Você está na página 1de 70

INTRODUO

PESQUISA OPERACIO NAL


8a Edio

FREDERICK S. HILLIER
Stanford University

GERALD J. LIEBERMAN
Ex-Professor Titular da Stanford University

Traduo
ARIOVALD O GRIESI
Reviso Tcnica
JO O CHAN G JU NIOR
Doutor em Administrao FEA/USP
Professor Titular do Programa de Mestrado da U NIP
Professor Titular da FAAP

Bangcoc
Bogot
Beijing
Caracas
Cidade do Mxico
Cingapura
Lisboa
Londres
Madri
Milo
Montreal
Nova Delhi
Santiago
So Paulo
Seul
Sydney Taip Toronto

17

C A P T U L O

Teoria das Filas

s filas (filas de espera) fazem parte do dia-a-dia de nossa vida. Todos ns esperamos em
uma fila para: comprar o ingresso para uma sesso de cinema, fazer um depsito bancrio, pagar as compras em um supermercado, remeter um pacote no correio, comprar um
sanduche em uma lanchonete, brincar em um parque de diverses etc. Acabamos nos acostumando a um volume considervel de espera, mas ainda assim nos irritamos se tivermos de
aguardar muito em uma fila.
Entretanto, ter de esperar no se limita apenas a esses transtornos pessoais de relativa
insignificncia. O tempo que a populao de um pas perde em filas um importante fator
tanto na qualidade de vida nesse pas quanto na eficincia da economia dessa nao. Por
exemplo, antes de sua dissoluo, a Unio Sovitica era notria por filas enormes que seus
cidados freqentemente tinham de suportar para comprar suas necessidades bsicas.
Mesmo nos Estados Unidos, estima-se que os norte-americanos gastem 37.000.000.000
horas por ano esperando em filas. Se, no entanto, esse tempo fosse gasto produtivamente,
resultaria em aproximadamente 20 milhes de pessoas-ano de trabalho til!
Mesmo esse nmero absurdo no capaz de representar todo o impacto de se causar
uma espera excessiva. Grandes ineficincias tambm ocorrem por causa de outros tipos de
espera, alm daquelas de pessoas esperando em uma fila. Por exemplo, deixar mquinas
esperando para serem reparadas pode resultar em perdas na produo. Veculos (inclusive
navios e caminhes) que precisam aguardar para ser descarregados podem atrasar embarques seguintes. Avies aguardando para decolar ou pousar podem afetar horrios de vos
posteriores. Atrasos em transmisses de telecomunicaes devido a linhas saturadas podem
provocar problemas tcnicos com os dados. Fazer que ordens de produo fiquem esperando para ser realizadas pode afetar a produo de lotes seguintes. Realizar servios aps a
data combinada pode resultar na perda de futuros negcios.
A teoria das filas o estudo da espera em todas essas formas diversas. Ela usa modelos de filas para representar os diversos tipos de sistemas de filas (sistemas que envolvem
filas do mesmo tipo) que surgem na prtica. As frmulas para cada modelo indicam como o
sistema de filas correspondente deve funcionar, inclusive o tempo de espera mdio que ocorrer, em uma srie de circunstncias.
Portanto, esses modelos de filas so muito teis para determinar como operar um sistema de filas da forma mais eficiente. Fornecer capacidade de atendimento em excesso
para operar o sistema envolve custos demasiados. Porm, no fornecer capacidade de
atendimento suficiente resulta em espera excessiva e todas suas lamentveis conseqncias. Os modelos permitem encontrar um equilbrio apropriado entre custo de servio e o
tempo de espera.
1

CAPTULO 17

TEORIA DAS FILAS

Aps uma discusso geral sobre o assunto, o presente captulo apresenta a maioria dos
modelos de filas elementares e seus resultados bsicos. A Seo 17.10 discute como as
informaes fornecidas pela teoria das filas pode ser usada para elaborar sistemas de filas
que minimizem o custo total de servio e de espera e, a seguir, o Captulo 26 (no CD-ROM)
fornece mais detalhes sobre a aplicao da teoria das filas dessa maneira.

17.1 EXEMPLO-PROTTIPO
A sala de emergncias do HOSPITAL MUNICIPAL atende a casos de emergncia, fornecendo os devidos cuidados mdicos, que chegam ao hospital em ambulncias ou em carros particulares. A qualquer hora existe um mdico de planto na sala de emergncias.
Entretanto, em virtude de uma tendncia crescente de esses casos de emergncia para
usar essas instalaes em vez de irem ao consultrio mdico particular, o hospital tem passado por um aumento contnuo no nmero de atendimentos na sala de emergncias a cada
ano. Conseqentemente, tornou-se bastante comum pacientes chegarem durante horas de
pico (no incio da noite) e terem de esperar at chegar a sua vez de ser atendido pelo mdico. Por essa razo, foi feita uma proposta de se alocar um segundo mdico para a sala de
emergncias durante esse horrio de pico, de modo que duas emergncias pudessem ser
atendidas ao mesmo tempo. O administrador do hospital foi designado para estudar essa
questo.1
O administrador comeou a coletar dados histricos relevantes e depois projetou-os
para o ano seguinte. Reconhecendo que a sala de emergncias um sistema de filas, ele aplicou diversos modelos alternativos da teoria das filas para prever as caractersticas de espera
do sistema com um e dois mdicos, como pode ser observado nas sees posteriores deste
captulo (ver Tabelas 17.2 e 17.3).

17.2 ESTRUTURA BSICA DOS MODELOS DE FILAS


Processo de Filas Bsico
O processo bsico suposto pela maioria dos modelos de filas o seguinte. Clientes que
necessitam de atendimento chegam ao longo do tempo por uma fonte de entradas. Esses
clientes entram no sistema de filas e pegam uma fila. Em certos momentos, um membro da
fila selecionado para atendimento por alguma regra conhecida como disciplina da fila. O
atendimento necessrio ento realizado para o cliente pelo mecanismo de atendimento,
aps o qual o cliente deixa o sistema de filas. Esse processo representado na Figura 17.1.
Podem ser feitas diversas hipteses alternativas sobre os vrios elementos do processo
de filas; elas sero discutidas a seguir.

FIGURA 17.1
Processo de filas bsico.

Sistema de filas

Fonte de
entradas

Clientes

Fila

Mecanismo de
atendimento

Clientes
atendidos

Para um estudo de caso real desse tipo, ver BOLLING, W. Blaker. Queueing Model of a Hospital Emergency
Room. Industrial Engineering, p. 26-31, set. 1972.

17.2 ESTRUTURA BSICA DOS M ODELOS DE FILAS

Fonte de Entradas (Populao Solicitante)


Uma caracterstica da fonte de entradas o seu tamanho. O tamanho o nmero total de
clientes que poderiam precisar de atendimento de tempos em tempos, isto , o nmero total
de possveis clientes distintos. Essa populao de onde provm as chegadas conhecida
como populao solicitante. O tamanho pode ser suposto como infinito ou finito (de modo
que a fonte de entradas tambm seja dita ilimitada ou limitada). Como os clculos so bem
mais fceis para o caso infinito, normalmente parte-se dessa hiptese mesmo quando o
tamanho real for um nmero finito relativamente grande; e ela deve ser assumida como
hiptese implcita para qualquer modelo de filas que no afirme o contrrio. O caso finito
mais difcil analiticamente, pois o nmero de clientes no sistema de filas afeta o nmero
de possveis clientes fora do sistema a qualquer momento. Entretanto, deve ser feita a hiptese finita caso a taxa na qual a fonte de entradas gere clientes novos seja significativamente
afetada pelo nmero de clientes no sistema de filas.
O padro estatstico pelos quais os clientes chegam ao longo do tempo tambm deve
ser especificado. A hiptese comum que eles chegam de acordo com um processo de
Poisson; isto , o nmero de clientes que chegam at dado momento tem uma distribuio
de Poisson. Conforme discutido na Seo 17.4, esse caso aquele na qual as chegadas ao
sistema de filas ocorrem aleatoriamente, porm, a certa taxa mdia fixa, independentemente de quantos clientes j se encontrarem l (de forma que o tamanho da fonte de entradas
seja infinito). Uma hiptese equivalente que a distribuio probabilstica do tempo entre as
chegadas consecutivas uma distribuio exponencial. As propriedades dessa distribuio
so descritas na Seo 17.4. O tempo entre as chegadas consecutivas conhecido como
tempo entre chegadas.
Quaisquer hipteses incomuns sobre o comportamento de clientes que chegam tambm
devem ser especificadas. Um exemplo a recusa, na qual o cliente se recusa a entrar no sistema e ser perdido caso a fila seja muito longa.
Fila
A fila o local onde os clientes aguardam antes de ser atendidos. Uma fila caracterizada
pelo nmero mximo de clientes permitidos que ela pode conter. As filas so chamadas
infinitas ou finitas, conforme esse nmero for infinito ou finito. A hiptese de uma fila infinita o padro para a maioria dos modelos de filas, mesmo para situaes em que ele realmente um limite superior finito (relativamente grande) sobre o nmero de clientes permitido, pois lidar com um limite superior destes seria um fator complicador na anlise.
Entretanto, para sistemas de filas em que esse limite superior for suficientemente pequeno,
de modo que ele seria efetivamente atingido com alguma freqncia, torna-se necessrio
supor uma fila finita.
Disciplina da Fila
A disciplina da fila se refere ordem na qual membros da fila so selecionados para atendimento. Ela poderia ser, por exemplo, os primeiros que chegam sero os primeiros a ser atendidos, aleatria, de acordo com algum procedimento de prioridade ou algum outro tipo de
ordem. Normalmente, para modelos de filas adota-se o critrio dos primeiros que chegam
sero os primeiros a ser atendidos, a menos que seja combinado de outra forma.
Mecanismo de Atendimento
O mecanismo de atendimento formado por uma ou mais instalaes de atendimento, cada
uma das quais contendo um ou mais canais de atendimento paralelos, chamados atendentes. Se existir mais de uma instalao de atendimento, o cliente poder ser atendido por
uma seqncia destes (canais de atendimento em srie). Em dada instalao, o cliente entra
em um desses canais de atendimento paralelos e completamente atendido por esse atendente. Um modelo de filas deve especificar a disposio das instalaes e o nmero de
atendentes (canais paralelos) em cada uma delas. A maioria dos modelos elementares parte

CAPTULO 17

TEORIA DAS FILAS

do pressuposto de uma instalao de atendimento com um atendente ou com um nmero


finito de atendentes.
O tempo decorrido entre o incio do atendimento at o seu trmino para um cliente
em uma instalao de atendimento denominado tempo de atendimento (ou tempo de
permanncia). Um modelo de determinado sistema de filas deve especificar a distribuio
probabilstica de tempos de atendimento para cada atendente (e, possivelmente, para tipos
diferentes de clientes), embora seja comum supor a mesma distribuio para todos os atendentes (todos os modelos neste captulo partem desse pressuposto). A distribuio de
tempo de atendimento que suposta com maior freqncia na prtica (em grande parte
porque ela bem mais fcil de ser tratada) a distribuio exponencial discutida na Seo
17.4 e a maioria de nossos modelos desse tipo. Outras distribuies de tempo de atendimento importantes so a distribuio degenerada (tempo de atendimento constante) e a
distribuio de Erlang (gama), conforme ilustrado pelos modelos na Seo 17.7.
Processo de Filas Elementar
Conforme j sugerido, a teoria das filas foi aplicada a vrios tipos diferentes de situaes
com filas de espera. Entretanto, o tipo mais freqente de situao o seguinte: uma fila de
espera nica (que, s vezes, pode estar vazia) se forma na frente de uma nica instalao de
atendimento, dentro da qual se encontram um ou mais atendentes. Cada cliente que chega
pela fonte de entradas atendido por um dos atendentes, talvez aps algum tempo aguardando na fila (fila de espera). O sistema de filas envolvido representado na Figura 17.2.
Note que o processo de filas no exemplo ilustrativo da Seo 17.1 desse tipo. A
fonte de entradas gera clientes na forma de casos de emergncia necessitando de cuidados mdicos. Uma sala de emergncias a instalao de atendimento e os mdicos so
os atendentes.
Um atendente no precisa ser um nico indivduo, ele pode ser um grupo de pessoas,
por exemplo, uma equipe de manuteno que combina foras para realizar simultaneamente o servio exigido para um cliente. Alm disso, os atendentes no precisam nem mesmo
ser pessoas. Em muitos casos, um atendente pode ser, em vez disso, uma mquina, um veculo, um dispositivo eletrnico etc. Da mesma maneira, os clientes na fila de espera no precisam, necessariamente, ser pessoas. Eles poderiam, por exemplo, ser peas aguardando por
certa operao a ser executada por determinado tipo de mquina ou ento carros aguardando em frente de uma cabine de pedgio.
No necessrio que haja, na verdade, uma fila de espera fsica formada em frente
de uma estrutura fsica que componha a instalao de atendimento. Os membros da fila
poderiam estar espalhados por certa rea, esperando que um atendente chegue at eles,
por exemplo, mquinas aguardando para serem consertadas. O atendente ou grupo de
atendentes alocados para determinada rea forma a instalao de atendimento para aquela rea. A teoria das filas ainda fornece o nmero mdio de esperas, o tempo de espera
mdio e assim por diante, pois irrelevante se os clientes esperam juntos em um grupo.
A nica exigncia essencial para a teoria das filas ser aplicvel que mudanas no nmero de clientes aguardando por dado servio ocorrem da mesma forma que a situao fsica descrita na Figura 17.2 (ou um equivalente legtimo) predomina.
Exceto pela Seo 17.9, todos os modelos de filas discutidos neste captulo so do tipo
elementar representado na Figura 17.2. Muitos desses modelos supem, alm disso, que todos os tempos entre chegadas sejam independentes e distribudos de forma idntica e que
todos os tempos de atendimento sejam independentes e distribudos de forma idntica. Tais
modelos so identificados convencionalmente como se segue:
Distribuio de tempos de atendimento
//

Nmero de atendentes

Distribuio de tempos entre atendimentos,

17.2 ESTRUTURA BSICA DOS M ODELOS DE FILAS

Clientes atendidos
Sistema de filas

Clientes

FIGURA 17.2
Um sistema de filas elementar
(cada cliente indicado por
um C e cada atendente por
um S).

Fila
C C C C C C C

C
C
C
C

S
S
S
S

Instalao de
atendimento

Clientes atendidos

em que M! distribuio exponencial (markoviana), conforme descrito na Seo 17.4,


D ! distribuio degenerada (tempos constantes), conforme discutido na
Seo 17.7,
Ek ! distribuio de Erlang (parmetro de forma ! k), conforme descrito na
Seo 17.7,
G ! distribuio geral (qualquer distribuio arbitraria permitida),2 conforme
discutido na Seo 17.7.
Por exemplo, o modelo M/M/s discutido na Seo 17.6 parte do pressuposto de que tanto os
tempos entre atendimentos quanto os tempos de atendimento possuem uma distribuio
exponencial e que o nmero de atendentes s (qualquer inteiro positivo). O modelo M/G/1
discutido novamente na Seo 17.7 parte do pressuposto de que os tempos entre atendimentos possuem uma distribuio exponencial, porm ele no coloca nenhuma restrio sobre
qual deve ser a distribuio de tempos de atendimento, ao passo que o nmero de atendentes restringe-se exatamente a 1. Na Seo 17.7, tambm so introduzidos vrios outros
modelos que caem nesse esquema de identificao.
Terminologia e Notao
A menos que declarado de outra forma, ser adotado o seguinte padro em termos de terminologia e notao:
Estado do sistema ! nmero de clientes no sistema de filas.
Comprimento da fila ! nmero de clientes aguardando que o atendimento se inicie
! estado do sistema menos nmero de clientes que esto sendo
atendidos.
N(t) ! nmero de clientes no sistema de filas no instante t (t " 0).
Pn(t) ! probabilidade de exatamente n clientes se encontrarem no sistema de filas no instante t, dado o nmero no instante 0.
s ! nmero de atendentes (canais de atendimento paralelos) no sistema de filas.

Quando nos referimos a tempos entre atendimentos, conveno substituir o smbolo G por GI ! distribuio independente geral.

CAPTULO 17

TEORIA DAS FILAS

!n ! taxa mdia de chegada (nmero de chegadas esperado por unidade de tempo) de novos clientes quando n clientes se encontram no sistema.
"n ! taxa mdia de atendimento para o sistema global (nmero de
clientes esperado completando o atendimento por unidade de
tempo) quando n clientes se encontram no sistema. Nota: "n
representa a taxa combinada na qual todos os atendentes ocupados (aqueles que se encontram atendendo clientes) completam o
atendimento.
!, ", # ! ver o pargrafo a seguir.
Quando !n for uma constante para todo n, essa constante representada por !. Quando
a taxa mdia de atendimento por atendente ocupado for uma constante para todo n " 1, essa
constante representada por ". Nesse caso, "n ! s" quando n " s, isto , quando todos os
s atendentes estiverem ocupados. Sob essas condies, 1/! e 1/" so, respectivamente, o
tempo esperado entre atendimentos e o tempo de atendimento esperado. Da mesma forma,
# ! !/(s") o fator de utilizao para a instalao de atendimento, isto , a frao de
tempo esperada em que atendentes individuais se encontram ocupados, pois !/(s") representa a frao da capacidade de atendimento (s") do sistema que est sendo utilizada em
mdia pelos clientes que chegam (!).
Tambm necessria certa notao para descrever resultados de estado estvel. Quando
um sistema de filas comear a operar recentemente, o estado do sistema (nmero de clientes
no sistema) ser afetado enormemente pelo estado inicial e pelo tempo que passou. Diz-se que
o sistema se encontra em uma condio transitria. Entretanto, aps ter decorrido um tempo
suficiente, o estado do sistema se torna basicamente independente do estado inicial e o tempo
decorrido (exceto sob circunstncias incomuns).3 O sistema basicamente atingiu agora uma
condio de estado estvel, na qual a distribuio probabilstica do estado do sistema permanece a mesma (a distribuio de estado estvel ou estacionria) ao longo do tempo. A teoria
das filas teve uma tendncia de se concentrar em grande parte na condio de estado estvel,
em parte porque o caso transitria mais difcil analiticamente. Existem alguns resultados
transitria, mas eles geralmente vo alm do escopo tcnico deste livro. A notao indicada a
seguir supe que o sistema se encontre em uma condio de estado estvel:
Pn ! probabilidade de exatamente n clientes se encontrarem no sistema de filas.
!

L ! nmero de clientes esperado no sistema de filas ! ! nPn.


n!0

Lq ! comprimento esperado da fila (exclui clientes que esto sendo atendidos)


!

! ! (n # s)Pn.
n!s

! ! tempo de espera no sistema (inclui o tempo de atendimento) para cada cliente


individual.
W ! E(!).
!q ! tempo de espera na fila (exclui o tempo de atendimento) para cada cliente individual.
Wq ! E(!q).
Relaes entre L, W, Lq e Wq
Suponha que !n seja uma constante ! para todo n. Foi provado que em um processo de filas
de estado estvel,
3

Quando ! e " so definidos, essas circunstncias incomuns so que # " 1, em cujo caso o estado do sistema tende a ficar cada vez maior medida que o tempo passa.

17.3 EXEMPLOS DE SISTEMAS DE FILAS REAIS

L ! !W.
Pelo fato de John D. C. Little4 ter obtido a primeira prova rigorosa, essa equao algumas
vezes chamada frmula de Little. Alm disso, a mesma prova tambm demonstra que
Lq ! !Wq.
Se !n no forem iguais, ento ! pode ser substitudo nessas equaes por "
! a taxa mdia
de chegada a longo prazo. Iremos mostrar posteriormente como "
! pode ser determinado para
alguns casos bsicos.
Suponha agora que o tempo mdio de atendimento seja constante, 1/" para todo n " 1.
Segue ento que
1
W ! Wq $ %%.
"
Essas relaes so extremamente importantes, pois elas permitem que possam ser
determinadas imediatamente todas as quatro quantidades fundamentais L, W, Lq e Wq
assim que uma delas for encontrada analiticamente. Essa situao oportuna, por que algumas dessas quantidades normalmente so muito mais fceis de ser encontradas que outras
quando um modelo de filas solucionado a partir de princpios bsicos.

17.3 EXEMPLOS DE SISTEMAS DE FILAS REAIS


Nossa descrio de sistemas de filas na Seo 17.2 pode parecer relativamente abstrata e
aplicvel somente a situaes prticas muito especiais. Pelo contrrio, os sistemas de filas
so surpreendentemente freqentes em ampla gama de contextos. Para ampliar nossos horizontes sobre a aplicabilidade da teoria das filas, iremos mencionar brevemente vrios
exemplos de sistemas de filas reais que caem em diversas categorias amplas. A seguir descreveremos sistemas de filas em diversas empresas proeminentes (alm de uma prefeitura)
e estudos de caso renomados que foram conduzidos para desenvolver esses sistemas.
Algumas Classes de Sistemas de Filas
Uma importante classe de sistemas de filas que todos ns encontramos em nossas vidas dirias so os sistemas de atendimento comercial, em que clientes externos recebem atendimento de organizaes comerciais. Muitas delas envolvem atendimento pessoa a pessoa em
um local permanente, como em uma barbearia (os barbeiros so os atendentes), caixas em
um banco, caixas em uma loja e uma fila de lanchonete (canais de servio em srie).
Entretanto, muitas outras no se enquadram nessas condies, como conserto de certos eletrodomsticos (em que o atendente vai at o cliente), uma mquina automtica de vendas (o
atendente uma mquina) e um posto de gasolina (os carros so os clientes).
Outra classe importante a dos sistemas de atendimento de transporte. Para alguns
desses sistemas, os veculos so os clientes, por exemplo, carros aguardando em um posto
de pedgio ou em um semforo (o atendente), um caminho ou navio esperando ser carregado ou descarregado por uma equipe (os atendentes) e avies aguardando para pousar ou
decolar de uma pista (o atendente). Um exemplo incomum desse tipo o de um estacionamento, onde os carros so os clientes e as vagas, os atendentes, porm no h nenhuma fila,
pois os clientes que chegam vo para outro lugar para estacionar caso a vaga esteja ocupada. Em outros casos, os veculos, como txis, caminhes de bombeiros e elevadores so os
atendentes.

LITTLE, J. D. C. A Proof for the Queueing Formula: L ! !W. Operations Research, v. 9, n. 3, p. 383-387,
1961; ver tambm STIDHAM, JR., S. A Last Word on L ! !W. Operations Research, v. 22, n. 2, p. 417421, 1974.

CAPTULO 17

TEORIA DAS FILAS

Nos ltimos anos, a teoria das filas provavelmente foi aplicada mais a sistemas de
atendimento interno, em que os clientes recebendo atendimento so internos organizao. Entre os exemplos podemos citar sistemas de manipulao de materiais, nos quais as
unidades de manipulao de materiais (os atendentes) deslocam cargas (os clientes); sistemas de manuteno, em que as equipes de manuteno (os atendentes) consertam mquinas
(os clientes) e estaes de inspeo, onde inspetores de controle de qualidade (os atendentes) inspecionam itens (os clientes). Instalaes de funcionrios e departamentos atendendo
outros funcionrios tambm caem nessa categoria. Alm disso, mquinas podem ser vistas
como atendentes cujos clientes so as tarefas que esto sendo processadas. Um exemplo
relacionado seria o de um laboratrio de computadores, onde cada computador visto como
o atendente.
H um reconhecimento crescente hoje em dia de que a teoria das filas tambm pode ser
aplicada a sistemas de servios sociais. Por exemplo, um sistema judicial uma rede de
filas, em que os tribunais so instalaes de atendimento, os juzes (ou painis de juzes) so
os atendentes e os processos aguardando julgamento, os clientes. Um sistema legislativo
uma rede de filas similar, na qual os clientes so os projetos de lei aguardando aprovao.
Diversos sistemas de assistncia mdica tambm so sistemas de filas. J vimos um exemplo na Seo 17.1 (uma sala de emergncias de um hospital), mas poderamos tambm interpretar ambulncias, aparelhos de raios X e camas de um hospital como atendentes em seus
prprios sistemas de filas. Similarmente, famlias esperando por sistemas habitacionais de
custo baixo ou moderado ou outros servios sociais podem ser vistos como clientes em um
sistema de filas.
Embora estas sejam quatro classes abrangentes de sistemas de filas, elas no esgotam
a lista. De fato, a teoria das filas comeou no incio deste sculo com aplicaes para a telefonia (o fundador da teoria das filas, A. K. Erlang, foi funcionrio da Cia. Telefnica
Dinarmaquesa em Copenhagen) e a telefonia ainda uma aplicao importante. Alm disso,
todos ns temos nossas filas pessoais tarefas domsticas, livros a serem lidos e assim por
diante. Entretanto, esses exemplos so suficientes para sugerir que sistemas de filas de fato
invadem muitas reas da sociedade.
Alguns Estudos Renomados para Desenvolver Sistemas de Filas
O prestigioso Franz Edelman Awards for Management Science Achievement uma premiao concedida anualmente pelo Institute of Operations Research and Management Sciences
(Informs) para as melhores aplicaes de PO do ano. Um nmero bastante substancial
dessas premiaes foi concebido a aplicaes inovadoras da teoria das filas no desenvolvimento de sistemas de filas. Descrevemos brevemente algumas dessas aplicaes a seguir.
Um dos primeiros ganhadores (descrito na edio de novembro de 1975, Parte 2, da
Interfaces) foi a Xerox Corporation. A empresa introduziu recentemente um importante sistema de cpia que estava demonstrando ser de extrema valia para seus usurios.
Conseqentemente, esses clientes estavam exigindo que os tcnicos de campo da Xerox
reduzissem o tempo de espera para reparar essas mquinas. Uma equipe de PO aplicou ento
a teoria das filas para estudar como melhor atender as novas exigncias de atendimento. Isso
resultou na substituio das zonas de atendimento anteriores com um tcnico de campo por
zonas com trs tcnicos. Essa mudana teve um impacto drstico tanto na reduo substancial dos tempos mdios de espera dos clientes quanto no aumento da utilizao dos tcnicos
de campo em 50%.
Na Seo 3.5, descrevemos uma renomada aplicao da United Airlines (edio de
janeiro de 1986 da Interfaces) que resultou em uma economia anual de mais de US$ 6 milhes.
Essa aplicao envolvia programar as escalas de 4.000 agentes de reservas e pessoal de
suporte da United em seus 11 escritrios de reservas e 1.000 agentes de atendimento a clientes em seus dez maiores aeroportos. Aps determinar quantos empregados seriam necessrios em cada local durante cada meia hora da semana, discutimos como a programao
linear foi aplicada para desenvolver as escalas para todos os empregados visando atender
essas exigncias de atendimento de forma mais eficiente. Entretanto, jamais mencionamos

17.3 EXEMPLOS DE SISTEMAS DE FILAS REAIS

como foram estabelecidas essas exigncias de atendimento sobre o nmero de empregados


necessrios cada meia hora.
Agora, estamos em condies de destacar que essas exigncias de atendimento foram
determinadas aplicando-se a teoria das filas. Cada local especfico (por exemplo, os balces
de check-in em um aeroporto) forma um sistema de filas com os empregados sendo os atendentes. Aps prever a taxa mdia de chegada durante cada meia hora da semana, foram usados modelos de filas para encontrar o nmero mnimo de atendentes que forneceriam medidas
de desempenho satisfatrias para o sistema de filas.
A L.L. Bean, Inc., a maior empresa de telemarketing e vendas por correio, baseou-se
principalmente na teoria das filas para seu renomado estudo de como alocar seus recursos
de telecomunicaes. As informaes do artigo, descrevendo esse estudo, se encontram na
edio de janeiro de 1991 da Interfaces e outros artigos dando informaes adicionais se
encontram nas edies de novembro de 1989 e de maro-abril de 1993 desse jornal. As chamadas telefnicas provenientes de seu call center para fazer pedidos so os clientes em um
grande sistema de filas, com os agentes de telemarketing como atendentes. As questeschave durante o estudo foram as seguintes.
1. Quantas linhas-tronco deveriam ser disponibilizadas para telefonemas que chegam no
call center?
2. Quantos agentes de telemarketing deveriam ser alocados em vrios horrios?
3. Quantas linhas de espera deveriam ser fornecidas para clientes aguardando um agente de
telemarketing? Note que o nmero limitado de linhas de espera faz que o sistema tenha
uma fila finita.
Para cada interessante combinao dessas trs quantidades, modelos de filas fornecem
as medidas de desempenho do sistema de filas. Dadas essas medidas, a equipe de PO avaliou cuidadosamente o custo de vendas perdidas em razo de alguns clientes encontrarem
linha ocupada ou serem colocados em uma linha de espera por muito tempo. Acrescentandose o custo de recursos de telemarketing, a equipe foi capaz de encontrar a combinao de
trs quantidades que minimiza o custo total esperado. Isso resultou em uma economia de
custos de cerca de US$ 9 a US$ 10 milhes por ano.
A cidade de Nova York tem uma longa e permanente tradio de usar tcnicas de PO
em planejar e operar muitos de seus complexos sistemas de atendimento urbanos. Iniciando
no final dos anos de 1960, estudos renomados, envolvendo a teoria das filas, foram conduzidos pelo seu Corpo de Bombeiros e seu Departamento de Polcia. Emergncias policiais e
de incndio so os clientes nesses respectivos sistemas de filas. Subseqentemente, importantes estudos de PO (incluindo diversos casos mais complexos envolvendo a teoria das
filas) foram conduzidos por seu Departamento Sanitrio, Departamento de Transportes,
Departamento de Sade Pblica, Departamento de Proteo Ambiental, Gabinete de
Administrao e Oramento e Departamento de Suspenso Condicional de Penas Judiciais.
Em razo do sucesso desses estudos, muitos deles agora tm suas prprias equipes internas
de PO.
O renomado estudo da cidade de Nova York que iremos descrever aqui envolve seu
sistema de deteno acusao. Esse sistema formado pelo processo iniciando na priso
de indivduos at eles serem acusados (o primeiro comparecimento no tribunal perante um
juiz de acusao, que determina se houve ou no uma causa provvel para a priso). Antes
desse estudo, os detidos na cidade (os clientes em um sistema de filas) ficavam em custdia aguardando julgamento por uma mdia de 40 horas (eventualmente mais de 70 horas).
Esses tempos de esperas foram considerados excessivos, porque os detidos eram mantidos
em ambientes ruidosos e abarrotados de gente que eram emocionalmente estressantes, insalubres e muitas vezes fisicamente perigosos. Portanto, foi realizado um estudo de PO de
dois anos para revisar o sistema. Foram empregadas tanto a teoria das filas quanto a simulao (tema do Captulo 20). Isso levou a mudanas operacionais e de polticas de grande
extenso que reduziram simultaneamente o tempo mdio de espera at a acusao a 24
horas ou menos e geraram uma economia anual de US$ 9,5 milhes. Ver a edio de janeiro de 1993 da Interfaces para mais detalhes.

10

CAPTULO 17

TEORIA DAS FILAS

O primeiro prmio na edio de 1993 foi ganho pela AT&T por um estudo que (como
o precedente) tambm combinasse o emprego da teoria das filas e simulao (edio janeiro-fevereiro de 1994 da Interfaces). Os modelos de filas referem-se tanto rede de telecomunicaes da AT&T quanto para o call center para clientes comerciais tpicos da AT&T.
O propsito do estudo foi o de desenvolver um sistema amigvel baseado em PC que os
clientes comerciais da AT&T podem usar para orient-los no desenho ou redesenho de seus
call centers. J que os call centers formam um dos mercados de maior crescimento nos
Estados Unidos, esse sistema foi usado cerca de 2.000 vezes pelos clientes comerciais da
AT&T desde 1992. Isso resultou em uma economia superior a US$ 750 milhes em lucros
anuais para esses clientes.
A KeyCorp uma das maiores empresas controladoras bancrias nos Estados Unidos,
com mais de 1.300 agncias e mais de 6.000 caixas. O renomado estudo de PO dessa empresa (edio de janeiro de 1996 da Interfaces) concentrou-se no emprego da teoria das filas
para aumentar o desempenho do sistema de filas de cada agncia onde os caixas atendem os
clientes. Isso resultou no desenvolvimento de um sistema de gerenciamento de excelncia
em servios (SEMS) para toda a empresa. Uma parte fundamental do SEMS um sistema
de captura de desempenho que coleta dados de forma contnua para cada componente discreto de cada transao no caixa em um processo completamente automatizado. Esse sistema permite ao SEMS medir atividades das agncias e gerar relatrios sobre os tempos de
espera dos clientes, nveis de produtividade e de competncia dos caixas. Esses relatrios
ajudam os gerentes a programar a escala de caixas para se adequar melhor s chegadas dos
clientes. Eles tambm identificam oportunidades para melhorar a produtividade e o atendimento fornecido pelos caixas redesenhando o processo de atendimento e fornecendo
padres de desempenho. Esses esforos levaram a uma imensa reduo de 53% nos tempos
mdios de atendimento, uma grande melhoria nos tempos de espera por parte dos clientes e
um importante aumento no nvel de satisfao do cliente. Ao mesmo tempo, espera-se que
o SEMS reduza despesas com pessoal em US$ 98 milhes ao longo de cinco anos.
A Hewlett-Packard (HP) um fabricante multinacional de equipamentos eletrnicos
lder de mercado. Em 1993, a empresa instalou um sistema de linha de montagem mecanizado para a fabricao de impressoras jato de tinta em seu complexo fabril em Vancouver,
Washington, para atender explosiva demanda por tal tipo de impressora. Assim, tornou-se
aparente que o sistema instalado no seria suficientemente rpido ou confivel para atender
s metas de produo da empresa. Portanto, foi constituda uma equipe conjunta de cientistas da administrao da HP e do Massachusetts Institute of Technology (MIT) para estudar
como redesenhar o sistema para melhorar seu desempenho.
Conforme descrito na edio janeiro-fevereiro de 1998 da Interfaces para esse clebre
estudo ganhador de premiaes, a equipe HP/MIT rapidamente percebeu que o sistema de
linha de montagem poderia ser modelado como um tipo especial de sistema de filas no qual
os clientes (as impressoras a serem montadas) passariam por uma srie de atendentes (operaes de montagem) em uma seqncia fixa. Um modelo de filas especial para esse tipo de
sistema gerou rapidamente os resultados analticos que foram necessrios para determinar
como o sistema deveria ser redesenhado para alcanar a capacidade exigida da forma mais
econmica possvel. As mudanas incluam acrescentar maior espao de armazenagem em
pontos estratgicos para manter melhor o fluxo de trabalho a estaes subseqentes e para
minimizar o efeito de falhas de mquina. O novo design aumentou a produtividade em cerca
de 50% e gerou um aumento nas receitas de aproximadamente US$ 280 milhes em vendas
de impressoras, bem como receitas adicionais de produtos secundrios. Essa aplicao inovadora do modelo de filas especial tambm deu HP um novo mtodo para criar projetos
de sistemas rpidos e eficientes posteriormente em outras reas da empresa.
Existem muitas outras aplicaes premiadas da teoria das filas para o projeto de sistemas de filas, bem como inmeros artigos adicionais descrevendo outras aplicaes bemsucedidas. Entretanto, os diversos exemplos apresentados nesta seo felizmente lhe
deram uma idia dos tipos de aplicaes que esto ocorrendo e do impacto que algumas
vezes eles tm.

17.4 O PAPEL DA DISTRIBUIO EXPO NENCIAL

11

17.4 O PAPEL DA DISTRIBUIO EXPONENCIAL


As caractersticas operacionais dos sistemas de filas so determinadas, em grande parte, por
duas propriedades estatsticas, a saber, a distribuio probabilstica dos tempos entre atendimentos (ver fonte de entradas na Seo 17.2) e a distribuio probabilstica dos tempos de
atendimento (ver Mecanismos de Atendimento na Seo 17.2). Para sistemas de filas reais,
essas distribuies podem assumir praticamente qualquer forma. A nica restrio que no
podem ocorrer valores negativos. Entretanto, para formular um modelo de teoria das filas
como uma representao do sistema real, necessrio especificar a forma assumida de cada
uma dessas distribuies. Para ser til, a forma assumida deveria ser suficientemente realista
cujo modelo fornece previses razoveis enquanto, ao mesmo tempo, ser suficientemente
simples cujo modelo matematicamente tratvel. Baseado nessas consideraes, a distribuio probabilstica mais importante na teoria das filas a distribuio exponencial.
Suponha que uma varivel aleatria T represente tempos entre chegadas ou tempos de
atendimento. Iremos nos referir s ocorrncias que marcam o final desses tempos chegadas ou finalizaes de atendimentos como eventos. Diz-se que essa varivel aleatria tem
uma distribuio exponencial com parmetro $ se sua funo de densidade probabilstica for

#0$e

#$t

fT (t) !

para t " 0
para t ) 0,

conforme mostrado na Figura 17.3. Nesse caso, as probabilidades acumulativas so


P{T & t} ! 1 # e#$t

(t " 0),

P{T ' t} ! e#$t


e o valor esperado e a varincia de T so, respectivamente,
1
E(T) ! %%,
$
1
var(T) ! %%.
$2
Quais so as implicaes de se supor que T possui uma distribuio exponencial para
um modelo de filas? Para explorar essa questo, examinemos seis propriedades fundamentais da distribuio exponencial.
Propriedade 1: fT(t) uma funo estritamente decrescente de t (t " 0).
Uma conseqncia da Propriedade 1 que
P{0 & T & (t} ' P{t & T & t $ (t}

FIGURA 17.3
Funo de densidade
probabilstica para a
distribuio exponencial.

fT (t)
*

1
E(T) ! *

12

CAPTULO 17

TEORIA DAS FILAS

para quaisquer valores estritamente positivos de (t e t. Essa conseqncia decorrente do


fato de que essas probabilidades so a rea abaixo da curva fT(t) ao longo do intervalo de
comprimento (t indicado e a altura mdia da curva menor para a segunda probabilidade
que para a primeira. Portanto, no somente possvel, mas tambm relativamente provvel,
que T assumir um pequeno valor prximo de zero. De fato,

1 1
P 0 & T & %% %% ! 0,393
2 $
ao passo que

1 1
3 1
P %% %% & T & %% %% ! 0,383.
2 $
2 $
de modo que o valor que T assume mais provvel que seja pequeno [isto , menos da
metade de E(T)] do que prximo ao seu valor esperado [isto , no muito alm da metade de E(T)], embora o segundo intervalo seja o dobro do primeiro.
Essa uma propriedade razovel para T em um modelo de filas? Se T representa tempos de atendimento, a resposta depende da natureza geral do atendimento envolvido, conforme discutido a seguir.
Se o atendimento necessrio for basicamente idntico para cada cliente, com o atendente sempre realizando a mesma seqncia de operaes de atendimento, ento os tempos de
atendimento reais tendem a estar prximos do tempo de atendimento esperado. Podem ocorrer pequenos desvios em relao mdia, mas normalmente em decorrncia de pequenas
variaes na eficincia do atendente. Um pequeno tempo de atendimento muito longe da
mdia praticamente impossvel, pois preciso certo tempo mnimo para realizar as operaes de atendimento necessrias mesmo quando o atendente est trabalhando em alta velocidade. A distribuio exponencial claramente no fornece uma boa aproximao para a distribuio de tempos de atendimento para esse tipo de situao.
No entanto, considere uma situao na qual as tarefas especficas necessrias do atendente diferem entre os diversos tipos de clientes. A natureza abrangente do atendimento
pode ser a mesma, porm o tipo especfico e o tempo de atendimento diferem. Por exemplo, este seria o caso do problema da sala de emergncias do Hospital Municipal discutido
na Seo 17.1. Os mdicos se deparam com ampla gama de problemas clnicos. Na maioria dos casos, eles podem oferecer o tratamento necessrio de forma bem rpida, contudo,
eventualmente um paciente pode exigir tratamento mais intensivo. De maneira similar, caixas de bancos e caixas de lojas so outros atendentes desse tipo geral, em que o atendimento necessrio normalmente breve, todavia, eventualmente, pode ser mais demorado. Uma
distribuio exponencial de tempos de atendimento seria bastante plausvel para esse tipo
de situao de atendimento.
Se T representar tempos entre atendimentos, a Propriedade 1 descarta situaes nas
quais possveis clientes que se aproximem do sistema de filas tendam a adiar sua entrada,
caso vejam outro cliente que est sua frente. Entretanto, totalmente consistente com o
fenmeno comum das chegadas ocorrerem aleatoriamente, descrito por propriedades subseqentes. Portanto, quando tempos de chegada forem colocados em uma linha de tempo,
eles algumas vezes tm a aparncia de estar concentrados com eventuais intervalos grandes
separando essas concentraes, em razo da grande probabilidade de tempos entre atendimentos pequenos e a pequena probabilidade de tempos entre atendimentos grandes, mas um
padro irregular como este faz parte da aleatoriedade.
Propriedade 2: Falta de memria.
Essa propriedade pode ser declarada matematicamente como
P{T ' t $ (tT ' (t} ! P{T ' t}

17.4 O PAPEL DA DISTRIBUIO EXPO NENCIAL

13

para quaisquer valores positivos t e (t. Em outras palavras, a distribuio probabilstica do


tempo remanescente at o evento (chegada ou trmino do atendimento) ocorrer sempre a
mesma, independentemente de quanto tempo ((t) j tiver passado. De fato, o processo se
esquece de seu passado. Esse surpreendente fenmeno acontece com a distribuio exponencial, pois
P{T ' (t, T ' t $ (t}
P{T ' t $ (tT ' (t} ! %%%
P{T ' (t}
P{T ' t $ (t}
! %%
P{T ' (t}
e#$(t$(t)
!%
%
e#$(t
! e#$t
! P{T ' t}.
Para tempos entre atendimentos, essa propriedade descreve a situao corriqueira na
qual o tempo at a prxima chegada no sofre nenhuma influncia de quando ocorreu a
ltima chegada. Para tempos de atendimento, a propriedade mais difcil de ser interpretada. No deveramos esperar que ela fosse respeitada em uma situao em que o atendente tem de realizar a mesma seqncia fixa de operaes para cada cliente, pois ento um
atendimento de longa durao implicaria que provavelmente pouco restaria a ser feito.
Entretanto, no tipo de situao na qual as operaes de atendimento necessrias diferem
entre os clientes, a declarao matemtica da propriedade pode ser bastante realista. Para
esse caso, se um tempo de atendimento considervel j tivesse decorrido para um cliente,
a nica implicao poderia ser que esse cliente em particular precisaria de atendimento
mais amplo que a maioria.
Propriedade 3: O mnimo de diversas variveis aleatrias exponenciais independentes tem uma distribuio exponencial.
Para declarar essa propriedade matematicamente, faamos que T1, T2, . . . , Tn sejam
variveis aleatrias exponenciais independentes com parmetros $1, $2, . . . , $n, respectivamente. Faamos tambm que U seja a varivel aleatria que admita o valor igual ao mnimo dos valores realmente assumidos por T1, T2, . . . , Tn; isto ,
U ! mn {T1, T2, . . . , Tn}.
Portanto, se Ti representar o tempo at que determinado tipo de evento ocorra, ento U
representar o tempo at que o primeiro dos n eventos diversos ocorra. Observe agora que
para qualquer t " 0,
P{U ' t} ! P{T1 ' t, T2 ' t, . . . , Tn ' t}
! P{T1 ' t}P{T2 ' t} +++ P{Tn ' t}
! e#$1te#$2t +++ e$nt

&

! exp #! $it ,
i!1

de modo que U de fato tenha uma distribuio exponencial com parmetro


n

$ ! ! $i.
i!1

Essa propriedade apresenta as mesmas implicaes para tempos entre atendimentos nos
modelos de filas. Suponha, particularmente, que existam vrios (n) tipos diferentes de clientes, porm os tempos entre atendimentos para cada tipo (tipo i) possuem uma distribuio

14

CAPTULO 17

TEORIA DAS FILAS

exponencial com parmetro $i (i ! 1, 2, . . . , n). Pela Propriedade 2, o tempo restante a partir de um instante especificado at a prxima chegada de um cliente do tipo i tem a mesma
distribuio. Portanto, faamos que Ti seja o tempo restante, medido a partir do instante que
um cliente de qualquer tipo chegue. A Propriedade 3 nos revela ento que U, os tempos entre
atendimentos para o sistema de filas como um todo, tem uma distribuio exponencial com
parmetro $ definido pela ltima equao. Conseqentemente, podemos optar por ignorar a
distino entre clientes e ainda ter tempos entre atendimentos exponenciais para o modelo
de filas.
Entretanto, as implicaes so at mais importantes para tempos de atendimento em
modelos de filas com vrios atendentes que para tempos entre atendimentos.
Consideremos, por exemplo, uma situao na qual todos os atendentes possuem a mesma
distribuio exponencial de tempo de atendimento com parmetro ". Para esse caso, faamos que n seja o nmero de atendentes atendendo no momento e faamos que Ti seja o
tempo de atendimento remanescente para o atendente i (i ! 1, 2, . . . , n), que tambm
possui uma distribuio exponencial com parmetro $i ! ". Decorre ento que U, o
tempo at o trmino do prximo atendimento de qualquer um desses atendentes, tenha
uma distribuio exponencial com parmetro $ ! n". De fato, o sistema de filas no
momento est funcionando exatamente como um sistema com um nico atendente no qual
tempos de atendimento tm uma distribuio exponencial com parmetro n". Iremos fazer
uso freqente dessa implicao para analisar modelos com vrios atendentes posteriormente, ainda no presente captulo.
Ao usar essa propriedade, algumas vezes tambm til determinar as probabilidades
para quais das variveis aleatrias exponenciais por acaso ser aquela que tem o valor mnimo. Voc poderia, por exemplo, querer encontrar a probabilidade de que determinado atendente j terminar de atender um cliente primeiro entre n atendentes exponenciais ocupados.
bastante simples (ver Problema 17.4-9) demonstrar que essa probabilidade proporcional
ao parmetro $j. Particularmente, a probabilidade de que Tj acabar sendo a menor das n
variveis aleatrias
n

P{Tj ! U} ! $j /! $i,

para j ! 1, 2, . . . , n.

i!1

Propriedade 4: Relao com a distribuio de Poisson.


Suponha que o tempo entre ocorrncias consecutivas de algum tipo particular de evento (por exemplo, chegadas ou trminos de atendimento por parte de um atendente permanentemente ocupado) tenha uma distribuio exponencial com parmetro $. A Propriedade 4
tem, ento, a ver com a implicao resultante sobre a distribuio probabilstica do nmero
de vezes que esse tipo de evento ocorre ao longo do tempo especificado. Particularmente,
faamos que X(t) seja o nmero de ocorrncias no instante t (t " 0), em que tempo 0 designa o instante no qual comea a contagem. A implicao que
($t)ne#$t
P{X(t) ! n} ! %%,
n!

para n ! 0, 1, 2, . . . ;

isto , X(t) possui uma distribuio de Poisson com parmetro $t. Por exemplo, com n ! 0,
P{X(t) ! 0} ! e#$t,
que simplesmente a probabilidade da distribuio exponencial de que o primeiro evento
ocorra aps o tempo t. A mdia dessa distribuio de Poisson
E{X(t)} ! $t,

17.4 O PAPEL DA DISTRIBUIO EXPO NENCIAL

15

de modo que o nmero esperado de eventos por unidade de tempo seja $. Portanto, diz-se
que $ a taxa mdia na qual ocorrem os eventos. Quando os eventos so contados de uma
forma contnua, diz-se que o processo de contagem {X(t); t " 0} um processo de Poisson
com parmetro $ (a taxa mdia).
Essa propriedade fornece informaes teis sobre trminos de atendimento quando
tempos de atendimento tm uma distribuio exponencial com parmetro ". Obtemos essa
informao definindo X(t) como o nmero de trminos de atendimento alcanado por um
atendente permanentemente ocupado no tempo decorrido t, em que $ ! ". Para modelos
com vrios atendentes de filas, X(t) tambm pode ser definido como o nmero de trminos
de atendimento alcanado por n atendentes permanentemente ocupados no tempo decorrido
t, em que $ ! n".
A propriedade particularmente til para descrever o comportamento probabilstico
das chegadas quando tempos entre chegadas possuem uma distribuio exponencial com
parmetro !. Nesse caso, X(t) o nmero de chegadas no tempo decorrido t, em que $ !
! a taxa mdia de chegada. Portanto, as chegadas ocorrem de acordo com um processo
de entrada de Poisson com parmetro !. Tais modelos de filas tambm so descritos como
supondo uma entrada de Poisson.
Diz-se que as chegadas algumas vezes ocorrem aleatoriamente, significando que elas
ocorrem de acordo com um processo de entrada de Poisson. Uma interpretao intuitiva
desse fenmeno que todo perodo de durao fixa tem a mesma chance de ter uma chegada independentemente de quando ocorreu a chegada precedente, conforme sugerido pela
seguinte propriedade.
Propriedade 5: Para todos os valores positivos de t, P{T & t $ (tT ' t} ' $
(t, para (t pequeno.
Continuando a interpretar T como o tempo a partir do ltimo evento de certo tipo
(chegada ou trmino de atendimento) at o prximo evento desse tipo, supomos que um
tempo t j tenha decorrido sem a ocorrncia do evento. Sabemos da Propriedade 2 que a
probabilidade de que o evento v ocorrer dentro do prximo intervalo de tempo de durao fixa (t uma constante (identificada no prximo pargrafo), independentemente de
quo grande ou pequeno seja t. A Propriedade 5 vai mais alm dizendo que, quando o
valor de (t pequeno, essa probabilidade constante pode ser aproximada com boa margem de aproximao por $ (t. Alm disso, ao considerarmos diferentes valores pequenos de (t, essa probabilidade basicamente proporcional a (t, com fator de proporcionalidade $. De fato, $ a taxa mdia na qual ocorrem os eventos (ver Propriedade 4), de
modo que o nmero esperado de eventos no intervalo (t seja exatamente $ (t. A nica
razo para que a probabilidade da ocorrncia de um evento v diferir ligeiramente desse
valor a possibilidade de que ocorra mais de um evento, que tem uma probabilidade desprezvel quando (t pequeno.
Para verificar por que a Propriedade 5 vlida matematicamente, note que o valor
constante de nossa probabilidade (para um valor fixo (t ' 0) simplesmente
P{T & t $ (tT ' t} ! P{T & (t}
! 1 # e#$ (t,
para qualquer t " 0. Portanto, pelo fato de a expanso da srie de ex para qualquer expoente x ser
!
xn
ex ! 1 $ x $ ! %%,
n!2 n!

16

CAPTULO 17

TEORIA DAS FILAS

decorre que
P{T & t $ (tT ' t}

!
(#$ (t)n
! 1 # 1 $ $ (t # ! %%
n!
n!2

( $ (t,

para (t5 pequeno,

pois os termos do somatrio se tornam relativamente desprezveis para valores $ (t suficientemente pequenos.
Como T pode representar tanto tempos de atendimento como entre chegadas em modelos de filas, essa propriedade fornece uma aproximao conveniente da probabilidade de que
o evento de interesse ocorra no prximo intervalo de tempo ((t) pequeno. Uma anlise
baseada nessa aproximao tambm pode se tornar exata adotando-se os limites apropriados
como (t ! 0.
Propriedade 6: No afetada por agregao ou desagregao.
Essa propriedade relevante basicamente para verificar que o processo de entrada de
Poisson. Portanto, iremos descrev-la nesses termos, embora ela tambm se aplique diretamente distribuio exponencial (tempos entre atendimentos exponenciais) em virtude da
Propriedade 4.
Consideremos primeiramente a agregao (combinada) de diversos processos de entrada de Poisson em um nico processo de entrada geral. Particularmente, suponhamos que
existam vrios (n) tipos diferentes de clientes, em que os clientes de cada tipo (tipo i) cheguem de acordo com um processo de entrada de Poisson com parmetro !i (i ! 1, 2, . . . , n).
Supondo que estes sejam processos de Poisson independentes, a propriedade diz que o processo de entrada agregado (chegada de todos os clientes independentemente do tipo) tambm deve ser de Poisson, com parmetro (taxa de chegada) ! ! !1 $ !2 $ $ !n. Em
outras palavras, ter um processo de Poisson no ser afetado por agregao.
Essa parte da propriedade decorre diretamente das Propriedades 3 e 4. A ltima propriedade implica que os tempos entre atendimentos para clientes do tipo i possuem uma distribuio exponencial com parmetro !i. Para essa mesma situao, j vimos para a
Propriedade 3 que ela implica que os tempos entre atendimentos para todos os clientes tambm tm de ter uma distribuio exponencial, com parmetro ! ! !1 $ !2 $ $ !n.
Usando a Propriedade 4 novamente implica ento que o processo de entrada agregado seja
de Poisson.
A segunda parte da Propriedade 6 (no ser afetado por desagregao) refere-se
ao caso inverso, no qual o processo de entrada agregado (aquele obtido pela combinao de processos de entrada para vrios tipos de clientes) conhecido como Poisson
com parmetro !, porm a questo agora se refere natureza dos processos de entrada
desagregados (os processos de entrada individuais para os tipos de clientes individuais).
Supondo que cada cliente que chega tenha uma probabilidade pi fixa de ser do tipo i
(i ! 1, 2, . . . , n), com
n

!i ! pi!

! pi ! 1,
i!1

a propriedade diz que o processo de entrada para clientes do tipo i tambm deva ser de
Poisson com parmetro !i. Em outras palavras, ter um processo de Poisson no ser afetado por desagregao.
Como exemplo da utilidade dessa segunda parte da propriedade, considere a seguinte situao. Clientes indistinguveis chegam de acordo com um processo de Poisson com
parmetro !. Cada cliente que chega tem uma probabilidade fixa p de recusar (sair sem
ter entrado no sistema de filas), de modo que a probabilidade de entrar no sistema seja 1
5

Mais precisamente,
P{T & t $ (tT ' t}
! $.
lim %%%
(t

(t0

17.5

PROCESSO DE NASCIMENTO-E-M ORTE

17

# p. Portanto, h dois tipos de clientes aqueles que se recusam a entrar e aqueles que
entram no sistema. A propriedade diz que cada tipo chega de acordo com um processo de
Poisson, com parmetros p! e (1 # p)!, respectivamente. Assim, utilizando o ltimo processo de Poisson, modelos de filas que supem um processo de entrada de Poisson ainda
podem ser usados para analisar o desempenho do sistema de filas para aqueles clientes
que entram no sistema.
Um dos exemplos na seo de Exemplos Trabalhados do CD-ROM ilustra a aplicao
de vrias das propriedades da distribuio exponencial apresentada nesta seo.

17.5

PROCESSO DE NASCIMENTO-E-MORTE
Os modelos de filas mais elementares partem do pressuposto de que as entradas (clientes
que chegam) e sadas (clientes que saem) do sistema de filas ocorram de acordo com o processo de nascimento-e-morte. Esse importante processo na teoria das probabilidades tem
aplicaes em diversas reas. Entretanto, no contexto da teoria das filas, o termo nascimento corresponde chegada de um novo cliente no sistema de filas e a morte refere-se partida de um cliente atendido. O estado do sistema no instante t (t " 0), representado por N(t),
o nmero de clientes no sistema de filas no instante t. O processo de nascimento-e-morte
descreve probabilisticamente como N(t) muda medida que t aumenta. Em termos genricos, ela diz que nascimentos e mortes individuais ocorrem aleatoriamente, em que suas
taxas mdias de ocorrncia dependem apenas do estado atual do sistema. Mais precisamente, as hipteses do processo de nascimento-e-morte so as seguintes:
Hiptese 1. Dado N(t) ! n, a distribuio probabilstica atual do tempo remanescente at
o prximo nascimento (chegada) exponencial com parmetro !n (n ! 0, 1, 2, . . .).
Hiptese 2. Dado N(t) ! n, a distribuio probabilstica atual do tempo remanescente at
a prxima morte (trmino do atendimento) exponencial com parmetro "n (n ! 1, 2, . . .).
Hiptese 3. A varivel aleatria da hiptese 1 (o tempo remanescente at o prximo nascimento) e a varivel aleatria da hiptese 2 (o tempo remanescente at a prxima morte)
so mutuamente independentes. A prxima transio no estado do processo
n n $ 1 (um nico nascimento)
ou ento
n n # 1 (uma nica morte),
dependendo de se a primeira ou a ltima varivel aleatria for menor.
Para um sistema de filas, !n e "n representam, respectivamente, a taxa mdia de chegada e a taxa mdia de trminos de atendimento, quando existem n clientes no sistema.
Para alguns sistemas de filas, os valores de !n sero os mesmos para todos os valores de
n e os "n tambm sero os mesmos para todos os n, exceto para n muito pequeno (por
exemplo, n ! 0) que um atendente se encontra ocioso. Entretanto, !n e "n tambm podem
variar consideravelmente com n para alguns sistemas de filas.
Por exemplo, uma das maneiras nas quais !n pode diferir para diferentes valores de n
o caso no qual vai ficando cada vez mais provvel que os possveis clientes que chegam
vo se recusar (recusar-se a entrar no sistema) medida que n aumenta. Da mesma forma,
"n pode diferir para n diferentes porque fica cada vez mais provvel que os clientes na fila
venham a desistir (sair sem serem atendidos) medida que o tamanho da fila aumenta. Um
dos exemplos na seo de Exemplos Trabalhados do CD-ROM ilustra um sistema de filas
em que ocorrem tanto a recusa quanto a desistncia. Esse exemplo demonstra ento como
os resultados gerais para o processo de nascimento-e-morte conduzem diretamente a vrias
medidas de desempenho para esse sistema de filas.

18

CAPTULO 17

TEORIA DAS FILAS

Anlise do Processo de Nascimento-e-Morte


Em virtude das suas hipteses, o processo de nascimento-e-morte um tipo especial de
cadeia de Markov de tempo contnuo. Ver Seo 16.8 para uma descrio das cadeias de
Markov de tempo contnuo e suas propriedades, inclusive uma introduo ao procedimento
geral para encontrar as probabilidades de estado estvel que sero aplicadas no restante
desta seo. Os modelos de filas que podem ser representados por uma cadeia de Markov de
tempo contnuo esto longe de ser mais tratveis analiticamente que qualquer outro.
Em razo de a Propriedade 4 para a distribuio exponencial (ver Seo 17.4) implicar
que !n e "n so taxas mdias, podemos sintetizar essas hipteses por meio do diagrama de
taxas mostrado na Figura 17.4. As setas nesse diagrama mostram as nicas transies possveis para o estado do sistema (conforme especificado pela hiptese 3) e a entrada para cada
seta fornece a taxa mdia para essa transio (conforme especificado pelas hipteses 1 e 2)
quando o sistema se encontra no estado na base da seta.
Exceto para poucos casos especiais, a anlise do processo de nascimento-e-morte
muito difcil quando o sistema se encontra em uma condio transitria. Alguns resultados
sobre a distribuio probabilstica de N(t) foram obtidos,6 mas eles so muito complicados
para ser de uso prtico. No entanto, relativamente simples obter essa distribuio aps o
sistema ter atingido uma condio de estado estvel (supondo que essa condio possa ser
alcanada). Essa obteno pode ser feita diretamente do diagrama de taxas, conforme descrito a seguir.
Considere determinado estado do sistema n (n ! 0, 1, 2, . . .). Iniciando no instante 0,
suponha que seja feita uma contagem do nmero de vezes em que o processo entra nesse
estado e o nmero de vezes em que ele deixa esse estado, conforme representado a seguir:
En(t) ! nmero de vezes em que o processo entra no estado n no instante t.
Ln(t) ! nmero de vezes em que o processo sai do estado n no instante t.
Como os dois tipos de eventos (entrada e sada) tm de ser alternados, esses dois nmeros
sempre so iguais ou ento diferem de uma unidade, isto ,
En(t) # Ln(t) & 1.
Dividindo ambos os lados da equao por t e depois fazendo que t , resulta em
L (t)
1
(t)
# %%) & %%,
)%E t%
t
t
n

portanto

E (t)
L (t)
lim %n% # %n% ! 0.
t
t

t!

Dividindo En(t) e Ln(t) por t fornece a taxa real (nmero de eventos por unidade de tempo)
na qual esses dois tipos de eventos ocorreram e fazendo que t , d ento a taxa mdia
(nmero esperado de eventos por unidade de tempo):

FIGURA 17.4
Diagrama de taxas para o
processo de nascimento-emorte.

-1

-0
Estado:

1
.1

2
.2

-n # 2

-2
3
.3

n#2

-n # 1
n

n#1
.n # 1

-n

.n

n$1

.n $ 1

KARLIN, S.; MCGREGOR, J. Many Server Queueing Processes with Poisson Input and Exponential Service
Times. Pacific Journal of Mathematics, v. 8, p. 87-118, 1958.

17.5

PROCESSO DE NASCIMENTO-E-M ORTE

19

E (t)
lim %n% ! taxa mdia na qual o processo entra no estado n.
t

t!

L (t)
lim %n% ! taxa mdia na qual o processo sai do estado n.
t

t!

Esses resultados conduzem ao seguinte princpio bsico:


Princpio da Taxa que Entra = Taxa que Sai. Para qualquer estado do sistema n
(n ! 0, 1, 2, . . .), a taxa mdia de entrada ! taxa mdia de sada.
A equao expressando esse princpio se chama equao de equilbrio para o estado
n. Aps construir as equaes de equilbrio para todos os estados em termos das probabilidades Pn desconhecidas, podemos resolver esse sistema de equaes (alm de uma equao
afirmando que as probabilidades devem somar 1) para encontrar essas probabilidades.
Para ilustrar uma equao de equilbrio, considere o estado 0. O processo entra nesse estado somente a partir do estado 1. Portanto, a probabilidade de estado estvel de se encontrar no
estado 1 (P1) representa a proporo de tempo que seria possvel para o processo entrar no
estado 0. Dado o processo se encontrar no estado 1, a taxa mdia de entrada no estado 0 "1.
Em outras palavras, para cada unidade de tempo cumulativa que o processo gasta no estado 1,
o nmero esperado de vezes que ele deixaria o estado 1 para entrar no estado 0 "1. De qualquer outro estado, essa taxa mdia 0. Dessa forma, a taxa mdia global na qual o processo
deixa seu estado atual para entrar no estado 0 (a taxa mdia de entrada)
"1P1 $ 0(1 # P1) ! "1P1.
Seguindo o mesmo raciocnio, a taxa mdia de sada tem de ser !0P0, de modo que a equao de equilbrio para o estado 0
"1P1 ! !0P0.
Para todos os outros estados existem duas transies, ambas entrando e saindo do estado. Portanto, cada lado das equaes de equilbrio para esses estados representa a soma das
taxas mdias para as duas transies envolvidas. Caso contrrio, o raciocnio exatamente
o mesmo para o estado 0. Essas equaes de equilbrio so sintetizadas na Tabela 17.1.
Note que a primeira equao de equilbrio contm duas variveis a serem resolvidas (P0 e
P1), as duas primeiras equaes contm trs variveis (P0, P1 e P2) e assim por diante, de modo
que sempre haja uma varivel extra. Por conseguinte, o procedimento para solucionar essas
equaes resolver em termos de uma das variveis, sendo a mais conveniente P0. Por isso, a
primeira equao usada para encontrar P1 em termos de P0; esse resultado e a segunda equao so ento usados para encontrar P2 em termos de P0; e assim por diante. No final, a exigncia de que a soma de todas as probabilidades seja igual a 1 pode ser usada para calcular P0.
Resultados para o Processo de Nascimento-e-Morte
Aplicar esse procedimento leva aos seguintes resultados:

TABELA 17.1 Equaes de equilbrio para o processo

de nascimento-e-morte
Estado
0
1
2
!
n#1
n
!

Taxa que Entra " Taxa que Sai


" 1P1 ! ! 0P0
!0P0 $ "2P2 ! (!1 $ "1 )P1
!1P1 $ "3P3 ! (!2 $ "2 )P2
!
!n#2Pn#2 $ "nPn ! (!n#1 $ "n#1 )Pn#1
!n#1Pn#1 $ "n$1Pn$1 ! (!n $ "n)Pn
!

20

CAPTULO 17

TEORIA DAS FILAS

Estado:
0:
1:
2:
!
n # 1:
n:
!

!0
! %%P
"1 0
!1
1
P2 ! %%P
$ %%(" P # !0P0)
"2 1 "2 1 1
!2
1
P3 ! %%P
$ %%(" P # !1P1)
"3 2 "3 2 2
!
! 1
1
Pn ! %n#
%P
$ %%(" P
# !n#2Pn#2)
"n n#1 "n n#1 n#1
!n
1
Pn$1 ! %%P
$ %%(" P # !n#1Pn#1)
"n$1 n "n$1 n n
!
P1

!1
! %%P
"2 1
!2
! %%P
"3 2

! !0
! %1%P
"2"1 0
!2!1!0
!%
%P
"3"2"1 0

! 1
!n#1!n#2 +++ !0
! %n#
%P
!%
%P
"n n#1
"n"n#1 +++ "1 0
!n
!n!n#1 +++ !0
! %%P
!%
%P
"n$1 n
"n$1"n +++ "1 0

Para simplificar a notao, faamos que


!n#1!n#2 +++ !0
Cn ! %% ,
"n"n#1 +++ "1

para n ! 1, 2, . . . ,

e ento definamos Cn ! 1 para n ! 0. Portanto, as probabilidades de estado estvel so


Pn ! CnP0,

para n ! 0, 1, 2, . . . .

A exigncia de que
!

! Pn ! 1
n!0
implica que
!

! Cn&P0 ! 1,
%n!0
de modo que
!

P0 !

! Cn&
%n!0

#1

Quando um modelo de filas se baseia no processo de nascimento-e-morte, de modo que


o estado do sistema n represente o nmero de clientes no sistema de filas, as medidas de
desempenho fundamentais para o sistema de filas (L, Lq, W e Wq) podem ser obtidas imediatamente aps calcular os Pn das frmulas anteriores. As definies de L e Lq dadas na
Seo 17.2 especificam que
!

L ! ! nPn,
n!0

Lq ! ! (n # s)Pn.
n!s

Alm disso, as relaes dadas no final da Seo 17.2 levam a


L
W ! %%,
!
"

Lq
Wq ! %%,
!
"

17.6

M ODELOS DE FILAS BASEADOS N O PROCESSO DE NASCIMENTO-E-M ORTE

21

em que "
! a taxa de chegada mdia a longo prazo. Como !n a taxa mdia de chegada
enquanto o sistema se encontra no estado n (n ! 0, 1, 2, . . .) e Pn a proporo de tempo
de que o sistema se encontra nesse estado,
!

! ! ! !n Pn.
"
n!0

Diversas das expresses dadas anteriormente envolvem somatrios com um nmero de


termos infinito. Felizmente, esses somatrios possuem solues analticas para um nmero
de interessantes casos especiais7, conforme visto na prxima seo. Caso contrrio, eles
podem ser aproximados somando-se um nmero finito de termos via computador.
Esses resultados de estado estvel foram obtidos sob a hiptese de que os parmetros
!n e "n tenham valores tais que o processo possa realmente alcanar a condio de estado
estvel. Essa hiptese sempre vlida se !n ! 0 para algum valor de n maior que o estado
inicial, de modo que sejam possveis somente um nmero de estados finito (aqueles menores
que esse n). Ela sempre vlida quando ! e " so definidos (ver Terminologia e Notao
na Seo 17.2) e # ! !/(s") ) 1. Ela no vlida se /!
n!1 Cn !,.
A Seo 17.6 descreve vrios modelos de filas que so casos especiais do processo de
nascimento-e-morte. Portanto, os resultados de estado estvel gerais que acabamos de dar
nos retngulos sero usados repetidamente para obter resultados de estado estvel especficos para esses modelos.

17.6

MODELOS DE FILAS BASEADOS NO PROCESSO DE


NASCIMENTO-E-MORTE
Como cada uma das taxas mdias !0, !1, . . . e "1, "2, . . . para o processo de nascimentoe-morte pode receber qualquer valor no-negativo, temos grande flexibilidade na modelagem de um sistema de filas. Provavelmente os modelos mais usados na teoria das filas se
baseiam diretamente nesse processo. Em virtude das hipteses 1 e 2 (e a Propriedade 4 para
a distribuio exponencial), diz-se que esses modelos possuem uma entrada de Poisson e
tempos de atendimento exponenciais. Os modelos diferem somente em suas hipteses
sobre como !n e "n mudam com n. Apresentamos trs desses modelos nesta seo para trs
tipos importantes dos sistemas de filas.
Modelo M/M/s
Conforme descrito na Seo 17.2, o modelo M/M/s parte do pressuposto de que todos os
tempos entre atendimentos sejam distribudos de forma independente e idntica de acordo
com uma distribuio exponencial (isto , o processo de entrada de Poisson), que todos
os tempos de atendimento sejam distribudos de forma independente e idntica de acordo
com outra distribuio exponencial e que o nmero de atendentes seja s (qualquer inteiro
positivo). Conseqentemente, esse modelo simplesmente o caso especial do processo de
nascimento-e-morte em que a taxa mdia de chegada e a taxa mdia de atendimento por
atendente ocupado do sistema de filas so constantes (! e ", respectivamente) independente do estado do sistema. Quando o sistema tem apenas um nico atendente (s ! 1), a implicao que os parmetros para o processo de nascimento-e-morte so !n ! ! (n ! 0, 1, 2,
. . .) e "n ! " (n ! 1, 2, . . .). O diagrama de taxas resultante mostrado na Figura 17.5a.
7

Essas solues se baseiam nos seguintes resultados conhecidos para a soma de qualquer srie geomtrica:
N

1 # xN$1

%,
! xn ! %
1#x
n!0
!

%,
! xn ! %
1 #x
n!0

para qualquer x 0 1,

se x ) 1.

22

CAPTULO 17

TEORIA DAS FILAS

Entretanto, quando o sistema tem vrios atendentes (s ' 1), "n no pode ser expresso
dessa forma to simples. Tenha em mente que "n representa a taxa mdia de trminos de
atendimento para o sistema de filas global quando existem n clientes atualmente no sistema.
Quando a taxa mdia de atendimento por atendente ocupado for ", a taxa mdia de trminos de atendimento global para n atendentes ocupados deve ser n". Portanto, "n ! n" quando n & s, ao passo que "n ! s" quando n " s de modo que todos os s atendentes estejam
ocupados. O diagrama de taxas para esse caso mostrado na Figura 17.5b.
Quando s" excede a taxa mdia de chegada !, isto , quando
!
# ! %% )1,
s"
um sistema de filas que se ajusta a esse modelo vai, finalmente, atingir uma condio de
estado estvel. Nessa situao, os resultados de estado estvel obtidos na Seo 17.5 para o
processo de nascimento-e-morte geral so diretamente aplicveis. Entretanto, esses resultados simplificam consideravelmente para esse modelo e levam a expresses de forma fechada para Pn, L, Lq e assim por diante, conforme mostrado a seguir.
Resultados para o Caso com um nico Atendente ( M/M/ 1).
res Cn para o processo de nascimento-e-morte se reduz a

% &

!
Cn ! % %
"

! #n,

Para s ! 1, os fato-

para n ! 0, 1, 2, . . .

Portanto,
Pn ! #nP0,

para n ! 0, 1, 2, . . . ,

em que
!

P0 !

! #n&
%n!0

#1

1
! %%
1##

&

#1

! 1 # #.

FIGURA 17.5
Diagramas de taxas para o
modelo M/M/s.

(a) Caso com um nico atendente (s ! 1)


Estado: 0

Estado: 0

n#1
.

para n ! 0, 1, 2, ...

n.,
.n ! s.,

para n ! 1, 2, ..., s
para n ! s, s $ 1, ...

s#2

(s # 1).

s.

s$1

s#1

n$1
.

-n ! -,

3.

2.

n#2

(b) Caso com vrios atendentes (s ' 1)

para n ! 0, 1, 2, ...
para n ! 1, 2, ...

-n ! -,
.n ! .,

s.

17.6

M ODELOS DE FILAS BASEADOS N O PROCESSO DE NASCIMENTO-E-M ORTE

23

Portanto,
Pn ! (1 # #)#n,

para n ! 0, 1, 2, . . . .

Conseqentemente,
!

L!

n(1 # #)#n

n!0
!

! (1 # #)#

! %% (#n)
n!0 d#

d
! (1 # #)# %%
d#

! #n&
%n!0

d
1
! (1 # #)# %% %%
d# 1 # #
#
!
! %% ! %%.
1##
"#!

&

De forma similar,
!

Lq !

! (n # 1)Pn
n!1

! L # 1(1 # P0)
!2
! %%.
"(" # !)
Quando ! " ", de modo que a taxa mdia de chegada exceda a taxa mdia de atendimento, a soluo anterior estoura (pois o somatrio para calcular P0 diverge). Para esse
caso, a fila explodiria e cresceria sem limites. Se o sistema de filas iniciar operao sem
nenhum cliente presente, o atendente poderia ser bem-sucedido suportando os clientes que
chegam ao longo de um curto perodo, mas isso impossvel no longo prazo. Mesmo quando ! ! ", o nmero de clientes esperado no sistema de filas cresce lentamente sem limites
ao longo do tempo, pois, embora um retorno temporrio para nenhum cliente presente sempre possvel, as probabilidades de nmeros imensos de clientes presentes se torna significativamente maior ao longo do tempo.
Supondo novamente que ! ) ", agora podemos obter a distribuio probabilstica do
tempo de espera no sistema (portanto, incluindo tempo de atendimento) ! para uma chegada aleatria quando a disciplina da fila aquela na qual os primeiros que chegam sero os
primeiros a ser atendidos. Se essa chegada encontrar n clientes j no sistema, ento a chegada ter de esperar ao longo dos n $ 1 tempos de atendimento exponenciais, inclusive o
seu prprio. Para o cliente que est sendo atendido no momento, relembre-se da propriedade de falta de memria para a distribuio exponencial discutida na Seo 17.4. Portanto,
faamos que T1, T2, . . . sejam as variveis aleatrias de tempo de atendimento independentes tendo uma distribuio exponencial com parmetro ", e faamos que
Sn $ 1 ! T1 $ T2 $ $ Tn $ 1,

para n ! 0, 1, 2, . . . ,

de modo que Sn$1 representa o tempo de espera condicional dado n clientes j no sistema.
Conforme discutido na Seo 17.7, Sn$1 conhecido por ter uma distribuio de Erlang.8
Em virtude de a probabilidade de que a chegada aleatria v encontrar n clientes no sistema
ser Pn, decorre que
!

P{! ' t} ! ! Pn P{Sn$1 ' t},


n!0

Fora do mbito da teoria das filas, essa distribuio conhecida como distribuio gama.

24

CAPTULO 17

TEORIA DAS FILAS

que reduz aps manipulao considervel (ver Problema 17.6-16) para


P{! ' t} ! e#"(1##)t,

para t " 0.

A concluso surpreendente que ! tem uma distribuio exponencial com parmetro


"(1 # #). Logo,
1
W ! E(!) ! %%
"(1 # #)
1
! %%.
"#!
Esses resultados incluem tempo de atendimento no tempo de espera. Em alguns contextos (por exemplo, o problema da sala de emergncias do Hospital Municipal), o tempo de
espera mais relevante logo antes de o servio comear. Portanto, considere o tempo de
espera na fila (assim, excluindo o tempo de atendimento) Wq para uma chegada aleatria
quando a disciplina da fila for aquela em que os primeiros que chegam sero os primeiros a
ser atendidos. Se essa chegada no encontrar nenhum cliente j no sistema, ento a chegada ser atendida imediatamente, de modo que
P{ Wq ! 0} ! P0 ! 1 # #.
Se, ao contrrio, essa chegada encontrar n ' 0 clientes j na fila, ento a chegada tem de
esperar por n tempos de atendimento exponenciais at que seu atendimento comece, de
forma que
!

P{!q ' t} ! ! Pn P{Sn ' t}


n!1
!

(1 # #)#n P{Sn ' t}

n!1
!

!#

! Pn P{Sn$1 ' t}
n!0

! #P{! ' t}
! #e#"(1##)t,

para t " 0.

Note que Wq no tem nenhuma distribuio exponencial, pois P{!q ! 0} ' 0. Entretanto,
a distribuio condicional de !q, dado que !q ' 0, tem uma distribuio exponencial com
parmetro "(1 # #), assim como !, pois
P{!q ' t}
P{!q ' t!q ' 0} ! %% ! e#"(1##)t,
P{!q ' 0}

para t " 0.

Obtendo a mdia da distribuio (incondicional) de !q (ou aplicando Lq ! !Wq ou


ento Wq ! W # 1 /"),
!
Wq ! E(!q) ! %%.
"(" # !)
Caso queira ver um exemplo que aplique o modelo M/M/1 para determinar que tipo de
equipamento de manipulao de materiais uma empresa deveria comprar, existe um na seo
de Exemplos Trabalhados do CD-ROM.
Resultados para o Caso com Vrios Atendentes (s ' 1).
res Cn ficam

Quando s ' 1, os fato-

17.6

M ODELOS DE FILAS BASEADOS N O PROCESSO DE NASCIMENTO-E-M ORTE

(!/")n
%n%
!

Cn !
s
(!/") !
%%
%s%
!
s"

25

para n ! 1, 2, . . . , s

% &

n#s

(!/")n
! %n#
%
s!s s

para n ! s, s $ 1, . . . .

Conseqentemente, se ! ) s" [de modo que # ! !/(s") ) 1], ento


s#1
(!/")n
(!/")s ! !
1 $ ! %% $ %% ! %%
n!
s! n!s s"
n!1

+,

P0 ! 1

% & -

s#1

(!/")n

n#s

(!/")s

1
$ %% %%-,
+, ! %n%
!
s! 1 # !/(s")

!1

n!0

em que o termo n ! 0 no ltimo somatrio resulta no valor correto igual a 1 em decorrncia da conveno que n! ! 1 quando n ! 0. Esses fatores Cn tambm resultam em
(!/")n
%% P0
n!
Pn !
n
(!/")
%s P0
n#
%
s!s

se 0 & n & s
se n " s.

Alm disso,
!

Lq !

! (n # s)Pn
n!s
!

! jPs$j

j!0
!

(!/")s

j
P0
! j %s%#
!
j!0

(!/")s ! d
! P0%%# ! %% (# j)
s!
j!0 d#
(!/")s d
! P0%%# %%
s!
d#

! # j&
% j!0

(!/")s d
1
! P0%%# %% %%
d# 1 # #
s!

&

P0(!/")s#
!%
%;
s!(1 # #)2
Lq
Wq ! %%;
!
1
W ! Wq $ %%;
"
1
!
L ! ! Wq $ %% ! Lq $ %%.
"
"

&

A Figura 17.6 mostra como L muda com # para vrios valores de s.


O mtodo com um nico atendente para encontrar a distribuio probabilstica dos tempos de espera tambm pode ser estendido para o caso com vrios atendentes. Isto resulta9
(para t " 0) em
9

Quando s # 1 # !/" ! 0, (1 # e#"t(s#1#!/"))/(s # 1 # !/") deveria ser substitudo por "t.

26

CAPTULO 17

TEORIA DAS FILAS

10

s!
20
s! 5
1
s !10
s!
7
s!
5
s!
4
s!
3
s!

1,0

s!

25

s!

Nmero esperado de clientes em estado estvel no sistema

100

0,1

FIGURA 17.6
Valores para L para o modelo
M/M/s (Seo 17.6).

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

1,0
1!

Fator de utilizao

1 $ P0(!/")s 1 # e#"t(s#1#!/")
P{! ' t} ! e#"t %%
%%
s!(1 # #)
s # 1 # !/"

0,9

s.

&-

e
P{!q ' t} ! (1 # P{!q ! 0})e#s"(1##)t,
em que
s#1

P{!q ! 0} ! ! Pn.
n!0

As frmulas anteriores para as vrias medidas de desempenho (inclusive Pn) relativamente impem clculos manuais. Entretanto, o arquivo em Excel para este captulo no
Courseware de PO inclui um gabarito em Excel que realiza todos esses clculos simultaneamente para quaisquer valores de t, s, ! e " que voc queira, desde que ! ) s".
Se ! " s", de modo que a taxa mdia de chegada exceda a taxa mdia de trminos de
atendimento mxima, ento a fila cresce sem limites, de maneira que as solues de estado
estvel anteriores no se aplicam.

17.6

M ODELOS DE FILAS BASEADOS N O PROCESSO DE NASCIMENTO-E-M ORTE

27

Exemplo do Hospital Municipal com o Modelo M/M/s. Para o problema da sala de


emergncias do Hospital Municipal (ver Seo 17.1), o administrador concluiu que os casos
de emergncia chegam, em sua maioria, de forma aleatria (um processo de entrada de
Poisson), de modo que os tempos entre atendimentos possuem uma distribuio exponencial. Ele tambm concluiu que o tempo gasto por um mdico tratando os casos segue, aproximadamente, uma distribuio exponencial. Assim, ele optou pelo modelo M/M/s para um
estudo preliminar desse sistema de filas.
Projetando para o ano que vem os dados disponveis para o turno do incio da noite, ele
estima que os pacientes chegaro em uma taxa mdia de 1 a cada 1/2 hora. Um mdico precisa em mdia de 20 minutos para atender cada paciente. Portanto, com uma hora sendo a
unidade de tempo,
1
1
%% ! %% hora por cliente
2
!
e
1
1
%% ! %% hora por cliente,
3
"
de modo que
! ! 2 clientes por hora
e
" ! 3 clientes por hora.
As duas alternativas consideradas so para continuar a ter apenas um mdico durante esse
turno (s ! 1) ou ento disponibilizar um segundo mdico (s ! 2). Em ambos os casos,
!
# ! %% ) 1,
s"
de forma que o sistema deveria aproximar-se de uma condio de estado estvel. Na verdade, como ! ligeiramente distinto durante outros turnos, o sistema jamais atingir realmente uma condio de estado estvel, porm o administrador acha que os resultados de estado
estvel fornecero uma boa aproximao. Portanto, as equaes anteriores so usadas para
obter os resultados mostrados na Tabela 17.2.
Com base nesses resultados, ele concluiu provisoriamente que um nico mdico seria
inadequado para o prximo ano para fornecer os cuidados relativamente imediatos necessrios para uma sala de emergncias de um hospital. Veremos adiante (Seo 17.8) como ele
chegou a essa concluso aplicando outro modelo de filas que fornece uma representao
melhor do real sistema de filas de maneira crucial.

Para mais um exemplo da aplicao do modelo M/M/1 consulte a seo de Exemplos


Trabalhados do CD-ROM, em que a questo nesse caso se trs empregados em uma lanchonete deveriam trabalhar juntos funcionando como um nico atendente rpido ou ento
separadamente como trs atendentes consideravelmente lentos.

28

CAPTULO 17

TEORIA DAS FILAS

TABELA 17.2 Resultados de estado estvel do modelo M / M / s

para o problema do Hospital Municipal


s"1

s"2

Lq

2
%%
3
1
%%
3
2
%%
9
1 2
%% %%
3 3
4
%%
3

Wq

2
%% hora
3

1 hora

P{!q ' 0}
1
P !q ' %%
2

0.667

1
%%
3
1
%%
2
1
%%
3
1 n
%%
3
1
%%
12
3
%%
4
1
%% hora
24
3
%% hora
8
0.167

0.404

0.022

P{!q ' 1}

0.245

0.003

P{!q ' t }

2
%%e#t
3

P{! ' t }

e#t

1
%%e#4 t
6
1
%%e#3 t(3 # e#t )
2

#
P0
P1
Pn

para n " 2

% &

% &

Variante de Fila Finita do Modelo M / M / s (Denominado Modelo


M / M / s / K)
Mencionamos na discusso sobre filas na Seo 17.2 que os sistemas de filas algumas vezes
tm uma fila finita, isto , o nmero de clientes no sistema no pode ultrapassar algum
nmero especificado (representado por K) de modo que a capacidade da fila K # s.
Qualquer cliente que chegue enquanto a fila estiver cheia no pode entrar no sistema e,
portanto, sai para sempre. Do ponto de vista do processo de nascimento-e-morte, a taxa
mdia de entrada no sistema se torna zero nesses momentos. Portanto, a nica modificao
necessria no modelo M/M/s para introduzir uma fila finita alterar os parmetros !n para

!
!n ! 0

para n ! 0, 1, 2, . . . , K # 1
para n " K.

Como !n ! 0 para alguns valores de n, um sistema de filas que se ajusta a esse modelo sempre vai finalmente atingir uma condio de estado estvel, mesmo quando # ! !/s" & 1.
Esse modelo chamado comumente M/M/s/K, em que a presena do quarto smbolo o
distingue do modelo M/M/s. A nica diferena na formulao desses dois modelos que K
finito para o modelo M/M/s/K e K !, para o modelo M/M/s.
A interpretao fsica usual para o modelo M/M/s/K que existe apenas uma sala de
espera limitada que acomodar um mximo de K clientes no sistema. Por exemplo, para o
problema da sala de emergncias do Hospital Municipal, esse sistema na verdade teria uma
fila finita se houvesse apenas K leitos para os pacientes e se a poltica fosse a de enviar
pacientes que chegam para outro hospital toda vez que no houvesse leitos vazios.
Outra interpretao possvel que os clientes que chegam sairo e procuraro outro
caminho toda vez que eles encontrarem muitos clientes (K) sua frente no sistema, pois eles
no esto propensos a esperar muito nessa fila. Esse fenmeno de recusa bastante comum

17.6

M ODELOS DE FILAS BASEADOS N O PROCESSO DE NASCIMENTO-E-M ORTE

29

em sistemas de atendimento comerciais. Entretanto, existem outros modelos disponveis (por


exemplo, ver Problema 17.5-5) que se encaixam ainda melhor nessa interpretao.
O diagrama de taxas para esse modelo idntico quele mostrado na Figura 17.5 para
o modelo M/M/s, exceto que ele pra com o estado K.
Resultados para o Caso com um nico Atendente ( M/M/ 1 /K ).

% &

%!%

Cn ! "

! #n

Para esse caso,

para n ! 0, 1, 2, . . . , K
para n ' K.

10

Portanto, para #01,

1
P0 ! %
%
n
/K
n!0 (!/")
1 # (!/")K$1
! 1 %%
1 # !/"
1##
! %%,
1 # #K$1

+,

de modo que
1##
#n,
Pn ! %%
1 # #K$1

para n ! 0, 1, 2, . . . , K.

Portanto,
K

L!

! nPn
n!0

K
1##
d n
! %%
K$1 # ! %%(# )
1##
d
n!0 #

1##
d
! %%
# %%
1 # #K$1 d#

! #n&
%n!0

1##
d 1 # #K$1
! %%
K$1 # %% %%
1##
d# 1 # #

&

#(K $ 1)#K $ K#K$1 $ 1


! # %%%
(1 # #K$1)(1 # #)
(K $ 1)#K$1
#
! %% # % %.
1 # #K$1
1##
Como de praxe (quando s ! 1),
Lq ! L # (1 # P0).
Observe que os resultados anteriores no precisam que ! ) " (isto , que # ) 1).
Quando # ) 1, pode ser verificado que o segundo termo na expresso final para L converge para 0 medida que K ,, de forma que todos os resultados anteriores de fato convirjam para os resultados correspondentes ao modelo M/M/1, mostrado anteriormente.
As distribuies de tempos de espera podem ser obtidas usando-se o mesmo raciocnio
daquele para o modelo M/M/1 (ver Problema 17.6-27). Entretanto, no so obtidas expresses simples nesse caso, de modo que necessrio o emprego de computador para efetuar

10

Se # ! 1, ento Pn ! 1/(K $ 1) para n ! 0, 1, 2, . . . , K, de modo que L ! K/2.

30

CAPTULO 17

TEORIA DAS FILAS

os clculos. Felizmente, embora L 0 !W e Lq 0 !Wq para o modelo atual, pois !n no


igual para todo n (ver o final da Seo 17.2), os tempos de espera previstos para clientes
entrando no sistema ainda podem ser obtidos diretamente das expresses dadas no final da
Seo 17.5:
Lq
Wq ! %%,
!
"

L
W ! %%,
!
"
em que
!!
"

! !nPn
n!0
K#1

!Pn

n!0

! !(1 # PK).
Resultados para o Caso com Vrios Atendentes (s ' 1). Como esse modelo no
permite mais que K clientes no sistema, K o nmero mximo de atendentes que poderia
ser usado. Portanto, suponha que s & K. Nesse caso, Cn se torna
n

(!/")
%
n%
!

Cn ! (!/")s !
%%
%s%
!
s"

para n ! 0, 1, 2, . . . , s

% &

n#s

(!/")n
! %n#
%
s!s s

para n ! s, s $ 1, . . . , K
para n ' K.

Portanto,
n

(!/")
%
P0
n%
!

Pn ! (!/")n
%P
%
s!sn#s 0

para n ! 1, 2, . . . , s
para n ! s, s $ 1, . . . , K
para n ' K,

em que
s

(!/")n

(!/")s

!
$ %% ! %%%& -.
+,! %n%
!
s!
s"

P0 ! 1

n!0

n#s

n!s$1

Essas frmulas continuam a usar a conveno de que n! ! 1 quando n ! 0.


Adaptando a derivada de Lq para o modelo M/M/s a esse caso resulta em
P0(!/")s#
% [1 # #K#s # (K # s)#K#s(1 # #)],
Lq ! %
s! (1 # #)2
em que # ! !/(s").11 Pode se provar que
s#1

s#1

&

L ! ! nPn $ Lq $ s 1 # ! Pn .
n!0

11

n!0

Se # ! 1, necessrio aplicar duas vezes a regra de LHpital a essa expresso para Lq. Caso contrrio, todos esses resultados com vrios atendentes sero vlidos para todo #'0. A razo para que esse sistema de filas consiga atingir uma condio de estado estvel mesmo quando # " 1 que !n ! 0 para n " K, de modo
que o nmero de clientes no sistema no possa continuar a crescer indefinidamente.

17.6

M ODELOS DE FILAS BASEADOS N O PROCESSO DE NASCIMENTO-E-M ORTE

31

E W e Wq so obtidos desses valores exatamente como mostrado para o caso com um nico
atendente.
O arquivo Excel para este captulo inclui um gabarito em Excel para calcular as medidas de desempenho dadas anteriormente (inclusive Pn) para esse modelo.
Um caso especial interessante desse modelo aquele no qual K ! s de maneira que a
capacidade da fila seja K # s ! 0. Nesse caso, clientes que chegam quando todos os atendentes esto ocupados sairo imediatamente e sero perdidos para o sistema. Isso ocorreria, por exemplo, em uma rede telefnica com s linhas-tronco de modo que aqueles que
telefonassem receberiam um sinal de ocupado e desligariam quando todas as linhas-tronco
estivessem ocupadas. Esse tipo de sistema (um sistema de filas sem nenhuma fila) chamado sistema de perda de Erlang, pois ele foi estudado pela primeira vez no incio do sculo
XX por A. K. Erlang, um engenheiro de telecomunicaes dinamarqus que considerado
o criador da teoria das filas.
Hoje comum para o sistema telefnico em um call center fornecer algumas linhastronco extras que colocam a pessoa que fez a chamada em espera, porm, outras pessoas que
ligarem depois disso podero encontrar as linhas ocupadas (sinal de ocupado). Um sistema
destes tambm se ajusta a esse modelo, no qual (K s) o nmero de linhas-tronco extras
que colocam a pessoa que fez a chamada na espera. Um dos exemplos na seo de Exemplos
Trabalhados do CD-ROM ilustra a aplicao desse modelo para um sistema destes.
Variante da Populao Solicitante Finita do Modelo M / M / s
Suponha agora que o nico desvio do modelo M/M/s seja que (conforme definido na
Seo 17.2) a fonte de entradas seja limitada, isto , o tamanho da populao solicitante
finito. Para esse caso, faamos que N represente o tamanho da populao solicitante.
Assim, quando o nmero de clientes no sistema de filas for n (n ! 0, 1, 2, . . . , N), existiro apenas N # n possveis clientes restantes na fonte de entradas.
A aplicao mais importante desse modelo foi a do problema do conserto de mquinas,
no qual um ou mais tcnicos de manuteno recebem o encargo de manter em operao
certo grupo de N mquinas reparando cada uma que quebrar. O exemplo dado no final da
Seo 16.8 ilustra essa aplicao quando os procedimentos gerais para solucionar qualquer
cadeia de Markov de tempo contnuo so usados em vez das frmulas especficas disponveis para o processo de nascimento-e-morte. A equipe de manuteno considerada como
atendentes individuais no sistema de filas se eles trabalharem individualmente em diferentes tipos de mquinas, ao passo que toda a equipe considerada um nico atendente se os
membros da equipe trabalharem juntos em cada mquina. As mquinas constituem a populao solicitante. Cada uma delas considerada um cliente no sistema de filas quando se
encontrar quebrada aguardando ser reparada, ao passo que ela se encontra fora do sistema
de filas enquanto ela estiver operacional.
Note que cada membro da populao solicitante alterna entre estar dentro e fora do sistema de filas. Portanto, o anlogo do modelo M/M/s que se enquadra nessa situao supe
que o tempo fora de cada membro (isto , o tempo decorrido entre deixar o sistema at retornar da prxima vez) tem uma distribuio exponencial com parmetro !. Quando n dos
membros estiverem dentro e, portanto, N # n membros estiverem fora, a distribuio probabilstica atual do tempo restante at a prxima chegada ao sistema de filas a distribuio do mnimo dos tempos fora restantes para os ltimos N # n membros. As Propriedades
2 e 3 para a distribuio exponencial implicam que essa distribuio tem de ser exponencial
com parmetro !n ! (N # n)!. Assim, esse modelo simplesmente o caso especial do processo de nascimento-e-morte que tem o diagrama de taxas mostrado na Figura 17.7.
Como !n ! 0 para n ! N, qualquer sistema de filas que se ajuste a esse modelo acabar finalmente atingindo uma condio de estado estvel. Os resultados de estado estvel disponveis so sintetizados a seguir:
Resultados para o Caso com um nico Atendente (s ! 1).
fatores na Seo 17.5 reduzem-se a

Quando s ! 1, os Cn

32

CAPTULO 17

TEORIA DAS FILAS

(a) Caso com um nico atendente (s ! 1)

* (N0, # n)-,

-n !

para n ! 0, 1, 2, ..., N
para n " N
para n ! 1, 2, ...

.n ! .,

N - (N # 1)Estado: 0

1
.

(N # n $ 2)- (N # n $ 1)-

n#2

n#1

.
para n ! 0, 1, 2, ..., N
para n " N
para n ! 1, 2, ..., s
para n ! s, s $ 1, ...

-n !
n

FIGURA 17.7
Diagramas de taxas para
uma variao de populao
solicitante finita do modelo
M/M/s.

N- (N # 1)Estado: 0

1
.

(N # s $ 2)- (N # s $ 1)

s#2

(s # 1).

2.

% &

N(N # 1) +++ (N # n $ 1) %!%

"
Cn !

s#1

N#1

* (N0, # n)-,
n.,
. ! *
s.,

(b) Caso com vrios atendentes (s ' 1)

s.

s.

% &

N!
!
! %% % %
(N # n)! "

N#1

para n & N
para n ' N,

para esse modelo. Portanto, usando novamente a conveno de que n! ! 1 quando n ! 0,


N

N!
!
% %% ;
+! ,%
(N # n)! % " & n

P0 ! 1

n!0

% &

N!
!
Pn ! %% %%
(N # n)! "

P0,

se n ! 1, 2, . . . , N;

Lq !

! (n # 1)Pn,
n!1

que pode ser reduzida a


!$"
Lq ! N # %%(1 # P0);
!
N

L !

! nPn ! Lq $ 1 # P0
n!0

"
! N # %%(1 # P0).
!
Finalmente,
L
W ! %%
!
"

Lq
Wq ! %%,
"
!

em que
!

n!0

n!0

"
! ! ! !nPn ! ! (N # n)!Pn ! !(N # L).

17.6

M ODELOS DE FILAS BASEADOS N O PROCESSO DE NASCIMENTO-E-M ORTE

33

Neste ponto, voc poderia achar til retornar ao exemplo no final da Seo 16.8,
pois aquele exemplo se encaixa perfeitamente nesse modelo de caso com um nico atendente. Particularmente, N ! 2, ! ! 1 e " ! 2 para aquele exemplo, de modo que P0 ! 0,4,
P1 ! 0,4, P2 ! 0,2 e assim por diante.
Resultados para o Caso com Vrios Atendentes (s ' 1).

% &

!
!
%N%
(N # n)!n! %"%

N!
!
Cn ! %%
(N # n)!s!sn#s %"%

Para N " s ' 1,

para n ! 0, 1, 2, . . . , s

% &

para n ! s, s $ 1, . . . , N
para n ' N.

Portanto,

% &

!
! n
%N%
%
(N # n)!n! "% P0

N!
Pn ! %%
! n
(N # n)!s!sn#s %"% P0

se 0 & n & s

% &

se s & n & N
se n ' N,

em que
s#1

+, !

P0 ! 1

n!0

% &

N!
!
%% %%
(N # n)!n! "

N
N!
!
$ ! %%
n#s %%
"
n!s (N # n)!s!s

% & -.
n

Finalmente,
N

Lq ! ! (n # s)Pn
n!s

e
s#1

s#1

&

L ! ! nPn $ Lq $ s 1 # ! Pn ,
n!0

n!0

que ento resulta em W e Wq pelas mesmas equaes como no caso com um nico atendente.
O arquivo Excel para este captulo inclui um gabarito em Excel para realizar todos os
clculos anteriores.
Esto disponveis tambm tabelas extensas de resultados computacionais12 para esse
modelo tanto para o caso com um nico atendente como para aquele com vrios atendentes.
Para ambos os casos, foi demonstrado13 que as frmulas anteriores para Pn e P0 (e,
portanto, para Lq, L, W e Wq) tambm so vlidas para uma generalizao desse modelo.
Particularmente, podemos eliminar a hiptese de que os tempos gastos fora do sistema de
filas pelos membros da populao solicitante possuam uma distribuio exponencial,
embora isso tire o modelo fora do escopo do processo de nascimento-e-morte. Desde que
esses tempos sejam distribudos identicamente com mdia 1/! (e a hiptese dos tempos de
atendimento exponenciais ainda vlida), esses tempos fora podem ter qualquer distribuio probabilstica!
12
13

PECK, L. G.; HAZELWOOD, R. N. Finite Queueing Tables. Nova York: Wiley, 1958.
BUNDAY, B. D.; SCRATON, R. E. The G/M/r Machine Interference Model. European Journal of Operational Research, v. 4, p. 399-402, 1980.

34

17.7

CAPTULO 17

TEORIA DAS FILAS

MODELOS DE FILAS ENVOLVENDO DISTRIBUIES


NO-EXPONENCIAIS
Como todos os modelos de teoria das filas na seo anterior (exceto para uma generalizao) se baseiam no processo de nascimento-e-morte, tanto os tempos entre chegadas quanto os tempos de atendimento precisam ter distribuies exponenciais. Conforme discutido
na Seo 17.4, esse tipo de distribuio probabilstica possui muitas propriedades convenientes para teoria das filas, mas ele fornece uma adequao razovel para apenas certos
tipos de sistemas de filas. Em particular, a hiptese dos tempos entre atendimentos exponenciais implica que as chegadas ocorrem aleatoriamente (um processo de entrada de Poisson),
que uma aproximao razovel em muitas situaes, mas no para o caso em que as chegadas so cuidadosamente programadas ou reguladas. Alm disso, a distribuio de tempo
de atendimento real freqentemente se desvia muito da forma exponencial, particularmente
quando as exigncias de atendimento dos clientes so bastante similares. Portanto, importante ter disponvel outros modelos de filas que usem distribuies alternativas.
Infelizmente, a anlise matemtica dos modelos de filas como distribuies no-exponenciais muito mais difcil. Entretanto, foi possvel se obter alguns resultados teis para
alguns desses modelos. Essa anlise est fora do escopo deste livro, porm, nesta seo, iremos fazer um resumo dos modelos e descrever seus resultados.
Modelo M / G / 1
Conforme introduzido na Seo 17.2, o modelo M/G/1 parte do pressuposto de que o sistema de filas tem um nico atendente e um processo de entrada de Poisson (tempos entre
atendimentos exponenciais) com uma taxa mdia de chegada fixa, !. Como de praxe, supese que os clientes tenham tempos de atendimento independentes com a mesma distribuio
probabilstica. Entretanto, no imposta nenhuma restrio de como deve ser essa distribuio de tempos de atendimento. Na realidade, necessrio apenas conhecer (ou estimar) a
mdia 1/" e a varincia %2 dessa distribuio.
Qualquer sistema de filas desses pode finalmente atingir uma condio de estado estvel se # ! !/" ) 1. Os resultados de estado estvel14 prontamente disponveis para esse
modelo geral so os seguintes:
P0 ! 1 # #,
!2% 2 $ #2
Lq ! %%,
2(1 # #)
L ! # $ Lq,
Lq
Wq ! %%,
!
1
W ! Wq $ %%.
"
Considerando a complexidade envolvida na anlise de um modelo que permita qualquer distribuio de tempo de atendimento, incrvel que uma frmula to simples possa ser obtida
para Lq. Essa frmula um dos resultados mais importantes na teoria das filas em razo de
sua facilidade de uso e o predomnio de sistemas de filas M/G/1 na prtica. Essa equao
para Lq (ou seu equivalente para Wq) comumente chamada frmula de PollaczekKhintchine, em homenagem aos dois pioneiros no desenvolvimento da teoria das filas que
obtiveram a frmula no incio dos anos 30.

14

Existe tambm uma frmula de recurso para calcular a distribuio probabilstica do nmero de clientes no
sistema; ver HORDIJK, A.; TIJMS, H. C. A Simple Proof of the Equivalence of Limiting Distribution of the
Continuous-Time and the Embedded Process of Queue Size in the M/G/1 Queue. Statistica Neerlandica,
v. 36, p. 97-100, 1976.

17.7

M ODELOS DE FILAS ENVOLVENDO DISTRIBUIES NO-EXPO NENCIAIS

35

Para qualquer tempo de atendimento esperado fixo, 1/", note que Lq, L, Wq e W aumentam medida que %2 aumentado. Esse resultado importante, pois ele indica que a regularidade do atendente tem uma importante relao com o desempenho da instalao de atendimento no apenas a velocidade mdia do atendente. Esse ponto-chave ilustrado na
prxima subseo.
Quando a distribuio de tempos de atendimento for exponencial, %2 ! 1/"2, e os
resultados anteriores reduziro os resultados correspondentes para o modelo M/M/1 dado no
incio da Seo 17.6.
A flexibilidade total na distribuio de tempos de atendimento fornecida por esse
modelo extremamente til, de modo que uma pena que esforos para obter resultados
similares para o caso com vrios atendentes tenham sido infrutferos. Entretanto, alguns
resultados com vrios atendentes foram obtidos para os importantes casos especiais descritos pelos dois modelos a seguir. Existem gabaritos em Excel no arquivo Excel para este captulo para realizar os clculos tanto para o modelo M/G/1 como para os dois modelos considerados a seguir quando s ! 1.
Modelo M / D / s
Quando o atendimento consiste essencialmente na mesma tarefa rotineira a ser realizada
para todos os clientes, h uma tendncia de haver pouca variao no tempo de atendimento
necessrio. O modelo M/D/s normalmente fornece uma representao razovel para esse
tipo de situao, pois ele supe que todos os tempos de atendimento se igualam a alguma
constante fixa (a distribuio degenerada de tempo de atendimento) e que temos um processo de entrada de Poisson com uma taxa mdia de chegada fixa !.
Quando h apenas um atendente, o modelo M/D/1 simplesmente o caso especial do
modelo M/G/1 em que %2 ! 0, de modo que a frmula de Pollaczek-Khintchine reduz-se a
#2
Lq ! %%,
2(1 # #)
em que L, Wq e W so obtidos de Lq conforme ilustrado a seguir. Note que estes Lq e Wq so
exatamente metade do tamanho daqueles para o caso de tempo de atendimento exponencial
da Seo 17.6 (o modelo M/M/1), no qual %2 ! 1/"2, de modo que diminuir %2 pode melhorar muito a medida de desempenho de um sistema de filas.
Para a verso com vrios atendentes desse modelo (M/D/s), existe um mtodo complicado15 para obter a distribuio probabilstica de estado estvel do nmero de clientes no
sistema e sua mdia [supondo que # ! !/(s") ) 1]. Esses resultados foram tabulados para
inmeros casos,16 e as mdias (L) tambm so dadas graficamente na Figura 17.8.
Modelo M / Ek / s
O modelo M/D/s supe uma variao zero nos tempos de atendimento (% ! 0), ao passo que a
distribuio exponencial de tempos de atendimento supe uma variao muito grande (% ! 1/").
Entre esses dois casos bastante extremos temos um intermdio extenso (0 ) % ) 1/"), no qual
a maioria das distribuies de tempos de atendimento reais caem. Outro tipo de distribuio de
tempos de atendimento terica que cai nesse meio-termo a distribuio de Erlang (em homenagem ao criador da teoria das filas).
A funo de densidade probabilstica para a distribuio de Erlang
("k)k
f(t) ! %% t k#1e#k"t,
(k # 1)!

15

16

para t " 0,

Ver PRABHU, N. U. Queues and Inventories, Nova York. Wiley, p. 32-34, 1965; ver tambm as pginas 286288 na Referncia Selecionada 5.
HILLIER, F. S. et al. Queueing Tables and Graphs. Nova York: Elsevier North-Holland, 1981.

36

CAPTULO 17

TEORIA DAS FILAS

Nmero esperado de clientes em estado estvel no sistema

100

10
s

15
s!
10
s!
7
s!
5
s!
4
s !3
s!
2

1,0

s! 1
s!

0,1

FIGURA 17.8
Valores de L para o modelo
M/D/s (Seo 17.7).

25
s!
0
!2

0,1

0,2

0,3

0,4

0,5

0,6

Fator de utilizao

0,7

0,8

0,9

1,0
1!

s.

em que " e k so parmetros da distribuio estritamente positivos e, alm disso, k tambm


restrito a ser inteiro. Exceto por essa restrio inteira e a definio dos parmetros, essa
distribuio idntica distribuio gama. Sua mdia e desvio-padro so
1
Mdia ! %%
"
e
1 1
Desvio-padro ! % %%.
.k" "
Portanto, k o parmetro que especifica o grau de variabilidade dos tempos de atendimento relativos mdia. Normalmente ele conhecido como parmetro de forma.
A distribuio de Erlang uma distribuio muito importante na teoria das filas por
duas razes. Para descrever a primeira, suponha que T1, T2, . . . , Tk sejam k variveis aleatrias independentes com uma distribuio exponencial idntica cuja mdia 1/(k"). Sua
soma ento
T ! T1 $ T2 $ $ Tk
possui uma distribuio de Erlang com parmetros " e k. A discusso da distribuio
exponencial na Seo 17.4 sugeria que o tempo necessrio para realizar certos tipos de
tarefas poderiam muito bem ter distribuio exponencial. Entretanto, o atendimento total

17.7

M ODELOS DE FILAS ENVOLVENDO DISTRIBUIES NO-EXPO NENCIAIS

37

necessrio para um cliente poderia envolver o desempenho do atendente realizando no


somente uma tarefa especfica, mas sim uma seqncia de k tarefas. Se as respectivas tarefas tiverem uma distribuio exponencial idntica e independente para suas duraes, o
tempo de atendimento total ter uma distribuio de Erlang. Este seria o caso, por exemplo, se o atendente tivesse de realizar a mesma tarefa exponencial k vezes independentes
para cada cliente.
A distribuio de Erlang tambm muito til, pois ela uma grande (dois parmetros)
famlia de distribuies permitindo somente valores no-negativos. Assim, distribuies de
tempos de atendimento empricas podem normalmente ser razoavelmente aproximadas por
uma distribuio de Erlang. De fato, tanto as distribuies exponenciais quanto as degeneradas (constantes) so casos especiais da distribuio de Erlang, com k ! 1 e k !,, respectivamente. Valores intermedirios de k fornecem distribuies intermedirias com
mdia ! 1/", modo ! (k # 1)/(k") e varincia ! 1/(k"2), conforme sugerido pela Figura
17.9. Portanto, aps estimar a mdia e varincia de uma distribuio de tempos de atendimento emprica, essas frmulas para a mdia e varincia podem ser usadas para escolher o
valor inteiro de k que se aproxima mais de perto das estimativas.
Considere agora o modelo M/Ek/1, que simplesmente o caso especial do modelo
M/G/l, no qual tempos de atendimento possuem uma distribuio de Erlang com parmetro
de forma ! k. Aplicando a frmula de Pollaczek-Khintchine com %2 ! 1/(k"2) (e os resultados dados para M/G/1) resulta em
!2/(k"2) $ #2
1$k
!2
Lq ! %% ! %% %%,
2(1 # #)
2k "(" # !)
1$k
!
Wq ! %% %%,
2k "(" # !)
1
W ! Wq $ %%,
"
L ! !W.

FIGURA 17.9
Uma famlia de distribuies
de Erlang com mdia
constante 1/".

Funo de densidade probabilstica

Com vrios atendentes (M/Ek/s), a relao da distribuio de Erlang para a distribuio exponencial que acabamos de descrever pode ser explorada para formular um processo de nascimento-e-morte modificado (cadeia de Markov de tempo contnuo) em termos
de fases de atendimento exponenciais individuais (k por cliente) em vez de clientes completos. Entretanto, no foi possvel obter uma soluo de estado estvel genrica [quando
# ! !/(s") ) 1] para a distribuio probabilstica do nmero de clientes no sistema, conforme fizemos na Seo 17.5. Em vez disso, so necessrias teorias avanadas para resolver

f (t)
.

k!,

k!3
k!2
k!1

0
Tempo de atendimento

1
.

38

CAPTULO 17

TEORIA DAS FILAS

numericamente casos individuais. Repetindo, esses resultados foram obtidos e tabulados


para inmeros casos.17 As mdias (L) tambm so dadas graficamente na Figura 17.10 para
alguns casos em que s ! 2.
A seo de Exemplos Trabalhados do CD-ROM inclui um exemplo que aplica o modelo M/Ek/s tanto para s ! 1 quanto para s ! 2 para escolher a alternativa de menor custo.
Modelos sem uma Entrada de Poisson
Todos os modelos de filas apresentados at ento partiram do pressuposto de que um processo de entrada de Poisson (tempos entre atendimentos exponenciais). Entretanto, essa
hiptese violada caso as chegadas sejam programadas ou reguladas de alguma maneira que
as impea de ocorrerem aleatoriamente, em cujo caso necessrio outro modelo.
Desde que os tempos de atendimento tenham uma distribuio exponencial com um
parmetro fixo, existem trs desses modelos disponveis. Esses modelos so obtidos meramente invertendo-se as supostas distribuies dos tempos de atendimento e entre chegadas
nos trs modelos precedentes. Portanto, o primeiro modelo novo (GI/M/s) no impe
nenhuma restrio sobre qual deva ser a distribuio de tempos entre atendimentos. Nesse
caso, existem alguns resultados de estado estvel disponveis18 (particularmente em relao s distribuies de tempos de espera) tanto para a verso do modelo com um nico
atendente quanto para aquela com vrios atendentes, porm esses resultados no so nem
de perto to convenientes quanto as expresses simples dadas para o modelo M/G/1. O

FIGURA 17.10
Valores de L para o modelo
M/Ek /2 (Seo 17.7).

Nmero esperado de clientes em estado estvel no sistema

100

k!1
k!2

10

k!8

1,0

0,1

0,1

0,2

0,3

0,4

0,5

0,6

0,7

Fator de utilizao

17
18

Ibid.
Ver, por exemplo, as pginas 248-260 da Referncia Selecionada 5.

0,8

0,9

1,0
1!

s.

17.7

M ODELOS DE FILAS ENVOLVENDO DISTRIBUIES NO-EXPO NENCIAIS

39

segundo modelo novo (D/M/s) supe que todos os tempos entre atendimentos sejam iguais
a alguma constante fixa, que representaria um sistema de filas em que chegadas so programadas em intervalos regulares. O terceiro modelo novo (Ek/M/s) supe uma distribuio de Erlang de tempos entre atendimentos, que fornece um meio-termo entre chegadas
regularmente programadas (constantes) e completamente aleatrias (exponenciais). Foram
tabulados19 resultados computacionais extensos para esses dois ltimos modelos, incluindo os valores de L dados graficamente nas Figuras 17.11 e 17.12.
Se nem os tempos entre chegadas nem os tempos de atendimento para um sistema de
filas tiverem uma distribuio exponencial, ento existem outros trs modelos de filas para
os quais tambm esto disponveis resultados computacionais.20 Um desses modelos
(Em/Ek/s) supe uma distribuio de Erlang para esses dois tipos de tempo. Os outros dois
modelos (Ek/D/s e D/Ek/s) supem que um desses tempos tenham uma distribuio de
Erlang e o outro tempo seja igual a alguma constante fixa.
Outros Modelos
Embora voc tenha visto nesta seo um grande nmero de modelos de filas que envolvem
distribuies no-exponenciais, estamos longe de ter esgotado a lista. Por exemplo, outra
distribuio que usada ocasionalmente, tanto para tempos entre atendimentos quanto para
tempos entre chegadas, a distribuio hiperexponencial. A caracterstica-chave dessa

L
FIGURA 17.11
Valores de L para o modelo
D/M/s (Seo 17.7).
Nmero esperado de clientes em estado estvel no sistema

100

10
s!
10
s!
7
s!
5
s!
4
s! 3
s!
2
s!
1
s!

1,0

0,1

0,1

0,2

0,3

0,4

15

0,5

0,6

Fator de utilizao

19
20

HILLIER; YU, op. cit.


Ibid.

0,7

0,8

0,9

1,0
1!

s.

40

CAPTULO 17

TEORIA DAS FILAS

Nmero esperado de clientes em estado estvel no sistema

100

m!1
m ! 16

1,0

0,1
FIGURA 17.12
Valores de L para o modelo
Ek /M/2 (Seo 17.7).

m!2

10

0,1

0,2

0,3

0,4

0,5

0,6

Fator de utilizao

0,7

0,8

0,9

1,0
1!

s.

distribuio que, embora sejam permitidos apenas valores no-negativos, seu desviopadro %, na verdade, maior que sua mdia 1/". Essa caracterstica contrasta com a distribuio de Erlang, em que % ) 1/" em todos os casos, exceto para k ! 1 (distribuio
exponencial), que possui % ! 1/". Para ilustrar uma situao tpica na qual % ' 1/" pode
ocorrer, suponhamos que o atendimento envolvido no sistema de filas seja o reparo de
algum tipo de mquina ou veculo. Se por acaso muitos reparos se tornarem uma rotina
(tempos de atendimento pequenos), porm reparos ocasionais exigirem uma reviso geral
(tempos de atendimento muito grandes), ento o desvio-padro dos tempos de atendimento tender a ser bastante grande em relao mdia, em cujo caso a distribuio hiperexponencial pode ser usada para representar a distribuio de tempos de atendimento.
Especificamente, essa distribuio suporia que existam probabilidades fixas, p e (1 # p),
cujo tipo de reparo vai ocorrer, que o tempo necessrio para cada tipo tem uma distribuio exponencial, porm que os parmetros para essas duas distribuies exponenciais so
diferentes. (Em geral, a distribuio hiperexponencial tal qual um composto de duas ou
mais distribuies exponenciais.)
Outra famlia de distribuies que est se tornando popular aquela das distribuies
do tipo-fase (algumas das quais tambm so chamadas distribuies erlangianas generalizadas). Essas distribuies so obtidas subdividindo-se o tempo total em um nmero de
fases, cada uma tendo uma distribuio exponencial, na qual os parmetros dessas distribuies exponenciais podem ser diferentes e as fases poderiam ser em srie ou em paralelo (ou ento ambas). Um grupo de fases em paralelo significa que o processo seleciona
aleatoriamente uma das fases para percorrer de cada vez de acordo com probabilidades
especificadas. Essa abordagem , na realidade, como a distribuio hiperexponencial

17.8

M ODELOS DE FILAS DE DISCIPLINA DE PRIORIDADES

41

obtida, de modo que essa distribuio seja um caso especial das distribuies tipo-fase.
Outro caso especial a distribuio de Erlang, que tem as restries de que todas suas k
fases esto em srie e que essas fases tm o mesmo parmetro para suas distribuies exponenciais. Eliminar essas restries significa que as distribuies tipo-fase, em geral, so
capazes de fornecer consideravelmente maior flexibilidade que a distribuio de Erlang em
adequar a verdadeira distribuio de tempos entre atendimentos ou de tempos de atendimento observada em um sistema de filas real. Essa flexibilidade especialmente valiosa
quando usar a distribuio real diretamente no modelo no for analiticamente tratvel e a
razo entre mdia e desvio-padro para a distribuio real no se aproximar muito das
razes disponveis (.k" para k ! 1, 2, . . .) para a distribuio de Erlang.
J que elas so construdas de combinaes de distribuies exponenciais, os modelos
de filas que usam distribuies tipo-fase ainda podem ser representados por uma cadeia de
Markov de tempo contnuo. Essa cadeia de Markov geralmente ter um nmero de estados
infinito, de forma que encontrar a distribuio de estado estvel do estado do sistema requer
resolver um sistema de equaes lineares infinito com uma estrutura relativamente complexa. Resolver um sistema destes est longe de ser uma coisa rotineira, porm avanos tericos recentes nos permitiram solucionar esses modelos de filas numericamente em alguns
casos. Uma extensa tabulao desses resultados para modelos com vrias distribuies tipofase (inclusive a distribuio hiperexponencial) est disponvel.21

17.8

MODELOS DE FILAS DE DISCIPLINA DE PRIORIDADES


Em modelos de filas de disciplina de prioridades, a disciplina da fila se baseia em um sistema de prioridades. Portanto, a ordem na qual os membros da fila so selecionados se baseia
nas prioridades que lhes foram atribudas.
Muitos sistemas de filas reais se encaixam nesses modelos de disciplina de prioridades
de forma muito mais aproximada do que para outros modelos disponveis. Tarefas urgentes
so colocadas frente de outras tarefas e clientes importantes podem ter prioridade em relao a outros. Assim, o uso de modelos de disciplina de prioridade normalmente fornece um
refinamento adequado em relao a outros modelos de filas mais usuais.
Apresentamos dois modelos bsicos de disciplina de prioridades. J que ambos os
modelos fazem as mesmas hipteses, exceto pela natureza das prioridades, descreveremos
os modelos em conjunto e depois resumiremos seus resultados separadamente.
Modelos
Ambos os modelos supem que existam N classes de prioridade (a classe 1 tem a prioridade mais alta e a classe N, a mais baixa) e que sempre que um atendente ficar livre para
comear a atender um novo cliente da fila, o cliente selecionado ser aquele membro de
classe de prioridade mais alta representada na fila por aquele que est esperando h mais
tempo. Em outras palavras, os clientes so selecionados para comear a ser atendidos na
ordem de suas classes de prioridade, mas tambm em uma ordem na qual os primeiros que
chegam sero os primeiros a ser atendidos dentro de cada classe de prioridade. Parte-se do
pressuposto da existncia de um processo de entrada de Poisson e tempos de atendimento
exponenciais para cada classe de prioridades. Exceto para o caso especial considerado mais
frente, os modelos tambm fazem a hiptese um tanto restritiva de que o tempo de atendimento esperado seja o mesmo para todas as classes de prioridades. Entretanto, os modelos permitem efetivamente que a taxa mdia de chegada seja diferente entre as diversas
classes de prioridades.
A distino entre os dois modelos se as prioridades so no-preemptivas ou preemptivas. Com prioridades no-preemptivas, um cliente que est sendo atendido no pode ser
jogado de volta para a fila (preterido) se um cliente com prioridade maior entrar no sistema
de filas.
21

SEELEN, L. P. et al. Tables for Multi-Server Queues. Amsterd: North-Holland, 1985.

42

CAPTULO 17

TEORIA DAS FILAS

Portanto, assim que um atendente tiver comeado a atender um cliente, o atendimento tem
de ser completado sem interrupo. O primeiro modelo supe prioridades no-preemptivas.
Com prioridades preemptivas, o cliente de menor prioridade que est sendo atendido
preterido (jogado de volta para a fila) toda vez que um cliente com prioridade maior entrar
no sistema de filas. Um atendente , portanto, liberado para comear a atender imediatamente a nova chegada. Quando um atendente no consegue terminar um atendimento, o prximo cliente a comear a receber atendimento selecionado exatamente como descrito no incio desta subseo, de modo que um cliente preterido normalmente voltar a ser atendido
novamente e, aps um nmero suficiente de tentativas, finalmente acabar de ser atendido.
Em virtude da propriedade de falta de memria da distribuio exponencial (ver Seo
17.4), no precisamos nos preocupar em definir o ponto no qual o atendimento comea
quando um cliente preterido voltar a ser atendido; a distribuio do tempo de atendimento
restante sempre a mesma. Para qualquer outra distribuio de tempo de atendimento,
importante distinguir entre sistemas preemptivos-retomados, em que o atendimento para um
cliente preterido retomado no ponto onde foi interrompido, e sistemas preemptivos-repetidos, nos quais o atendimento tem de comear do incio novamente. O segundo modelo
supe prioridades preemptivas.
Para ambos os modelos, se a distino entre clientes em diferentes classes de prioridades for ignorada, a Propriedade 6 para a distribuio exponencial (ver Seo 17.4) implica
que todos os clientes chegariam de acordo com um processo de entrada de Poisson. Alm
disso, todos os clientes tm a mesma distribuio exponencial para tempos de atendimento. Conseqentemente, os dois modelos, na verdade, so idnticos ao modelo M/M/s estudado na Seo 17.6, exceto pela ordem na qual os clientes so atendidos. Portanto, quando
contamos apenas o nmero total de clientes no sistema, a distribuio de estado estvel
para o modelo M/M/s tambm se aplica a ambos os modelos. Portanto, as frmulas para L
e Lq tambm so transferidas, assim como os resultados esperados de tempo de espera (pela
frmula de Little) W e Wq, para um cliente selecionado aleatoriamente. O que muda a distribuio dos tempos de espera, que foi obtida na Seo 17.6 sob a hiptese de uma disciplina de fila em que os primeiros que chegam sero os primeiros a ser atendidos. Com uma
disciplina de prioridades, essa distribuio tem uma varincia muito maior, pois os tempos
de espera de clientes nas classes de prioridades mais altas tendem a ser muito menores
daqueles regidos pela regra na qual os primeiros que chegam sero os primeiros a ser atendidos, ao passo que os tempos de espera nas classes de prioridades mais baixas tendem a
ser muito maiores. Pelo mesmo motivo, a subdiviso do nmero total de clientes no sistema tende a ser desproporcionalmente tendenciosa para as classes de prioridades mais baixas. Porm, essa condio apenas a razo para impor prioridades no sistema de filas em
primeiro lugar. Queremos melhorar as medidas de desempenho para cada uma das classes
de prioridades mais altas custa de desempenho para as classes de prioridades mais baixas. Para determinar o nvel de melhoria que est sendo alcanado, precisamos obter tais
medidas na forma de tempo de espera previsto no sistema e nmero de clientes esperado
no sistema para cada uma das classes de prioridades. Expresses para essas medidas so
dadas a seguir para os dois modelos, um de cada vez.
Resultados para o Modelo de Prioridades No-preemptivas
Faamos que Wk seja o tempo de espera previsto no estado estvel no sistema (incluindo o
tempo de atendimento) para um membro da classe de prioridades k. Ento
1
1
Wk ! %% $ %%,
ABk#1Bk
"
em que

para k ! 1, 2, . . . , N,

s" # ! s#1 r j
A ! s!%%
! %j!% $ s",
r s j!0
B0 ! 1,
/ki!1 !i
Bk ! 1 # %
%,
s"

17.8

M ODELOS DE FILAS DE DISCIPLINA DE PRIORIDADES

43

s ! nmero de atendentes,
" ! taxa mdia de atendimento por atendente ocupado,
!i ! taxa mdia de chegada for classe de prioridades i,
N

!!

! !i,
i!1

!
r ! %%.
"
Esse resultado parte do pressuposto de que
k

! !i ) s",
i!1
de modo que a classe de prioridades k possa alcanar uma condio de estado estvel. A frmula de Little ainda se aplica a classes de prioridades individuais, de forma que Lk, o nmero esperado no estado estvel de membros da classe de prioridades k no sistema de filas
(inclusive aqueles que esto sendo atendidos), seja
Lk ! !kWk, para k ! 1, 2, . . . , N.
Para determinar o tempo de espera previsto na fila (excluindo o tempo de atendimento) para
a classe de prioridades k, simplesmente subtraia 1/" de Wk; o comprimento esperado da fila
correspondente novamente obtido multiplicando por !k. Para o caso especial em que s
! 1, a expresso para A reduz-se a A ! "2/!.
No Courseware de PO, voc poder encontrar um gabarito em Excel para realizar os
clculos anteriores.
A seo de Exemplos Trabalhados do CD-ROM fornece um exemplo que ilustra a aplicao do modelo das prioridades no-preemptivas para determinar quantos tornos-revlver
uma fbrica deveria ter quando as tarefas caem nas trs classes de prioridades.
Variante com um nico Atendente do Modelo de Prioridades
No-preemptivas
A hiptese dada anteriormente que o tempo de atendimento esperado 1/" o mesmo para
todas as classes de prioridades bastante restritiva. Na prtica, essa hiptese algumas vezes
violada em decorrncia das diferenas nas exigncias de atendimento para as diferentes
classes de prioridades.
Felizmente, para o caso especial de um nico atendente, possvel permitir tempos de
atendimento esperado diferentes e ainda obter resultados teis. Faamos que 1/"k represente a mdia da distribuio exponencial de tempos de atendimento para a classe de prioridades k, de modo que
"k ! taxa mdia de atendimento para a classe de prioridades k,

para k ! 1, 2, . . . , N.

Depois, o tempo de espera previsto no estado estvel no sistema para um membro de classe
de prioridades k
ak
1
$ %%,
Wk ! %%
bk#1bk
"k
em que

para k ! 1, 2, . . . , N,

k
!i
ak ! ! %%,
2
"
i
i!1

b0 ! 1,
k
!
bk ! 1 # ! %%i
i!1 "i

44

CAPTULO 17

TEORIA DAS FILAS

Esse resultado vale desde que


k

! %"%ii ) 1,

i!1

o que permite que classes de prioridades k atinjam uma condio de estado estvel. A frmula de Little pode ser usada conforme descrito antes para obter outras medidas de desempenho importantes para cada classe de prioridades.
Resultados para o Modelo de Prioridades Preemptivas
Para o modelo de prioridades preemptivas, precisamos restaurar a hiptese que o tempo de
atendimento esperado o mesmo para todas as classes de prioridades. Usando a mesma
notao daquela utilizada no modelo original de prioridades no-preemptivas, fazendo que
a preempo mude o tempo de espera total previsto no sistema (incluindo o tempo total de
atendimento) para
1/"
Wk ! %%,
Bk#1Bk

para k ! 1, 2, . . . , N,

para o caso com um nico atendente (s ! 1). Quando s ' 1, Wk pode ser calculado por um
procedimento iterativo que ser ilustrado no exemplo do Hospital Municipal. Os Lk continuam a satisfazer a relao
Lk ! !kWk,

para k ! 1, 2, . . . , N.

Os resultados correspondentes para a fila (excluindo os clientes que esto sendo atendidos)
tambm podem ser obtidos de Wk e Lk exatamente como descrito para o caso das prioridades no-preemptivas. Em virtudes da propriedade da falta de memria da distribuio exponencial (ver Seo 17.4), as preempes no afetam o processo de atendimento (ocorrncia
de trminos de atendimento) de qualquer maneira. O tempo de atendimento total previsto
para qualquer cliente ainda 1/".
O arquivo Excel deste captulo inclui um gabarito em Excel para calcular as medidas
de desempenho anterior para o caso com um nico atendente.
Exemplo do Hospital Municipal com Prioridades
No problema da sala de emergncias do Hospital Municipal, o administrador percebeu
que os pacientes no so tratados segundo a regra dos primeiros que chegam sero os primeiros a ser atendidos. Em vez disso, a enfermeira que recepciona os pacientes que chegam os divide, basicamente, em trs categorias: (1) casos crticos, nos quais o pronto atendimento vital para a sobrevivncia do paciente; (2) casos graves, cujo tratamento prvio
importante para impedir maior agravamento; e (3) casos estveis, em que o tratamento
pode ser retardado sem conseqncias mdicas adversas. Os pacientes so ento tratados
nessa ordem de prioridade, em que aqueles na mesma categoria so normalmente admitidos de acordo com a regra dos primeiros que chegam sero os primeiros a ser atendidos.
Um mdico interromper o tratamento de um paciente caso surja um novo caso em uma
categoria de maior prioridade. Aproximadamente 10% dos pacientes recaem na primeira
categoria, 30% na segunda e 60% na terceira. Como os casos mais graves sero enviados
ao hospital para cuidados posteriores aps receber tratamento de emergncia, o tempo de
tratamento mdio gasto por um mdico na sala de emergncias na verdade no difere
muito entre essas categorias.
O administrador decidiu usar um modelo de filas de disciplina de prioridades como
uma representao razovel desse sistema de filas, em que as trs categorias de pacientes
constituem as trs classes de prioridades no modelo. Como o tratamento interrompido pela
chegada de um caso de prioridade mais alta, o modelo de prioridades preemptivas o indicado. Tendo em vista os dados previamente disponveis (" ! 3 e ! ! 2), as porcentagens

17.8

M ODELOS DE FILAS DE DISCIPLINA DE PRIORIDADES

45

anteriores resultam em !1 ! 0,2, !2 ! 0,6 e !3 ! 1,2. A Tabela 17.3 fornece os tempos de


espera previstos na fila resultantes (e, assim, excluindo o tempo de tratamento) para as respectivas classes de prioridades22 quando h um (s ! 1) ou dois (s ! 2) mdicos de planto.
Os resultados correspondentes para o modelo de prioridades no-preemptivas tambm so
dados na Tabela 17.3 para mostrar o efeito de preempo.
Obtendo os Resultados da Prioridade Preemptiva. Esses resultados de prioridade preemptiva para s ! 2 foram obtidos como se segue. Como os tempos de espera para
clientes da classe de prioridade 1 no so de modo algum afetados pela presena de clientes nas classes de prioridades menores, W1 ser o mesmo para quaisquer outros valores de
!2 e !3, inclusive !2 ! 0 e !3 ! 0. Portanto, W1 tem de ser igual a W para o modelo com
apenas uma classe correspondente (o modelo M/M/s na Seo 17.6) com s ! 2, " ! 3 e !
! !1 ! 0,2, que resulta em
W1 ! W ! 0,33370 hora,

para ! ! 0,2

portanto
1
W1 # %% ! 0,33370 # 0,33333 ! 0,00037 hora.
"
Consideremos agora as duas primeiras classes de prioridades. Observe novamente que
os clientes nessas classes no so de forma alguma afetados pelas classes de prioridades
mais baixas (somente classe de prioridade 3 nesse caso), que podem, conseqentemente, ser
ignorados na anlise. Faamos que "
W1#2 seja o tempo de espera previsto no sistema (e, portanto, incluindo tempo de atendimento) de uma chegada aleatria em qualquer uma dessas
duas classes, de modo que a probabilidade seja !1/(!1 $ !2) ! 1%4% de que essa chegada se
encontre na classe 1 e !2/(!1 $ !2) ! 3%4% de que ela se encontre na classe 2. Portanto,
1
3
"
W1#2 ! %%W1 $ %%W2.
4
4
Alm disso, como o tempo de espera previsto o mesmo para qualquer disciplina da fila,
"1#2 tambm deve ser igual a W para o modelo M/M/s na Seo 17.6, com s ! 2,
W
" ! 3 e ! ! !1 $ !2 ! 0,8, que resulta em

TABELA 17.3 Resultados de estado estvel dos modelos de disciplina de

prioridades para o problema do Hospital Municipal


Prioridades
Preemptivas

s"1

Prioridades
No-preemptivas

s"2

4,5
0,933
0,733
0,333

s"2

A
B1
B2
B3

0,933
0,733
0,333

1
W1 # %%
"
1
W2 # %%
"
1
W3 # %%
"

0,024 hora

0,00037 hora

0,238 hora

0,029 hora

0,154 hora

0,00793 hora

0,325 hora

0,033 hora

1,033 hora

0,06542 hora

0,889 hora

0,048 hora

22

s"1

36
0,967
0,867
0,667

Note que esses tempos esperados no podem mais ser interpretados como o tempo esperado antes de o tratamento comear quando k )1, pois o tratamento poderia ser interrompido pelo menos uma vez, provocando
tempo de espera adicional antes de o atendimento ser completado.

46

CAPTULO 17

TEORIA DAS FILAS

"1#2 ! W ! 0,33937 hora,


W

para ! ! 0,8.

Combinando esses dois fatos resulta em

4
1
W2 ! %% 0,33937 # %% (0,33370) ! 0,34126 hora.
3
4

%W

&

1
# %% ! 0,00793 hora.
"

Finalmente, faamos que "


W1#3 seja o tempo de espera previsto no sistema (e, assim,
incluindo o tempo de atendimento) para uma chegada aleatria em qualquer uma das trs
classes de prioridades, de modo que as probabilidades so 0,1, 0,3 e 0,6 que se encontram,
respectivamente, nas classes 1, 2 e 3. Portanto,
"
W1#3 ! 0,1W1 $ 0,3W2 $ 0,6W3.
Alm disso, W
"1#3 tambm tem de ser igual a W para o modelo M/M/s na Seo 17.6, com
s ! 2, " ! 3 e ! ! !1 $ !2 $ !3 ! 2, de modo que (da Tabela 17.2)
W1#3 ! W ! 0,375 hora,
"

para ! ! 2.

Conseqentemente,
1
W3 ! %% [0,375 # 0,1(0,33370) # 0,3(0,34126)]
0.6
! 0,39875 hora.

%W

&

1
# %% ! 0,06542 hora.
"

Os resultados Wq correspondentes para o modelo M/M/s na Seo 17.6 tambm


poderiam ter sido usados exatamente da mesma forma para se obter diretamente os valores Wk # 1/".
Concluses. Quando s ! 1, os valores Wk # 1/" da Tabela 17.3 para o caso das prioridades preemptivas indicam que disponibilizar apenas um mdico faria que casos crticos
teriam de aguardar 121%% minuto (0,024 hora) em mdia, casos graves precisariam esperar mais
de 9 minutos e casos estveis deveriam esperar mais de 1 hora. Compare esses resultados
com a espera mdia de Wq ! 32%% hora para todos os pacientes que foi obtida na Tabela 17.2
segundo a disciplina de fila na qual os primeiros que chegam sero os primeiros a ser atendidos. Entretanto, esses valores representam expectativas estatsticas, de modo que alguns
pacientes tero de esperar consideravelmente mais que a mdia para suas classes de prioridades. Essa demora no seria tolervel para os casos crticos e graves, nos quais alguns poucos minutos podem ser vitais. Ao contrrio, os resultados com s ! 2 da Tabela 17.3 (caso
das prioridades preemptivas) indicam que acrescentar um segundo mdico praticamente eliminaria a espera para todos, exceto os casos estveis. Portanto, o administrador recomendou
a presena de dois mdicos de planto na sala de emergncias durante as primeiras horas da
noite no prximo ano. A diretoria do Hospital Municipal adotou essa recomendao e simultaneamente aumentou o nus para uso da sala de emergncias!

17.9

REDES DE FILAS
At agora consideramos apenas sistemas de filas com uma nica instalao de atendimento
com um ou mais atendentes. Entretanto, sistemas de filas encontrados em estudos de PO so
algumas vezes, na realidade, redes de filas, isto , redes de instalaes de atendimento onde
clientes devem receber atendimento em algumas ou todas essas instalaes. Por exemplo,
pedidos que esto sendo processados em uma ferramentaria devem ser direcionados por

17.9

REDES DE FILAS

47

meio de uma seqncia de grupos de mquinas (instalaes de atendimento). Assim,


necessrio estudar toda a rede para obter informaes como o tempo de espera previsto total,
nmero de clientes esperados no sistema todo e assim por diante.
Em virtude da importncia de redes de filas, as pesquisas nessa rea esto muito ativas.
Entretanto, esta uma rea difcil, de modo que nos limitaremos a uma breve introduo.
Um desses resultados de tal importncia para redes de filas que essa descoberta e suas
implicaes merecem especial ateno aqui. Esse resultado fundamental a propriedade de
equivalncia a seguir para o processo de entrada de clientes que chegam e o processo de
sada de clientes que saem para certos sistemas de filas.
Propriedade da equivalncia: Suponha que uma instalao de atendimento com
s atendentes e uma fila infinita tenha uma entrada de Poisson com parmetro ! e
a mesma distribuio exponencial de tempo de atendimento com parmetro " para
cada atendente (o modelo M/M/s), em que s" ' !. Ento a sada de estado estvel dessa instalao de atendimento tambm um processo de Poisson23 com
parmetro !.
Note como essa propriedade no faz nenhuma hiptese em relao ao tipo de disciplina da fila usada. Seja ela os primeiros que chegam sero os primeiros a ser atendidos, aleatria ou at mesmo uma disciplina de prioridades como indicado na Seo 17.8, os clientes
atendidos deixaro a instalao de atendimento de acordo com um processo de Poisson. A
implicao crucial desse fato para redes de filas que se esses clientes tiverem de ir a outra
instalao de atendimento para outros atendimentos, essa segunda instalao tambm ter
uma entrada de Poisson. Com uma distribuio exponencial de tempos de atendimento, a
propriedade de equivalncia tambm ser vlida para essa instalao, que poder ento fornecer uma entrada de Poisson para uma terceira instalao etc. Discutimos a seguir as conseqncias para dois tipos de redes.
Filas Infinitas em Sries
Suponha que todos os clientes tenham de receber atendimento em uma srie de m instalaes de atendimento em uma seqncia fixa. Suponha que cada instalao tenha uma fila
infinita (nenhuma limitao no nmero de clientes permitidos na fila), de modo que a srie
de instalaes forma um sistema de filas infinitas em srie. Suponha ainda que os clientes
cheguem na primeira instalao de acordo com um processo de Poisson com parmetro ! e
que cada instalao i (i ! 1, 2, . . . , m) tenha uma distribuio exponencial de tempos de
atendimento com parmetro "i para seus si atendentes, em que si"i ' !. Decorre ento da
propriedade da equivalncia que (sob condies de estado estvel) cada instalao de atendimento tem uma entrada de Poisson com parmetro !. Portanto, o modelo M/M/s elementar da Seo 17.6 (ou seus equivalentes de disciplina de prioridades da Seo 17.8) pode ser
usado para analisar cada instalao de atendimento independentemente dos demais!
Ser capaz de usar o modelo M/M/s para obter todas as medidas de desempenho para
cada instalao independentemente, em vez de analisar interaes entre instalaes, uma
simplificao tremenda. Por exemplo, a probabilidade de ter n clientes em dada instalao
dada pela frmula para Pn na Seo 17.6 para o modelo M/M/s. A probabilidade conjunta
de n1 clientes na instalao 1, n2 clientes na instalao 2, . . . , ento, o produto das probabilidades individuais obtidas nessa maneira simples. Particularmente, essa probabilidade
conjunta pode ser expressa como
P{(N1, N2, . . . , Nm) ! (n1, n2, . . . , nm)} ! Pn1Pn2Pnm.
Essa forma simples para a soluo chamada soluo em forma de produto. De maneira
similar, o tempo de espera previsto total e o nmero esperado de clientes no sistema inteiro
podem ser obtidos meramente somando os valores correspondentes obtidos nas respectivas
instalaes.
23

Para uma demonstrao, ver BURKE, P. J. The Output of a Queueing System. Operations Research, v. 4,
n. 6, p. 699-704, 1956.

48

CAPTULO 17

TEORIA DAS FILAS

Infelizmente, a propriedade da equivalncia e suas implicaes no so vlidas para o


caso de filas finitas discutido na Seo 17.6. Esse caso , na verdade, bem importante na prtica, pois muitas vezes existe uma limitao definida no comprimento da fila em frente das
instalaes de atendimento em redes. Por exemplo, somente uma pequena quantidade de
espao de armazenagem em buffer fornecida tipicamente em frente de cada instalao
(estao) em um sistema de linha de produo. Para sistemas de filas finitas em srie desse
tipo, no existe uma soluo em forma de produto simples. As instalaes devem, sim, ser
analisadas em conjunto e at agora s foram obtidos resultados limitados.
Redes de Jackson
Os sistemas de filas infinitas em srie no so as nicas redes de filas em que o modelo
M/M/s pode ser usado para analisar cada instalao de atendimento independentemente das
demais. Outro tipo proeminente de rede com essa propriedade (uma soluo em forma de
produto) a rede de Jackson, nome dado em homenagem ao responsvel por ter caracterizado a rede pela primeira vez e ter demonstrado que essa propriedade era vlida.24
As caractersticas de uma rede de Jackson so as mesmas supostas anteriormente para
o sistema de filas infinitas em srie, exceto que agora os clientes visitam as instalaes em
ordens diferentes (sendo possvel que eles no visitem todas elas). Para cada instalao, seus
clientes que chegam provm tanto de fora do sistema (de acordo com um processo de
Poisson) quanto de outras instalaes. Essas caractersticas so sintetizadas a seguir.
Uma rede de Jackson um sistema de m instalaes de atendimento onde a instalao
i (i ! 1, 2, . . . , m) tem
1. Uma fila infinita.
2. Clientes provenientes de fora do sistema de acordo com um processo de entrada de
Poisson com parmetro ai.
3. si atendentes com uma distribuio exponencial de tempos de atendimento com parmetro "i.
Um cliente deixando a instalao i direcionado para a instalao j (j ! 1, 2, . . . , m) com
probabilidade pij ou deixa o sistema com probabilidade
m

qi ! 1 # ! pij.
j!1

Qualquer rede desse tipo possui a seguinte propriedade fundamental.


Sob condies de estado estvel, cada instalao j (j ! 1, 2, . . . , m) em uma rede de
Jackson se comporta como se fosse um sistema de filas M/M/s independente com taxa de
chegada
m

!j ! aj $ ! !i pij,
i!1

em que sj"j ' !j.

Essa propriedade fundamental no pode ser provada diretamente da propriedade da


equivalncia desta vez (o raciocnio se tornaria circular), mas seu respaldo intuitivo ainda
fornecido pela ltima propriedade. O ponto de vista intuitivo (tecnicamente no muito correto) que, para cada instalao i, seus processos de entrada das diversas fontes (externas e
de outras instalaes) so processos de Poisson independentes, de modo que o processo de
entrada agregado seja de Poisson com parmetro !i (a Propriedade 6 da Seo 17.4). A propriedade da equivalncia diz ento que o processo de sada agregado para a instalao i tem
de ser de Poisson com parmetro !i. Desagregando esse processo de sada (novamente
Propriedade 6), o processo para clientes que vo da instalao i para a instalao j deve ser
de Poisson com parmetro !ipij. Esse processo se torna um dos processos de entrada de
Poisson para a instalao j, ajudando portanto a manter a srie de processos de Poisson no
sistema como um todo.
24

Ver JACKSON, J. R. Jobshop-Like Queueing Systems. Management Science, v. 10, n. 1, p. 131-142, 1963.

17.9

REDES DE FILAS

49

A equao dada para obter !j se baseia no fato que !i a taxa de partida, bem como a
taxa de chegada para todos os clientes usando a instalao i. Como pij a proporo de clientes partindo da instalao i que em seguida vo para a instalao j, a taxa na qual os clientes da instalao i chegam na instalao j !ipij. Somar esse produto ao longo de todos os
i, e depois acrescentando essa soma a aj, fornece a taxa de chegada total para a instalao j
proveniente de todas as fontes.
Calcular !j a partir dessa equao requer saber os !i para i 0j, porm esses !i tambm
so desconhecidos dados pelas equaes correspondentes. Portanto, o procedimento
encontrar simultaneamente !1, !2, . . . , !m, obtendo a soluo simultnea de todo o sistema
de equaes lineares para !j para j ! 1, 2, . . . , m. O Tutorial IOR inclui um procedimento
interativo para encontrar !j dessa maneira.
Para ilustrar esses clculos, considere uma rede de Jackson com trs instalaes de
atendimento com parmetros mostrados na Tabela 17.4. Agregando a frmula para !j para
j ! 1, 2, 3, obtemos
!1 ! 1
$ 0,1!2 $ 0,4!3
!2 ! 4 $ 0,6!1
$ 0,4!3
!3 ! 3 $ 0,3!1 $ 0,3!2.
Raciocine com base em cada equao para ver por que ela fornece a taxa de chegada total
para a instalao correspondente. A soluo simultnea para esse sistema
1
!1 ! 5, !2 ! 10, !3 ! 7%%.
2
Dada essa soluo simultnea, cada uma das trs instalaes de atendimento agora pode
ser analisada independentemente usando as frmulas para o modelo M/M/s dado na Seo 17.6.
Por exemplo, para obter a distribuio do nmero de clientes Ni ! ni na instalao i, note que
1
%%
2
1
!i
#i ! %%
! %%
si"i
2
3
%%
4

para i ! 1
para i ! 2
para i ! 3.

Agregando esses valores (e os parmetros da Tabela 17.4) na frmula para Pn resulta em

%&

1 1 n1
Pn1 ! %% %%
2 2
%1%
3

1
Pn2 ! %%
3
1 1 n2#1
%% %%
3 2

%&

%&

1 3
Pn3 ! %% %%
4 4

n3

para a instalao 1,
para n2 ! 0
para n2 ! 1

para a instalao 2,

para n2 " 2
para a instalao 3.

TABELA 17.4 Dados para o exemplo de uma rede de Jackson


pij
Instalao j

j!1
j!2
j!3

sj

!j

aj

i"1

i"2

i"3

1
2
1

10
10
10

1
4
3

0
0,6
0,3

0,1
0
0,3

0,4
0,4
0

50

CAPTULO 17

TEORIA DAS FILAS

A probabilidade conjunta de (n1, n2, n3) dada ento simplesmente pela soluo em forma
de produto
P{(N1, N2, N3) ! (n1, n2, n3)} ! Pn1Pn2Pn3.
De forma similar, o nmero esperado de clientes Li na instalao i pode ser calculado
da Seo 17.6 como
L1 ! 1,

4
L2 ! %%,
3

L3 ! 3.

O nmero esperado total de clientes no sistema todo ento


1
L ! L1 $ L2 $ L3 ! 5%%.
3
Obtendo W, o tempo de espera total previsto no sistema (incluindo tempos de atendimento) para um cliente, um pouco mais capcioso. No podemos simplesmente adicionar
os tempos de espera previstos nas respectivas instalaes, pois um cliente no visita necessariamente cada instalao exatamente uma vez. Entretanto, a frmula de Little ainda pode
ser usada, em que a taxa de chegada ! ao sistema a soma das taxas de chegada provenientes de fora das instalaes, ! ! a1 $ a2 $ a3 ! 8. Portanto,
L
2
W ! %% ! %%.
3
a1 $ a2 $ a3
Concluindo, devemos indicar que realmente existem outros tipos (mais complicados)
de redes de filas nas quais as instalaes de atendimento individuais podem ser analisadas
independentemente das demais. Na realidade, encontrar redes de filas com uma soluo em
forma de produto tem sido a sonhada meta da pesquisa sobre redes de filas. Algumas fontes
adicionais de informao so as Referncias Selecionadas 1, 2, 12 e 14.

17.10

APLICAO DA TEORIA DAS FILAS


Em razo da abundncia de informaes fornecida pela teoria das filas, ela amplamente
usada para orientar no projeto (ou redesenho) de sistemas de filas. Agora, podemos mudar
nosso foco para como a teoria das filas aplicada dessa forma.
A deciso mais comum que precisa ser feita ao desenhar um sistema de filas quantos
atendentes devero ser disponibilizados. Entretanto, uma srie de outras decises tambm
necessria. Entre as possveis decises, temos
1.
2.
3.
4.
5.

Nmero de atendentes em uma instalao de atendimento.


Eficincia dos atendentes.
Nmero de instalaes de atendimento.
Dimensionamento do tempo de espera na fila.
Quaisquer prioridades para categorias de clientes diversas.

As duas consideraes primrias na tomada dessas decises so, tipicamente: (1) o


custo da capacidade de atendimento fornecida pelo sistema de filas e (2) as conseqncias
de se fazer os clientes esperarem no sistema de filas. Disponibilizar muita capacidade de
atendimento provoca custos excessivos. Disponibilizar pouca capacidade provoca espera
excessiva. Portanto, a meta encontrar um equilbrio entre custo de atendimento e tempo
de espera.
Existem duas abordagens bsicas para procurar alcanar esse equilbrio. Uma estabelecer um ou mais critrios para um nvel de atendimento satisfatrio em termos de
quanto tempo de espera seria aceitvel. Por exemplo, um critrio possvel poderia ser que
o tempo de espera previsto no sistema no poderia exceder determinado nmero de minu-

17.10

APLICAO DA TEORIA DAS FILAS

51

tos. Outro poderia ser que pelo menos 95% dos clientes deveriam esperar no mais de
certo nmero de minutos no sistema. Critrios similares em termos do nmero de clientes previstos no sistema (ou a distribuio probabilstica desse nmero) tambm poderiam ser usados. Os critrios tambm poderiam ser colocados em termos do tempo de
espera ou do nmero de clientes na fila em vez de no sistema. Assim que o critrio ou
critrios tiverem sido selecionados, ento normalmente simples usar um mtodo de tentativa e erro para encontrar o desenho do sistema de filas menos oneroso que satisfaa
todos os critrios.
A outra abordagem bsica para procurar o melhor equilbrio envolve avaliar os custos associados s conseqncias de se fazer os clientes esperarem. Suponha, por exemplo,
que o sistema de filas seja um sistema de atendimento interno (conforme descrito na
Seo 17.3), no qual os clientes so os empregados de uma empresa que visa lucros. Fazer
esses empregados esperarem no sistema de filas provoca perda de produtividade, o que
resulta em perda de lucros. Essa perda de lucros o custo de espera associado ao sistema de filas. Expressando esse custo de espera em funo do tempo de espera, o problema
de determinar o melhor desenho do sistema de filas agora pode ser colocado como minimizar o custo total esperado (custo de atendimento mais custo de espera) por unidade de
tempo.
A seguir, explicamos em detalhes essa ltima abordagem para o problema de determinao do nmero timo de atendentes a serem disponibilizados.
Quantos Atendentes Devem Ser Disponibilizados?
Para formular a funo objetivo quando a varivel de deciso o nmero de atendentes s,
faamos que
E(TC) ! custo total esperado por unidade de tempo,
E(SC) ! custo de atendimento esperado por unidade de tempo,
E(WC) ! custo de espera esperado por unidade de tempo.
Ento o objetivo escolher o nmero de atendentes de modo a
Minimizar E(TC) ! E(SC) $ E(WC).
Quando cada um dos custos de atendimento for o mesmo, o custo de atendimento ser
E(SC) ! Css,
em que Cs o custo marginal de um atendente por unidade de tempo. Para calcular WC para
qualquer valor de s, note que L ! !W fornece o tempo total de espera previsto no sistema
de filas por unidade de tempo. Assim, quando o custo de espera for proporcional ao tempo
de espera, esse custo pode ser expresso como
E(WC) ! CwL,
em que Cw o custo de espera por unidade de tempo para cada cliente no sistema de filas.
Portanto, aps estimar as constantes, Cs e Cw, o objetivo escolher o valor de s de modo a
Minimizar E(TC) ! Css $ CwL.
Escolhendo o modelo de filas que se ajuste ao sistema de filas, o valor de L pode ser obtido
para diversos valores de s. Aumentar s diminui L, no incio de forma rpida e depois gradualmente de forma mais lenta.
A Figura 17.13 mostra a forma geral das curvas E(SC), E(WC) e E(TC) versus o
nmero de atendentes s. Para melhor conceitualizao, desenhamos essas curvas como curvas suaves, embora os nicos valores viveis de s sejam s ! 1, 2, . . . . Calcular E(TC) para
valores consecutivos de s at que E(TC) pare de diminuir e, ao contrrio, comece a aumentar simples para encontrar o nmero de atendentes que minimize o custo total. O exemplo a seguir ilustra esse processo.

CAPTULO 17

Custo esperado por unidade de tempo

52

TEORIA DAS FILAS

Custo total

Custo de atendimento

Custo de espera

FIGURA 17.13
A forma das curvas de custos
esperados para determinar o
nmero de atendentes a
serem disponibilizados.

Nmero de atendentes (s )

Exemplo
A Ferramentaria Acme tem um almoxarifado para armazenar ferramentas a serem usadas
pelos ferramenteiros. Dois almoxarifes administram o almoxarifado. Esses almoxarifes distribuem as ferramentas medida que os ferramenteiros chegam e as solicitam. Depois, essas
ferramentas so devolvidas aos almoxarifes quando eles no precisarem mais delas. Tm
havido reclamaes dos supervisores de que seus ferramenteiros tm de perder muito tempo
esperando ser atendidos no almoxarifado, de modo que parece ser necessrio maior nmero de almoxarifes. No entanto, a gerncia est exercendo presso para reduzir os gastos indiretos na fbrica e essa reduo levaria a um nmero menor de almoxarifes. Para solucionar
essas presses conflitantes, est sendo realizado um estudo de PO para determinar exatamente quantos almoxarifes deve ter o almoxarifado.
O almoxarifado forma um sistema de filas, no qual os almoxarifes so seus atendentes
e os ferramenteiros seus clientes. Aps coletar alguns dados sobre os tempos entre atendimentos e tempos de atendimento, a equipe de PO chegou concluso que o modelo de filas
que melhor se ajusta a esse sistema de filas o modelo M/M/s. As estimativas da taxa mdia
de chegada ! e da taxa mdia de atendimento (por atendente) " so
! ! 120 clientes por hora,
" ! 80 clientes por hora,
de modo que o fator de utilizao para os dois almoxarifes seja
!
120
# ! %% ! %% ! 0,75.
s"
2(80)
O custo total para a companhia de cada almoxarife cerca de US$ 20 por hora e, dessa
forma, Cs ! US$ 20. Enquanto um ferramenteiro estiver ocupado, o valor para a companhia
de suas produes mdias de US$ 48 por hora e, assim, Cw ! US$ 48. Portanto, a equipe
de PO agora precisa encontrar o nmero de atendentes (almoxarifes) s que vai
Minimizar E(TC) ! US$ 20 s $ US$ 48 L.
Existe um gabarito em Excel no Courseware de PO para calcular esses custos com o
modelo M/M/s. Tudo o que preciso fazer introduzir os dados para o modelo juntamente
com o custo de atendimento unitrio Cs, o custo de espera unitrio Cw e o nmero de atendentes s que voc quiser tentar. O gabarito calcula ento E(SC), E(WC) e E(TC). Isso est

17.10

APLICAO DA TEORIA DAS FILAS

53

ilustrado na Figura 17.14 com s ! 3 para esse exemplo. Introduzindo repetidamente valores
alternativos de s, o gabarito pode ento revelar qual valor minimiza E(TC) em uma questo
de segundos.
A Tabela 17.5 mostra os dados que seriam gerados desse gabarito repetindo esses clculos para s ! 1, 2, 3, 4 e 5. J que o fator de utilizao para s ! 1 # ! 1,5, um nico
almoxarife seria incapaz de atender os clientes, de modo que essa opo seja descartada.
Todos os valores de s maiores so viveis, porm s ! 3 tem o menor custo total esperado. Alm disso, s ! 3 diminuiria o custo total esperado atual para s ! 2 por US$ 61 por
hora. Portanto, apesar da inteno atual da gerncia em reduzir os gastos indiretos (que
inclui o custo dos almoxarifes), a equipe de PO recomenda que um terceiro almoxarife
seja colocado no almoxarifado. Note que essa recomendao diminuiria o fator de utilizao para os almoxarifes de um j modesto 0,75 para 0,5. Entretanto, em virtude da grande melhoria na produtividade dos ferramenteiros (que so muito mais caros que os almoxarifes) pela diminuio de seus tempos de espera desperdiados no almoxarifado, a
gerncia adota a recomendao.

FIGURA 17.14
Este gabarito em Excel para emprego de anlise econmica para escolher o nmero de atendentes com o modelo M/ M/s
aplicado aqui ao exemplo da Ferramentaria Acme com s ! 3.

A
1
2
3
4
5
6
7
8
9

l =
m=
s= s

Dados
120
80
3

(taxa mdia de chegada)


(taxa mdia de atendimento)
( n de atendentes)

Pr( !> t) = 0,02581732


quando t =
0,05

10
11
12
13
14
15
16
17
18
19
20

Anlise Econmica do Exemplo da Ferramentaria Acme

Prob( !q > t) = 0,00058707


quando t =
0,05
1
2 Anlise Econmica:
C s = US$ 20,00
1
0
C w = US$ 48,00
0
0 Custo de Atendimento US$ 60,00
0
Custo de Espera US$ 83,37
0
Custo Total US$ 143,37

(custo / atendente / unidade de tempo)


(custo de espera / unidade de tempo)

B
C
18 Custo de Atendimento =C s*s
Custo de Espera =C w*L
19
Custo Total =CustoDeAtendimento+CustoDeEspera
20

L=
Lq =

Resultados
1,736842105
0,236842105

W =
Wq =

0,014473684
0,001973684

#=

0,5

n
0
1
2
3
4
5
6
7

Pn
0,210526316
0,315789474
0,236842105
0,118421053
0,059210526
0,029605263
0,014802632
0,007401316

Nome da Faixa Clula


CustoDeAtendimento C18
C19
CustoDeEspera
C15
Cs* s
Cw* L
C16
G4
L
s
C6
C20
CustoTotal

54

CAPTULO 17

TEORIA DAS FILAS

TABELA 17.5 Clculo de E (TC) para alternativa s no exemplo da Ferramentaria

Acme
s

"

1
2
3
4
5

1,50
0,75
0,50
0,375
0,30

,
3,43
1,74
1,54
1,51

E(SC) " Css


US$ 20
US$ 40
US$ 60
US$ 80
US$ 100

E(WC) " CwL


,
US$ 164,57
US$ 83,37
US$ 74,15
US$ 72,41

E(TC) " E(SC) # E(WC)


US$
US$
US$
US$

,
204,57
143,37
154,15
172,41

Outras Questes
O Captulo 26 do CD-ROM expande consideravelmente alm da teoria das filas, inclusive
como lidar com algumas outras questes no consideradas anteriormente.
Por exemplo, a anlise da pgina 52 supunha que o custo de espera fosse proporcional
ao tempo de espera, mas isso algumas vezes no o caso. Se uma empresa tiver um ou dois
de seus empregados em um sistema de filas, talvez isso no seja muito srio em termos da
perda de produtividade deles, pois outros poderiam estar aptos a lidarem com todo o trabalho produtivo disponvel. Entretanto, ter mais empregados no sistema de filas pode resultar
em aumento agudo na perda de produtividade e o lucro perdido resultante, de modo que o
custo de espera se torne uma funo no-linear do nmero do sistema. Similarmente, as conseqncias para um sistema de atendimento comercial que fazem seus clientes esperarem
podem ser mnimas para esperas curtas, porm muito mais graves para esperas longas.
Nesse caso, o custo de espera se torna uma funo no-linear do tempo de espera. A Seo
26.3 descreve a formulao de funes no-lineares de custo de espera e depois o clculo de
E(WC) com tais funes.
A Seo 26.4 discute um modelo de deciso em que as variveis de deciso so tanto
o nmero de atendentes quanto a taxa mdia de atendimento para os atendentes. Uma
questo interessante que surge aqui se melhor ter um atendente rpido (vrias pessoas
trabalhando juntas para atender rapidamente cada cliente) ou vrios atendentes mais lentos (vrias pessoas trabalhando separadamente para atender clientes diferentes).
A Seo 26.4 tambm apresenta um modelo de deciso no qual as variveis de deciso
so o nmero de instalaes de atendimento e o nmero de atendentes por instalao para
fornecer atendimento para uma populao solicitante de possveis clientes. Dada a taxa
mdia de chegada para toda a populao solicitante, aumentar o nmero de instalaes permite diminuir a mdia de chegada (carga de trabalho) a cada instalao. O nmero de instalaes de atendimento tambm afeta quanto tempo cada cliente precisar despender na ida
e na volta da instalao mais prxima. O custo de espera agora precisa ser uma funo do
tempo total perdido por um cliente esperando em uma instalao de atendimento ou indo e
retornando da instalao. Portanto, a Seo 26.5 apresenta alguns modelos de tempo de viagem para determinar o tempo de viagem de ida e volta para cada cliente.

17.11

CONCLUSES
Sistemas de filas so dominantes na sociedade. A adequao desses sistemas pode ter um
efeito importante sobre a qualidade de vida e produtividade.
A teoria das filas estuda sistemas de filas formulando modelos matemticos de suas operaes e depois como usar esses modelos para obter medidas de desempenho. Essa anlise
fornece informaes vitais para desenhar, de forma eficaz, sistemas de filas que alcanam um
equilbrio apropriado entre o custo de fornecer um atendimento e o custo associado espera
por esse atendimento.
Este captulo apresentou os modelos mais bsicos da teoria das filas para os quais existem, particularmente, resultados teis. Entretanto, muitos outros modelos interessantes

REFERNCIAS SELECIO NADAS

55

poderiam ser considerados caso o espao permitisse. Na realidade, vrios milhares de trabalhos de pesquisa formulando e/ou analisando modelos de filas j apareceram na literatura
tcnica e muitos mais esto sendo publicados a cada ano!
A distribuio exponencial desempenha papel fundamental na teoria das filas para
representar a distribuio de tempos entre chegadas e tempos de atendimento, pois essa
hiptese nos permite representar o sistema de filas como uma cadeia de Markov de tempo
contnuo. Pela mesma razo, distribuies tipo-fase como a distribuio de Erlang, em que
o tempo total subdividido em fases individuais com uma distribuio exponencial, so
muito teis. Foram obtidos resultados analticos teis somente para um nmero relativamente pequeno de modelos de filas fazendo outras hipteses.
Modelos de disciplina de prioridades de filas so teis para a situao comum na qual
algumas categorias de clientes recebem determinada prioridade em relao a outros que
esto recebendo atendimento.
Em outra situao comum, clientes devem receber atendimento em diversas instalaes
de atendimento. Modelos para redes de filas esto ganhando ampla projeo para o emprego em tais situaes. Essa uma rea de pesquisa em andamento especialmente ativa.
Quando no tivermos disponvel nenhum modelo tratvel que fornea uma representao razovel do sistema de filas em estudo, uma abordagem comum obter dados de desempenho relevantes desenvolvendo um programa de computador para simular a operao do
sistema. Essa tcnica discutida no Captulo 20.
A Seo 17.10 descreve brevemente como a teoria das filas pode ser usada para ajudar
a desenvolver sistemas de filas eficientes e depois o Captulo 26 (no CD-ROM) expande
consideravelmente esse tema.

REFERNCIAS SELECIONADAS
1. CHAO, X. et al. Queueing Networks: Customers, Signals and Product Form. Nova York: Wiley,
1999.
2. CHEN, H.; YAO, D. D. Fundamentals of Queueing Networks: Performance, Asymptotics and
Optimization. Nova York: Springer, 2001.
3. COOPER, R. B. Introduction to Queueing Theory, 2. ed. Nova York: Elsevier North-Holland,
1981. Tambm distribudo pelo Programa de Educao Continuada em Engenharia da George
Washington University, Washington, DC.
4. __________. Queueing Theory. Captulo 10. In: HEYMAN, D. P.; SOBLE, M. J. (Eds.).
Stochastic Models. Amsterd e Nova York: North Holland, 1990. Esse trabalho de pesquisa tambm distribudo pelo Programa de Educao Continuada em Engenharia da George Washington
University, Washington, DC.
5. GROSS, D.; HARRIS, C. M. Fundamentals of Queueing Theory. 3. ed. Nova York: Wiley, 1998.
6. HALL, R. W. Queueing Methods: For Services and Manufacturing. Upper Saddle River, NJ:
Prentice-Hall, 1991.
7. HILLIER, F. S.; HILLIER, M. S. Introduction to Management Science: A Modeling and Case
Studies Approach with Spreadsheets. 2. ed. Captulo 14. Burr Ridge, IL: McGraw-Hill/Irwin,
2003.
8. KLEINROCK, L. Queueing Systems. Vol. I: Theory. Nova York: Wiley, 1975.
9. NORDGREN, B. The Problem with Waiting Times. IIE Solutions, p. 44-48, maio 1999.
10. PAPADOPOULOS, H. T. et al. Queueing Theory in Manufacturing Systems Analysis and Design.
Londres: Chapman Hall, 1993.
11. PRABHU, N. U. Foundations of Queueing Theory. Boston: Kluwer Academic Publishers, 1997.
12. SERFOZO, R. Introduction to Stochastic Networks. Nova York: Springer, 1999.
13. STIDHAM JR., S. Analysis, Design and Control of Queueing Systems. Operations Research,
v. 50, p. 197-216, 2002.
14. WALRAND, J. An Introduction to Queueing Networks. Englewood Cliffs, NJ: Prentice-Hall,
1988.
15. WOLFF, R. W. Stochastic Modeling and the Theory of Queues. Englewood Cliffs, NJ: PrenticeHall, 1989.

56

CAPTULO 17

TEORIA DAS FILAS

FERRAMENTAS DE APRENDIZADO PARA ESTE CAPTULO INCLUDAS


NO CD-ROM
Exemplos Trabalhados:
Exemplos para o Captulo 17
Procedimento Interativo no Tutorial IOR:
Rede de Jackson
Arquivos em Excel (Captulo 17 Teoria das Filas):
Gabarito para o Modelo M/M/s
Gabarito para a Variante de Fila do Modelo M/M/s
Gabarito para a Variante da populao solicitante Finita do Modelo M/M/s
Gabarito para o Modelo M/G/1
Gabarito para o Modelo M/D/1
Gabarito para o Modelo M/Ek/1
Gabarito para o Modelo de Prioridades No-preemptivas
Gabarito para Modelo de Prioridades Preemptivas
Gabarito para a Anlise de Econmica M/M/s do Nmero de Atendentes
Arquivo Lingo (Captulo 17 Teoria das Filas) para Solucionar os Exemplos
Selecionados
Glossrio para o Captulo 17
Ver Apndice 1 para obter documentao sobre o software.

PROBLEMAS 25
Inserimos um T esquerda de alguns problemas (ou parte deles)
toda vez que um dos gabaritos listados anteriormente puder ser til.
Um asterisco no nmero do problema indica que pelo menos h
uma resposta parcial no final do livro.
17.2-1.* Considere uma barbearia tpica. Demonstre que ela um
sistema de filas descrevendo seus componentes.
17.2-2.* Joo e Jos so dois barbeiros em uma barbearia que eles
possuem e dirigem. Eles tm duas cadeiras de barbear para clientes que esto esperando por um corte de cabelo e, portanto, o nmero de clientes na barbearia varia entre 0 e 4. Para n ! 0, 1, 2, 3,
4, a probabilidade Pn de que exatamente n clientes se encontrem
na barbearia P0 ! %11%6, P1 ! %14%6, P2 ! %16%6, P3 ! %14%6, P4 ! %11%6.
(a) Calcule L. Como voc descreveria o significado de L para Joo
e Jos?
(b) Para cada um dos possveis valores do nmero de clientes no
sistema de filas, especifique quantos clientes se encontram na
fila. Calcule ento Lq. Como voc descreveria o significado de
Lq para Joo e Jos?
(c) Determine o nmero esperado de clientes atendidos.
(d) Dado que chegue uma mdia de quatro clientes por hora e
permaneam para cortar o cabelo, determine W e Wq. Descreva esses dois valores em termos significativos para Joo
e Jos.
(e) Dado que Joo e Jos so igualmente rpidos nos cortes de
cabelo, qual a durao mdia de um corte de cabelo?

25

17.2-3. A Mercearia Mom-and-Pop tem um pequeno estacionamento com trs vagas reservadas para seus clientes. Durante o horrio de
funcionamento da mercearia, os carros entram no estacionamento e
usam uma das vagas a uma taxa mdia de 2 por hora. Para n ! 0, 1,
2, 3, a probabilidade Pn de que exatamente n vagas estejam sendo
usadas no momento P0 ! 0,2, P1 ! 0,3, P2 ! 0,3, P3 ! 0,2.
(a) Descreva como esse estacionamento pode ser interpretado
como um sistema de filas. Particularmente, identifique os clientes e os atendentes. Qual o atendimento que est sendo fornecido? O que constitui um tempo de atendimento? Qual a
capacidade da fila?
(b) Determine as medidas de desempenho bsicas L, Lq, W e
Wq para esse sistema de filas.
(c) Use os resultados do item (b) para determinar a durao mdia que um carro permanece no estacionamento.
17.2-4. Para cada uma das seguintes alternativas sobre a fila em
um sistema de filas, classifique a alternativas como verdadeira ou
falsa e, em seguida, justifique sua resposta referindo-se a uma afirmao especfica no captulo.
(a) Fila onde clientes aguardam no sistema de filas at que seu
atendimento seja completado..
(b) Modelos de filas supem, convencionalmente, que a fila seja
capaz de reter apenas um nmero limitado de clientes.
(c) A disciplina de fila mais comum aquela na qual os primeiros que chegam sero os primeiros a ser atendidos.

Consulte tambm o final do Captulo 26 (no CD-ROM) para outros problemas envolvendo a aplicao da teoria das filas.

PROBLEMAS
17.2-5. O Midtown Bank sempre tem dois caixas em servio. Os
clientes chegam para ser atendidos por um caixa em uma taxa mdia de 40 por hora. Um caixa precisa de uma mdia de dois minutos para atender um cliente. Quando os dois caixas esto ocupados, um cliente que chega junta-se a uma fila nica para esperar
por atendimento. A experincia demonstra que os clientes aguardam na fila em mdia um minuto antes de ser atendidos.
(a) Descreva por que esse um sistema de filas.
(b) Determine as medidas bsicas de desempenho Wq, W, Lq e
L para esse sistema de filas. Dica: No conhecemos as distribuies probabilsticas dos tempos entre atendimentos e tempos de atendimento para esse sistema de filas, de modo que
precisaremos usar as relaes entre essas medidas de desempenho para ajud-lo a responder a estas perguntas.
17.2-6. Explique por que o fator de utilizao # para o atendente
em um sistema de filas com um nico atendente tem de ser igual
a 1 P0, em que P0 a probabilidade de ter 0 clientes no sistema.
17.2-7. So dados dois sistemas de filas, Q1 e Q2. A taxa mdia
de chegada, a taxa mdia de atendimento por atendente ocupado e
o nmero esperado de clientes em estado estvel para Q2 so o dobro dos valores correspondentes para Q1. Faamos que Wi ! tempo
de espera previsto em estado estvel no sistema para Qi, para i !
1, 2. Determine W2/W1.
17.2-8. Considere um sistema de filas com um nico atendente
com uma distribuio de tempo de atendimento qualquer e uma
distribuio de tempos entre atendimentos qualquer (o modelo
GI/G/1). Use somente definies bsicas e as relaes dadas na
Seo 17.2 para verificar as seguintes relaes gerais:
(a) L ! Lq $ (1 # P0).
(b) L ! Lq $ #.
(c) P0 ! 1 # #.
17.2-9. Demostre que
s#1

s#1

&

L ! ! nPn $ Lq $ s 1 # ! Pn
n!0

n!0

usando as definies estatsticas de L e Lq em termos de Pn.


17.3-1. Identifique os clientes e os atendentes no sistema de filas
em cada uma das seguintes situaes:
(a) O caixa em uma loja.
(b) Um posto de corpo de bombeiros.
(c) A cabine de pedgio em uma ponte.
(d) Uma loja de conserto de bicicletas.
(e) Um terminal martimo.
(f) Um grupo de mquinas semi-automticas designadas a um
operador.
(g) O equipamento de manipulao de materiais em uma rea de
uma fbrica.
(h) Uma loja de tubos e conexes.
(i) Uma empreiteira atendendo pedidos sob encomenda.
(j) Um pool de datilgrafas.
17.4-1. Suponha que um sistema de filas tenha dois atendentes, uma
distribuio de tempos entre atendimentos exponencial com uma
mdia de duas horas e uma distribuio de tempos de atendimento
exponencial com uma mdia de duas horas para cada um dos atendentes. Alm disso, um cliente acaba de chegar ao meio-dia.
(a) Qual a probabilidade de que a prxima chegada se dar (i)
antes das 13 h, (ii) entre 13 e 14 h e (iii) aps as 14 h?

57
(b) Suponha que no haja mais nenhuma chegada de cliente antes
das 13 h. Qual a probabilidade agora de que a prxima chegada venha a ocorrer entre 13 e 14 h?
(c) Qual a probabilidade de que o nmero de chegadas entre 13
e 14 h ser: (i) 0, (ii) 1 e (iii) 2 ou mais?
(d) Suponha que ambos os atendentes estejam com clientes s 13
h. Qual a probabilidade de que nenhum dos clientes ter seu
atendimento completado (i) antes das 14 h, (ii) antes das 13h10
e (iii) antes das 13h01 h?
17.4-2.* As tarefas a ser executadas em determinada mquina chegam de acordo com um processo de entrada de Poisson com uma
taxa mdia de duas por hora. Suponha que a mquina quebre e exija uma hora para ser reparada. Qual a probabilidade de que o
nmero de tarefas novas que chegaro durante esse perodo seja
de: (a) 0, (b) 2 e (c) 5 ou mais?
17.4-3. O tempo necessrio para um mecnico consertar uma
mquina tem uma distribuio exponencial com uma mdia de quatro horas. Entretanto, uma ferramenta especial reduziria essa mdia para duas horas. Se o mecnico consertar a mquina em menos
de duas horas, ele receber US$ 100; caso contrrio, ele receber
US$ 80. Determine o aumento esperado no pagamento do mecnico por mquina consertada caso ele use a ferramenta especial.
17.4-4. Um sistema de filas com trs atendentes possui um processo de chegada controlado que libera clientes a tempo de manter os atendentes sempre ocupados. Os tempos de atendimento tm
uma distribuio exponencial com mdia 0,5.
Voc observa o sistema de filas iniciando com todos os trs
atendentes comeando a atender no instante t ! 0. A seguir, voc
percebe que o primeiro trmino de atendimento ocorre no instante
t ! 1. Dadas essas informaes, determine o tempo esperado aps
t ! 1 at a ocorrncia do prximo trmino de atendimento.
17.4-5. Um sistema de filas possui trs atendentes com tempos de
atendimento esperado de 20 minutos, 15 minutos e dez minutos.
Os tempos de atendimento possuem uma distribuio exponencial.
Cada um dos atendentes tem-se mantido ocupado com um cliente
por cinco minutos. Determine o tempo restante esperado at que
acontea o prximo trmino de atendimento.
17.4-6. Considere um sistema de filas com dois tipos de clientes. Os clientes do tipo 1 chegam de acordo com um processo de
Poisson com uma taxa mdia de 5 por hora. Os clientes do tipo
2 tambm chegam de acordo com um processo de Poisson com
uma taxa mdia de 5 por hora. O sistema possui dois atendentes,
ambos atendem os dois tipos de clientes. Para ambos os tipos, os
tempos de atendimento possuem uma distribuio exponencial
com uma mdia de dez minutos. O atendimento feito segundo
a regra na qual os primeiros que chegam sero os primeiros a ser
atendidos.
(a) Qual a distribuio probabilstica (incluindo sua mdia) do
tempo entre chegadas consecutivas de clientes de qualquer tipo?
(b) Quando determinado cliente do tipo 2 chega, ele encontra dois
clientes do tipo 1 no processo de serem atendidos, porm
nenhum outro cliente no sistema. Qual a distribuio probabilstica (incluindo sua mdia) do tempo de espera na fila desse
cliente de tipo 2?
17.4-7. Considere um sistema de filas com dois atendentes em que
todos os tempos de atendimento so independentes e identicamen-

58

CAPTULO 17

TEORIA DAS FILAS

te distribudos de acordo com uma distribuio exponencial com


uma mdia de dez minutos. O atendimento fornecido segundo a
regra na qual os primeiros que chegam sero os primeiros a ser
atendidos. Quando determinado cliente chega, ele encontra os dois
atendentes ocupados e ningum esperando na fila.
(a) Qual a distribuio probabilstica (incluindo sua mdia e desvio-padro) do tempo de espera na fila desse cliente?
(b) Determine o valor esperado e desvio-padro do tempo de espera no sistema desse cliente.
(c) Suponha que esse cliente ainda esteja esperando na fila cinco
minutos aps sua chegada. Dada essa informao, como isso
muda o valor esperado e o desvio-padro do tempo de espera
total no sistema desse cliente das respostas obtidas no item (b)?
17.4-8. Para cada uma das seguintes alternativas referentes a tempos de atendimento modelados pela distribuio exponencial, classifique a alternativa como verdadeira ou falsa e depois justifique
sua resposta referindo-se a afirmaes especficas (citando o nmero da pgina) no captulo.
(a) O valor esperado e a varincia dos tempos de atendimento so
sempre iguais.
(b) A distribuio exponencial sempre fornece uma boa aproximao da distribuio de tempos de atendimento real quando cada
cliente requer as mesmas operaes de atendimento.
(c) Em uma instalao com s atendentes, s ' 1, com exatamente
s clientes j no sistema, uma nova chegada teria um tempo de
espera previsto antes de ser atendida de 1/" unidades de tempo,
em que " a taxa mdia de atendimento para cada atendente
ocupado.
17.4-9. Assim como para a Propriedade 3 da distribuio exponencial, faamos que T1, T2, . . . , Tn sejam variveis aleatrias
exponenciais independentes com parmetros $1, $2, . . . , $n, respectivamente, e faamos que U ! min{T1, T2, . . . , Tn}. Demonstre que a probabilidade de que determinada varivel aleatria Tj
venha a ser a menor das n variveis aleatrias
n

! $i,
+i!1

P{Tj ! U} ! $j

para j ! 1, 2, . . . , n.

P{Ti ' Tj para todo i 0 jTj ! t}$j e#$jtdt.


Dica: P{Tj ! U} ! /!
0
17.5-1. Considere o processo de nascimento-e-morte com todos
os "n ! 2 (n ! 1, 2, . . .), !0 ! 3, !1 ! 2, !2 ! 1 e !n ! 0 para
n ! 3, 4, . . . .
(a) Mostre o diagrama de taxas.
(b) Calcule P0, P1, P2, P3 e Pn para n ! 4, 5, . . . .
(c) Calcule L, Lq, W e Wq.
17.5-2. Considere um processo de nascimento-e-morte com apenas trs estados atingveis (0, 1 e 2), para os quais as probabilidades de estado estvel so, respectivamente, P0, P1 e P2. As taxas
de nascimento-e-morte so sintetizadas na seguinte tabela:
Estado
0
1
2

Taxa de Nascimento

Taxa de Mortalidade

1
1
0

2
2

(a) Construa o diagrama de taxas para esse processo de nascimento-e-morte.

(b) Desenvolva as equaes de equilbrio.


(c) Solucione essas equaes para encontrar P0, P1 e P2.
(d) Use as frmulas gerais para o processo de nascimento-e-morte
para calcular P0, P1 e P2. Calcule tambm L, Lq, W e Wq.
17.5-3. Considere o processo de nascimento-e-morte com as
seguintes taxas mdias. As taxas de nascimento so !0 ! 2, !1 ! 3,
!2 ! 2, !3 ! 1 e !n ! 0 para n ' 3. As taxas de mortalidade so
"1 ! 3, "2 ! 4, "3 ! 1 e "n ! 2 para n ' 4.
(a) Construa o diagrama de taxas para esse processo de nascimento-e-morte.
(b) Desenvolva as equaes de equilbrio.
(c) Resolva essas equaes para encontrar a distribuio probabilstica de estado estvel P0, P1, . . .
(d) Use as frmulas genricas para o processo de nascimentoe-morte para calcular P0, P1, . . . Calcule tambm L, Lq, W
e Wq.
17.5-4. Considere o processo de nascimento-e-morte com todos
!n ! 2 (n ! 0, 1, . . .), "1 ! 2 e "n ! 4 para n ! 2, 3, . . .
(a) Exiba o diagrama de taxas.
(b) Calcule P0 e P1. A seguir, fornea uma expresso genrica para
Pn em termos de P0 para n ! 2, 3, . . . .
(c) Considere um sistema de filas com dois atendentes que se
encaixe nesse processo. Qual a taxa mdia de chegada para
esse sistema de filas? Qual a taxa mdia de atendimento para
cada um dos atendentes quando ele se encontra ocupado atendendo clientes?
17.5-5.* Um posto possui uma bomba de gasolina. Carros querendo gasolina chegam de acordo com um processo de Poisson a uma
taxa mdia de 15 por hora. Entretanto, se a bomba estiver sendo
usada, esses possveis clientes podero se recusar (ir para outro
posto de gasolina). Particularmente, se tivermos n carros j no
posto, a probabilidade de chegar um possvel cliente que vai se
recusar de n/3 para n ! 1, 2, 3. O tempo necessrio para abastecer um carro tem uma distribuio exponencial com uma mdia
de quatro minutos.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Desenvolva as equaes de equilbrio.
(c) Resolva essas equaes para encontrar uma distribuio probabilstica de estado estvel do nmero de carros que se encontram no posto. Verifique que essa soluo a mesma daquela
dada pela soluo geral para o processo de nascimento-e-morte.
(d) Encontre o tempo de espera previsto (incluindo atendimento)
para aqueles carros que permanecem.
17.5-6. Um tcnico de manuteno tem a tarefa de manter duas
mquinas em funcionamento. O tempo que uma mquina trabalha
antes de quebrar possui uma distribuio exponencial com uma
mdia de dez horas. O tempo gasto ento pelo tcnico de manuteno para reparar a mquina possui uma distribuio exponencial com uma mdia de oito horas.
(a) Demonstre que esse processo se ajusta ao processo de nascimento-e-morte definindo os estados, especificando os valores
de !n e "n e ento construindo o diagrama de taxas.
(b) Calcule o Pn.
(c) Calcule L, Lq, W e Wq.
(d) Determine a proporo de tempo que o tcnico de manuteno est ocupado.
(e) Determine a proporo de tempo que dada mquina est operando.

PROBLEMAS
(f) Volte ao exemplo quase idntico da cadeia de Markov de tempo
contnuo dado no final da Seo 16.8. Descreva a relao entre cadeias de Markov de tempo contnuo e o processo de nascimento-e-morte que permite que ambos sejam aplicados a esse
mesmo problema.
17.5-7. Considere um sistema de filas com um nico atendente em
que tempos entre atendimentos possuem uma distribuio exponencial com parmetro ! e tempos de atendimento tm uma distribuio exponencial com parmetro ". Alm disso, clientes desistem (deixam o sistema de filas sem ser atendidos) caso seus tempos
de espera na fila acabem ficando muito grandes. Em particular,
suponha que o tempo que cada cliente est disposto a esperar na
fila antes de desistir tenha uma distribuio exponencial com mdia 1/&.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Desenvolva as equaes de equilbrio.
17.5-8.* Determinada mercearia pequena possui um nico caixa
em tempo integral. Os clientes chegam aleatoriamente ao caixa
(isto , um processo de entrada de Poisson) a uma taxa mdia de
30 por hora. Quando h apenas um cliente na fila, ele processado somente pelo caixa, com um tempo de atendimento esperado de 1,5 minuto. Entretanto, o ajudante de estoque recebeu
ordens de sempre que houvesse mais de um cliente na fila, ele
deve ajudar o caixa, empacotando as mercadorias. Essa ajuda reduz o tempo esperado para processar um cliente a um minuto.
Em ambos os casos, a distribuio de tempo de atendimento
exponencial.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Qual a distribuio probabilstica em estado estvel do nmero de clientes no caixa?
(c) Derive L para esse sistema. Dica: Volte derivao de L para
o modelo M/M/1 no incio da Seo 17.6. Use essas informaes para determinar Lq, W e Wq.
17.5-9. Um departamento possui um operador de processador de
texto. Documentos produzidos pelo departamento so entregues
para processamento de acordo com um processo de Poisson com
tempos entre atendimento esperado de 20 minutos. Quando o operador tem apenas um documento para processar, o tempo de processamento esperado de 15 minutos. Quando ele tem mais de um
documento, ento ajuda para edio que se encontra disponvel reduz o tempo de processamento esperado para cada documento a
dez minutos. Em ambos os casos, os tempos de processamento possuem uma distribuio exponencial.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Encontre a distribuio de estado estvel do nmero de documentos que o operador recebeu, mas no completou ainda.
(c) Derive L para esse sistema. Dica: Volte derivao de L para
o modelo M/M/1 no incio da Seo 17.6. Use essa informao para determinar Lq, W e Wq.
17.5-10. Clientes chegam em um sistema de filas de acordo com
um processo de Poisson a uma taxa mdia de chegada de 2 clientes por minuto. O tempo de atendimento possui uma distribuio
exponencial com uma mdia de um minuto. Um nmero ilimitado
de atendentes est disponvel conforme a necessidade de modo que
os clientes jamais tm de esperar para ser atendidos. Calcule a probabilidade de estado estvel de que exatamente um cliente se
encontre no sistema.

59
17.5-11. Suponha que um sistema de filas com um nico atendente se ajuste a todas as hipteses do processo de nascimento-e-morte,
exceto que clientes sempre chegam em pares. A taxa mdia de chegada de dois pares por hora (quatro clientes por hora) e a taxa
mdia de atendimento (quando o atendente estiver ocupado) de
cinco clientes por hora.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Desenvolva as equaes de equilbrio.
(c) Para fins de comparao, mostre o diagrama de taxas para o
sistema de filas correspondente que se ajusta completamente
ao processo de nascimento-e-morte, isto , onde clientes chegam individualmente em uma taxa mdia de quatro por hora.
17.5-12. Considere um sistema de filas com um nico atendente
com uma fila finita capaz de reter no mximo dois clientes, excluindo qualquer um que esteja sendo atendido. O atendente capaz de
fornecer atendimento em lote a dois clientes simultaneamente, onde
o tempo de atendimento tem uma distribuio exponencial com
uma mdia de uma unidade de tempo independentemente do nmero que estiver sendo atendido. Sempre que a fila no estiver cheia,
os clientes chegam individualmente de acordo com um processo
de Poisson a uma taxa mdia de 1 por unidade de tempo.
(a) Suponha que o atendente deva atender dois clientes simultaneamente. Portanto, se o atendente estiver ocioso quando
somente um cliente estiver no sistema, o atendente tem de esperar por outra chegada antes de iniciar o atendimento. Formule
o modelo de filas como uma cadeia de Markov de tempo contnuo definindo os estados e depois construindo o diagrama de
taxas. Fornea as equaes de equilbrio, mas no as resolva.
(b) Suponha agora que o tamanho do lote para um atendimento
seja 2 somente se dois clientes estiverem na fila quando o atendente terminar o atendimento anterior. Portanto, se o atendente estiver ocioso quando apenas um cliente estiver no sistema,
o atendente deve atender esse nico cliente e quaisquer chegadas subseqentes devero aguardar na fila at que o atendimento seja completado para esse cliente. Formule o modelo de
filas resultante como uma cadeia de Markov de tempo contnuo definindo os estados e depois construindo o diagrama de
taxas. Fornea as equaes de equilbrio, mas no as resolva.
17.5-13. Considere um sistema de filas com duas classes de clientes, dois escriturrios atendendo e nenhuma fila. Possveis clientes
de cada classe chegam de acordo com um processo de Poisson,
com uma taxa mdia de chegada de dez clientes por hora para a
classe 1 e 5 clientes por hora para a classe 2, porm essas chegadas so perdidas para o sistema, caso elas no possam ser atendidas imediatamente.
Cada cliente da classe 1 que entra no sistema ser atendido
por um dos escriturrios que estiver livre, onde os tempos de atendimento possuem uma distribuio exponencial com uma mdia
de cinco minutos.
Cada cliente de classe 2 que entrar no sistema requer o uso
simultneo de ambos os escriturrios (os dois escriturrios trabalham juntos com um nico atendente), onde os tempos de atendimento possuem uma distribuio exponencial com uma mdia de
cinco minutos. Portanto, um cliente que chega desse tipo seria perdido para o sistema a menos que ambos os escriturrios estejam
livres para comear a atender imediatamente.
(a) Formule o modelo de filas como uma cadeia de Markov de
tempo contnuo definindo os estados e construindo o diagrama de taxas.

60

CAPTULO 17

TEORIA DAS FILAS

(b) Agora, descreva como a formulao no item (a) pode ser adequada no formato do processo de nascimento-e-morte.
(c) Use os resultados para o processo de nascimento-e-morte para
calcular a distribuio conjunta de estado estvel do nmero
de clientes de cada classe no sistema.
(d) Para cada uma das duas classes de clientes, qual a parcela
de chegadas esperada que se encontram incapazes de entrar
no sistema?
17.6-1.* A 4M Company possui um nico torno-revlver como
principal mquina de usinagem em seu cho de fbrica. As tarefas chegam nessa mquina de acordo com um processo de Poisson em uma taxa mdia de 2 por dia. O tempo de processamento
para realizar cada tarefa tem uma distribuio exponencial com
uma mdia de %14% dia. Como as tarefas so volumosas, aquelas que
no esto sendo trabalhadas no momento esto sendo armazenadas em uma sala a certa distncia da mquina. Entretanto, para
poupar tempo na produo das tarefas, o gerente de produo est
propondo adicionar espao de armazenagem para produtos em
fabricao suficiente prximo ao torno-revlver para acomodar
trs tarefas alm daquela que est sendo processada no momento. Tarefas em excesso continuaro a ser armazenadas temporariamente na sala distante. Segundo essa proposta, que proporo
de tempo esse espao de armazenagem prximo ao torno-revlver adequado para acomodar todas as tarefas em espera?
(a) Use frmulas disponveis para calcular sua resposta.
T (b) Use o gabarito de Excel correspondente para obter as probabilidades necessrias para responder a pergunta.
17.6-2. Clientes chegam em um sistema de filas com um nico
atendente de acordo com um processo de Poisson em uma taxa
mdia de 10 por hora. Se o atendente trabalhar continuamente, o
nmero de clientes que podem ser atendidos em uma hora tem uma
distribuio de Poisson com mdia 15. Determine a proporo de
tempo durante o qual ningum est esperando para ser atendido.
17.6-3. Considere o modelo M/M/1, com ! ) ".
(a) Determine a probabilidade de estado estvel de que o tempo
de espera real no sistema de um cliente no maior que o
tempo de espera previsto no sistema, isto , P{! ' W}.
(b) Determine a probabilidade de estado estvel de que o tempo
de espera real na fila de um cliente no seja maior que o tempo
de espera previsto na fila, isto , P{!q ' Wq}.
17.6-4. Verifique as seguintes relaes para um sistema de filas
M/M/1:
(1 # P0)2
! ! %%,
WqP0

1 # P0
" ! %%.
WqP0

17.6-5. necessrio determinar quanto espao de armazenagem


para itens em fabricao alocar a uma determinada mquina em
uma nova fbrica. As tarefas chegam nessa mquina de acordo com
um processo de Poisson com uma taxa mdia de 3 por hora e o
tempo necessrio para realizar o trabalho necessrio tem uma distribuio exponencial com uma mdia de 0,25 hora. Toda vez que
os tempos de espera exigirem mais espao de armazenagem para
itens em fabricao do que foi alocado, as tarefas em excesso so
armazenadas temporariamente em um local menos conveniente. Se
cada tarefa exigir 1 m2 de espao no cho de fbrica, enquanto estiver sendo armazenada temporariamente junto mquina durante a
fabricao, quanto espao deve ser fornecido para acomodar todas

as tarefas em espera: (a) 50% do tempo, (b) 90% do tempo e (c)


99% do tempo? Obtenha uma expresso analtica para responder
essas trs perguntas. Dica: A soma de uma srie geomtrica
N

1 # xN$1

%.
! xn ! %
1#x
n!0
17.6-6. Considere as seguintes alternativas sobre um sistema de filas M/M/1 e seu fator de utilizao #. Classifique cada uma das alternativas como verdadeira ou falsa e ento justifique sua resposta.
(a) A probabilidade de que um cliente tenha de esperar antes de
ser atendido proporcional a #.
(b) O nmero de clientes esperado no sistema proporcional a #.
(c) Se # tiver sido aumentado de # ! 0,9 a # ! 0,99, o efeito de
qualquer outro aumento em # sobre L, Lq, W e Wq ser relativamente pequeno desde que # ) 1.
17.6-7. Clientes chegam em um sistema de filas com um nico atendente de acordo com um processo de Poisson com um tempo esperado entre atendimentos de 25 minutos. Tempos de atendimento possuem uma distribuio exponencial com mdia de 30 minutos.
Classifique cada uma das seguintes alternativas sobre esse sistema como verdadeira ou falsa e, a seguir, justifique sua resposta.
(a) O atendente certamente estar ocupado para sempre aps o primeiro cliente chegar.
(b) A fila crescer sem limites.
(c) Se for acrescentado um segundo atendente com a mesma distribuio de tempos de atendimento, o sistema pode alcanar
uma condio de estado estvel.
17.6-8. Para cada uma das seguintes alternativas sobre um sistema de filas M/M/1, classifique cada uma das seguintes alternativas
sobre esse sistema como verdadeira ou falsa e, a seguir, justifique
sua resposta referindo-se a afirmaes especficas (citando o nmero da pgina) no captulo.
(a) O tempo de espera no sistema possui uma distribuio
exponencial.
(b) O tempo de espera na fila possui uma distribuio exponencial.
(c) O tempo condicional de espera no sistema, dado o nmero de
clientes j no sistema, possui uma distribuio de Erlang (distribuio gama).
17.6-9. A Friendly Neighbor Grocery Store possui um terminal de
caixa com um caixa em tempo integral. Clientes chegam aleatoriamente no caixa a uma taxa mdia de 30 por hora. A distribuio
de tempo de atendimento exponencial, com uma mdia de 1,5
minuto. Essa situao resultou, ocasionalmente, em longas filas e
reclamaes por parte dos clientes. Portanto, como no h espao
para um segundo terminal de caixa, o gerente est considerando a
alternativa de contratar outra pessoa para ajudar o caixa empacotando as mercadorias. Essa ajuda reduziria o tempo esperado para
processar um cliente para um minuto, porm a distribuio ainda
seria exponencial.
O gerente gostaria de ter a porcentagem de tempo onde h
mais de dois clientes no caixa abaixo de 25%. Ele tambm gostaria de que no mais de 5% dos clientes tivessem de esperar na fila
pelo menos cinco minutos antes de ser atendido ou pelo menos
sete minutos antes de terminar o atendimento.
(a) Use as frmulas para o modelo M/M/1 para calcular L, W, Wq,
Lq, P0, P1 e P2 para o modo de operao atual. Qual a probabilidade de ter mais de dois clientes no caixa?

PROBLEMAS
(b) Use o gabarito em Excel para esse modelo para verificar
suas respostas no item (a). Encontre tambm a probabilidade de que o tempo de espera antes do atendimento exceda
cinco minutos e a probabilidade de que o tempo de espera
antes de terminar o atendimento exceda sete minutos.
(c) Repita o item (a) para a alternativa considerada pelo gerente.
(d) Repita o item (b) para essa alternativa.
(e) Que abordagem o gerente deveria usar para satisfazer seus critrios o mais prximo possvel?
T

17.6-10. O Centerville International Airport possui duas pistas,


uma usada exclusivamente para levantar vo e a outra exclusiva
para aterrissagens. Os avies chegam no espao areo de Centerville para solicitar instrues de pouso de acordo com um processo de Poisson em uma taxa mdia de 10 por hora. O tempo necessrio para um avio pousar aps receber autorizao para faz-lo
tem uma distribuio exponencial com uma mdia de trs minutos
e esse processo tem de ser completado antes de dar autorizao
para pouso para outro avio. Avies aguardando autorizao devem circular pelo aeroporto.
A Administrao Federal da Aviao tem uma srie de critrios referentes ao nvel de segurana de congestionamento de
avies aguardando para pousar. Esses critrios dependem de uma
srie de fatores referentes ao aeroporto envolvido, como o nmero de pistas disponveis para aterrissagem. Para o Centerville, os
critrios so: (1) o nmero mdio de avies aguardando para receber autorizao para pouso no deve exceder 1, (2) 95% do tempo,
o nmero real de avies aguardando para receber autorizao para
pouso no deve exceder 4, (3) para 99% dos avies, o tempo gasto
circulando o aeroporto antes de receber autorizao para pouso no
deve exceder 30 minutos (j que exceder esse perodo normalmente exigiria o redirecionamento do avio para outro aeroporto para
um pouso de emergncia antes que seu combustvel acabe).
(a) Avalie em que nvel esses critrios esto sendo satisfeitos
no momento.
(b) Uma importante companhia area considera a possibilidade de
adicionar esse aeroporto como um de seus principais terminais. Isso aumentaria a taxa mdia de chegada a 15 avies por
hora. Avalie em que nvel os critrios anteriores seriam satisfeitos se isso acontecesse.
(c) Para atrair mais negcios [inclusive a importante companhia
area mencionada no item (b)], a gerncia do aeroporto considera uma segunda pista para pouso. Estima-se que esta
aumentaria finalmente a taxa mdia de chegada para 25 avies
por hora. Avalie em que nvel os critrios anteriores seriam
satisfeitos caso isso acontecesse.
T

17.6-11. O Security & Trust Bank emprega quatro caixas para


atender a seus clientes. Os clientes chegam de acordo com um processo de Poisson a uma taxa mdia de 2 por minuto. Entretanto, o
negcio est crescendo e a gerncia projeta que a taxa mdia de
chegada ser 3 por minuto daqui a um ano. O tempo de transao
entre o caixa e o cliente tem uma distribuio exponencial com
mdia de um minuto.
A gerncia estabeleceu as seguintes diretrizes para um nvel
satisfatrio de atendimento aos clientes. O nmero mdio de clientes esperando na fila para ser atendidos no deve exceder 1. Pelo
menos 95% do tempo, o nmero de clientes esperando na fila no
deve exceder 5. Para pelo menos 95% dos clientes, o tempo gasto na
fila esperando para ser atendido no deve ultrapassar cinco minutos.
T

61
(a) Use o modelo M/M/s para determinar o nvel em que essas
diretrizes esto sendo satisfeitas.
(b) Avalie em que nvel as diretrizes sero satisfeitas daqui a um
ano caso no seja feita nenhuma alterao no nmero de caixas.
(c) Determine quantos caixas sero necessrios daqui a um ano
para atender completamente a essas diretrizes.
17.6-12. Considere o modelo M/M/s.
(a) Suponha que haja um atendente e o tempo de atendimento
esperado seja exatamente igual a um minuto. Compare L
para os casos nos quais a taxa mdia de chegada de 0,5,
0,9 e 0,99 cliente por minuto, respectivamente. Faa o
mesmo para Lq, W, Wq e P{! ' 5}. Que concluses voc
tira sobre o impacto de aumentar o fator de utilizao # de
valores pequenos (por exemplo, # ! 0,5) para valores bem
altos (por exemplo, # ! 0,9) e depois para valores maiores
ainda, prximos a 1 (por exemplo, # ! 0,99)?
(b) Suponha agora que haja dois atendentes e o tempo de atendimento esperado seja exatamente de dois minutos. Siga as instrues para o item (a).
T

T 17.6-13. Considere o modelo M/M/s com taxa mdia de chegada de dez clientes por hora e um tempo de atendimento esperado de cinco minutos. Use o gabarito em Excel para esse modelo
para obter e imprimir as diversas medidas de desempenho (com
t ! 10 e t ! 0, respectivamente, para as duas probabilidades de
tempo de espera) quando o nmero de atendentes for 1, 2, 3, 4 e
5. Depois, para cada um dos seguintes critrios possveis para um
nvel satisfatrio de atendimento (em que a unidade de tempo
de 1 minuto), use os resultados impressos para determinar quantos atendentes so necessrios para satisfazer esse critrio.
(a) Lq & 0,25
(b) L & 0,9
(c) Wq & 0,1
(d) W & 6
(e) P{!q ' 0} & 0,01
(f) P{! ' 10} & 0,2
s

(g)

! Pn " 0.95
n!0

17.6-14. Um posto de gasolina com apenas uma bomba adota a


seguinte poltica: se um cliente tiver de esperar, o preo de US$
1 por litro; se no tiver de esperar, o preo ser de US$ 1,20 por
litro. Os clientes chegam de acordo com um processo de Poisson
com taxa mdia de 15 por hora. Os tempos de atendimento na
bomba tm uma distribuio exponencial com mdia de trs minutos. Os clientes que chegam sempre aguardam at eles finalmente
poderem adquirir o combustvel. Determine o preo esperado da
gasolina por litro.
17.6-15. fornecido um sistema de fila M/M/1 com taxa mdia
de chegada ! e taxa mdia de atendimento ". Um cliente que chega
recebe n dlares, caso n clientes j se encontrarem no sistema. Determine o custo esperado em dlares por cliente.
17.6-16. A Seo 17.6 fornece as seguintes equaes para o modelo M/M/1:
!

(1)

P{! ' t} ! ! Pn P{Sn$1 ' t}.

(2)

P{! ' t} ! e#"(1'#)t.

n!0

62

CAPTULO 17

TEORIA DAS FILAS

Demonstre que a Eq. (1) se reduz algebricamente Eq. (2). Dica:


Use diferenciao, lgebra e integrao.
17.6-17. Obtenha Wq diretamente para os seguintes casos desenvolvendo e reduzindo uma expresso anloga Eq. (1) no Problema 17.6-16. Dica: Use o tempo de espera condicional previsto
na fila dado que uma chegada aleatria encontra n clientes j no
sistema.
(a) O modelo M/M/1
(b) O modelo M/M/s
17.6-18. Considere um sistema de filas M/M/2 com ! ! 4 e
" ! 3. Determine a taxa mdia na qual os trminos de atendimento ocorrem durante os perodos nos quais os clientes se
encontram aguardando na fila.
T

17.6-19. Dado um sistema de filas M/M/2 com ! ! 4 por hora


e " ! 6 por hora. Determine a probabilidade de que um cliente
que chega v aguardar mais de 30 minutos na fila, dado que pelo
menos dois clientes j se encontrem no sistema.

17.6-20.* Na Cia. de Seguros Blue Chip Life, as funes de depsito e de retirada associadas a certo produto de investimento so
destinadas separadamente a dois escriturrios, Clara e Clarence.
Os comprovantes de depsito chegam aleatoriamente (um processo de Poisson) na mesa de Clara a uma taxa mdia de 16 por hora.
Comprovantes de retirada chegam aleatoriamente (um processo de
Poisson) na mesa de Clarence a uma taxa mdia de 14 por hora.
O tempo necessrio para processar qualquer uma das transaes
apresenta uma distribuio exponencial com mdia de trs minutos. Para reduzir o tempo de espera previsto no sistema tanto para
os comprovantes de depsito quanto de retirada, o departamento
atuarial fez as seguintes recomendaes: (1) Treinar cada escriturrio para lidar com depsitos e retiradas e (2) colocar os recibos
de depsito bem como os de retirada em uma nica fila que fosse
acessada por ambos os escriturrios.
(a) Determine o tempo de espera previsto no sistema segundo os
procedimentos atuais para cada tipo de comprovante. A
seguir, combine esses resultados para calcular o tempo de
espera previsto no sistema para uma chegada aleatria de cada
tipo de envelope.
T (b) Se as recomendaes forem adotadas, determine o tempo de
espera previsto no sistema para chegada dos envelopes.
T (c) Suponha agora que a adoo das recomendaes resultasse
em um ligeiro aumento no tempo de processamento esperado. Use o gabarito em Excel para o modelo M/M/s para determinar por tentativa e erro o tempo de processamento esperado (dentro de 0,001 hora) que faria o tempo de espera
previsto no sistema para uma chegada aleatria ser o mesmo
segundo os procedimentos atuais e as novas recomendaes.
17.6-21. A Peoples Software Company acaba de instalar um call
center para fornecer assistncia tcnica para o seu novo pacote de
software. Dois tcnicos esto atendendo as ligaes, nas quais o
tempo necessrio para cada um dos tcnicos responder s perguntas de um cliente apresenta uma distribuio exponencial com mdia de oito minutos. Os telefonemas esto chegando de acordo com
um processo de Poisson a uma taxa mdia de 10 por hora.
Espera-se que no ano que vem a taxa mdia de chegada de
ligaes caia para 5 por hora, de modo que o plano seja reduzir o
nmero de tcnicos para somente um.

(a) Supondo que " continuar a ser 7,5 ligaes por hora para
o sistema de filas do prximo ano, determine L, Lq, W e Wq
tanto para o sistema atual como para o sistema do prximo
ano. Para cada uma dessas quatro medidas de desempenho,
que sistema leva ao menor valor?
(b) Suponha agora que " ser ajustvel quando o nmero de
tcnicos for reduzido para um. Encontre algebricamente o
valor de " que resultaria no mesmo valor de W daquele do
atual sistema.
(c) Repita o item (b) com Wq em vez de W.
T

17.6-22. Considere uma generalizao do modelo M/M/1 em que


o atendente precisa se aquecer no comeo de um perodo movimentado e, portanto, atende o primeiro cliente de um perodo movimentado em uma velocidade menor que para os demais clientes.
Particularmente, se um cliente que chega encontrar o atendente
ocioso, o cliente passa por um tempo de atendimento com uma distribuio exponencial com parmetro "1. Entretanto, se um cliente que chega encontrar o atendente ocupado, esse cliente junta-se
fila e, posteriormente, passa por um tempo de atendimento com
distribuio exponencial com parmetro "2, em que "1 ) "2. Os
clientes chegam de acordo com um processo de Poisson com taxa
mdia !.
(a) Formule esse modelo como uma cadeia de Markov de tempo
contnuo definindo os estados e construindo o diagrama de
taxas de acordo.
(b) Desenvolva as equaes de equilbrio.
(c) Suponha que sejam especificados valores numricos para "1,
"2 e ! e que ! ) "2 (portanto, existe uma distribuio de
estado estvel). J que esse modelo possui um nmero de
estados infinito, a distribuio de estado estvel a soluo
simultnea de um nmero infinito de equaes de equilbrio
(alm da equao que a soma de probabilidades igual a 1).
Suponha que no seja possvel obter essa soluo analiticamente e, portanto, voc deseja usar um computador para
resolver o modelo numericamente. Considerando que seja
impossvel resolver um nmero infinito de equaes numericamente, descreva brevemente o que ainda poderia ser feito
com essas equaes para obter uma aproximao de uma distribuio de estado estvel. Sob que circunstncias essa aproximao ser basicamente exata?
(d) Dado que a distribuio de estado estvel tenha sido obtida,
fornea expresses explcitas para calcular L, Lq, W e Wq.
(e) Dado essa distribuio de estado estvel, desenvolva uma
expresso para P{! ' t} que seja anloga Eq. (1) do Problema 17.6-16.
17.6-23. Para cada um dos modelos a seguir, escreva as equaes
de equilbrio e demonstre que elas so satisfeitas pela soluo dada
na Seo 17.6 para a distribuio de estado estvel do nmero de
clientes no sistema.
(a) O modelo M/M/1.
(b) A variante de fila finita do modelo M/M/1, com K ! 2.
(c) A variante finita da populao solicitante do modelo M/M/1,
com N ! 2.
17.6-24. Considere um sistema telefnico com trs linhas. As
ligaes chegam de acordo com um processo de Poisson a uma
taxa mdia de 6 por hora. A durao de cada ligao apresenta uma
distribuio exponencial com mdia de 15 minutos. Se todas as
T

PROBLEMAS
linhas estiverem ocupadas, as ligaes sero colocadas em estado
de espera at que alguma linha seja liberada.
(a) Imprima as medidas de desempenho fornecidas pelo gabarito em Excel para esse sistema de filas (com t ! 1 hora e
t ! 0, respectivamente, para as duas probabilidades de tempo
de espera).
(b) Use o resultado impresso fornecendo P{!q ' 0} para identificar a probabilidade de estado estvel de que uma ligao ser
atendida imediatamente (no ser colocada em espera). A
seguir, verifique essa probabilidade usando os resultados
impressos para Pn.
(c) Use os resultados impressos para identificar a distribuio probabilstica de estado estvel do nmero de ligaes em espera.
(d) Imprima as novas medidas de desempenho caso as ligaes
que chegam sejam perdidas sempre que todas as linhas estiverem ocupadas. Use esses resultados para identificar a probabilidade de estado estvel de que uma ligao que chega
seja perdida.
17.6-25.* Janet planeja abrir um pequeno lava-rpido e ela tem de
decidir sobre quanto espao dever ser disponibilizado para os carros que esto esperando sua vez. Ela estima que os clientes cheguem aleatoriamente (isto , um processo de entrada de Poisson)
com taxa mdia de 1 a cada quatro minutos, a menos que a rea
de espera esteja cheia, em cujo caso os clientes que chegam levariam seus carros em outro lugar. O tempo que pode ser atribudo
para lavar um carro apresenta uma distribuio exponencial com
mdia de trs minutos. Compare a frao esperada de possveis
clientes que sero perdidos em razo do espao de espera inadequado caso: (a) no exista nenhuma vaga (no inclui o carro que
est sendo lavado), (b) duas vagas e (c) quatro vagas disponveis.
17.6-26. Considere a variante de fila finita do modelo M/M/s. Derive a expresso para Lq dada na Seo 17.6 para esse modelo.
17.6-27. Para a variante da fila finita do modelo M/M/1, desenvolva uma expresso anloga Eq. (1) do Problema 17.6-16 para as
seguintes probabilidades:
(a) P{! ' t}.
(b) P{!q ' t}.
Dica: Chegadas podem ocorrer somente quando o sistema no estiver cheio e, portanto, a probabilidade de que uma chegada aleatria j encontre n clientes l Pn/(1 # PK).
17.6-28. George planeja abrir uma cabina para revelao de fotos
(drive-through) com um nico posto de atendimento que ficar
aberto aproximadamente 200 horas por ms em uma movimentada rea comercial. Existe espao disponvel para aluguel de vagas
para drive-through por US$ 200 mensais por vaga (espao temporrio ocupado por carro, disposto em fila). George precisa decidir
quantas vagas devem ser fornecidas para seus clientes.
Excluindo esse custo de aluguel, George acredita que ter um
lucro mdio de US$ 4 por cliente atendido (nada para quando o
filme for deixado e US$ 8 quando forem retiradas as fotografias
reveladas). Ele tambm estima que os clientes chegaro de forma
aleatria (um processo de Poisson) a uma taxa mdia de 20 por
hora, embora aqueles que encontrem a fila do drive-through cheia
sero obrigados a desistir. Metade dos clientes que encontram a
fila cheia queriam deixar o filme e a outra metade queria pegar
suas fotos reveladas. A metade que queria deixar filme acabar
indo fazer isso em outra loja. A outra metade dos clientes que

63
encontram a fila cheia no ser perdida, pois tentar pegar suas
fotos em outra oportunidade. George supe que o tempo necessrio para atender a um cliente ter uma distribuio exponencial
com mdia de dois minutos.
T (a) Encontre L e a taxa mdia nas quais os clientes so perdidos quando o nmero de vagas fornecidas for 2, 3, 4 e 5.
(b) Calcule W a partir de L para os casos considerados no item (a).
(c) Use os resultados do item (a) para calcular o decrscimo na taxa
mdia na qual os clientes so perdidos quando o nmero de vagas fornecidas aumentado de 2 para 3, de 3 para 4 e de 4 para
5. A seguir, calcule o aumento no lucro esperado por hora
(excluindo os custos de aluguel) para cada um dos trs casos.
(d) Compare os aumentos no lucro esperado encontrado no item
(c) com o custo por hora de aluguel para cada vaga de carro.
Que concluso pode ser tirada sobre o nmero de vagas de
carro que George deveria disponibilizar?
17.6-29. Na Forrester Manufacturing Company, foi atribuda a um
tcnico de manuteno a responsabilidade de fazer a manuteno
de trs mquinas. Para cada mquina, a distribuio probabilstica
do tempo em funcionamento antes de ocorrer uma quebra exponencial, com mdia de nove horas. O tempo de reparo tambm
apresenta uma distribuio exponencial, com mdia de duas horas.
(a) Qual modelo de filas se encaixa nesse sistema de filas?
T (b) Use esse modelo de filas para encontrar a distribuio probabilstica do nmero de mquinas que no esto operando
e a mdia dessa distribuio.
(c) Use essa mdia para calcular o tempo esperado entre a quebra
de uma mquina e o trmino do reparo dessa mquina.
(d) Qual a frao esperada de tempo que o tcnico de manuteno ficar ocupado?
T (e) Como aproximao grosseira, suponha que a populao
solicitante seja infinita e que quebras de mquina ocorram
aleatoriamente a uma taxa mdia de 3 a cada nove horas.
Compare o resultado do item (b) com aquele obtido por
fazer essa aproximao usando: (i) o modelo M/M/s e (ii)
a variante de fila finita do modelo M/M/s com K ! 3.
T (f) Repita o item (b) quando o segundo tcnico disponibilizado para reparar uma segunda mquina sempre que mais de
uma das trs mquinas precisar de reparo.
17.6-30. Reconsidere o processo de nascimento-e-morte especfico descrito no Problema 17.5-1.
(a) Identifique um modelo de filas (e os valores de seus parmetros) na Seo 17.6 que se encaixa nesse processo.
T (b) Use o gabarito em Excel correspondente para obter respostas para os itens (b) e (c) do Problema 17.5-1.
17.6-31.* A Dolomite Corporation planeja construir uma nova
fbrica. Foram alocadas 12 mquinas semi-automticas a um
departamento. Um pequeno nmero (ainda a ser determinado) de
operadores ser contratado para fornecer s mquinas o atendimento ocasional necessrio (carregamento, descarregamento, ajuste,
preparao e assim por diante). preciso decidir agora como organizar os operadores para fazer isso. A alternativa 1 alocar cada
operador s suas prprias mquinas. A alternativa 2 fazer um pool
de operadores de modo que qualquer operador ocioso possa pegar
a prxima mquina precisando de atendimento. A alternativa 3
combinar os operadores em uma nica equipe que trabalhar junta
em qualquer mquina precisando de atendimento.
T

64

CAPTULO 17

TEORIA DAS FILAS

Supe-se que o tempo em operao (tempo entre completar


um atendimento e aquele de a mquina precisar de atendimento
novamente) de cada mquina tenha uma distribuio exponencial,
com mdia de 150 minutos. Supe-se que o tempo de atendimento tenha uma distribuio exponencial, com mdia de 15 minutos
(para as alternativas 1 e 2) ou 15 minutos divididos pelo nmero
de operadores na equipe (para a alternativa 3). Para o departamento atingir a taxa de produo exigida, as mquinas tm de estar
operando, em mdia, pelo menos 89% do tempo.
(a) Para a alternativa 1, qual o nmero mximo de mquinas
que pode ser alocado a um operador ainda mantendo a taxa
de produo necessria? Qual a utilizao resultante de
cada operador?
(b) Para a alternativa 2, qual o nmero mnimo de operadores
necessrio para alcanar a taxa de produo exigida? Qual a
utilizao resultante dos operadores?
(c) Para a alternativa 3, qual o tamanho mnimo da equipe necessrio para alcanar a taxa de produo necessria? Qual a
utilizao resultante da equipe?
17.6-32. Uma ferramentaria possui trs mquinas idnticas que esto sujeitas a falha de certo tipo. Portanto, disponibilizado um
sistema de manuteno para executar a operao de manuteno
(recarga) necessria para uma mquina defeituosa. O tempo necessrio para cada operao tem uma distribuio exponencial com
mdia de 30 minutos. Entretanto, com probabilidade de 31%%, a operao tem de ser realizada uma segunda vez (com o mesmo tempo
de distribuio) de modo a recuperar a mquina com problema trazendo-a de volta para um estado operacional satisfatrio. Um sistema de manuteno trabalha somente em uma mquina problemtica por vez, realizando todas as operaes (uma ou duas)
necessrias a essa mquina, segundo a regra na qual os primeiros
que chegam sero os primeiros a ser atendidos. Aps uma mquina ser reparada, o tempo at a prxima falha tem uma distribuio
exponencial com mdia de trs horas.
(a) Como devem ser definidos os estados do sistema de modo a
formular esse sistema de filas como uma cadeia de Markov de
tempo contnuo? Dica: Dado que uma primeira operao esteja sendo realizada em uma mquina, ser bem-sucedido na finalizao dessa operao e fracassar nessa finalizao so dois
eventos distintos de interesse. Use ento a Propriedade 6 referente desagregao para a distribuio exponencial.
(b) Construa o diagrama de taxas correspondente.
(c) Desenvolva as equaes de equilbrio.
17.7-1.* Considere o modelo M/G/1.
(a) Compare o tempo de espera previsto na fila se a distribuio
de tempos de atendimento for: (i) exponencial, (ii) constante,
(iii) Erlang com a parcela de variao (isto , o desvio-padro)
a meio caminho entre os casos constante e exponencial.
(b) Qual o efeito sobre o tempo de espera previsto na fila e sobre o comprimento esperado da fila caso tanto ! quanto "
forem duplicados e a escala da distribuio de tempos de atendimento for modificada de acordo?
17.7-2. Considere o modelo M/G/1 com ! ! 0,2 e " ! 0,25.
T (a) Use o gabarito em Excel para esse modelo (ou clculos
manuais) para encontrar as principais medidas de desempenho L, Lq, W, Wq para cada um dos seguintes valores
de % : 4, 3, 2, 1, 0.

(b) Qual a razo entre Lq com % ! 4 e Lq com % ! 0? O que


isso diz em relao importncia de reduzir a variabilidade
dos tempos de atendimento?
(c) Calcule a reduo em Lq quando % reduzido de 4 para 3, de
3 para 2, de 2 para 1 e de 1 para 0. Qual a maior reduo?
Qual a menor?
(d) Use o mtodo de tentativa e erro com o gabarito para ver aproximadamente quanto " precisaria ser aumentado com % ! 4
para atingir o mesmo Lq que teria com " ! 0,25 e % ! 0.
17.7-3. Considere as seguintes alternativas sobre um sistema de filas M/G/1, em que %2 a varincia dos tempos de atendimento.
Classifique cada alternativa como verdadeira ou falsa e depois justifique sua resposta.
(a) Aumentar %2 (com ! e " fixos) aumentar Lq e L, mas no
alterar Wq e W.
(b) Ao escolher entre uma tartaruga (" e %2 pequenos) e uma lebre (" e %2 grandes) para ser o atendente, a tartaruga sempre
ganha fornecendo um Lq menor.
(c) Com ! e " fixos, o valor de Lq com uma distribuio exponencial de tempos de atendimento o dobro daquele com tempos de atendimento constantes.
(d) Entre todas as possveis distribuies de tempo de atendimento (com ! e " fixos), a distribuio exponencial resulta no
maior valor de Lq.
17.7-4. Marsha opera uma banquinha de caf expresso. Os
clientes chegam de acordo com um processo de Poisson a uma
taxa mdia de 30 por hora. O tempo necessrio para Marsha
servir um cliente tem uma distribuio exponencial com mdia
de 75 segundos.
(a) Use o modelo M/G/1 para encontrar L, Lq, W e Wq.
(b) Suponha que Marsha seja substituda por uma mquina automtica de caf expresso que precise exatamente de 75 segundos para cada cliente operar. Encontre L, Lq, W e Wq.
(c) Qual a razo entre Lq no item (b) e Lq no item (a)?
T (d) Use o mtodo de tentativa e erro com o gabarito em Excel para o modelo M/G/1 para verificar aproximadamente
quanto Marsha precisaria reduzir o tempo de atendimento
esperado para alcanar o mesmo Lq obtido com a mquina automtica.
17.7-5. Antnio opera uma sapataria por conta prpria. Os clientes chegam para trazer sapatos para serem consertados de acordo com um processo de Poisson a uma taxa mdia de 1 por hora.
O tempo que Antnio precisa para reparar cada sapato (individualmente) apresenta uma distribuio exponencial com mdia
de 15 minutos.
(a) Considere a formulao desse sistema de filas em que os sapatos individualmente (no o par) so considerados como os
clientes. Para essa formulao, construa o diagrama de taxas
e desenvolva as equaes de equilbrio, porm no as resolva.
(b) Considere agora a formulao deste sistema de filas no qual
os pares de sapatos so considerados os clientes. Identifique o
modelo de filas especfico que se encaixa nessa formulao.
(c) Calcule o nmero esperado de pares de sapatos na sapataria.
(d) Calcule o tempo esperado do momento em que um cliente
deixa um par de sapatos at eles serem consertados e estarem
prontos para ser retirados pelo cliente.
T (e) Use o gabarito em Excel correspondente para verificar suas
respostas nos itens (c) e (d).

PROBLEMAS
17.7-6.* A base de manuteno da Friendly Skies Airline possui
instalaes para revisar somente um motor de avio por vez. Portanto, para que os avies sejam liberados para uso o mais rpido
possvel, a poltica tem sido alternar a reviso dos quatro motores
de cada avio. Em outras palavras, somente um motor revisado
cada vez que um avio chega no hangar. Segundo essa poltica, os
avies chegam de acordo com um processo de Poisson a uma taxa
mdia de 1 por dia. O tempo necessrio para uma reviso de motor (assim que os trabalhos forem iniciados) apresenta uma distribuio exponencial com mdia de 12%% dia.
Foi feita uma proposta para alterar a poltica de modo que todos os quatro motores so revisados consecutivamente cada vez
que um avio chega no hangar. Embora isso quadruplicaria o tempo
de atendimento esperado, cada avio precisaria ir para a base de
manuteno somente um quarto das vezes.
A gerncia agora precisa decidir se deve continuar na mesma
situao ou adotar a nova proposta. O objetivo minimizar o tempo
de vo mdio perdido pela frota inteira por dia em razo das revises de motor.
(a) Compare as duas alternativas em relao ao tempo mdio de
vo perdido por um avio cada vez que ele chega na base
de manuteno.
(b) Compare as duas alternativas em relao ao nmero mdio de
avies perdendo tempo de vo em virtude de se encontrar na
base de manuteno.
(c) Qual das duas comparaes seria apropriada para tomar a deciso da gerncia? Explique.

65
17.7-9.* Considere um sistema de filas com um nico atendente
com uma entrada de Poisson, tempos de atendimento com distribuio de Erlang e uma fila finita. Suponha, particularmente, que
k ! 2, a taxa mdia de chegada seja de 2 clientes por hora, o tempo
de atendimento esperado seja de 0,25 hora e o nmero mximo
permitido de clientes no sistema seja 2. Esse sistema pode ser formulado como uma cadeia de Markov de tempo contnuo dividindo cada tempo de atendimento em duas fases consecutivas, cada
uma tendo uma distribuio exponencial com mdia de 0,125 hora
e depois definindo o estado do sistema como (n, p), em que n o
nmero de clientes no sistema (n ! 0, 1, 2) e p indica a fase do
cliente que est sendo atendido (p ! 0, 1, 2, em que p ! 0 significa que nenhum cliente est sendo atendido).
(a) Construa o diagrama de taxas correspondente. Escreva as
equaes de equilbrio e depois use essas equaes para
encontrar a distribuio de estado estvel do estado dessa
cadeia de Markov.
(b) Use a distribuio de estado estvel obtida no item (a) para
identificar a distribuio de estado estvel do nmero de clientes no sistema (P0, P1, P2) e o nmero esperado de clientes de
estado estvel no sistema (L).
(c) Compare os resultados do item (b) com os resultados correspondentes quando a distribuio de tempos de atendimento
for exponencial.

17.7-7. Reconsidere o Problema 17.7-6. A gerncia adotou a proposta, mas agora quer que sejam realizadas mais anlises desse
novo sistema de filas.
(a) Como o estado do sistema deveria ser definido de modo a
formular o modelo de filas como uma cadeia de Markov de
tempo contnuo?
(b) Construa o diagrama de taxas correspondente.

17.7-10. Considere o modelo E2/M/1 com ! ! 4 e " ! 5. Esse


modelo pode ser formulado como uma cadeia de Markov de tempo
contnuo dividindo cada tempo entre atendimentos em duas fases
consecutivas, cada uma tendo uma distribuio exponencial com
mdia de 1/(2!) ! 0,125 e depois definindo o estado do sistema
como (n, p), em que n o nmero de clientes no sistema (n ! 0,
1, 2, . . .) e p indica a fase da prxima chegada (que ainda no se
encontra no sistema) (p ! 1, 2).
Construa o diagrama de taxas correspondente (mas no o
resolva).

17.7-8. A fbrica McAllister Company possui dois almoxarifados,


cada um deles com um nico almoxarife, em sua rea de fabricao. Um almoxarifado manipula apenas as ferramentas para o
maquinrio pesado; o segundo manipula todas as demais ferramentas. Entretanto, para cada almoxarifado, os ferramenteiros chegam
para pegar as ferramentas a uma taxa mdia de 24 por hora e o
tempo de atendimento esperado de dois minutos.
Em decorrncia das reclamaes que os ferramenteiros que se
dirigem ao almoxarifado tm de esperar muito, foi proposto que
os dois almoxarifados sejam combinados de modo que qualquer
um dos almoxarifes possa manipular qualquer tipo de ferramenta,
conforme a demanda exija. Acredita-se que a taxa mdia de chegada para o almoxarifado combinado com dois almoxarifes duplicaria para 48 por hora e que o tempo de atendimento esperado
continuaria a ser de dois minutos. Entretanto, no h informaes
disponveis sobre a forma das distribuies probabilsticas para
tempos entre chegadas e tempos de atendimento, de modo que no
esteja claro qual seria o melhor modelo de filas a ser adotado.
Compare a situao atual com a proposta em relao ao nmero total esperado de ferramenteiros na(s) almoxarifado(s) e o tempo
de espera previsto (incluindo atendimento) para cada ferramenteiro. Faa isso tabulando esses dados para os quatro modelos de
filas considerados nas Figuras 17.6, 17.8, 17.10 e 17.11 (use k ! 2
quando for apropriada uma distribuio de Erlang).

17.7-11. Uma empresa tem um tcnico de manuteno para manter


um grande grupo de mquinas em ordem. Tratando esse grupo como
uma populao solicitante infinita, as quebras individuais ocorrem de
acordo com um processo de Poisson a uma taxa mdia de 1 por hora.
Para cada quebra, a probabilidade 0,9 de que seja necessrio somente um pequeno reparo, em cujo caso o tempo necessrio tem uma
distribuio exponencial com mdia de 21%% hora. Caso contrrio, seria
necessrio um reparo importante, em cujo caso o tempo de reparo
tem uma distribuio exponencial com mdia de cinco horas. Como
as duas distribuies condicionais so exponenciais, a distribuio
incondicional (combinada) de tempos de reparo hiperexponencial.
(a) Calcule a mdia e desvio-padro dessa distribuio hiperexponencial. Dica: Use as relaes gerais da teoria das probabilidades de que, para qualquer varivel aleatria X e qualquer par
de eventos mutuamente exclusivos E1 e E2, E(X) !
E(XE1)P(E1) $ E(XE2)P(E2) e var(X) ! E(X2) # E(X)2.
Compare esse desvio-padro com aquele de uma distribuio
exponencial com essa mdia.
(b) Quais so os P0, Lq, L, Wq e W para esse sistema de filas?
(c) Qual o valor condicional de W, dado que a mquina envolvida precise de um reparo importante? E para um pequeno
reparo? Qual a diviso de L entre mquinas precisando dos
dois tipos de reparos? Dica: A frmula de Little ainda se aplica para as categorias de mquinas individuais.

66

CAPTULO 17

TEORIA DAS FILAS

(d) Como devem ser definidos os estados do sistema de modo a


formular esse sistema de filas como uma cadeia de Markov de
tempo contnuo? Dica: Considere que informaes adicionais
teriam de ser dadas, alm do nmero de mquinas quebradas,
para a distribuio condicional do tempo restante at que o
prximo evento de cada tipo seja exponencial.
(e) Construa o diagrama de taxas correspondente.
17.7-12. Considere a variante de fila finita do modelo M/G/1, em
que K o nmero mximo de clientes permitido no sistema. Para
n ! 1, 2, . . . , faamos que a varivel aleatria Xn seja o nmero
de clientes no sistema no instante tn quando o ensimo cliente acaba
de ter sido atendido. No contar o cliente que sai. Os tempos {t1,
t2, . . .} so chamados pontos de regenerao. Alm disso, {Xn}
(n ! 1, 2, . . .) uma cadeia de Markov de tempo discreto e
conhecida como uma cadeia de Markov incorporada. As cadeias
de Markov incorporadas so teis no estudo das propriedades de
processos estocsticos de tempo contnuo como aqueles para um
modelo M/G/1.
Considere agora o caso especial em que K ! 4, o tempo de
atendimento de clientes sucessivos seja uma constante fixa, digamos, dez minutos e a taxa mdia de chegada seja 1 a cada 50
minutos. Portanto, {Xn} uma cadeia de Markov incorporada com
estados 0, 1, 2, 3. Como jamais existem mais que quatro clientes
no sistema, jamais pode haver mais que trs no sistema em um
ponto de regenerao. Como o sistema observado em partidas
sucessivas, Xn jamais pode decrescer mais que uma unidade. Alm
disso, as probabilidades de transies que resultam em aumentos
em Xn so obtidas diretamente da distribuio de Poisson.
(a) Encontre a matriz de transio em uma etapa para cadeia de
Markov incorporada. Dica: Ao obter a probabilidade de transio do estado 3 para o estado 3, use uma probabilidade de 1
ou mais chegadas em vez de apenas 1 chegada e similarmente para outras transies para o estado 3.
(b) Use a rotina correspondente na rea referente a cadeias de
Markov do Courseware de PO para encontrar as probabilidades de estado estvel para o nmero de clientes no sistema em
pontos de regenerao.
(c) Calcule o nmero de clientes esperado no sistema em pontos
de regenerao e compare-o com o valor de L para o modelo
M/D/1 (com K ! ,) na Seo 17.7.
17.8-1.* A Southeast Airlines uma pequena companhia que faz
pontes areas que atendem principalmente o estado da Flrida. O
balco de passagens em certo aeroporto tem apenas um atendente. H duas linhas distintas uma para passageiros de primeira
classe e outra para passageiros de classe econmica. Quando o
atendente est pronto para atender a mais um cliente, o prximo
passageiro de primeira classe atendido caso exista alguma fila.
Caso contrrio, ser atendido o prximo passageiro de classe econmica. Os tempos de atendimento possuem uma distribuio
exponencial com mdia de trs minutos para ambos os tipos de
clientes. Durante as 12 horas por dia em que o balco de passagens est aberto, os passageiros chegam aleatoriamente a uma taxa
mdia de 2 por hora para passageiros de primeira classe e 10 por
hora para passageiros de classe econmica.
(a) Que tipo de modelo de filas se ajusta a esse sistema de filas?
T (b) Encontre as principais medidas de desempenho L, Lq, W
e Wq tanto para passageiros de primeira classe quanto
para classe econmica.

(c) Qual o tempo de espera antes de o atendimento comear para


clientes de primeira classe como uma frao desse tempo de
espera para clientes de classe econmica?
(d) Determine o nmero mdio de horas por dia em que o atendente se encontra ocupado.
17.8-2. Considere o modelo com prioridades no-preemptivas
apresentado na Seo 17.8. Suponha que existam duas classes de
prioridades, com !1 ! 4 e !2 ! 4. Ao desenhar esse sistema de
filas, lhe oferecido a possibilidade de escolher entre as seguintes alternativas: (1) um atendente rpido (" ! 10) e (2) dois atendentes lentos (" ! 5).
Compare essas alternativas com as quatro medidas de desempenho mdias usuais (W, L, Wq, Lq) para cada classe de prioridade (W1, W2, L1, L2 e assim por diante). Qual alternativa prefervel caso sua principal preocupao seja o tempo de espera previsto
no sistema para classes de prioridade 1 (W1)? Qual alternativa
prefervel caso sua principal preocupao seja o tempo de espera
na fila para classes de prioridade 1?
T

17.8-3. Considere a variante com um nico atendente do modelo


de prioridades no-preemptivas apresentado na Seo 17.8.
Suponha que existam trs classes de prioridades, com !1 ! 1,
!2 ! 1 e !3 ! 1. Os tempos de atendimento esperados para as
classes de prioridades 1, 2 e 3 so 0,4, 0,3 e 0,2, respectivamente,
e, portanto, "1 ! 2,5, "2 ! 313%% e "3 ! 5.
(a) Calcule W1, W2 e W3.
(b) Repita o item (a) ao usar a aproximao de aplicar o modelo
geral para prioridades no-preemptivas apresentado na Seo
17.8. J que esse modelo geral supe que o tempo de atendimento previsto o mesmo para todas as classes de prioridades, use um tempo de atendimento esperado igual a 0,3 e, portanto, " ! 31%3%. Compare os resultados com aqueles obtidos no
item (a) e avalie o nvel de aproximao fornecido ao se fazer
essa hiptese.
17.8-4.* Determinado ncleo de trabalho em uma ferramentaria
pode ser representado como um sistema de filas com um nico
atendente, em que as tarefas chegam de acordo com um processo
de Poisson, com taxa mdia de 8 por dia. Embora as tarefas que
chegam sejam de trs tipos distintos, o tempo necessrio para realizar qualquer uma dessas tarefas possui a mesma distribuio
exponencial, com mdia de 0,1 dia de trabalho. A prtica tem sido
a de trabalhar nas tarefas que chegam segundo a regra na qual os
primeiros que chegam sero os primeiros a ser atendidos. Entretanto, importante que tarefas do tipo 1 no esperem muito, ao
passo que a espera apenas moderadamente importante para tarefas do tipo 2 e relativamente sem importncia para tarefas do tipo
3. Esses trs tipos chegam com taxa mdia de 2, 4 e 2 por dia, respectivamente. Como todos os trs tipos passaram, em mdia, por
longos atrasos, foi proposto que as tarefas fossem escolhidas de
acordo com uma disciplina de prioridades apropriada.
Compare o tempo de espera previsto (incluindo atendimento)
para cada um dos trs tipos de tarefas caso a disciplina da fila seja:
(a) os primeiros que chegam sero os primeiros a ser atendidos,
(b) prioridade no-preemptiva e (c) prioridade preemptiva.
T

17.8-5. Reconsidere o problema da sala de emergncias do Hospital Municipal conforme analisado na Seo 17.8. Suponha que
as definies das trs categorias de pacientes estejam ligeiramen-

PROBLEMAS
te ligadas de modo a transferir casos marginais para uma categoria inferior. Conseqentemente, somente 5% dos pacientes se qualificaro como casos crticos, 20% como casos graves e 75% como
casos estveis. Crie uma tabela mostrando os dados apresentados
na Tabela 17.3 para esse problema revisado.
17.8-6. Reconsidere o sistema de filas descrito no Problema 17.46. Suponha agora que clientes tipo 1 sejam mais importantes do
que clientes do tipo 2. Se a disciplina da fila fosse alterada da regra em que os primeiros que chegam sero os primeiros a ser atendidos para um sistema de prioridades com clientes do tipo 1 tendo
prioridade no-preemptiva em relao a clientes do tipo 2, isso
aumentaria, diminuiria ou manteria inalterado o nmero total esperado de clientes no sistema?
(a) Determine a resposta sem fazer qualquer clculo e depois apresente o raciocnio que o levou a essa concluso.
T (b) Verifique sua concluso no item (a) encontrando o nmero
total esperado de clientes no sistema sob cada uma dessas
duas disciplinas de fila.
17.8-7. Considere o modelo de filas com a disciplina de fila de
prioridade preemptiva apresentada na Seo 17.8. Suponha que
s ! 1, N ! 2 e (!1 $ !2) ) "; e faamos que Pij seja a probabilidade de estado estvel de que existem i membros da prioridade
de classe mais alta e j membros da prioridade de classe mais baixa
no sistema de filas (i ! 0, 1, 2, . . . ; j ! 0, 1, 2, . . .). Use um
mtodo anlogo ao apresentado na Seo 17.5 para derivar um sistema de equaes lineares cuja soluo simultnea Pij. No obtenha realmente essa soluo.
17.9-1. Considere um sistema de filas com dois atendentes, no qual
os clientes chegam de duas origens distintas. Da origem 1, os clientes sempre chegam de 2 em 2, onde o tempo entre chegadas consecutivas de pares de clientes possui uma distribuio exponencial
com mdia de 20 minutos. A origem 2 , por si s, um sistema de
filas com dois atendentes, que possui um processo de entrada de
Poisson com taxa mdia de sete clientes por hora e o tempo de
atendimento de cada um desses dois atendentes tem uma distribuio exponencial com mdia de 15 minutos. Quando um cliente
completa o atendimento na origem 2, ele entra imediatamente no
sistema de filas sendo considerado para outro tipo de atendimento. No ltimo sistema de filas, a disciplina da fila prioridade
preemptiva em que clientes da origem 1 sempre tm prioridade
preemptiva em relao a clientes da origem 2. Entretanto, os tempos de atendimento so independentes e distribudos identicamente para ambos os tipos de clientes de acordo com uma distribuio
exponencial com mdia de seis minutos.
(a) Concentre-se primeiramente no problema de derivar a distribuio de estado estvel somente do nmero de clientes
da origem 1 no sistema de filas sendo considerado. Usando
uma formulao de cadeia de Markov de tempo contnuo,
defina os estados e construa o diagrama de taxas para derivar de forma mais eficiente essa distribuio (mas no a derive efetivamente).
(b) Agora se concentre no problema de derivar a distribuio de
estado estvel do nmero total de clientes de ambos os tipos
no sistema de filas sendo considerado. Usando uma formulao de cadeia de Markov de tempo contnuo, defina os estados e construa o diagrama de taxas para derivar de forma mais
eficiente essa distribuio (mas no a derive efetivamente).

67
(c) Agora se concentre no problema de derivar a distribuio conjunta de estado estvel do nmero de clientes de cada tipo no
sistema de filas sendo considerado. Usando uma formulao
de cadeia de Markov de tempo contnuo, defina os estados e
construa o diagrama de taxas para derivar esta distribuio (mas
no a derive efetivamente).
17.9-2. Considere um sistema de duas filas infinitas em srie, em
que cada uma das duas instalaes de atendimento possui um nico
atendente. Todos os tempos de atendimento so independentes e
possuem uma distribuio exponencial, com mdia de trs minutos na instalao 1 e quatro minutos na instalao 2. A instalao
1 tem um processo de entrada de Poisson com taxa mdia de 10
por hora.
(a) Encontre a distribuio de estado estvel do nmero de clientes na instalao 1 e depois na instalao 2. A seguir, mostre
a soluo em forma de produto para a distribuio conjunta do
nmero nas respectivas instalaes.
(b) Qual a probabilidade de que ambos os atendentes se encontrem ociosos?
(c) Encontre o nmero total de clientes esperado no sistema e o
tempo total de espera previsto (incluindo os tempos de atendimento) para um cliente.
17.9-3. Sob as hipteses especificadas na Seo 17.9 para um sistema de filas infinitas em srie, esse tipo de rede de filas, na verdade, um caso especial de uma rede de Jackson. Demonstre que
isso verdadeiro descrevendo esse sistema como uma rede de
Jackson, inclusive especificando os valores de aj e pij, dado ! para
esse sistema.
17.9-4. Considere uma rede de Jackson com trs instalaes de
atendimento com valores de parmetros mostrados a seguir.
pij
Instalao j

j!1
j!2
j!3

sj

!j

aj

i"1

i"2

i"3

1
1
1

40
50
30

10
15
3

0
0,5
0,3

0,3
0
0,2

0,4
0,5
0

T (a) Encontre a taxa de chegada total em cada uma das instalaes.


(b) Encontre a distribuio de estado estvel do nmero de clientes nas instalaes 1, 2 e 3. Em seguida demonstre a soluo
em forma de produto para a distribuio conjunta do nmero
nas respectivas instalaes.
(c) Qual a probabilidade de que todas as instalaes tenham filas vazias (nenhum cliente aguardando para ser atendido)?
(d) Encontre o nmero total de clientes esperado no sistema.
(e) Determine o tempo de espera total previsto (incluindo os tempos de atendimento) para um cliente.

17.10-1. Ao descrever a anlise econmica do nmero de atendentes para ser fornecido em um sistema de filas, a Seo 17.10
introduz um modelo de custos bsico no qual o objetivo minimizar E(TC) ! Css $ CwL. O propsito desse problema permitir
que voc explore o efeito que os tamanhos relativos de Cs e Cw
tem sobre o nmero timo de atendentes.
T

68

CAPTULO 17

TEORIA DAS FILAS

Suponha que o sistema de filas sendo considerado se encaixe


no modelo M/M/s com ! ! 8 clientes por hora e " ! 10 clientes
por hora. Use o gabarito em Excel do Courseware de PO para anlise econmica com o modelo M/M/s para encontrar o nmero
timo de atendentes para cada um dos seguintes casos.
(a) Cs ! US$ 100 e Cw ! US$ 10.
(b) Cs ! US$ 100 e Cw ! US$ 100.
(c) Cs ! US$ 10 e Cw ! US$ 100.
*

T 17.10-2.

Jim McDonald, gerente da rede de fast-food McBurger,


se d conta que fornecer um atendimento rpido a chave para o
sucesso da lanchonete. Clientes que tm de esperar muito possuem
grandes chances de ir para outra lanchonete da regio da prxima
vez. Ele estima que cada minuto a mais que um cliente tiver de
esperar na fila antes de completar o atendimento lhe custe uma mdia de 30 centavos em perda de futuros negcios. Portanto, ele quer
certificar-se de que h um nmero de caixas abertos suficiente para
manter a fila em um mnimo. Cada caixa operado por um empregado de meio perodo que passa o lanche pedido por cliente e efetua a cobrana. O custo total para cada um desses empregados
de US$ 9 por hora.
Durante o horrio de almoo, os clientes chegam de acordo
com um processo de Poisson em uma taxa mdia de 66 por hora.

O tempo necessrio para atender um cliente estimado como uma


distribuio exponencial com mdia de dois minutos.
Determine quantos caixas Jim deveria manter abertos durante
o horrio do almoo para minimizar o custo total esperado por hora.
17.10-3. A Garrett-Tompkins Company dispe de trs mquinas
copiadoras em sua sala de cpia para uso de seus empregados. Entretanto, em razo de recentes reclamaes sobre tempo considervel desperdiado esperando um copiador ficar livre, a gerncia
est estudando o acrscimo de uma ou mais copiadoras.
Durante as 2.000 horas de trabalho durante o ano, os empregados chegam na sala de cpias de acordo com um processo de
Poisson a uma taxa mdia de 30 por hora. Acredita-se que o
tempo que cada empregado precisa gastar em uma copiadora
tenha distribuio exponencial com mdia de cinco minutos. Estima-se que a produtividade perdida em virtude do tempo gasto
por um empregado na sala de cpia custe empresa uma mdia
de US$ 25 por hora. Cada copiadora alugada por US$ 3.000
por ano.
Determine quantas copiadoras a empresa deveria ter para
minimizar seu custo total esperado por hora.

CASOS
CASO 17.1 Reduzindo o Estoque de Itens
em Fabricao
Jim Wells, vice-presidente de Manufatura da Northern
Airplane Company, est exasperado. Sua visita pela unidade fabril mais importante da empresa essa manh o deixou mau humorado. Entretanto, agora ele poder descarregar sua raiva em Jerry Carstairs, o gerente de produo
da unidade, que acaba de chegar ao escritrio de Jim aps
sua convocao.
Jerry, acabo de voltar de uma vistoria pela fbrica e
estou muito desapontado. Qual o problema, Jim?
Bem, voc sabe muito bem quanto tenho enfatizado a
necessidade de cortar nosso estoque de itens em fabricao. Claro, temos dado duro nesse sentido, responde
Jerry. Bem, no to duro quanto deveria! Jim aumenta
seu tom de voz ainda mais. Voc sabe o que descobri junto
s prensas? No. Cinco chapas metlicas ainda esperando para serem conformadas em perfis de asas. E depois,
logo aps, na unidade de inspeo, 13 perfis de asas! O inspetor estava inspecionando uma delas, porm as outras 12
estavam ali ao lado, dormindo em bero esplndido! Voc
sabe que temos algumas centenas de milhares de dlares
atrelados a cada um desses perfis de asas. Portanto, entre as
prensas e a unidade de inspeo, temos alguns milhes de
metal terrivelmente caro simplesmente parado ali do lado.
Isto no pode acontecer!
O desgostoso Jerry Carstairs tenta responder. Certo,
Jim, estou bem ciente de que a unidade de inspeo um
gargalo. Normalmente a situao no to ruim quanto esta

que voc viu hoje pela manh, mas sem dvida nenhuma
um gargalo. Muito menos do que para as prensas. Voc realmente nos pegou em um mau dia. Espero que sim, replica Jim, mas, at mesmo ocasionalmente, voc precisa
impedir que isso acontea. Qual sua proposta?. Jerry agora
se anima notadamente em sua resposta. Bem, na verdade,
j venho trabalhando nessa questo. Tenho uma srie de propostas engatilhadas e solicitei a um analista de PO da minha
equipe para analisar essas propostas fazendo um relatrio
com sugestes. timo, responde Jim, fico feliz por ver
que voc est tentando resolver o problema. D a esse problema a mais alta prioridade e me informe o mais rpido
possvel. Faremos isso, promete Jerry.
Eis o problema que Jerry e seu analista de PO esto
resolvendo. Cada uma das dez prensas idnticas est
sendo usada para conformar perfis de asas de avio a partir de grandes folhas de metal especialmente processadas.
Essas chapas chegam aleatoriamente ao grupo de prensas
a uma taxa mdia de 7 por hora. O tempo necessrio para
uma prensa conformar um perfil de asa de avio a partir
de uma chapa de metal tem uma distribuio exponencial
com mdia de uma hora. Quando completados, os perfis
de asas chegam aleatoriamente a uma unidade de inspeo
na mesma taxa mdia que as chapas de metal chegam s
prensas (7 por hora). Um nico inspetor fica em tempo
integral inspecionando esses perfis de asas para certificarse de que elas atendem s especificaes. Cada inspeo
leva 7%12% minutos e, portanto, ele capaz de inspecionar
oito perfis de asas por hora. Essa taxa de inspeo resul-

CASO 17.2

DILEMA DAS FILAS

tou em uma quantidade mdia substancial de estoque de itens


em fabricao na unidade de inspeo (isto , o nmero mdio
de perfis de asas aguardando inspeo bastante grande),
alm daquelas que j se encontravam no grupo de mquinas.
Estima-se que o custo desse estoque de itens em fabricao seja de US$ 8 por hora para cada chapa de metal que
estiver nas prensas ou para cada perfil de asa que se encontrar na unidade de inspeo. Portanto, Jerry Carstairs fez
duas propostas alternativas para reduzir o nvel mdio de
estoque de itens em fabricao.
A Proposta 1 usar um pouco menos de fora nas prensas (o que aumentaria seus tempos mdios para conformar
um perfil de asa para 1,2 hora) de modo que o inspetor consiga suportar melhor sua produo. Isso tambm reduziria o
custo de energia para operar cada mquina, de US$ 7,00
para US$ 6,50 por hora. Ao contrrio, aumentar para fora
mxima aumentaria esses custos para US$ 7,50 por hora
enquanto diminuiria o tempo mdio para conformar um perfil de asa para 0,8 hora.
A Proposta 2 substituir o atual inspetor por um inspetor
mais jovem para essa tarefa. Ele ligeiramente mais rpido
(embora com alguma variabilidade em seus tempos de inspeo em virtude de sua menor experincia), de modo que ele
poderia se dar melhor. Seu tempo de inspeo teria uma distribuio de Erlang com mdia de 7,2 minutos e um parmetro de
forma k ! 2. Esse inspetor se encontra em uma classificao
que requer um salrio total (incluindo benefcios) de US$ 19

69

por hora, ao passo que o inspetor atual se encontra em uma


classificao menor em que o salrio de US$ 17 por hora. Os
tempos de inspeo para cada um desses inspetores so tpicos
daqueles que se encontram em uma mesma classificao.
Voc o analista de PO da equipe de Jerry Carstair ao
qual foi solicitado para analisar esse problema. Ele quer que
voc use as tcnicas de PO mais atuais para verificar em
quanto cada proposta reduziria o estoque de itens em fabricao e depois faa suas recomendaes.
(a) Para ter uma base de comparao, comece analisando a
situao atual. Determine a quantidade esperada de estoque
de itens em fabricao nas prensas e na unidade de inspeo.
Em seguida, calcule o custo total esperado por hora ao considerar o seguinte: o custo do estoque de itens em fabricao, o custo da energia para manter as prensas em operao
e o custo do inspetor.
(b) Qual seria o efeito da proposta 1? Por qu? Faa comparaes
especficas com os resultados do item (a). Explique esse resultado para Jerry Carstairs.
(c) Determine o efeito da proposta 2. Faa comparaes especficas com os resultados do item (a). Explique esse resultado para
Jerry Carstairs.
(d) D suas sugestes para reduzir o nvel mdio de estoque de
itens em fabricao na unidade de inspeo e no grupo de
mquinas. Seja especfico em suas recomendaes e respaldeas com anlise quantitativa como aquela realizada no item (a).
Faa comparaes especficas com os resultados do item (a) e
cite as melhorias que suas sugestes produziriam.

PRVIA DE UM CASO ADICIONAL NO CD-ROM


CASO 17.2

Dilema das Filas

Diversos clientes furiosos esto reclamando sobre as longas


esperas para conseguir contato em um call center. Parece
que seria necessrio maior nmero de atendentes para responder s ligaes. Outra opo seria treinar os atendentes

para que eles consigam responder s ligaes de forma mais


eficiente. Foram propostos alguns critrios possveis para
nveis de atendimento satisfatrios. A teoria das filas precisa ser aplicada para determinar como a operao do call
center deveria ser redesenhada.

Você também pode gostar