Escolar Documentos
Profissional Documentos
Cultura Documentos
Cuiab - MT
Nov. 2011
Cuiab - MT
Nov. 2011
Contents
1 INTRODUO
2 TPICOS DE PROBABILIDADE
2.1 VARIVEIS ALEATRIA: DEFINIO E CLASSIFICAO . . . . . .
2.2 MODELO DE DISTRIBUIO DE PROBABILIDADE DE POISSON .
2.3 MODELO DE DISTRIBUIO DE PROBABILIDADE EXPONENCIAL
4
4
11
14
16
16
16
17
18
. . . .
. . . .
. . . .
FILA
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
2
3
4
5
6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
26
27
28
29
30
31
6 CONSIDERAES FINAIS
31
7 REFERNCIAS
32
INTRODUO
Todas as pessoas j passaram pelo aborrecimento de ter que esperar em filas. Ns esperamos em fila quando estamos no supermercado aguardando para pagar nossas compras,
nos bancos e em muitas outras situaes. Para entender melhor esse fenmeno, um estudo
sobre teoria das filas se faz necessrio. De acordo com (MOREIRA 2010), teoria das filas
um corpo de conhecimentos matemticos, aplicado ao fenmeno das filas.
Pensando sobre este assunto a proposta deste minicurso oferecer informaes bsicas
sobre a Teoria das Filas e suas Aplicaes, para tal, apresentamos os conceitos preliminares
de caracterizao de processos com gerao de fila, seus componentes e fundamentos estatsticos necessrios compreenso dos modelos e suas utilizaes em algumas aplicaes.
O minicurso est organizado da seguinte maneira: na Seo 2 os tpicos de probabilidade, na Seo 3, a introduo aos conceitos da Teoria das Filas, na Seo 4, os processos
de chegada e de atendimento para o sistema de um canal e uma fila com populao infinita
e na Seo 5, as aplicaes.
TPICOS DE PROBABILIDADE
2.1
Varivel Aleatria: uma funo que associa cada elemento do espao amostral a um
nmero real.
Example 1. Vamos considerar o experimento aleatrio que consiste no lanamento de
trs moedas. O espao amostral deste experimento :
C, C, R
C, R, C
C, R, R
R, C, C
R, C, R
R, R, C
R, R, R
Table 1: Distribuio de frequncias para testes positivos (Rx positivo) entre 10.000 pessoas.
Nmero de Rx positivos
Frequncia (Nmero de
Frequncia Relativa
(+)
pessoas classificadas)
0
9.600
9.600/10.000
= 0, 960
150
150/10.000
= 0, 015
50
50/10.000
= 0, 005
200
200/10.000
= 0, 020
Total
10.000
1, 000
Fonte: Disponvel em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1415790X2003000400012& lng=pt&nrm=iso&tlng=pt>. Acesso em: 18 jul. 2011.
Suponha que uma pessoa seja aleatoriamente selecionada nessa populao. O processo de selecionar aleatoriamente uma pessoa chamado de experimento aleatrio ou
experimento baseado no acaso. Seja X o nmero de Rx positivos da pessoa selecionada.
Ento,X pode assumir qualquer um dos quatro valores possveis (0, 1, 2, 3) apresentados
na primeira coluna da Tabela 1. O valor assumido por X depende de qual pessoa est
sendo selecionada. Dessa maneira, esse valor depende do resultado de um experimento
aleatrio. Por isso, X chamado de varivel aleatria ou varivel decorrente do
acaso. Em geral, uma varivel aleatria representada por X ou Y .
Uma varivel aleatria pode ser classificada em discreta ou contnua. Primeiramente,
vamos definir uma varivel aleatria discreta.
Varivel Aleatria Discreta: Uma varivel aleatria que assume valores contveis
chamada de varivel aleatria discreta.
Na tabela 1, o nmero de Rx positivos de uma pessoa representa um exemplo de uma
varivel aleatria discreta, uma vez que os valores da varivel aleatria, X, so contveis:
0, 1, 2 e 3.
Apresentamos alguns outros exemplos de variveis aleatrias discretas:
O nmero de clientes em uma determinada loja de roupas;
O nmero de carros alugados em uma determinada locadora de veculos;
O nmero de dias chuvosos em um ms;
O nmero de alunos presentes na sala de aula;
O nmero de disciplinas cursadas por aluno;
O nmero de clientes em uma fila de banco;
Entre outros.
Distribuio de Probabilidades de uma Varivel Aleatria Discreta: A distribuio de probabilidades de uma varivel aleatria discreta apresenta todos os valores
possveis que uma varivel aleatria pode assumir, bem como suas probabilidades correspondentes.
O exemplo abaixo ilustra o conceito de distribuio de probabilidades de uma varivel
aleatria discreta.
Example 3. Voltando a Tabela 1 da distribuio de frequncias e da distribuio de
frequncias relativas do nmero de Rx positivos por pessoa, vamos reproduzi-la a seguir,
como sendo a Tabela 2. Seja X o nmero de Rx positivos de uma pessoa aleatoriamente
selecionada. Apresente a distribuio de probabilidades de X.
Table 2: Distribuio de frequncias para testes positivos (Rx positivo) entre 10.000 pessoas
Nmero de Rx positivos
Frequncia (Nmero de
Frequncia Relativa
(+)
pessoas classificadas)
0
9.600
0, 960
150
0, 015
50
0, 005
200
0, 020
Total
10.000
1, 000
0, 960
0, 015
0, 005
0, 020
Total
1, 000
7
P (xi )
xi x
Observao:
a) A funo de distribuio de X tambm frequentemente chamada de funo de
distribuio acumulada de X.
b) A funo F (x) no-decrescente quando x aumenta, isto , se x1 < x2 , ento
F (x1 ) F (x2 ).
c) Para qualquer valor de x
P (X > x) = 1F (x)
d) Para quaisquer valores x1 e x2 , tais que x1 < x2 ,
P (x1 < X x2 ) = F (x2 )F (x1 )
Varivel Aleatria Contnua: uma varivel aleatria cujos valores no so contveis.
8
Uma varivel aleatria contnua pode assumir qualquer valor, ao longo de um intervalo,
ou mais de um intervalo. Uma vez que o nmero de valores contidos em qualquer intervalo
infinito, o nmero possvel de valores que uma varivel aleatria contnua pode assumir
tambm infinito. Alm disso, no podemos contar esses valores. Por exemplo: o tempo
gasto para completar um exame, a quantidade de leite em um galo, o tempo gasto em
desenvolver uma dada atividade, bem como, o tempo entre as chegadas de duas pessoas a
um balco de informaes.
Funo Densidade de Probabilidade: A funo densidade de probabilidade (f dp) de
uma varivel aleatria X, se existir, definida como a derivada de F (x):
dF (x)
dx
A f dp representa a densidade de probabilidade no ponto x no seguinte sentido: a
probabilidade de que X esteja em um intervalo pequeno na vizinhana de x, isto
f (x) =
F (x + h) F (x)
h
A probabilidade de X estar contido em uma dada faixa de valores igual a rea sob a
curva de f (x), para a faixa de valores de interesse.
Propriedades
9
1. A derivada da F (x), quando existir, positiva desde que a F (x) seja uma funo
no decrescente de x, ento f (x) 0.
2. Seja f (x) uma funo no negativa, a qual chamaremos de funo densidade de
probabilidade, e que especifica as probabilidades de eventos da forma X cai em um
pequeno intervalo de largura dx ao redor do ponto x. As probabilidades de eventos
envolvendo X so ento expressas em termos da f dp adicionando probabilidades de
intervalos de largura dx. medida que as larguras dos intervalos se aproximam de
zero, obtemos uma integral em termos da f dp. Por exemplo, a probabilidade de um
intervalo [a, b] dada por
b
f (x) dx
P [a x b] =
a
10
f (t) dt = 1
5. Uma f dp vlida pode ser formada a partir de qualquer funo g(x) no negativa e
contnua por partes que tenha uma integral finita
+
g (x) dx = c <
Fazendo f (x) = g(x)/c obtemos uma funo que satisfaz a condio de normalizao. Note
que a f dp precisa ser definida para todos os valores reais de x; se X no toma valores em
alguma regio da reta real, simplesmente fazemos f (x) = 0 na regio.
2.2
11
P (X = k) =
k=0
k=n
k=0
k=0
k
k!
e k
k!
=1++
= e .e = 1
2
n
+ ... +
= e
2!
n!
=
=
c) A probabilidade de que pelo menos treze clientes venham a ser observados durante
o prximo minuto obtida somando-se as probabilidades de treze e quatorze clientes.
Observe que quatorze representa o ltimo valor de X para = 4, ou seja, representa o
ltimo valor de X, cuja probabilidade est includa na soma. Entretanto, isso no significa
que, em um determinado minuto, mais do que quatorze clientes cheguem ao caixa. Significa
simplesmente que a probabilidade de quinze ou mais clientes prxima de zero. Isso ocorre
devido ao arredondamento, que estamos considerando, para quatro casas decimais. Logo,
P (X 13) = P (pelos menos 13 clientes) = P (X = 13) + P (X = 14)
(4)13 e4 (4)14 e4
=
+
13!
14!
13
2.3
A distribuio exponencial uma distribuio contnua que pode ser aplicada em situaes
problemas nas empresas, como exemplo, na rea de servios prestados, ela tambm tem
utilidade em problemas que envolvem fila de espera.
Quando os servios prestados por uma empresa para clientes externos ou internos so
de durao varivel, a distribuio exponencial indicada para analisar esses experimentos;
por exemplo, a durao do atendimento do caixa de um banco ou de postos de sade, o
tempo de operao sem interrupo de um equipamento, tempo de chegadas a um lavajato, tempo de vida de aparelhos, tempo de espera em restaurantes, etc.
Uma varivel aleatria contnua X, que assume todos os valores no negativos, ter uma
distribuio exponencial com parmetro > 0, se a funo densidade de probabilidade
(f dp) for dada por
f (x) =
ex , x 0
0, x < 0
A
= lim ex |A
+ e0 = 0 + 1 = 1
0 = lim e
A
Como
ew dw
P (X x) =
x
A
= lim ew |x = lim eA + ex
A
14
= 0 + ex = ex
Portanto
P (X x) = ex .
Para calcularmos as probabilidades com a funo exponencial, podemos utilizar as
seguintes frmulas:
A probabilidade acumulada de zero at b: P (x b) = 1 eb ;
A probabilidade acumulada complementar: P (x b) = eb , ou como complemento
da anterior P (x b) = 1 P (x b) = eb ;
A probabilidade de que a varivel aleatria tome valores entre dois valores quaisquer:
P (a x b) = P (x b) P (x a)
A distribuio Exponencial apresenta uma propriedade interessante que denominada de
falta de memria, ou seja:
P (X s + t/X s) = P (X s + t
X s) /P (X s) = P (X s + t) /P (X s) =
= e(s+t) /es = et
Portanto,
P (X s + t/X s) = P (X t)
Example 5. Suponha que o tempo mdio entre o pedido e o atendimento num grande
restaurante seja de 10 minutos. Suponha ainda que esse tempo tenha distribuio exponencial. Determine a probabilidade de espera:
a) Superior a 10 minutos;
b) No superior a 10 minutos;
c) No superior a 3 minutos;
d) entre 3 e 10 minutos.
Soluo: Temos que o tempo mdio entre o pedido e o atendimento 1 = 10 minutos,
e queremos calcular:
(a) A probabilidade de que a espera no restaurante seja mais que 10 minutos, ou seja,
P (x b) = P (x 10) = e
10
10
10
10
Todas as pessoas j passaram pelo aborrecimento de ter que esperar em filas. Ns esperamos em fila quando estamos no supermercado aguardando para pagar nossas compras,
nos bancos e em muitas outras situaes. Para entender melhor esse fenmeno, um estudo
sobre teoria das filas se faz necessrio. De acordo com (MOREIRA 2010), teoria das filas
um corpo de conhecimentos matemticos, aplicado ao fenmeno das filas.
Os sistemas de filas se descrevem, de forma geral, por um processo de chegada de
clientes (ou produtos) a um sistema de atendimento (beneficiamento, produo) para
receber um ou mais servios, executados por certa quantidade de servidores. Nesse sentido,
as formaes de filas ocorrem porque a procura pelo servio maior do que a capacidade
do sistema de atender a esta procura.
Como forma de aferir o comportamento do sistema de filas, associa-se medidas de
desempenho como tempo mdio de espera dos clientes na fila, tempo mdio de chegada
de clientes, probabilidade de encontrar o sistema lotado, entre outras. Dessa forma, a
teoria das filas tenta atravs de anlises matemticas detalhadas, encontrarem um ponto
de equilbrio que satisfaa o cliente (ou linha de produo) e seja vivel economicamente
para o provedor do servio. Conhecer a terminologia empregada nos estudos de sistemas
de filas o primeiro passo no estudo dessa rea da Pesquisa Operacional.
3.1
Cliente: Elemento que chega e requer atendimento. Os clientes podem ser pessoas,
mquinas, peas, torcedor que vai comprar ingressos, cartas que chegam e devem ser
entregues, carros estacionados, etc.
16
Alguns sinnimos so usados para o termo cliente, tais como consumidor e usurio.
Canal de atendimento: Processo ou pessoa que realiza o atendimento do cliente.
comum usar o termo atendente para referir ao canal de atendimento. Como exemplo pode
citar a impressora que executa as requisies de impresses numa rede de computadores,
o vendedor de ingressos, o carteiro, o estacionamento, etc.
O comportamento estatstico dos consumidores para acessarem o sistema de filas pode
ser descrito por uma distribuio de probabilidades emprica que pode ser representada
por um modelo analtico conhecido de probabilidade. O modelo de Poisson comumente
usado para descrever a forma como os consumidores so gerados pela fonte e, para definir
completamente essa distribuio, necessrio ter apenas a taxa mdia de chegadas.
O tempo transcorrido desde o comeo do atendimento at a sua concluso para um
consumidor que est recebendo o servio o tempo de servio. Para descrever o atendimento, devemos especificar uma distribuio de probabilidade para os tempos de servio.
A distribuio mais comumente especificada para tempos de servio a distribuio exponencial.
3.1.2
17
Um sistema de fila pode ser genericamente, catalogado em cinco estruturas bsicas conforme o seu esquema de prestao de servio.
De acordo com Chase, Jacobs e Aquilano (2004), nas estruturas das filas, como mostra
a figura 3.1, o fluxo dos itens a serem servidos pode seguir uma fila nica, filas mltiplas ou
uma mistura das duas. A escolha do formato depende parcialmente do volume de clientes
atendidos e parcialmente das restries impostas pela sequncia que define a ordem pela
qual o servio deve ser realizado.
Canal nico, fase nica: Este o tipo mais simples de estrutura da fila de espera,
e h frmulas diretas disponveis para solucionar o problema do comportamento-padro
da distribuio de chegadas e dos servios. Quando as distribuies no so padronizadas,
o problema facilmente resolvido atravs do uso da simulao computacional. Um exemplo tpico de uma situao de canal nico, fase nica, um salo de beleza com uma nica
pessoa.
Canal nico, fases mltiplas: O sistema de lavagem de carros uma ilustrao porque
uma srie de servios (aspirar, molhar, lavar, enxaguar, secar, limpar os vidros e estacionar) realizada em uma sequncia bastante uniforme. Um fator crtico no caso do
canal nico com sries de servios a quantidade de itens permitidos frente de cada
servio, o que, por sua vez, constitui filas de espera separadas.
Canais mltiplos, fase nica: Os caixas em um banco e os guichs nas lojas de departamentos exemplificam esse tipo de estrutura. A dificuldade com esse formato consiste no
fato de que os diferentes tempos de servio dedicados a cada cliente resultam em velocidade e fluxo desigual entre as filas. Este procedimento faz com que alguns clientes sejam
atendidos antes de outros que chegaram mais cedo, assim como um certo grau de troca
entre as filas por parte dos clientes. Modificar esta estrutura para garantir o atendimento
18
das chegadas em ordem cronolgica poderia levar a uma situao de fila nica, na qual,
medida que um servidor torna-se disponvel, o prximo cliente na fila atendido.
O principal problema deste tipo de estrutura que esta requer um controle rgido da
fila para manter a ordem e direcionar os clientes para os servidores disponveis. Em certas
instancias a atribuio de nmeros aos clientes, por ordem de chegada, ajuda a aliviar este
problema.
Canais mltiplos, fases mltiplas: Este caso similar ao anterior, exceto que dois
ou mais servios so realizados em sequncia. A admisso de pacientes em um hospital
segue este padro, porque uma sequncia especfica de etapas , geralmente, completada:
contato inicial no balco de admisses, preenchimento de formulrios, confeco das pulseiras de identificao, obteno de um quarto, acompanhamento do paciente at o quarto,
e assim por diante. Uma vez que vrios servidores esto geralmente disponveis para este
procedimento, poder ser atendido mais de um paciente por vez.
Misto: Nesse tpico geral, consideram-se duas subcategorias: (1) estruturas mltiplas
para canais nicos e (2) estruturas de caminhos alternativos. Em (1), encontram-se tanto
as filas que se unem em uma nica fila para o servio de fase nica, como no cruzamento
de pontes, em que duas pistas se juntam em uma, quanto as filas que se juntam em uma
para o servio de fases mltiplas, como as linhas de submontagem que se conectam em
uma linha principal. Em (2), encontram-se duas estruturas que diferem nas exigncias
de fluxo direcional. A primeira similar ao caso da estrutura de canais mltiplos, fases
mltiplas, com a diferena de que (a) pode haver mudana de um canal para o prximo
depois que o primeiro servio foi realizado e (b) o nmero de canais e fases pode variar
novamente depois da realizao do primeiro servio.
19
Fase nica
Estrutura
Canais mltiplos
Fases
Mltiplas
Fase nica
Fases Mltiplas
Misto
Caminhos alternativos:
20
4.1
Para Marins (2009), h vrias Variveis de Deciso importantes para a anlise do desempenho do sistema:
(1) Tempo que um cliente permanece na fila;
(2) Nmero de clientes na fila;
(3) Tempo que um cliente permanece no sistema;
(4) Nmero de clientes no sistema;
(5) Ociosidade dos atendentes
21
4.2
Segundo Marins (2009), com respeito aos modelos de filas aqui apresentados, eles podem
ser classificados numa subrea conhecida por Processos de Nascimento e Morte.
Definies:
(a) Um Nascimento representa a entrada de um cliente no sistema;
(b) Uma Morte representa a sada de um cliente no sistema;
(c)n = Taxa Mdia de Chegada quando h n clientes no sistema;
(d) n =Taxa Mdia de Servio quando h n clientes no sistema;
Para Costa (2004), o diagrama abaixo representa as transies de estados sendo possvel
verificar que o fluxo de entrada em um estado igual ao seu fluxo de sada.
Figure 4.2: Diagrama de Balano
Assim, i e i sero chamados de taxas de nascimento e morte, no estado i, respectivamente. A matriz geradora ser dada por
0
0
0
0 0 ...
1 (1 + 1 )
1
0 0 ...
(
+
0
.
.
.
Q=
2
2
2
2
...
...
...
... ... ...
...
...
...
... ... ...
22
P =
1
0
1
(1 +1 )
2
(21 +21 )
0
...
...
0
1
(1 +1 )
0
...
...
...
...
0
0
2
(2 +2 )
...
...
0
0
0
...
...
...
...
...
...
...
(I)
(II)
j1
(1 + 1 )
Pj
Pj1
j+1
j+1
(III)
0
P0
1
(IV)
(1 + 1 )
0
P1 P0
2
2
0
(1 + 1 ) 0
. P0 P0
2
1
2
Organizando mais um pouco temos:
P2 =
P2 =
1 0 P0 + 1 0 P0 1 0 P0
1 .2
1 .2
P2 =
1 0 P0
1 2
(V)
(2 + 2 )
1
P2 P1
3
3
(2 + 2 ) 1 0 P0 1 0
.
. P0
3
1 2
3 1
23
2 1 0 P0 + 2 1 0 P0 2 1 0 P0
1 2 3
1 2 3
2 1 0 P0
3 2 1
P3 =
..
.
Podemos perceber que h um padro se estabelecendo, ou seja,
Pn =
n1 n2 ...0 P0
, (n 1)
n n1 ...1
ou ainda,
n
Pn = P0
i=1
i1
i
sabemos que
Pn = 1,
n=0
tem-se que
P0 +
Pn = 1
n=1
ou ainda:
P0
P0 +
n=1
P0
i=1
n
1+
n=1
i=1
i1
i
= 1 P0 + P0
i1
i
= 1 P0 =
P0 =
n=1
i=1
n=1
i=1
1+
=1
1
1+
i1
i
i1
i
n=1
n
i=1
i1
i
Portanto temos que P0 a proporo do tempo em que o sistema fica vazio, ou seja, os
atendentes ficam ociosos, e sabemos que pela expresso de Pn possvel calcular os valores
de probabilidade de ter n clientes no sistema.
24
4.3
Nesse trabalho ser usado especificamente o modelo de sistema de um canal e uma fila
com populao infinita, com suas devidas equaes. As equaes do modelo se baseiam
nas caractersticas dos processos de chegada e de servio (atendimento). Ele tambm um
dos principais modelos de filas conhecidas como Markovianas, ou seja, tm as chegadas e
os atendimentos seguindo as distribuies de Poisson e Exponencial.
Taxa mdia de chegada (Poisson): n
Taxa de servio mdio (Exponencial): n
Nmero de atendentes: 1
Disciplina de atendimento: FIFO.
Obs.: Como no h limitaes (na fila ou na fonte) as taxas de chegada e servio
independem do estado do sistema, isto , n = e n = , n = 1, 2, 3, ...
Usando as expresses, deduzidas anteriormente, para P0 e Pn , tem-se: se, < 1.
1
P0 =
1+
i=1
n=1
Pn = P0
i=1
Aqui (rh) =
n=0
i1
i
=1
= P0
n (1 ) = (1 )
n.Pn =
L=
n=0
n=0
n=0
(1 ) .
= (1 )
n=0
n1
n=0
dn
=
d
d (1 )1
= (1 )
=
=
d
1
(n 1) Pn =
Lq =
n=0
n.Pn
n=0
n.Pn
Pn =
n=0
n=0
Pn = L (1 P0 ) =
n=0
2
2
( )
25
Lq = L
= .Wq
L = Lq +
= .W
Wq = W
1
Lq
=
W = Wq +
L
1
=
APLICAES
Nesse tpico, vamos realizar um estudo descritivo de sistemas com uma nica estao de
atendimento ou de processamento e calcular elementos tais como: probabilidades de o
sistema estar vazio, com um cliente, com dois, etc; nmero mdio de clientes na fila e no
sistema; nmero mdio de clientes sendo atendidos; tempo mdio de espera na fila; tempo
mdio gasto no sistema; entre outros.
5.1
APLICAO 1
Clientes chegam a uma barbearia, de um nico barbeiro, com uma durao mdia entre
chegadas de 20 minutos. O barbeiro gasta em mdia 15 minutos com cada cliente.
a) Qual a probabilidade de um cliente no ter que esperar para ser atendido?
b) Qual o nmero esperado de clientes no salo do barbeiro? Na fila?
c) Quanto tempo, em mdia, um cliente permanece no salo?
d) Quanto tempo, em mdia, um cliente espera na fila?
e) O barbeiro est estudando a possibilidade de colocar outro barbeiro desde que o
tempo de permanncia mdio de cada cliente no salo passe a 1, 25 hora. Para quanto
deve aumentar a taxa de chegada de modo que este segundo barbeiro fique justificado?
Soluo:
Em uma hora: Durao mdia entre chegadas 20 minutos. Chegam 3 clientes por
hora. O tempo de servio do barbeiro 15 minutos com cada cliente, logo ele atende em
mdia 4 clientes por hora. Ento:
Taxa de chegada: = 3 clientes/h.
Taxa de servio: = 4 clientes/h.
(a) Para calcularmos a probabilidade de um cliente no ter que esperar para ser servido
necessrio que o sistema esteja ocioso, assim
P0 = 1
3
43
1
=1 =
= = 0, 25 ou 25%
4
4
4
26
3
=
= 3 clientes.
43
2
32
9
=
= = 2, 25 clientes
( )
4 (4 3)
4
1
1
=
= 1 hora
( )
43
3
3
=
= = 0, 75 hora
( )
4 (4 3)
4
W =
1
1
4
1
, temos 1, 25 =
1, 25 =
51, 25 = 1 =
= 3, 2
( )
( )
(4 )
1, 25
Portanto, para que o barbeiro coloque outro barbeiro no salo a taxa de chegada deve
aumentar em 3, 2 clientes/h.
5.2
APLICAO 2
Fregueses chegam aleatoriamente a uma padaria taxa mdia de 12/hora. O nico empregado da padaria pode servir fregueses taxa mdia de 20/hora. O empregado recebe
R$3/hora enquanto que o tempo que os fregueses perdem na padaria est estimado em
R$8/hora. O dono da padaria est considerando a instalao de um equipamento de autoservio que far com que a taxa de atendimento aos fregueses passe para 42 fregueses/hora.
O custo do equipamento de auto-servio de R$30/dia. Considerando que a padaria funciona 12 horas/dia, justifique economicamente se o equipamento de auto-servio deve ou
no ser comprado.
Soluo:
Taxa de chegada: = 12 fregueses/h.
No problema temos que considerar duas situaes: situao atual e situao proposta.
Na situao atual, temos:
Taxa de servio: = 20 fregueses/h.
27
1
1
1
=
= = 0, 125 hora
( )
20 12
8
1
1
1
=
=
= 0, 0333 hora
( )
42 12
30
5.3
APLICAO 3
10
15 10
5
1
=1
=
=
= = 0, 3333 ou 33, 33%
15
15
15
3
102
100
100
4
2
=
=
=
= = 1, 33 carros
( )
15 (15 10)
15.5
75
3
1
1
1
=
= = 0, 2 hora ou 12 minutos.
( )
15 10
5
(d) Se a ocupao mdia do posto fosse de 100%, ento, o nmero mdio de carros
atendidos por hora seria de 15 carros. Sendo a ocupao mdia, igual a 1P0 , ou seja,
igual a 23 , ento o nmero de carros atendidos por hora seria de:
30
2
= 10 carros por hora.
15. =
3
3
5.4
APLICAO 4
6
86
2
1
=1 =
= = = 0, 25 ou 25%
8
8
8
4
29
2
62
36
36
9
=
=
=
= = 2, 25 navios
( )
8 (8 6)
8.2
16
4
6
=
= 3 navios
86
6
6
6
3
=
=
=
= = 0, 375 dia ou 9 horas.
( )
8 (8 6)
8.2
16
8
3
(f) Considerando agora o tempo mdio na fila de 3 horas, temos Wq = 24
h=
0, 125 dia, mantendo-se a mesma taxa de atendimento = 8 dias, devemos calcular a
nova taxa de chegada () de um navio. Assim,
Wq =
8
0, 125 =
= 1 (8 ) + = 8 = = 4 navios/dia
( )
8 (8 )
2
5.5
APLICAO 5
30
L=
4
=
= 4 caminhoes.
54
Por hora o funcionrio abastece 4 caminhes, ento podemos calcular o custo do sistema
por:
Custo horrio do sistema: 5, 00 + (12, 00 x 4) = 5, 00 + 48, 00 = 53, 00 unidades monetrias.
Probabilidade de no ter nenhum caminho para ser abastecido:
P0 = 1
5.6
4
54
1
=1 =
= = 0, 2 ou 20%
5
5
5
APLICAO 6
Um tcnico de laboratrio gasta 30 minutos em mdia para reparar rels. Considere que
o tempo distribui-se conforme uma distribuio exponencial negativa. Os rels chegam
recepo do laboratrio segundo a distribuio de Poisson a uma taxa mdia de 10 rels
por dia. Considere um turno de 8 horas de trabalho. Eles so reparados de acordo com a
ordem de chegada.
a) Qual a folga mdia do tcnico por dia de trabalho?
b) Em mdia, quantos rels se encontram na oficina aguardando reparao?
Soluo:
Dados do problema:
es
= 1, 25 reles/h
Taxa de chegada: = 8 horas10derel
trabalho
Taxa de atendimento (Tempo para reparao): 30 minutos, ou seja, = 2 rels/h
(a) a folga mdia do tcnico por dia de trabalho calculada por
P0 = 1
1, 25
2 1, 25
0, 75
=1
=
=
= 0, 375 ou 37, 5%
2
2
2
CONSIDERAES FINAIS
31
REFERNCIAS
33