamentais
Variveis Referentes ao Sistema

TS = Tempo Mdio de Permanncia no Sistema
NS = Nmero Mdio de Clientes no Sistema
Variveis Referentes ao Processo de Chegada

= Ritmo Mdio de Chegada
IC = Intervalo Mdio Entre Chegadas
1
Por definio IC ou
1
IC
Variveis Referentes Fila

TF = Tempo Mdio na Fila
NF = Nmero Mdio de Clientes na Fila
48
Variveis Referentes ao Processo de Atendimento

TA = Tempo Mdio de Atendimento (ou servio)
C = Capacidade de Atendimento (n de atendentes)
NA = Nmero Mdio de Clientes em Atendimento
= Ritmo Mdio de Atendimento de Cada Atendente
Por definio: TA
ou
1
TA
Relaes Bsicas
NS = NF + NA
TS = TF + TA
1
TA
NA IC
1
IC
TA
Taxa de Utilizao dos Atendentes

Para o caso de uma fila com um atendente:
A taxa de utilizao
Para o caso de uma fila com um nmero c de atendentes:

A taxa de utilizao
C.
Exemplo de taxa de utilizao dos atendentes

Chegada dos clientes: = 4 clientes por hora
Ritmo de atendimento: = 10 clientes por hora
Ento
0,4
10
Concluso: 40% do tempo o atendente fica ocupado e 60% do tempo fica ocioso.
Nota: Se =, ou seja, o ritmo de chegada igual ao ritmo de atendimento, ento
1
Isto significa que os atendentes ficam 100% do tempo ocupados.
49
Frmulas Derivadas
Frmula de Litlle:
NF = . TF
NS = . TS
Nmero Mnimo de Atendentes

i , onde representa o prximo nmero inteiro

Exemplo:
Se
0,5 ento i = 1
Se
1,3 ento i = 2
Se
3,4 ento i = 4
Exemplos:
Em uma fabrica observou-se o funcionamento de um dado setor em que = 20
clientes por hora, = 25 clientes por hora e TS = 0,3 horas. Pedese o tamanho
mdio da fila.
Dados: 20
NF = ?
25
TS 0,3 hora
TA
TS TF TA
1
0,04horas
25
TF TS TA
==> TF 0,3 0,04 ==>
TF 0,26horas
NF .TF
==> NF 20.0,26
NF 5,2 clientes por hora
==>
50
Exerccio:
Em uma minerao cada caminho efetua um ciclo onde carregado de minrio por
uma das carregadeiras, desloca-se para o britador para o descarregamento e retorna as
carregadeiras. Verificar se que o tempo mdio (TS) dos caminhes percorrerem o
sistema de 12 minutos. Sabe-se que em mdia existem 6 caminhes no britador
(NS). Qual a taxa de chegada dos caminhes?
Sistema de Filas
Caminhes
Carregadeiras
Britador
Frmula de Little
NF .TF
NS .TS
NS
6
0,5 caminho por minuto

TS
12
Ciclo
Chama-se ciclo o tempo que um caminho gasta, partindo de um ponto e chegando ao
mesmo ponto.
Durao do ciclo = populao /
Suponha que a populao seja de 30 caminhes, calcule a durao do ciclo.
ciclo
30
30
60 minutos
0,5
Pode-se calcular o ciclo como:

Ciclo = TS + TFS (tempo no sistema + tempo fora do sistema)
Neste exemplo: TS = 12 minutos
Ciclo = 60 minutos
Ciclo = TS + TFS ===> TFS = Ciclo - TS

TFS = 60 12
===> TFS = 48 minutos

51
Resumo das frmulas

Taxa de Chegada
Taxa de Atendimento
Intervalo Ente Chegadas
IC = 1/
Tempo de Atendimento
TA = 1/
Taxa de Utilizao dos Atendentes
= /(c.)
Nmero Mnimo de Atendentes
Relao Entre Fila, Sistema e Atendimento
NS = NF + NA
NA = /
NS = NF + / = NF + TA/IC
TS = TF + TA
Formulas de Little
NF = TF
NS = TS
Ciclo
Ciclo = TS + TFS
Ciclo = (Populao)/
52
5.5.2 - Postulados Bsicos
A. Em qualquer sistema estvel, o fluxo que entra igual ao fluxo que sai.
=>
=>
B. Em qualquer sistema estvel, o fluxo de entrada se mantm nas diversas sees

do sistema, desde que no haja juno ou desdobramento.
C. Em qualquer sistema estvel a juno de fluxos equivale s suas somas

aritmticas, 3 = 1 + 2.
1
A
3
D. Num sistema estvel, o desdobramento percentual de um fluxo igual ao

desdobramento aritmtico do mesmo fluxo. Assim se aps a estao A 80% do
fluxo se deslocou para a estao B, ento o ritmo de chegada em B de
0,8x20 =16 clientes por minuto.
1=20
80%
3=16
2=16
20%
3=4
C
3=4
53
Segunda Lista de Exerccios

1) Em uma pizzaria que faz entregas em casa, chegam a mdia 4 entregadores por
minuto para pegar o produto a ser entregue. Sabe-se ainda que o nmero mdio
de entregadores dentro da pizzaria de 6 (NS). Qual o tempo mdio no
sistema?
2) No mesmo sistema anterior, existem 40 entregadores. Qual o tempo mdio da
entrega (TFS)?
3) Em um sistema de computao tem-se:
Tempo mdio para calcular e fornecer dados (TFS) = 15 seg. Nmero de
terminais ativos igual a 40. A taxa de chegada de transaes = 2 por
segundo. Pede-se o tempo de resposta do computador.
4) Em uma minerao tem-se 12 caminhes efetuando um ciclo no qual
consomem 4 minutos entre fila e carregamento pela escavadeira (TS) e a
seguir, gastam 8 minutos para levar a carga at o britador e voltar (TFS).
Calcular , o ritmo de chegada dos caminhes e NS, o nmero de caminhes
no sistema.
5) Em um sistema de computao tem-se 21 terminais. O tempo mdio de
resposta do computador (TS) de 2 segundos e existem em mdia 6 transaes
(NS) dentro do sistema. Pede-se:
a) Qual a taxa de chegada das transaes?
b) Qual a durao de um ciclo?
c) Qual o tempo mdio de calcular e fornecer dados (TFS)?
6) Na figura seguinte, representativo do fluxo de peas de um setor de uma
fbrica, calcule o fluxo de chegada de peas em cada equipamento.
=10
C
30%
=20
D
70%
54
6 O Sistema de uma Fila e um Atendente

Pode ser mostrado que a distribuio de probabilidades de Poisson se ajusta bem para
o processo de chegada de muitos sistemas na vida prtica. Assim, no processo de
chegada de clientes em sistemas de filas a distribuio de probabilidades de Poisson
se ajusta perfeitamente.
Quando o processo de chegada de clientes segue uma distribuio de probabilidades
de Poisson, pode ser mostrado que os intervalos entre as chegadas dos clientes
seguem uma distribuio de probabilidades Exponencial Negativa.
Com a utilizao destas distribuies de probabilidades pode-se calcular uma srie de
dados que caracterizam um sistema de filas.
Consideremos um sistema de filas com uma nica fila e um nico atendente com os
seguintes parmetros do sistema:
= taxa de chegada dos clientes
= taxa de atendimento dos clientes
n = nmero de clientes no sistema
Desta forma, os seguintes resultados podem ser estabelecidos:
6.1 Equaes do Modelo
a) Probabilidade de haver n clientes no sistema:
PX n

b) Probabilidade de que o nmero de clientes no sistema seja superior a um certo

nmero k.
PX K

K 1
c) Probabilidade de que o sistema esteja ocioso (parado).

PX 0 1

d) Probabilidade de que o sistema esteja ocupado.

PX 0
55
e) Nmero mdio de clientes no sistema

NS
f) Nmero mdio de clientes na fila.

NF
g) Tempo mdio de espera na fila.

TF
h) Tempo mdio gasto no sistema

TS
56
Terceira Lista de Exerccios

1 - Clientes chegam a uma barbearia em um ritmo de 3 por hora e o servio demora,
em mdia, 16 minutos. Qual o tempo mdio de espera na recepo?. Qual o
tempo mdio no sistema?
2 Pessoas chegam a uma bilheteria de um teatro a um ritmo de 25 por hora. O
tempo mdio de atendimento da bilheteria de 2 minutos. Calcule o tamanho da
fila, o tempo mdio de espera e a frao de tempo em que a bilheteria no
trabalha.
3 Em um sistema no qual =4 clientes/hora e =6 clientes/hora, qual a
probabilidade de existir no sistema:
a) nenhum cliente
b) um cliente
c) 3 ou 4 clientes
d) 5 ou mais clientes
4 No mesmo sistema anterior, admitindo-se que o custo do cliente parado seja de
R$ 10,00 por hora, pede-se o custo por hora de clientes no sistema.
5 Uma empresa deseja comprar um equipamento para efetuar manuteno em suas
mquinas, que estragam a um ritmo de 12 falhas por semana. A empresa possui
duas opes: o equipamento A custa R$ 20.000,00 e capaz de efetuar 15
consertos por semana; o equipamento B custa R$ 80.000,00 e capaz de efetuar
50 consertos por semana. Sabe-se que o custo semanal de uma mquina parada
de R$ 550,00 e que o tempo til de vida de ambos os equipamentos de 5 anos.
Pergunta-se: Qual equipamento deve ser adquirido de modo que o custo total
anual (52 semanas) seja mnimo?
Observaes:
- Para calcular o custo total do valor do equipamento, efetue a operao:
(Custo Anual)=(custo do equipamento)x(fator de recuperao do capital)
- Considere uma taxa de juros de 15% ao ano. Assim, temos que o fator de
recuperao de capital de 0,2984.
6 Em um sistema de filas seqenciais, conforme figura, no qual as peas fluem pela
linha de produo, temos: 1=10; 2= 5; 1=15; 2=30 e 3=20. Calcule:
a) NF, TF,NS e TS para cada um dos servidores.
b) NS e TS para o sistema como um todo.
1
A
3
2
57
7 Em um setor de uma fbrica, o produto que est sendo fabricado chega para
receber componentes adicionais, trabalho este realizado por um operrio. Aps
instalados os componentes, o produto inspecionado por um profissional
qualificado. Os produtos que passam na inspeo vo para outro setor da fbrica e
os que so rejeitados (20%) vo para uma rea de reparo existente no prprio
setor. Atualmente os dados so os seguintes:
- A cada 40 minutos chega um novo produto ao setor;
- O instalador gasta 25 minutos para instalar os componentes;
- O inspetor gasta 5 minutos para inspecionar o trabalho realizado;
- O reparador gasta 10 minutos para efetuar os reparos necessrios;
- Os tempos de deslocamentos do produto entre as estaes de trabalho so iguais
a 1 minuto.
Pede-se:
a) NF, NS, TF e TS para cada servidor.
b) NS e TS para o sistema como um todo.
58
Quarta Lista de Exerccios

1) Os clientes chegam a uma loja de convenincia de um posto de gasolina a uma
taxa de = 40 clientes/hora, segundo uma distribuio de Poisson. O nico caixa
da loja pode atend-los a uma taxa de = 60 clientes/hora, segundo uma
distribuio exponencial.
Pede-se:
1. A taxa de ocupao do funcionrio;
2. P comprimento mdio da fila;
3. O nmero mdio de clientes no sistema;
4. O tempo mdio despendido esperando na fila;
5. tempo mdio no sistema.
2) Existe apenas uma mquina copiadora na sala dos alunos da faculdade. Os alunos
chegam a uma taxa de = 40 alunos/hora, segundo uma distribuio de Poisson.
Uma cpia leva um tempo mdio de 40 segundos, ou = 90 alunos/hora, segundo
uma distribuio exponencial.
Pede-se:
1. A taxa de ocupao da mquina;
2. O comprimento mdio da fila;
3. O nmero mdio de alunos no sistema;
4. O tempo mdio despendido esperando na fila;
5. Tempo mdio no sistema.
3) Devido a um recente aumento de negcios, o secretrio de uma firma de advocacia
agora precisa digitar com um editor de textos uma mdia de 20 cartas por dia,
segundo uma distribuio de Poisson. Ele leva aproximadamente 20 minutos para
digitar cada carta, segundo uma distribuio exponencial.
Supondo que o secretrio trabalha 8 horas por dia.
Pede-se:
1. A taxa de utilizao do secretrio;
2. O tempo mdio de espera para que o secretrio digite uma carta;
3. O nmero mdio de cartas no sistema;
4. O nmero mdio de cartas esperando digitao;
5. A probabilidade de que o secretrio tenha mais de 5 cartas para digitar.
4) Numa clnica veterinria, vacina-se um co a cada 3 minutos. Os ces chegam a
uma taxa de 1 co a cada 6 minutos, de acordo com uma distribuio de Poisson.
Pede-se:
1. A taxa de utilizao da clnica;
2. A taxa de ociosidade da clnica;
3. O tempo mdio de espera para um co ser vacinado;
4. O nmero mdio de ces na clnica;
5. O nmero mdio de ces esperando para serem vacinados;
59
6. A probabilidade de que a clnica possua mais de 3 ces para vacinar.

5) Uma empresa de elevadores mantm uma equipe de atendimento para consertar
elevadores defeituosos que ocorrem uma mdia de = 3 elevadores por dia. A
equipe pode atender a uma mdia de = 8 mquinas por dia.
Pede-se:
1. A taxa de utilizao da equipe;
2. O tempo mdio de espera de um elevador defeituoso;
3. O nmero de elevadores aguardando reparo num dado momento qualquer;
4. Qual a probabilidade de que mais de 1 elevador esteja esperando por reparo;
5. Qual a probabilidade de que mais de 3 elevadores estejam esperando por reparo;
6) Num complexo de 4 salas de cinemas, cada uma das salas com um filme diferente
e com horrios de incio dos filmes alternados para evitar tumulto, existe apenas
uma bilheteria capaz de atender 280 clientes por hora. Clientes chegam a uma taxa
de 210 clientes por hora. Para determinar a eficincia da atual operao de venda
de ingressos, deseja-se examinar algumas caractersticas de operao da fila.
Pede-se:
1. O numero mdio de espectadores esperando na fila para comprar um ingresso;
2. A taxa de ocupao da bilheteria;
3. Tempo mdio de fila de um espectador;
4. Qual a probabilidade de mais de 15 pessoas estejam esperando na fila;
7) A estao de colheita no centro-oeste curta, e os fazendeiros entregam suas
cargas de caminho fechado de soja a um gigantesco silo de armazenagem central
em um perodo de tempo de 2 semanas. Por causa disso, os caminhes carregados
com soja, que esperam para descarregar e retornar ao campo, tem de estacionar a
uma quadra do silo de armazenagem. O silo central pertence cooperativa e do
interesse de todos os fazendeiros tornar o processo o mais eficiente possvel. O
custo da deteriorao dos gros provocada pelos atrasos na descarga e o custo do
aluguel dos caminhes e do tempo ocioso dos motoristas so preocupaes
significativas para os membros da cooperativa. Embora os fazendeiros tenham
dificuldade em quantificar o prejuzo em gros, fcil estabelecer que o custo da
espera e da descarga para caminhes e motoristas de R$18, 00 a hora. Durante a
temporada de 2 semanas, o silo de armazenagem permanece aberto e funciona 16
horas por dia, 7 dias por semana, podendo descarregar 35 caminhes por hora. Os
caminhes carregados chegam durante todo o dia a uma taxa de 30 caminhes por
hora. Para ajudar a cooperativa a tratar o problema de perda de tempo enquanto os
caminhes esperam na fila ou descarregam no silo, encontre:
1. O nmero mdio de caminhes no sistema;
2. O tempo mdio por caminho no sistema;
3. A taxa de utilizao da rea do silo;
4. A probabilidade de que mais de 3 caminhes estejam esperando na fila;
60
5. O custo dirio total de os fazendeiros terem seus caminhes presos por causa do
processo de descarga;
6. A cooperativa s utiliza intensamente o silo durante 2 semanas por ano. Os
fazendeiros estimam que o aumento do silo reduziria os custos de descarga em
50% no ano seguinte. Custaria R$ 9.000,00 para fazer isso fora da temporada da
colheita. Vale a pena efetuar a despesa para aumentar a rea de armazenagem?
8) Uma loja mantm um bem-sucedido callcenter no qual um funcionrio recebe os
pedidos por telefone. Se o funcionrio estiver ocupado em um linha, as demais
chamadas so transferidas para um atendimento automtico que solicita o cliente a
esperar. Assim que o funcionrio se desocupa, a chamada que estiver esperando ha
mais tempo transferida e atendida em primeiro lugar. As chamadas chegam a
uma taxa de 12 por hora. O funcionrio pode atender um pedido a cada 4 minutos.
O funcionrio recebe R$ 5,00 por hora. A perda de boa vontade e de vendas devido
espera do cliente por um atendimento de R$ 25,00 por hora.
Pede-se:
1. Qual o tempo mdio que os clientes de catlogo devem esperar para que suas
chamadas sejam transferidas para o funcionrio?
2. Qual o nmero mdio de chamadas aguardando a anotao de um pedido?
3. A loja est cogitando a contratao de um segundo funcionrio para atender
chamadas. A loja pagaria a esse funcionrio os mesmos R$ 5,00 por hora. A loja
deve fazer essa contratao? Explique.
9) Numa clnica de beleza, sabe-se que cada cliente esperando custa R$ 60,00 em
vendas perdidas, e que cada atendimento custa R$ 2,50. Um levantamento
estatstico constatou que o nmero mdio de clientes no sistema de 5 por hora.
Pede-se:
1. O custo total do sistema por ms, 22 dias teis de 8 horas cada;
2. Se melhorar a taxa de atendimento em 1 unidade a um custo de R$ 30.000,00,
vantajoso promov-lo?
3. A taxa de ocupao.
10) Numa loja de troca de leo mediu-se 2 parmetros para estudar a sua
performance: i) o nmero mdio de clientes na fila igual a 2; ii) tempo mdio
gasto por atendimento igual a 12 minutos. So conhecidos os seguintes dados
adicionais: (iii) custo unitrio por atendimento de R$ 10,00; (iv) custo unitrio de
permanncia no sistema de R$ 60,00. Sabe-se que o custo de ampliao do
servio de R$ 900,00 por ms (melhorar o atendimento em uma unidade). A
empresa considera a ampliao desde que haja uma economia mensal de 10%
superior ao custo de fazer a ampliao. Considere 22 dias por ms, 8 horas por
dia.
Nestas condies, a ampliao deve ser feita?
61
11) Um banco est tentando determinar qual das opes alugar para o processamento
de cheques. Opo 1 possui uma mquina que processa 1.000 cheques por hora e
tem um aluguel de R$ 10.000,00 por ano. A opo 2 processa 1.600 cheques por
hora e tem um aluguel de R$ 15.000,00 por ano. A jornada de trabalho de 8
horas por dia, 5 dias por semana, 50 semanas no ano. O banco deve processar
atualmente 800 cheques por hora, sendo que o valor mdio de um cheque
processado de R$ 100,00. Assumindo uma taxa de juros de 220% ao ano,
determine o custo total do banco, considerando a desvalorizao por cheque
parado. Qual das opes o banco deve escolher?
12) Num sistema de 1 fila e 1 atendente, foram medidos os seguintes dados:
Tempo Gasto no
Sistema por Cliente (h)
0,5
0,6
0,7
0,8
0,9
1
Probabilidade
(%)
15
20
35
15
10
5
No. de Atendimentos
por Hora
10
11
12
13
14
15
Freqncia
5
15
30
30
15
5
Pergunta-se:
1. Qual a probabilidade de que o nmero de clientes no sistema seja igual a 2?
2. Qual taxa de ociosidade?
3. Qual o nmero de clientes no sistema?
62
Trabalho Prtico
Este trabalho deve ser elaborado em grupo de no mximo x alunos.
Escolha um lugar onde ocorra um processo de filas, tal com: bancos, Xerox, cantinas,
salo de barbeiro, posto de gasolina, etc.
De posse de um cronmetro, mea o tempo entre chegadas dos clientes e o tempo de
atendimento dos clientes. Observe que duas medidas devero ser coletadas: o tempo
entre chegadas dos clientes e o tempo de atendimento dos clientes. Colete dados at o
ponto em que se observe uma estabilidade no sistema.
Com posse dos dados coletados, resolva os seguintes itens:
1. Faa uma tabela para os intervalos de chegadas dos clientes e uma tabela para os
tempos de atendimentos dos clientes;
2. Calcule a taxa de chegada dos clientes e a taxa de atendimento dos clientes;
3. Calcule a taxa de ocupao e a taxa de ociosidade do sistema;
4. Calcule o nmero mdio de clientes no sistema
5. Calcule o nmero mdio de clientes na fila
6. Calcule o tempo mdio dos clientes na fila
7. Calcule o tempo mdio dos clientes no sistema
8. Calcule a probabilidade de haver mais de 4 clientes na fila
9. Calcule a probabilidade de que o sistema esteja ocioso;
10.Elabore um relatrio fazendo uma anlise e tecendo comentrios sobre o sistema
em estudo.
A avaliao do trabalho estar baseada no relatrio apresentado, onde deve constar o
nome do sistema avaliado e os componentes do grupo.
63
Respostas de Alguns Exerccios

Primeira Lista de Exerccios:
a) P
1-
0,88 0,12
; 0 0,6 0,4
0,15 0,85
0,5648 0,4352
b) 5 = 0P5, ou seja, 5
. Cota de mercado: 56,48%
c) Cota de mercado em longo prazo:
55,56% para o fabricando da HIGLO
44,44% para o concorrente
1
0,4
2- P
0,2
0
0 0
0
0 0,6 0
. 0 0
0 0,1 0,7
0 0
1
45
66
21
0.
66
1 = 0P = [0,34 0 0,44 0,22]
Formatura: 0,22 x 66 = 14,5 aproximadamente 15 alunos vo se formar.

3- b) 5 0,6370 0,3730 ; Aproximadamente 63% do mercado.
c) L1
5
9
4
9
45- a) P2
0,92x0,92 0,08x0,03 0,92x0,08 0,08x0,97

0,03x0,92 0,97 x0,03 0,3x0,08 0,97 x0,97
6- Resolver o sistema L1=L1xP, onde L1 x1 x 2

78- a) O estado 1 absorvente
b) Nenhum estado absorvente
c) Os estados 1 e 2 so absorventes
d) Nenhum estado absorvente
e) O estado 1 absorvente
9101112C1 = {S1, S2, S3, S6 } uma classe recorrente.
C2 = { S4, S5, S7, S8, S9} uma classe recorrente.
S2
S1
S3
C2
S4
S5
C1
S9
S6
S8
S7
13-
64
14-
()
1 / 3 1 / 3 1 / 3
1 / 3 1 / 3 1 / 3
1 / 3 1 / 3 1 / 3
15- a) Todos os estados so Ergdicos

b) Todos os estados so recorrentes, peridicos (perodo m = 3) e no nulos
c)Todos os estados so comunicantes. A cadeia Irredutvel.
Segunda Lista de Exerccios:

1- TS = 1,5 minutos
2- TFS = 8,5 minutos
3- TS = 5 segundos
4- = 1; NS = 4
5- = 3; Ciclo = 7; TFS = 5
6- A = 10; B = 20; C = 10; D = 30; E = 9; F=21.
Terceira Lista de Exerccios:
1- = 3; = 3,75; TF = 1,07h; TS = 1,33h
2- = 25; = 30; NF = 4,16; TF = 0,167h ; Tempo Ocioso: 17%
3- P[X=0] = 0,33; P[X=1] = 0,22; P[X=3] + P[X=4] = 0,15; P[X5] = 0,1307
4- NF x TF x R$10,00 = R$4,44
5- Custo anual de A: R$ 101.968,00 Custo anual de B: R$ 32.036,00
6Servidor
NF
TF
TS
NS
1
10 15 1,33
0,13
0,20
2
2
5
30 0,03 0,007 0,04 0,2
3
15 20 2,25
0,15
0,20
3
Para o sistema como um todo, temos NS = 2 + 0,2 + 3 = 5,2
Para o TS temos:
a) Para quem entra pelo servidor 1: TS=TS(1) + TS(3) = 0,20 + 0,20 = 0,40
b) Para quem entra pelo servidor 2: TS=TS(2) + TS(3) = 0,04 + 0,20 = 0,24
7- Os clculos foram feitos tomando a hora como unidade de tempo.
Servidor
NF
TF
NS TS(hora) TS(minuto)
Instalador 1,5 2,4 1,04
0,69
1,67
1,1
66
Inspetor 1,5 12 0,02
0,01
0,14
0,09
5,4
Reparador 0,3
6 0,002 0,009 0,05
0,18
10,9
Para o sistema como um todo, temos:
- NS = 1,67 + 0,14 + 0,05 = 1,86
- Para quem no passa pelo reparo: TS = 66 + 5,4 + 1+1 = 73,4
- Para quem passa pelo reparo: TS = 66 + 5,4 + 10,8 +1+1 = 85,2
- Efetuando a mdia ponderada, temos: TS = 0,8x73,8 + 0,2x85,2 = 75,76
65
Quarta Lista de Exerccios:

1- 1) = 0,66 ou 66%
2) NF = 1,33 clientes
3) NS = 2 clientes
4) TF = 1,8 minutos
5) TS = 3 minutos
2- 1)
2)
3)
4)
5)
= 0,44 ou 44%
NF = 0,355
NS = 0,8
TF = 0,008h
TS = 0,02h
3- 1)
2)
3)
4)
5)
= 0,837 ou 83,7%
TF = 1,667h
NS = 5 cartas
NF = 4,17 cartas
P[X > 5] = 0,335
4- 1)
2)
3)
4)
5)
6)
= 0,50 ou 50%
P[X = 0] = 0,50 ou 50%
TF = 3,22 minutos ou 0,053h
NS = 1 co
TF = 0,5 ces
P[X > 3] = 0,063
5- 1)
2)
3)
4)
5)
= 0,375 ou 37,5%
TF = 0,075 dias
P[X = 1] = 0,23
P[X > 1] = 0,14
P[X > 3] = 0,019
6- 1)
2)
3)
4)
NF = 2,25 clientes
= 0,75
TF = 0,0107h
P[X > k] = [/k]K+1 = 0,01
7-
66
8- 1) TF = 0,27h
2) NF = 3,2 chamadas
3) A contratao do funcionrio aumenta o custo para R$ 10,00 por hora,
porm a perda de vendas devido a espera dos clientes por atendimento
diminuir, pois se um funcionrio atende 15 chamadas por hora, com 2
funcionrios a capacidade aumentar para 30 chamadas por hora no
atendimento, diminuindo a espera de atendimento dos clientes.
9-
67

Apostila de Pesquisa Operacional - Parte II PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila de Pesquisa Operacional - Parte II PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE SO FRANCISCO

Adalberto Nobiato Crespo

Onde: 10=semana atual; 9 = semana anterior; e assim por diante.

Onde: 4 = semana atual; 3 = semana anterior; e assim por diante.

Os valores da tabela 1 podem ser dispostos em um vetor T, denominado

Tabela 2 Probabilidades de Transio em 5 anos

As probabilidades condicionais na Tabela 2 podem ser interpretadas

Assim, a partir da matriz de transio P e do vetor de probabilidade de

Este resultado pode ser interpretado como:

O cliente compra um Ford

O cliente compra um Chevrolet

O cliente compra um Fiat

No presente momento (t = 0), os Estados S1, S2, S3 representam o estado

Essa mesma informao pode ser representada numa matriz de

Cada elemento dessa tabela representa uma probabilidade de se passar

Exemplo 4: A situao de uma mquina poderia ser descrita por um Processo de

Mquina ociosa, esperando reparo

Mquina ociosa, sendo reparada

A matriz P chama-se Matriz de Transio ou Matriz de probabilidades.

Constitui-se numa Cadeia de Markov porque tem a propriedade que:

Isto , o fato de Xn = k (uma criana estar ou no com bola depois de n

Exemplo 6: Jogo da Moeda

Resultados #Caras #Coroas

Graficamente, a probabilidade da funo Z assumir os valores 0, 1, 2, 3,

Matricialmente tem-se a seguinte Matriz de Transio:

Para saber a situao do jogador no tempo t = n, ou seja, depois de n

Processo Markoviano em tempo contnuo

Processo Markoviano em tempo discreto

Cadeia de Markov em tempo contnuo

Cadeia de Markov em tempo discreto

Desta forma, uma cadeia de Markov um Processo Markoviano onde o espao de

No caso de tempo discreto, tem-se:

Uma maneira simples de visualizar um tipo especifico de cadeia de Markov atravs

3.4 Probabilidade de Transio de Passo n

Essas probabilidades condicionais so chamadas Probabilidades de Transio de

(i, j); n = 0, 1, 2,...

Uma maneira de mostrar todas as Probabilidades de Transio de Passo n :

Ou atravs de uma matriz de probabilidades:

A matriz P(n) denominada Matriz de Transio de Passo n.

A Matriz de Transio de Passo 1 dada por:

3.5 Distribuio Inicial de Probabilidades

Exemplo 8: Se no exemplo 2, 0 = [0,30 0,20 0,50] significa que no ano de 1993 o

Exemplo 11: Se no exemplo 5, 0 = [0 1/3 0 2/3], significa que no inicio do jogo

3.6 Distribuio de Probabilidades aps n Passos - Distribuio

Exemplo 12: No exemplo 2 da cidade que utiliza a terra tem-se:

Assim, a partir da matriz de transio P e do vetor de probabilidade de

Este resultado pode ser interpretado como:

Exemplo 13: No exemplo 7 da utilizao das maquinas, tem-se:

Supondo que (0) = [ 0 1], ou seja que a mquina est funcionando,

A distribuio de probabilidades da mquina no segundo dia pode se

Lembrando que: 0: representa o estado maquina parada

e a probabilidade da mquina estar

Exemplo 14: Se no exemplo 5, (crianas com a bola) a distribuio inicial for

Ento, a distribuio de probabilidades depois de 2 lanamentos da bola

Exerccio de Fixao: O problema do Rato e o Labirinto

O rato se movimenta atravs dos compartimentos aleatoriamente, isto , se existem k

d) 2 = 0.P2 = [0 0 0 0 1/3 0 1/3 0 1/3]

3.7 Classificao dos Estados de Uma Cadeia de Markov

Nesta Cadeia de Markov, o estado 2 no alcanvel a partir do

Nota: Um estado si transiente se e somente se f ii < 1.

Todos os Estados so Peridicos.

Todos os Estados so Aperidicos

Exemplo 18: Comeando no estado 1 da matriz P possvel retornar ao estado 1