Filas 3

Teoria das filas
Introduo
Por que aparecem as filas?

No eficiente, nem racional, que cada um
disponha de todos os recursos individualmente. Por
exemplo:
que
cada pessoa disponha do uso exclusivo de uma

rua para se movimentar
que cada pessoa tenha um supermercado para o seu
abastecimento exclusivo
Recursos limitados devem ser compartilhados.
Introduo
Ao compartilhar recursos, pode acontecer que

no momento em que se queira fazer uso de um
recurso, este esteja ocupado,
necessidade
de esperar
aparecem as filas
Exemplo: nos sistemas de fluxo pode acontecer

a formao de filas
Sistemas de fluxo
Um fluxo o movimento de alguma entidade atravs de

um ou mais canais de capacidade finita para ir de um
ponto a outro.
Capacidade finita significa que o canal s pode satisfazer
a demanda a uma taxa finita.
Exemplos:
fluxo
de automveis (entidades) atravs de uma rede de

caminhos (canais)
transmisso de mensagens telefnicas (entidades) atravs
da rede (canal)
Sistemas de fluxo
Se dividem em duas classes:

Determinsticos:
sistemas no qual o comportamento

da demanda de servio totalmente previsvel, isto
, a quantidade de demanda exatamente conhecida
sobre o intervalo de interesse.
Aleatrio: no possvel predizer como vai se
comportar a demanda de servio, por exemplo, o
instante de chegada de uma demanda imprevisvel.
Sistemas de fluxo
Exemplo de fluxo determinstico:

Seja
r a taxa de chegada (constante) de pacotes em uma

rede de comutao a um buffer.
Seja c a taxa (constante) com que esses pacotes so
processados em cada n.
Se r > c, o buffer do n inundado com pacotes, j que
o nmero de pacotes em espera de servio crescer
indefinidamente.
Se r < c, se tem um fluxo estvel, o nmero de pacotes
em espera de servio finito.
Sistemas de fluxo
Exemplo de fluxo aleatrio:

Um
centro de computao em que as solicitaes de

impresso podem chegar em instantes imprevisveis.
Quando um trabalho de impresso chega, pode ser
que o servidor esteja atendendo outro e seja
necessrio esperar.
Se est desocupado, pode atender imediatamente
nova solicitao de impresso at que esta fique
completa.
Teoria das filas
Representao de uma fila

sistema
1
2
Chegadas ao
sistema
Fila
m
Servidores
Sadas do
sistema
Teoria das filas
Notao de Kendall para descrever uma fila:

A/B/C/K/m/Z
Teoria das filas
A/B/C/K/m/Z
distribuio do
tempo entre chegadas
Alguns valores de A mais comuns:
M: denota distribuio exponencial

equivalente (M provm de Markoviano)
G: distribuio geral
D: representa um tempo fixo (determinstico)
Teoria das filas
A/B/C/K/m/Z
distribuio do
distribuio do
tempo de servio
Alguns valores de B mais comuns:
M: denota distribuio exponencial

equivalente (M provm de Markoviano)
G: distribuio geral
D: representa um tempo fixo (determinstico)
Teoria das filas
A/B/C/K/m/Z
distribuio do
distribuio do
tempo de servio
nmero de
servidores
Teoria das filas
A/B/C/K/m/Z
distribuio do
distribuio do
tempo de servio
K omitido quando:
nmero de
servidores
K=
nmero mximo de
clientes permitidos
no sistema
Teoria das filas
A/B/C/K/m/Z
m se omite quando:
distribuio do
distribuio do
tempo de servio
m=
nmero de
servidores
tamanho da
populao
nmero mximo de
clientes permitidos
no sistema
Teoria das filas
A/B/C/K/m/Z
distribuio do
distribuio do
tempo de servio
disciplina
de servio
nmero de
servidores
tamanho da
populao
nmero mximo de
clientes permitidos
no sistema
Z se omite quando:
= FIFO
Teoria das filas
Notaes usadas nos sistemas de filas:

Ci :
i-simo usurio que entra ao sistema.
r i:
tempo de chegada de Ci
t i:
tempo entre as chegadas de Ci-1 e Ci (ti = ri - ri-1)
A(t):
x i:
distribuio do tempo entre chegadas = P[t it]
tempo de servio para Ci
B(x):
distribuio do tempo de servio = P[x i x]
wi :
tempo de espera na fila de Ci
se:
tempo no sistema (fila mais servio) de C i
(se = wi + xi)
Teoria das filas
Notao de filas em diagrama temporal

se
Ci-1 Ci
wi
Servidor
Fila
ri
ri+1
ti+1
Ci
Ci+1
xi
Ci
Ci+1
Ci+2
xi+1
Ci+1
xi+2
Ci+2
ri+2
ti+2
Ci+2
Tempo
Teoria das filas
Notaes usadas nos sistemas de filas (cont.)

Ek:
estado do sistema (normalmente

corresponde ao nmero de usurios no sistema)
ktaxa mdia de chegada dos usurios ao
sistema, quando este se encontra no estado k
k: taxa mdia de servio quando o sistema se
encontra no estado k
Teoria das filas
Outros parmetros de uma fila:

N(t):
nmero de usurios no sistema no instante t

L = E[k]: nmero mdio de usurios no sistema
(em estado estacionrio)
LQ: nmero mdio de usurios na fila (em
estado estacionrio).
T = E[s]: tempo mdio de permanncia de um
usurio no sistema = E[k]/ (frmula de Little)
Cadeias de Markov discretas
Markov estabeleceu uma simples e til relao

entre as variveis aleatrias que forman
processos estocsticos
Definies
Estado: se Xn= i diz-se que o processo est no

estado i no instante n, onde {Xn, n=0,1,2...}
um processo estocstico que passa por um
nmero finito ou contvel de possveis estados.
Transio: a transio de um estado a outro

depende somente do estado atual, e no da
histria do processo
Observaes
No caso das cadeias discretas de Markov, os

instantes de tempo nos quais a transio entre um
estado e outro acontecem podem asumir apenas
valores inteiros 0, 1, 2..., n. Em outras palavras, o
tempo discretizado.
Os processos devem permanecer num estado

determinado durante um tempo que deve estar
geomtricamente distribudo.
Observaes
Propriedade Markoviana:
P{Xn+1 = j | Xn = i, Xn-1= in-1,... X0 = i0}
=P{Xn+1 = j | Xn = i} = Pij 0 0
Interpretao (sistema sem memria):

A transio de um estado para outro s depende
do estado atual, e no da histria do processo.

Xn denota a cidade na qual encontra-se o turista ao
meio-dia no dia n
X1
Curic
X2
Rancagua
X3
Santiago
X4
Valparaso
X5
Serena
...
Me leva?

Curic
Rancagua
Santiago
Valparaso
Serena
...
Me leva?

Curic
Rancagua
Santiago
Valparaso
Serena
...
Me leva?

Curic
Rancagua
Santiago
Valparaso
Serena
...
Me leva?

Curic
Rancagua
Santiago
Valparaso
Serena
...
Continuarei mais ao
Norte?
Da minha viagem,n posso lhes dizer que:
Nos processos de Markov, o estado atual do sistema e as

probabilidades de transio entre os diversos estados
caracterizam o comportamento futuro do sistema.
J que um processo de Markov est num estado

determinado, seu comportamento futuro no depende de
sua histria antes de chegar a esse estado.
Definies
Cadeias de Markov so processos estocsticos

{X(t)} que satisfazem:
pij: probabilidade de transio do estado i para o

estado j depende somente do estado i
P=[pij]: matriz de probabilidade de transio
Y ( i ):
tempo em que o processo permanece no

estado i, sem memria
Exemplo
Considerando-se apenas o trajeto SantiagoValparaso-Serena, tem-se graficamente:

(1)
Valpo
1/4
3/4
3/4
Santiago
(0)
1/4
1/4
Serena
1/4
(2)
1/2
(1)
Valpo
1/4
3/4
3/4
Santiago
(0)
1/4
1/4
Serena
1/4
1/2
(2)
Nmeros nos arcos do a probabilidade pij do viajante

ser recolhido por um carro
Probabilidade do viajante permanecer em Serena at o

dia seguinte 1/2
Nmeros entre parnteses usados posteriormente
Valpo
1/4
3/4
3/4
Santiago
(0)
(1)
1/4
1/4
Serena
1/4
(2)
Matriz de probabilidades de transio:

0 3 / 4 1/ 4
P 1/ 4
0 3 / 4
1 / 4 1 / 4 1 / 2
1/2
Definies
Num processo de Markov, se diz que um

estado Sj transiente se, de algum estado Sk
que pode ser alcanado desde Sj, o sistema no
pode voltar a Sj. A probabilidade de no voltar
a si mesmo existe.
1
Estados 1 e 2 so transientes
Definies
Se diz que um estado recorrente se de cada

estado Sk alcanvel a partir de Sj, o sistema
pode voltar a Sj.
1
Estados 1, 2 e 3 so recorrentes
Exemplo 1: predio do tempo

Dois estados possveis:
0: chuva
1: no chuva
Hiptese: o tempo amanh s depende de hoje
(processo sem memria)
Chove hoje probabilidade de chover amanh =
No chove hoje probabilidade de chover amanh =
Cadeia de Markov fica definida por:

0
1
1
Graficamente:
1
1
Exemplo 2: transformar um processo noMarkoviano em Markoviano (s vezes

possvel)
Considere-se um elevador em um prdio de
trs andares:
Estados:
Andar 3
Andar 2
Andar 1
Processo no-Markoviano, porque no estado 2

necessria a informao do estado anterior (1
ou 3) para saber qual ser a direo do
elevador.
Para que o processo seja Markoviano, se faz
necessria uma redefinio dos estados.
Exemplo 2: transformar um processo noMarkoviano em Markoviano (s vezes

possvel)
Redefinio dos estados:
3: Andar 2, sentido abaixo
2: Andar 3, sentido abaixo

1: Andar 2, sentido acima
0: Andar 1, sentido acima
Da redefinio obtm-se o novo diagrama de

1
1
estados: 1
0
0: andar 1, sentido acima

2: andar 3, sentido abaixo
1: andar 2, sentido acima

3: andar 2, sentido abaixo
Exemplo 2.1: transformar um processo no-Markoviano

em Markoviano (s vezes possvel)
Choveu, choveu amanh chover: p=0,7
No-choveu, choveu amanh chover: p=0,5
Choveu, no choveu amanh chover: p=0,4
No choveu, no choveu amanh chover: p=0,2
Usando a definio anterior NO processo de Markov
Exemplo 2.1: transformar um processo noMarkoviano em Markoviano (s vezes possvel)

Motivo: h contradio; precisa-se de informao no
s do dia presente, mas tambm do anterior.
Redefinio de estados: se o estado depende do tempo
de ontem e hoje ento SIM, pode ser Markoviano
Para transformar um processo no-Markoviano em
Markoviano (se possvel), devem ser redefinidos os
estados de maneira adequada.
Exemplo 2.1: transformar um processo noMarkoviano em Markoviano (s vezes possvel)
Portanto, se so redefinidos os seguintes estados:

0: Choveu, choveu
1: No choveu, choveu
2: Choveu, no choveu
3: No choveu, no choveu

Estados:
0: Choveu, choveu
1: No choveu, choveu
2: Choveu, no choveu
3: No choveu, no choveu
Cadeia de Markov definida pela matriz de

probabilidade de transio:
0
0
0,3
0,5
0
0
0,4
0,2
0
0
0,7
0,5
0
0
0,6
0,8
Definies
i = probabilidade estacionria de estar no estado

i
i(n) = probabilidade de estar no estado I no
instante n
i(0) = probabilidade inicial de estar no estado i
=(0, 1, 2, , n)
Por definio:
(1)
( 0)
Definies
Exemplo:
(1) (1)
0 1
( 0) ( 0)
0 1
Aplicando recursivamente:
(n)
( n 1) P
(n)
( 0) P n
ou
P00
P
10
P01
P11
Definies
Se a cadeia de Markov irredutvel e ergdica,

ento:
lim
( 0)
Pn
existe e denominada a probabilidade lmite

de P, ou autovetor esquerdo de P.
Obteno de :
Exemplo 3: utilizando o exemplo 1, se a

probabilidade de que chover hoje 0.2 e
0.7 0.3
P
0
.
4
0
.
6
Qual a probabilidade incondicional de que

amanh chover?

Aplicando o teorema da probabilidade total:
seja a probabilidade incondicional de que
chover amanh.
= P(amanh chover | hoje choveu) +
P(amanh chover | hoje no choveu)
02
. P00 08
. P10
0.2 0.7 0.8 0.4 0.46
Exemplo 4: utilizando o exemplo 1
0 1
0
Se
0 1

1
1
0 1
(1 ) 0 (1 ) 1
ento a probabilidade lmite de que chover

1 0 1
0.7
0.4
0 1
4 / 7
3 / 7

Voltando ao exemplo do turista:
Me leva?
Valpo
1/4
3/4
3/4
Santiago
(0)
(1)
1/4
1/4
Serena
1/4
(2)
1/2

Do diagrama de estados pode obter-se a matriz
de probabilidades de transio
0 3 / 4 1/ 4
P 1/ 4
0 3 / 4
1 / 4 1 / 4 1 / 2
definindo-se a matriz de probabilidade como:

0 1 2

Considerando-se a relao
obtm-se que
com
1
1
0 0 0 1 2
4
4
3
1
1 0 0 1 2
4
4
1
3
1
2 0 1 2
4
4
2
1 0 1 2

Resolvendo-se as equaes obtm-se as
probabilidades em estado de equilbrio:
1
0 020
.
5
7
1
028
.
25
13
2
052
.
25
Cadeias de Markov de
tempo contnuo
tempo contnuo
Definio: uma cadeia de Markov de tempo

contnuo um processo aleatrio em que, dado o
estado presente, o valor do processo no futuro no
depende do passado.
como uma cadeia de Markov discreta, com a

diferena de que o tempo de permanncia em um
estado uma varivel aleatria com distribuio
exponencial.
tempo contnuo
Evoluo a partir de um estado:
ij
ik
ij
: taxa mdia de sada do estado i para o estado j

ik
: taxa mdia de sada do estado i para o estado k
Pij : probabilidade de transitar do estado i ao estado j, no
momento da transio
tempo contnuo
Definio:
tij (tik):
tempo de permanncia no estado i antes de transitar para j (k), caso

passe para j(k).
tij e tik so variveis aleatrias com distribuio exponencial de parmetros
ij e ik respectivamente.
Seja
t
deduz que :
o tempo de permanncia no estado i. Do anterior se
t = min { tij , tik }
t se distribui exponencialmente
com parmetro ( ij+ ik)
tempo contnuo
Propriedades:
O
tempo de permanncia em um estado

Markoviano (processo sem memria)
A escolha
do prximo estado se efetua no instante

da transio e s depende do estado atual e no do
passado, portanto Markoviano.
tempo contnuo
Dado que o tempo de permanncia em

qualquer estado e a escolha do prximo estado
so Markovianos, ento tem-se uma cadeia de
Markov de parmetro contnuo.
As variveis aleatrias tempo de permanncia

no estado i e prximo estado visitado so
independentes.
tempo contnuo
Definio formal:
Um processo aleatrio X(t) uma cadeia de Markov
de tempo contnuo se:
P X (t s) j | X ( s) i, X (u ) x(u ),0 u s
P X (t s ) j | X ( s ) i
tempo contnuo
Exemplo : processo de Poisson

N( )
N(t+s) = j
j-i chegadas
j-i arribos
N(t): estado no instante t

N(t): nmero de chegadas
at t
N(t) = i
t+s
P{ N (t s ) j / N (t ) i , N (u ) X (u ) 0 u t}
P{ N (t s ) j / N (t ) i}
P{( j i )chegadasem(t , t s ]}
O que resolver uma cadeia de

Markov?
encontrar as probabilidades de transio de

qualquer estado i a qualquer estado j em um
dado instante.
Para resolver este problema se utilizar o

princpio do balano global
Princpio de balano global

Definies:
i i1
2 2i
i i2
...
k ki
...
1 1i
i ij

Definies:
k: probabilidade em regime estacionrio de estar

no estado k
Outra interpretao: frao de tempo que o sistema
fica no estado k.
k
Unidad de tiempo de tempo
Unidade
Unidad de tiempo
Unidade
de tempo

Definies:
k(t): probabilidade de estar no estado k no

instante t
lim k ( t ) k
t
ki: taxa mdia de transio do estado k para o estado i
k ki: nmero mdio de transies do

estado i, por unidade de tempo.
estado k ao

1 ( t ) 1i t
Nmero mdio de
entradas de qualquer
estado k ao estado i
em t
...
...
k ( t ) ki t
i ( t ) i1t
i ( t ) ij t
nmero mdio de
sadas do estado i a
qualquer estado j
em t
Nmero de entradas totais ao estado i emt:
( t ) ki t o( t )
Nmero de sadas totais desde o estado i em t:
( t )
j
ij
t o( t )
Balano de fluxos
Entradas lquidas
nmero mdio de nmero mdio de
mdias por unidade = entradas totais por - sadas totais por
de tempo (EN)
unidade de tempo
unidade de tempo
Considerando-se o nmero de entradas lquidas

em um intervalo t, se tem que:
EN t
k i
( t ) ki i ( t ) ij t o( t )
j i
O nmero de entradas lquidas em t pode ser interpretado como:
i t t
+
i t
Unidad de tiempo
Unidade de tempo
i t
EN t i ( t t ) i ( t ) o( t )
i ( t ) o( t )
Usando-se novamente o balano de fluxos:
nmero de
Variao do tempo de
permanncia no estado i, = entradas totais em t
por unidade de tempo
nmero de
sadas totais
em t
Esta variao pode expressar-se em forma da

equao de diferenas:
i ( t )
k i
( t ) ki i ( t ) ij t o( t ) (1)
j i
Dividindo por t em (1):
i ( t )
k i
( t ) ki
o( t )
(2)
i ( t ) ij
t
j i
Tomando-se o limite lim

em (2):
t 0
i ( t )
k i
( t ) ki i ( t ) ij
j i
Equao de balano global para o estado i
(3)

Equao
de balano global para um estado i
qualquer:
i ( t )
k i
( t ) ki i ( t ) ij
j i
Pode-se
reescrever em forma vetorial da

seguinte maneira:

0i
i ( t )
0 ( t ) ... i ( t ) ... n ( t ) ij
j i
t
:
ni

Definindo-se:
( t ) 0 ( t )
( t ) 0 ( t )
t
t
0 j
...
...
...
j 0
i0
:
n0
i (t)
n (t)
...
i ( t )
t
0i
...
...
... ij
j i
...
:
ni
...
n ( t )
t
0n
in
... nj
j n
Equaes de balano global
O conjunto das equaes de balano global pode expressar-se

em forma matricial como:
( t )
( t )Q
t
Alm disso, sempre:
(t) 1
i
Em estado estacionrio se tem que:

fluxo de entrada = fluxo de sada
Q 0
Equaes de balano global em estado estacionrio
Os conjuntos de equaes anteriores servem

para resolver tanto a situao transiente como
estacionria da cadeia de Markov. Isto , nos
permite encontrar as probabilidades de
transio de qualquer estado i a qualquer
estado j num intervalo t qualquer (Pij(t)).
Exemplo: Cadeia de Markov de

dois estados
Uma mquina funciona uma quantidade de tempo

exponencialmente distribuda com mdia 1/Quando
falhase repara com a mesma distribuio em um tempo
mdio 1/. Inicialmente, a mquina encontra-se funcionando.
Deseja-se determinar a probabilidade de que a mquina esteja

funcionando em um instante t dado. Inicialmente a mquina
se encontra operacional.

dois estados
0
1
En
Em
reparo
Reparacin
Operacional
Se
tem que :
01
Condies iniciais:
( 0) 0 ( 0)
10
1 (0) 1 0

dois estados
Equaes de balano global estabelecem que:

( t )
0 ( t ) 1 ( t )
t

0 ( t ) 1 ( t ) 1
Forma
i ( t )
escalar da equao anterior :
k i
( t ) ki i ( t ) ij
j i
k , i, j 0,1

dois estados
Portanto:
0 ( t )
0 ( t ) 1 ( t )
t
1 ( t )
0 ( t ) 1 ( t )
t
0 ( t ) 1 ( t ) 1
(4)
(5)
(6)

dois estados
Resolvendo (4), (5) e (6), obtm-se:
( ) t
0 (t)
1 ( t )
e ( ) t


dos estados
Resolvendo em estado estacionrio, obtm-se:

0 ( t ) 1 ( t )
0
t
t
0 1 0
(7)
0 1 0
(8)
0 1 1
(9)

dois estados
Resolvendo (7), (8) e (9), obtm-se :
Observao:
Tambm pode chegar-se a este resultado atravs

das equaes em estado transiente, fazendo
tender o parmetro t a infinito.

dois estados
Grfico de 0 com =4
0
=2
=5
=7

dois estados
Grfico de 0 com =4
0
=7
=5
=2

dois estados
Grfico de 1 com =4
1
=7
=5
=2

dois estados
Grfico de 1 com =4
1
=2
=5
=7
Problema 1
Seja uma cadeia de Markov de trs estados

como se ilustra na figura:
01
10
02
20
Dado que acontece uma transio do estado 0,

determinar a probabilidade de que esta transio
seja para o estado 1.
Problema 1
Define-se:
t01:
tempo de permanncia no estado 0 antes de transitar

para o estado 1, caso transite para o
estado 1
t02: tempo de permanncia no estado 0 antes de
transitar para o estado 2, caso transite para o estado 2
A probabilidade pedida equivalente probabilidade de

que a transio para o estado 1 ocorra antes da transio
para o estado 2.
Problema 1
Portanto:
P( t 01 t 02 ) P( t 01 t 02 / t 02 s) P( t 02 s)ds
0
P( t 01 s) P( t 02 s) ds
0
(1 e 01s ) 02 e 02s ds
0
01
01 02
Problema 1
Estendendo o resultado anterior, para qualquer

nmero de estados, se tem que:
Pij
onde
ij
k i
ik
Pij: probabilidade de transitar do estado i para o

estado j, dado que acontece uma transio
ik: taxa mdia de sada do estado i para o
Problema 2
Dado que aconteceu uma transio do estado i,

qual a probabilidade de que o prximo estado
seja i ?
Sabe-se que:
Pii 1 Pij
j i
Alm disso:
Pij
ij
k i
ik
Problema 2
Portanto:
Pii 1
j i
ij
k i
1
Pii 1
ik
k i
Pii 1 1 0
ik
j i
ij
Problema 3
Dado que no instante zero o sistema est no

estado i, qual a probabilidade de permanecer
neste estado at o instante t?
P{permanecer em estado i at t} = 1 - P{sair do estado i at t}
Dado que o tempo de permanncia exponencial:

Portanto:
P{sair do estado i at t} 1 e
P{permanecer no estado i at t}
ik t
k i
ik t
k i

Filas 3

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

Filas 3

Enviado por

Direitos autorais:

Formatos disponíveis

Teoria das filas

Por que aparecem as filas?

cada pessoa disponha do uso exclusivo de uma

Recursos limitados devem ser compartilhados.

Ao compartilhar recursos, pode acontecer que

Exemplo: nos sistemas de fluxo pode acontecer

Um fluxo o movimento de alguma entidade atravs de

de automveis (entidades) atravs de uma rede de

Se dividem em duas classes:

sistemas no qual o comportamento

Exemplo de fluxo determinstico:

r a taxa de chegada (constante) de pacotes em uma

Exemplo de fluxo aleatrio:

centro de computao em que as solicitaes de

Teoria das filas

Representao de uma fila

Teoria das filas

Notao de Kendall para descrever uma fila:

Teoria das filas

Notao de Kendall para descrever uma fila:

Alguns valores de A mais comuns:

M: denota distribuio exponencial

Teoria das filas

Notao de Kendall para descrever uma fila:

Alguns valores de B mais comuns:

M: denota distribuio exponencial

Teoria das filas

Notao de Kendall para descrever uma fila:

Teoria das filas

Notao de Kendall para descrever uma fila:

Teoria das filas

Notao de Kendall para descrever uma fila:

Teoria das filas

Notao de Kendall para descrever uma fila:

Teoria das filas

Notaes usadas nos sistemas de filas:

i-simo usurio que entra ao sistema.

tempo entre as chegadas de Ci-1 e Ci (ti = ri - ri-1)

distribuio do tempo entre chegadas = P[t it]

tempo de servio para Ci

distribuio do tempo de servio = P[x i x]

tempo de espera na fila de Ci

tempo no sistema (fila mais servio) de C i

Teoria das filas

Notao de filas em diagrama temporal

Teoria das filas

Notaes usadas nos sistemas de filas (cont.)

estado do sistema (normalmente

Teoria das filas

Outros parmetros de uma fila:

nmero de usurios no sistema no instante t

Cadeias de Markov discretas

Cadeias de Markov discretas

Markov estabeleceu uma simples e til relao

Estado: se Xn= i diz-se que o processo est no

Transio: a transio de um estado a outro

No caso das cadeias discretas de Markov, os

Os processos devem permanecer num estado

Interpretao (sistema sem memria):

Cadeias de Markov discretas

Cadeias de Markov discretas

Cadeias de Markov discretas

Cadeias de Markov discretas