T ecnicas Computacionais em Estat stica - Projeto 2

Thiago VedoVatto 24 de maio de 2013

Resumo Neste trabalho ser a implementado o algoritmo que simular a o processo atendimento de uma la com um u nico terminal. O foco do trabalho se concentra na estima c ao de alguns par ametros de interesse. O processo de estima c ao e feito atrav es da estima c ao direta e da conhecida t ecnica do bootstrap. Os estimadores s ao comparados por meio do erro quadr atico m edio. Um problema pr atico ser a enunciado como forma de motivar o leitor quanto aos dados simulados nesse trabalho.

Introdu c ao

Para efeito de motiva c ao considere o seguinte problema: Problema 1 (Fila com um Unico Servidor). Uma determinada rede comercial possui in umeras depend encias espalhadas ao redor de uma zona comercial. Cada depend encia possui apenas um u nico terminal de atendimento ao p ublico. Cada terminal funciona durante 8 horas di arias e capaz de atender em m edia um cliente ` a cada 15 minutos. Sabese que o uxo de chegada de clientes ao terminal cresce linearmente ao longo do per odo em que o terminal est a ativo, de modo que no in cio do per odo chegam em m edia um cliente a cada 5 minutos e ao nal do per odo chegam em m edia 1 cliente ` a cada 25 minutos. Deseja-se estimar:
Tempo de espera total m edio dos clientes para serem atendidos; Quantidade m edia de clientes que s ao atendidos; Tempo de espera m edio dos clientes para serem atendidos; Tempo de ociosidade m edio do terminal; Quantidade m edia de Horas-Extra que o terminal faz por dia;

Para resolver esse problema utilizam-se dois m etodos distintos:

1.1

Estima c ao Direta

No processo de estima c ao direta obt em-se uma quantidade n de amostras de tamanho m e o estimador obtido para a m edia da vari avel de interesse ser a dado por: E () = X 1

O erro quadr atico m edio nesse caso e fornecido pelo estimador: EQM () = )2 (Xi X n(n 1)

Para o problema (1) sup oem-se que temos em m aos amostras do par ametro de interesse de 120 dias de 500 terminais diferentes que est ao localizados em zonas de iguais caracter sticas e que, portanto, apresentam as caracter sticas descritas no enunciado do problema. Deste modo t em-se 500 amostras de tamanho 120.

1.2

Estima c ao via Bootstrap

A estima ca o via bootstrap pressup oe que s o foi poss vel obter uma u nica amostra de tamanho m. Deste modo confeccionam-se outras n 1 amostras de tamanho m a partir de sorteio das observa co es de constantes na amostra obtida. Com base nessa matriz de amostras estima-se a m edia de uma vari avel aleat oria X com base no estimador: E () = X Neste caso o estimador do erro quadr atico m edio ser a dado por: EQM () = )2 (Xi X nm

Para o problema em quest ao admite-se que s o h a uma u nica amostra de tamanho 120 e a partir desta amostra geram-se outras 499 amostras.

Resultados

A simula ca o do problema a seguir pode ser repetida em qualquer m aquina usando-se a semente 1 e o gerador de vari aveis exponenciais indicado em anexo. Todos os resultados necess arios nesse relat orio s ao gerados pelos comandos a seguir. Os algoritmos usados e a forma de utiliz a-los est a em anexo: > set.seed(seed=1); > fila.servidor.estimacao(tempo.atendimento = 480, + intensidade.inicial=5, + intensidade.final=25, + duracao.atendimento=15, + quantidade.amostras=500, + tamanho.amostras=120); $media.TO [1] 19.93468 $erro.quadratico.TO [1] 3.447429e-05 $media.bootstrap.TO [1] 21.62509 2

$erro.quadratico.bootstrap.TO [1] 0.0001723751 $media.TME [1] 125.5583 $erro.quadratico.TME [1] 0.0001349311 $media.bootstrap.TME [1] 125.0254 $erro.quadratico.bootstrap.TME [1] 0.0006828194 $media.TE [1] 5292.652 $erro.quadratico.TE [1] 0.3399995 $media.bootstrap.TE [1] 5316.331 $erro.quadratico.bootstrap.TE [1] 1.504161 $media.QA [1] 40.12678 $erro.quadratico.QA [1] 1.14329e-06 $media.bootstrap.QA [1] 40.39198 $erro.quadratico.bootstrap.QA [1] 5.354956e-06 $media.HE [1] 137.2024 $erro.quadratico.HE [1] 0.0004253779 $media.bootstrap.HE [1] 143.0859 3

$erro.quadratico.bootstrap.HE [1] 0.002129377

Conclus ao
Ambos os m etodos de estima c ao produziram estimadores com baixos erros quadr aticos m edios; Os estimadores obtidos por ambos os m etodos s ao muito pr oximos; O processo de estima ca o foi satisfatoriamente r apido dado a qualidade e a precis ao dos estimadores.

Observando-se os resultados obtidos podemos concluir que:

Com rela c ao ao problema (1) nota-se que:

O processo claramente precisa ser repensado dado o alto valor do tempo m edio de espera dos clientes nas las; Esta metodologia de atendimento est a gerando um alto custo para com horas-extras para a empresa dado que em m edia o terminal precisa trabalhar em m edia mais de 2 horas al em do hor ario para conseguir processar os atendimentos.

Anexo A
A simula c ao e estima ca o dos par ametros do Processo de Poisson descrito foi feita atrav es da compila ca o das fun co es descritas ` a seguir. Cada uma das fun c oes e respons avel por executar uma parte do processo.

Fun c ao Intensidade de Chegada

Esta fun ca o gera os valores do par ametro de intensidade de chegada para um dado instante de tempo t informado. A fun ca o ca plenamente caracterizada quando informamos a intensidade inicial de chegada 0 a intensidade nal de chegada f e o tempo total de atendimento T . A equa ca o correspondente e dada por: (f 0 )t + 0 (1) T Como se pode ver em (1) a fun ca o de intensidade e uma fun ca o linear na qual a intensidade de chegada pode crescer ou decrescer linearmente ao longo do intervalo de tempo T . O algoritmo e dado a seguir: (t) = > fila.servidor.intensidade <- function(tempo.atendimento, + intensidade.inicial, + intensidade.final, + instante){ + II <- intensidade.inicial; 4

+ + + + + + }

IF <- intensidade.final; T <- tempo.atendimento; t <- instante; intensidade = ((IF-II)/T)*t + II; return(intensidade);

Para gerar a Intensidade de Chegada no instante t = 50 em um processo onde 0 = 10, f = 20 e T = 100 basta executar: > fila.servidor.intensidade(tempo.atendimento = 100, + intensidade.inicial = 10, + intensidade.final = 20, + instante = 50); [1] 15

Gerador de Vari aveis com Distribui c ao Exponencial()

Esta fun c ao tem por nalidade gerar os valores da distribui c ao exponencial que ser ao usados ao longo de toda a simula c ao. A fun ca o de distribui ca o exponencial e dada por: f (x) = O algoritmo e dado a seguir: > gerador.exponencial <- function(n = 1,taxa){ + X = rexp(n = n,rate = 1/taxa); + return(X) + } Para se obter um vetor de tamanho n = 7 de vari aveis exponenciais com par ametro = 10 usando a fun ca o de gera c ao exponencial xada a semente 1 basta: > set.seed(seed = 1); > gerador.exponencial(n = 7,taxa = 10); [1] 7.551818 11.816428 1.457067 1.397953 4.360686 28.949685 12.295621
1 1 e x

x0 x<0

(2)

Fun c ao Processo de Poisson

Esta fun ca o coordena o processo de simula c ao de um Processo de Poisson dado um tempo de atendimento T , a intensidade inicial II e a intensidade nal do processo IF . > processo.poisson <- function(tempo.atendimento, + intensidade.inicial, + intensidade.final){ + n = 1; + T <- tempo.atendimento; 5

+ + + + + + + + + + + + + + + + + + + + + + + + + + + + }

II <- intensidade.inicial; IF <- intensidade.final; intensidade <- II; instante = 0; t = 0; X <- NULL; while(instante < T){ if(II!=IF){ intensidade <- fila.servidor.intensidade(tempo.atendimento= T, intensidade.inicial = II, intensidade.final= IF, instante= instante); } X[n] <- gerador.exponencial(n = 1, taxa = intensidade); instante = instante + X[n]; if(instante < T){ t[n] = instante; n = n + 1; }else{ instante = T; } } return(list( instante.chegadas = t, quantidade.chegadas = n-1 ) );

Para se simular um Processo de Poisson com T = 240, II = 20 e IF = 10 xada a semente 1 basta: > set.seed(seed = 1); > processo.poisson(tempo.atendimento = 240, + intensidade.inicial = 20, + intensidade.final = 10); $instante.chegadas [1] 15.10364 37.99286 40.67634 43.23531 51.17112 102.89804 122.21764 [8] 130.26301 144.20247 146.25987 165.59921 175.58183 191.27970 $quantidade.chegadas [1] 13 A fun c ao Processo de Poisson nos fornece os tempos de chegada dos clientes e a quantidade de clientes que chegaram.

Fun c ao de Simula c ao de Atendimento

A fun ca o de Simula c ao de Atendimento recebe o tempo de atendimento T , a intensidade inicial II , a intensidade nal IF , a dura c ao do atendimento DA e com base nessas informa co es gera uma amostra do Processo de Poisson e calcula a quantidade de atendimentos, o tempo de ociosidade, o tempo de espera total, o tempo de espera m edio e a quantidade de horas-extras para o processo gerado. > fila.servidor.simulacao <- function(tempo.atendimento, + intensidade.inicial, + intensidade.final, + duracao.atendimento){ + T <- tempo.atendimento; + TE = 0; + i = 1; + PP = processo.poisson(tempo.atendimento = T, + intensidade.inicial = intensidade.inicial, + intensidade.final = intensidade.final); + TC = PP$instante.chegadas; + QA = PP$quantidade.chegadas; + TA = gerador.exponencial(n = QA,taxa = duracao.atendimento); + t = TC[1]; + TO = t; + TC[QA+1] = T; #Cliente inexistente; + while(i <= QA){ + if(t + TA[i] < TC[i+1]){ + TO = TO + TC[i+1] - (t + TA[i]); + t = TC[i+1]; + }else{ + if(i!=QA){ + TE = TE + (t+TA[i]) - TC[i+1]; + t = t + TA[i]; + } + } + i = i + 1; + } + TME = TE/QA; + Tempo.Trabalhado = TC[1]+sum(TA); + Horas.Extras = Tempo.Trabalhado - T + if(QA == 0){ + TE = 0; + TME = 0; + TO = T; + } + if(Horas.Extras < 0){Horas.Extras = 0}; + return(list( + instante.chegadas = TC[1:QA], + duracao.atendimentos = TA, + quantidade.atendimentos = QA, 7

+ tempo.ociosidade = TO, + tempo.espera.total = TE, + tempo.espera.medio = TME, + horas.extras = Horas.Extras + )); + } Para se obter as estat sticas de uma simula ca o do Processo de Poisson com T = 240, II = 20, IF = 10 e com DA = 15 xada a semente 1, basta: > set.seed(seed = 1) > fila.servidor.simulacao(tempo.atendimento = + intensidade.inicial + intensidade.final = + duracao.atendimento

240, = 20, 10, = 15);

$instante.chegadas [1] 15.10364 37.99286 40.67634 43.23531 51.17112 102.89804 122.21764 [8] 130.26301 144.20247 146.25987 165.59921 175.58183 191.27970 $duracao.atendimentos [1] 15.8181475 15.5286592 28.1405276 [7] 35.4677288 9.6283888 4.4118058 [13] 8.6806870 $quantidade.atendimentos [1] 13 $tempo.ociosidade [1] 87.651 $tempo.espera.total [1] 188.4205 $tempo.espera.medio [1] 14.49389 $horas.extras [1] 0

9.8211996 8.4879829

5.0540021 1.5910893

8.8271958 0.8915874

Fun c ao de Amostragem
A Fun c ao de Amostragem tem por nalidade realizar sucessivas simula c oes usando a fun ca o Simula ca o de Atendimento e em seguida exibir as matrizes de amostragens obtidas por n simula co es de amostras de tamanho m e tamb em exibir as matrizes de amostragens obtidas pelo bootstrap da primeira simula c ao. Para se obter uma amostragem basta informar o tempo de atendimento T A, a intensidade inicial II do atendimento, a intensidade nal IF do atendimento, dura ca o m edia do atendimento DA, a quantidade QA e o tamanho T A das amostras desejadas. O algoritmo est a descrito ` a seguir: 8

> fila.servidor.amostragem <- function(tempo.atendimento, + intensidade.inicial, + intensidade.final, + duracao.atendimento, + quantidade.amostras, + tamanho.amostras){ + T <- tempo.atendimento; + n = quantidade.amostras; + m = tamanho.amostras; + vetor.amostras.TME = NULL; + vetor.amostras.TE = NULL; + vetor.amostras.TO = NULL; + vetor.amostras.QA = NULL; + vetor.amostras.HE = NULL; + matriz.booststrap.TME = matrix(0, ncol = n, nrow = m); + matriz.booststrap.TE = matrix(0, ncol = n, nrow = m); + matriz.booststrap.TO = matrix(0, ncol = n, nrow = m); + matriz.booststrap.QA = matrix(0, ncol = n, nrow = m); + matriz.booststrap.HE = matrix(0, ncol = n, nrow = m); + for(i in 1:(n*m)){ + simulacao = fila.servidor.simulacao( + tempo.atendimento = T, + intensidade.inicial = intensidade.inicial, + intensidade.final = intensidade.final, + duracao.atendimento = duracao.atendimento + ); + vetor.amostras.TME[i] <- simulacao$tempo.espera.medio; + vetor.amostras.TO[i] <- simulacao$tempo.ociosidade; + vetor.amostras.QA[i] <- simulacao$quantidade.atendimentos; + vetor.amostras.TE[i] <- simulacao$tempo.espera.total; + vetor.amostras.HE[i] <- simulacao$horas.extras; + }; + for(i in 1:n){ + matriz.booststrap.TME[,i] <- sample(x = vetor.amostras.TME[1:m], + size = m, + replace = TRUE); + matriz.booststrap.TO[,i] <- sample(x = vetor.amostras.TO[1:m], + size = m, + replace = TRUE); + matriz.booststrap.QA[,i] <- sample(x = vetor.amostras.QA[1:m], + size = m, + replace = TRUE); + matriz.booststrap.TE[,i] <- sample(x = vetor.amostras.TE[1:m], + size = m, + replace = TRUE); + matriz.booststrap.HE[,i] <- sample(x = vetor.amostras.HE[1:m], + size = m, + replace = TRUE); 9

+ }; + return(list( + matriz.amostras.QA = matrix(vetor.amostras.QA,ncol = n, nrow = m), + matriz.booststrap.QA = matriz.booststrap.QA, + matriz.amostras.TO = matrix(vetor.amostras.TO, ncol = n, nrow = m), + matriz.booststrap.TO = matriz.booststrap.TO, + matriz.amostras.TE = matrix(vetor.amostras.TE, ncol = n, nrow = m), + matriz.booststrap.TE = matriz.booststrap.TE, + matriz.amostras.TME = matrix(vetor.amostras.TME, ncol = n, nrow = m), + matriz.booststrap.TME = matriz.booststrap.TME, + matriz.amostras.HE = matrix(vetor.amostras.HE, ncol = n, nrow = m), + matriz.booststrap.HE = matriz.booststrap.HE + )); + } Para se obter uma amostragem com T A = 240, II = 10, IF = 20, DA = 15, QA = 3, T A = 2 e xada a semente 1 basta que executemos os comandos: > set.seed(seed = 1); > fila.servidor.amostragem(tempo.atendimento = 240, + intensidade.inicial=10, + intensidade.final=20, + duracao.atendimento=15, + quantidade.amostras=6, + tamanho.amostras=3) $matriz.amostras.QA [,1] [,2] [,3] [,4] [,5] [,6] [1,] 15 19 21 22 18 17 [2,] 20 13 17 17 24 18 [3,] 15 15 20 22 10 12 $matriz.booststrap.QA [,1] [,2] [,3] [,4] [,5] [,6] [1,] 15 20 15 20 15 15 [2,] 15 15 15 15 15 20 [3,] 20 15 20 15 20 15 $matriz.amostras.TO [,1] [,2] [,3] [,4] [,5] [,6] [1,] 25.6661355 37.23374 0.7562303 21.276680 35.11758 23.12479 [2,] 0.3726853 22.51153 32.1884673 55.942960 10.88931 40.10640 [3,] 72.2745907 77.89280 16.7752032 0.310523 157.85593 22.25180 $matriz.booststrap.TO [,1] [,2] [,3] [,4] [,5] [,6] [1,] 0.3726853 25.66614 0.3726853 72.27459 25.6661355 0.3726853 [2,] 0.3726853 72.27459 25.6661355 25.66614 25.6661355 0.3726853 [3,] 72.2745907 72.27459 25.6661355 72.27459 0.3726853 72.2745907 10

$matriz.amostras.TE [,1] [,2] [,3] [,4] [,5] [,6] [1,] 278.6809 269.88849 1231.6505 758.1797 318.05388 512.7247 [2,] 1476.2010 256.16069 766.0726 112.1019 4976.68741 349.7631 [3,] 396.1983 61.76002 1744.6662 1966.5859 33.58165 333.5688 $matriz.booststrap.TE [,1] [,2] [,3] [,4] [,5] [,6] [1,] 278.6809 278.6809 1476.2010 396.1983 278.6809 278.6809 [2,] 278.6809 396.1983 1476.2010 278.6809 396.1983 278.6809 [3,] 1476.2010 278.6809 278.6809 396.1983 1476.2010 1476.2010 $matriz.amostras.TME [,1] [,2] [,3] [,4] [,5] [,6] [1,] 18.57872 14.204657 58.65002 34.462712 17.669660 30.16027 [2,] 73.81005 19.704668 45.06310 6.594231 207.361975 19.43129 [3,] 26.41322 4.117335 87.23331 89.390270 3.358165 27.79740 $matriz.booststrap.TME [,1] [,2] [,3] [,4] [,5] [,6] [1,] 26.41322 73.81005 26.41322 73.81005 26.41322 18.57872 [2,] 26.41322 18.57872 26.41322 18.57872 18.57872 26.41322 [3,] 18.57872 26.41322 18.57872 18.57872 18.57872 26.41322 $matriz.amostras.HE [,1] [,2] [,3] [,4] [,5] [,6] [1,] 2.019162 0.000000 88.31698 36.62576 0.0000 0 [2,] 145.016928 7.690826 146.96658 0.00000 421.5062 0 [3,] 0.000000 0.000000 133.04649 143.52206 0.0000 0 $matriz.booststrap.HE [,1] [,2] [,3] [,4] [,5] [,6] [1,] 145.0169 0.0000 2.019162 2.019162 0.000000 145.0169 [2,] 145.0169 145.0169 145.016928 0.000000 2.019162 145.0169 [3,] 0.0000 0.0000 0.000000 0.000000 0.000000 145.0169

Fun c ao de Estima c ao
Por m a fun ca o principal de todo o algoritmo a Fun ca o de Estima ca o que e respons avel pela estima ca o de todas as vari aveis do Processo de Poisson (Tempo de Ociosidade T O, Tempo M edio de Espera T M E , Tempo Total de Espera M edio T E , Quantidade de Atendimentos QA e M edia de Horas-Extras HE ). Para estimar os par ametros desejados basta informar os mesmos par ametros informados na fun c ao de amostragem. O algoritmo da fun c ao se encontra a seguir: > fila.servidor.estimacao <- function(tempo.atendimento, + intensidade.inicial, + intensidade.final, 11

+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +

duracao.atendimento, quantidade.amostras, tamanho.amostras){ T <- tempo.atendimento; II <- intensidade.inicial; IF <- intensidade.final; DA <- duracao.atendimento; n = quantidade.amostras; m = tamanho.amostras; amostragem <- fila.servidor.amostragem(tempo.atendimento = T, intensidade.inicial = II, intensidade.final = IF, duracao.atendimento = DA, quantidade.amostras = n, tamanho.amostras = m); for(i in 1:10){ matriz.amostras <- amostragem[[i]]; vetor.medias <- colMeans(matriz.amostras); media <- mean(vetor.medias); variancia <- var(vetor.medias); if(i == 1){ media.QA <- mean(vetor.medias); erro.quadratico.QA <- variancia/(n*(n-1)) }else if(i == 2){ media.bootstrap.QA <- mean(vetor.medias); erro.quadratico.bootstrap.QA <- variancia/(n*m) }else if(i == 3){ media.TO <- mean(vetor.medias); erro.quadratico.TO <- variancia/(n*(n-1)) }else if(i == 4){ media.bootstrap.TO <- mean(vetor.medias); erro.quadratico.bootstrap.TO <- variancia/(n*m) }else if(i == 5){ media.TE <- mean(vetor.medias); erro.quadratico.TE <- variancia/(n*(n-1)) }else if(i == 6){ media.bootstrap.TE <- mean(vetor.medias); erro.quadratico.bootstrap.TE <- variancia/(n*m) }else if(i == 7){ media.TME <- mean(vetor.medias); erro.quadratico.TME <- variancia/(n*(n-1)) }else if(i == 8){ media.bootstrap.TME <- mean(vetor.medias); erro.quadratico.bootstrap.TME <- variancia/(n*m) }else if(i == 9){ media.HE <- mean(vetor.medias); erro.quadratico.HE <- variancia/(n*(n-1)) }else if(i == 10){ 12

+ media.bootstrap.HE <- mean(vetor.medias); + erro.quadratico.bootstrap.HE <- variancia/(n*m) + } + } + return(list( + media.TO = media.TO, + erro.quadratico.TO = erro.quadratico.TO, + media.bootstrap.TO = media.bootstrap.TO, + erro.quadratico.bootstrap.TO = erro.quadratico.bootstrap.TO, + media.TME = media.TME, + erro.quadratico.TME = erro.quadratico.TME, + media.bootstrap.TME = media.bootstrap.TME, + erro.quadratico.bootstrap.TME = erro.quadratico.bootstrap.TME, + media.TE = media.TE, + erro.quadratico.TE = erro.quadratico.TE, + media.bootstrap.TE = media.bootstrap.TE, + erro.quadratico.bootstrap.TE = erro.quadratico.bootstrap.TE, + media.QA = media.QA, + erro.quadratico.QA = erro.quadratico.QA, + media.bootstrap.QA = media.bootstrap.QA, + erro.quadratico.bootstrap.QA = erro.quadratico.bootstrap.QA, + media.HE = media.HE, + erro.quadratico.HE = erro.quadratico.HE, + media.bootstrap.HE = media.bootstrap.HE, + erro.quadratico.bootstrap.HE = erro.quadratico.bootstrap.HE + )); + } Assim se quisermos encontrar o valor estimado dos par ametros de uma amostragem com T A = 240, II = 10, IF = 20, DA = 15, QA = 3, T A = 2 e xada a semente 1 basta que executemos os comandos: > set.seed(seed=1); > fila.servidor.estimacao(tempo.atendimento = 240, + intensidade.inicial=10, + intensidade.final=20, + duracao.atendimento=15, + quantidade.amostras=6, + tamanho.amostras=3); $media.TO [1] 36.25263 $erro.quadratico.TO [1] 11.10406 $media.bootstrap.TO [1] 32.77114

13

$erro.quadratico.bootstrap.TO [1] 19.70862 $media.TME [1] 43.55561 $erro.quadratico.TME [1] 18.3296 $media.bootstrap.TME [1] 28.19754 $erro.quadratico.bootstrap.TME [1] 3.49329 $media.TE [1] 880.1403 $erro.quadratico.TE [1] 11123.41 $media.bootstrap.TE [1] 637.4403 $erro.quadratico.bootstrap.TE [1] 4262.285 $media.QA [1] 17.5 $erro.quadratico.QA [1] 0.1255556 $media.bootstrap.QA [1] 16.66667 $erro.quadratico.bootstrap.QA [1] 0 $media.HE [1] 62.48395 $erro.quadratico.HE [1] 116.0277 $media.bootstrap.HE [1] 56.732

14

$erro.quadratico.bootstrap.HE [1] 175.6129 A sa da da fun ca o apresenta os seguintes resutados: media.TO M edia do Tempo de Ociosidade calculada pelo m etodo de estima ca o direta; erro.quadratido.TO Erro quadr atico do Tempo de Ociosidade na estima c ao direta; media.bootstrap.TO M edia do Tempo de Ociosidade calculada pelo m etodo do bootstrap; erro.quadratico.bootstrap.TO Erro quadr atico do Tempo de Ociosidade na estima c ao via bootstrap; media.TME M edia do Tempo M edio de Espera calculada pelo m etodo de estima c ao direta; erro.quadratido.TME Erro quadr atico do Tempo M edio de Espera na estima c ao direta; media.bootstrap.TME M edia do Tempo M edio de Espera calculada pelo m etodo do bootstrap; erro.quadratico.bootstrap.TME Erro quadr atico do Tempo M edio de Espera na estima c ao via bootstrap; media.TE M edia do Tempo Total de Espera calculada pelo m etodo de estima ca o direta; erro.quadratido.TE Erro quadr atico do Tempo Total de Espera na estima ca o direta; media.bootstrap.TE M edia do Tempo Total de Espera calculada pelo m etodo do bootstrap; erro.quadratico.bootstrap.TE Erro quadr atico do Tempo Total de Espera na estima ca o via bootstrap; media.QA M edia da Quantidade de Clientes calculada pelo m etodo de estima ca o direta; erro.quadratido.QA Erro quadr atico da Quantidade de Clientes na estima c ao direta; media.bootstrap.QA M edia da Quantidade de Clientes calculada pelo m etodo do bootstrap; erro.quadratico.bootstrap.QA Erro quadr atico da Quantidade de Clientes na estima ca o via bootstrap; media.HE M edia das Horas Extras calculada pelo m etodo de estima c ao direta; erro.quadratido.HE Erro quadr atico das Horas Extras na estima c ao direta; media.bootstrap.HE M edia das Horas Extras calculada pelo m etodo do bootstrap; erro.quadratico.bootstrap.HE Erro quadr atico das Horas Extras na estima ca o via bootstrap.

15