Apostila de Teoria Das Filas v.022012 PDF

TEORIA DAS FILAS
Fabrzzio Conde de Oliveira
ENGENHARIA DE PRODUO UNIVERSIDADE SALGADO DE OLIVEIRA

PUS Juiz de Fora
2
Introduo
Teoria das Filas
Esperar em uma fila uma das ocorrncias mais comuns no nosso dia a dia. Ns esperamos na fila para fazer matrcula, para pagar em
um supermercado, para pagar uma conta no banco, para comer um hamburguer, para colocar gasolina, etc...
O pioneiro no estudo das filas de espera foi A.K.Erlang, um engenheiro dinamarqus, que publicou, na dcada 1910-1920, vrios traba-
lhos sobre o assunto quando da implantao do servio telefnico em Copenhague.
Filas podem existir na forma de pessoas ou objetos esperando por algum tipo de servio ou podem existir em um sentido abstrato, ou seja,
no to visvel, como, por exemplo, uma fila de navios esperando para atracar em um porto ou uma fila de avies esperando a ordem da torre
de comando para pousar na pista de um aeroporto.
Porque as filas so estudadas
As filas so estudadas porque em toda fila, embora nem sempre se perceba, existe embutido um problema econmico. E este problema
econmico surge porque em qualquer fila (mesmo a da padaria da esquina!) existem 2 custos envolvidos: O Custo da Fila e o Custo do Servio.
Para que possamos entender o que vem a ser estes 2 custos, vamos examinar um exemplo clssico de fila: a atracao de navios em um
porto.
Em qualquer porto, o do Rio de Janeiro, por exemplo, existem os locais onde os navios podem atracar. Estes locais so chamados de
beros.
Assim o nmero de beros d o nmero mximo de navios que podem estar atracados em um porto. Por sua vez, a legislao internacio-
nal que regulamenta o trfego martimo determina que se ao chegar a um porto (obviamente na data certa) e no houver bero para atracar, a ad-
ministrao do porto tem que indenizar a companhia, dona do navio, pelo tempo que ele ficar ao largo esperando bero livre para atracar.
Em resumo quando, por qualquer motivo, todos os beros de um porto esto ocupados, os navios que chegam formam uma fila (lgica)
aguardando a sua vez. Podemos agora definir os custos da fila e do servio envolvidos no caso de um porto.
4
O Custo do Servio o custo de construir e manter em funcionamento os beros de atracao. Quanto mais beros oferecidos, ou seja,
quanto maior o nvel de servio oferecido, maior este custo.
O Custo da Fila o custo que a administrao do porto tem pelo pagamento das indenizaes aos navios que esperam na fila. Este custo
inversamente proporcional ao custo do servio (nmero de beros). Se temos poucos beros o custo do servio ser pequeno, mas como a fila
ser grande, o custo da fila ser grande. J se tivermos muitos beros, o custo do servio ser grande, mas em compensao, como a fila ser pe-
quena, o custo da fila ser pequeno. Genericamente podemos definir:
Custo do Servio: o custo de construir e manter em funcionamento as estaes que prestam determinado servio.
Custo da Fila: o custo que se incorre devido ao fato de usurios de um sistema de fila terem que esperar na fila propriamente dita.
Custo Total: a soma do Custo da Fila mais o Custo do Servio.
A figura ao lado uma representao destes custos:
O objetivo em qualquer sistema de filas achar o ponto timo que minimiza a funo do custo total, ou seja, achar o nvel de servio que
minimiza o custo total. Em quase todos os sistemas de filas relativamente fcil, embora possa ser trabalhoso, achar o custo do servio. Achar o
custo da fila bem mais complexo. Qual o custo da fila, por exemplo, em uma agncia bancria? Temos pessoas na fila e o custo da fila o e-
quivalente monetrio do tempo que as pessoas ficam na fila. A quantificao disto no simples at porque na fila de uma agncia bancria, po-
demos ter pessoas com valor-hora bastante diferentes.
5
Componentes bsicos de um processo de fila
Um sistema de fila pode ser representado como:
A fila propriamente dita apenas um dos componentes de um sistema de fila.
A Populao
o conjunto de elementos pertencentes ao mundo externo, que, potencialmente, podem entrar no sistema de fila. Assim no sistema de fila
da agncia bancria da UFJF, por exemplo, so todas as pessoas que podem eventualmente usar a agncia: funcionrios, professores, alunos, pes-
soas da vizinhana, etc...
Estatisticamente, a populao, em um sistema de filas, pode ser classificada como infinita ou finita. Ela considerada ser infinita quando
o nmero de elementos tal que a presena de um ou mais elementos na fila no influi no comportamento do sistema como um todo. Quando a
presena no sistema de elementos da populao potencial influi no comportamento do sistema, a fila dita ser finita.
Um exemplo de fila finita o caso da fila para conserto de mquinas (poucas) existentes em uma indstria.
O Processo de Chegada
O processo de chegada descreve como os elementos da populao chegam para o sistema de filas. Na grande maioria dos sistemas de fi-
las, as chegadas so aleatrias, ou seja, no ocorrem de maneira ordenada.
Assim para descrever um processo de chegada, precisamos defini-lo atravs de uma distribuio probabilstica.
6
Como exemplo, vamos supor que queremos definir a distribuio probabilstica que rege o processo de chegada em uma determinada a-
gncia bancria. O passo inicial fazer uma amostragem das chegadas dos clientes na agncia em questo.
Devemos lembrar que, inicialmente, deve ser definido o tamanho da amostra que garanta, estatisticamente, a confiabilidade dos resulta-
dos.
Vamos supor que no nosso exemplo a amostra coletar, em um nico dia, as chegadas entre 11:00 e 16:00 horas, ou seja 5 horas de a-
mostragem (300 minutos).
Vamos supor que os resultados coletados na

amostragem foram os seguintes:
Como podemos observar na planilha ao lado, a

amostragem coletou tanto o nmero de chegadas por
perodo (no nosso exemplo, 1 minuto) como o interva-
lo entre chegadas, o que no seria necessrio.
Veremos mais adiante porque s seria necessrio registrar uma delas, lembrando por ora
que, se a taxa meia for de 2 chegadas por minuto, por exemplo, o intervalo mdio entre chega-
das s pode ser de 30 segundos e vice-versa.
Com os dados coletados podemos construir duas distribuies de freqncia:
A 1 com a distribuio do nmero de chegada por minuto:
Esta distribuio uma distribuio discreta, pois os valores s podem ser inteiros, ou seja, 0, 1, 2, etc... .
Com os dados podemos achar a mdia e a varincia (desvio padro):

7
Mdia = x =
x f i i
= 2 chegadas/minuto
f
=
f x fi
2 2
x
2 i i
= 2,02 (chegadas/minuto) 2 = 1, 42 chegadas/minuto
f i 1
A 2 com a distribuio do intervalo entre chegadas:
Esta uma distribuio continua pois a distribuio do intervalo entre chegadas

(tempo), podendo assumir qualquer valor.
Com os dados coletados na amostragem, no caso, individuais (no mostrados

aqui na apostila), podemos achar a mdia e a varincia (desvio padro):
x=
x i
=
18.000
= 30 segundos
n 600
2
=
x i
2
2
x = 900 segundos 2 = 900 = 30 segundos
n
Veremos mais adiante que ser fundamental saber se estas distribuies se enquadram em alguma distribuio terica.
A disciplina da Fila
A chamada disciplina da fila trata das questes relativas a fila propriamente dita.
Precisamos ter respostas a perguntas do tipo:
a) Quantas filas existem no sistema?

b) Como os usurios so escolhidos da(s) filas para receber servio?
8
Podemos ter um esquema FIFO (first in, first out), ou seja, o primeiro que entra o primeiro que sai. Podemos ter LIFO (last in, first out),
ou seja, o ltimo a entrar o primeiro a sair. Podemos ter uma fila com esquema de prioridade, ou seja, a chamada para receber servio
obedece a um esquema de prioridade, etc, etc... .
c) H limite para o tamanho da fila?
O tamanho da fila pode ser considerado como infinito, ou sema, quando a fila pode ter qualquer tamanho ou limitado quando a fila s
pode acomodar um n determinado de usurios. Neste ltimo caso quando a fila est cheia, os usurios que chegam, vo embora, sem en-
trar no sistema.
Respostas diferentes para cada uma das perguntas acima mudam o tipo de modelo a ser estudado.
O Mecanismo de Servio
Um sistema de fila pode ser, genericamente, catalogado em 4 estruturas bsicas conforme o seu esquema de prestao de servio.
Assim, como podemos ver na figura a seguir, podemos ter:
(A) Canal nico, fase nica;

(B) Canais mltiplos, fase nica;
(C) Canal nico, fases mltiplas;
(D) Canais mltiplos, fases mltiplas.
9
O nmero de canais simplesmente o nmero de estaes de servio paralelas que prestam servios s chegadas.
O nmero de fases, por outro lado, indica o nmero de etapas seqenciais que cada chegada individual tem que passar.
Um exemplo da categoria (A) seria um pequeno posto bancrio com somente 1 caixa para atendimento. Um exemplo da categoria (B) se-
ria o caso de uma agncia bancaria com fila nica e vrias caixas. Para exemplificar o caso (C) poderamos citar um pequeno hospital onde o
paciente recebe um atendimento inicial por parte de um mdico residente e a seguir atendido pelo mdico titular. Se tivssemos vrios residen-
tes e vrios mdicos, teramos um exemplo do caso (D).
Podemos, sem muito esforo, identificar vrios tipos de filas conhecidas que no se encaixam nas 4 (quatro) categorias bsicas. Isto es-
perado, pois estas so apenas as categorias bsicas.
Para esquemas de filas mais complexos, a dificuldade em se obter solues analticas imensa e, na maioria das vezes, invivel.
10
Como no processo de chegada, na grande maioria dos sistemas de filas, a durao do servio prestado aleatria e para descrev-la preci-
samos definir uma distribuio probabilstica.
Tambm como no processo de chegada, para se obter uma distribuio probabilstica que descreva o servio prestado, precisamos fazer
uma amostragem no sistema em questo. Neste caso, no entanto, aps ter sido definido o tamanho da amostra, temos um complicador: A distri-
buio probabilstica deve refletir a capacidade da estao de servio e por isto no tem sentido incluir na amostra os perodos em que a esta-
o fica ociosa.
As maneiras usuais de se fazer isto so contar somente o tempo em que a estao no fica ociosa ou, para garantir ocupao, gerar usu-
rios artificiais para serem servidos no sistema.
A 1 forma geralmente mais usada, pois a 2 pode provocar distores por ser artificial.
Vamos supor como exemplo, que estamos estudando um posto bancrio e para estudarmos o atendimento dado foi feita uma amostragem
em um nico dia, das 13h s 16h, ou seja, durante 3 horas (180 minutos).
Foram coletados ento os seguintes dados:
Da mesma forma que fizemos no processo de

chegada, registramos nesta amostragem tanto a durao de
cada servio prestado (medida connua pois se trata de
tempo) que uma medida discreta pois s pode ser um valor
inteiro. Tambm repetindo o citado no porcesso de chegada,
bastava coletar apenas uma das medidas pois as 2 estao
relacionadas e claro que se a mdia for de 4 servios
prestados por minuto, a durao mdia da prestao de
servio ser de 15 segundos.
11
Com dados coletados na amostragem podemos construir 2 distribuies probabilsticas.
A 1 (discreta) vai ser a distribuio dos nmeros de servios prestados por minuto e apresenta os seguintes valores:
Sua mdia e desvio padro so:
12
Como no caso do processo de chegada, tambm estamos interessados em saber se estas distribuies se enquadram em uma distribuio
terica.
A tcnica estatstica que avalia se uma distribuio emprica se adequa a uma distribuio terica chamada de Teste de Aderncia e o
que veremos a seguir:
O Processo POISSON
As propriedades do chamado Processo de Poisson se ajustam muito bem aos modelos bsicos de filas. Este fato fez com que as solues
analticas para modelos de filas pudessem ser obtidas para queles modelos, a obteno de solues analticas para modelos no seguem o Pro-
cesso de Poisson so, quando viveis, matematicamente complexas e extremamente trabalhosas.
Vejamos as propriedades fundamentais do Processo de Poisson, j adaptando-se para sistemas de filas, lembrando que estas propriedades
so provadas matematicamente:
1. O n de chegadas (ou de servios complementados) em uma unidade de tempo especificada independente do n de chegadas (ou
trmino de servios) em qualquer outra unidade.
Esta propriedade se adqua perfeitamente a um sistema de filas e para exemplificar vamos imaginar as chegadas de clientes a uma a-
gncia bancria. bvio que o n de chegadas no minuto entre 11:34 e 11:35 independente das chegadas no minuto entre 14:51 e
14:52.
2. O n mdio de chegadas (ou trmino de servios) por unidade de tempo proporcional ao tamanho da unidade de tempo.
Assim se na agncia bancria a mdia de 2 chegadas/min, ela ser de 120 chegadas/hora e 720/dia (considerando o dia de 6 horas).
3. A probalidade da ocorrncia de 2 chegadas simultneas (ou trmino de 2 servios) em uma unidade de tempo muito pequena
tende a zero.
Vamos supor que a taxa de chegada a um determinado sistema de fila seja = 5/hora. Se fizermos (t) muito pequeno, 1 segundo
por exemplo, a probabilidade de chegada em 1 segundo ser igual a t = 5*1/3600 = 0,0013.
A probabilidade de 2 chegadas em qualquer segundo ser igual a 0,0013 * 0,0013 = 0,000006, ou seja, praticamente zero.
13
4. A probabilidade de 1 chegada (ou trmino de servio) ocorrer em uma unidade de tempo muito pequena, t, sempre a mesma
independente do instante de t.
Desta forma se a probabilidade de 1 chegada em 1 segundo de 0,0013, esta probabilidade ser a mesma em qualquer segundo
escolhido.
5. Se a distribuio das chegadas (discreta) segue a distribuio de Poisson, ento a distribuio do intervalo entre chegadas (contnua)
segue a Exponencial.
Se a distribuio da durao do servio (contnua) segue a Exponencial ento a distribuio dos servios completados (discreta) segue
a Poisson.
Esta propriedade a razo porque dissemos anteriormente, nas amostragens, que embora tivessem sido completados tanto os dados
discretos como os contnuos, bastava trabalhar com uma delas, tanto no caso das chegadas como no caso do servio, pois provada u-
ma, via teste de aderncia, est provada a outra.
Desta forma se as chegadas seguem, por exemplo, uma Poisson, verificado via teste de aderncia, com taxa mdia = 3/minuto, ento
o intervalo entre chegadas segue Exponencial com mdia (1/) igual a 20 segundos.
Da mesma forma se a durao do servio segue, por exemplo, uma Exponencial com mdia (1/) de 30 segundos, ento a distribuio
dos servios completados por unidade de tempo seguem uma Poisson com mdia = 2/minutos.
Em filas criou-se uma conveno em que se diz que as chegadas seguem

a Poisson (claro se passar no teste de aderncia), ou seja, se trabalha
com a taxa mdia de chegada (discreta) enquanto que para o servio,
trabalha-se com a sua durao (contnua), ou seja, se diz que ela segue
a Exponencial. Mas como vimos acima, est correto dizer exatamente o
inverso. uma mera conveno.
14
A Notao Kendall
O professor D.G.Kendall criou, em 1953, uma notao para sistemas de filas que hoje largamente usada.
Ela tem, na sua forma simplificada, o seguinte formato: (A/B/C/D/E) onde: A representa a distribuio das chegadas, B representa a dis-
tribuio do servio, C indica o nmero de estaes de servios, D indica a capacidade fsica do sistema e E a disciplina da fila empregada. Por
exemplo, as notaes M/G/1//FIFO ou M/G/1 representam um sistema onde os tempos entre chegadas sucessivas seguem uma distribuio ex-
ponencial , os tempos de servio, uma distribuio geral, h um nico posto de atendimento, o sistema possui capacidade infinita e a disciplina de
atendimento empregada FIFO; a notao M/E3/4/8/LIFO representa um sistema onde os tempos entre chegadas sucessivas seguem uma distri-
buio exponencial, o tempo de atendimento uma distribuio Erlang do tipo 3, existem 4 postos de atendimento em paralelo, o sistema comporta
no mximo oito usurios (4 na fila e 4 sendo atendidos) e a disciplina de atendimento utilizada a LIFO.
Como a distribuio de Poisson inclui as propriedades do processo Markoviano, a notao usada para A e B M quando tempos um processo de
Poisson.
Assim um modelo de fila em que a distribuio das chegadas segue a Poisson, a distribuio da durao do servio segue a Exponencial e com 1
estao de servio, teria a notao M/M/1.
A Conveno para textos de Filas
Outra conveno em filas que, se nada for dito em contrrio, considera-se:
Tamanho da populao: infinito

Tamanho permitido para a fila: infinito
Distribuio das chegadas: Poisson
Distribuio do servio: Exponencial
Fila: nica
Seleo para atendimento: FIFO
15
Estado transiente e de regime (ou estacionrio)
Antes de entramos em detalhes, devemos observar que todos os modelos, com suas frmulas, a serem apresentados tm como pr-
requisito o sistema de fila estar em estado de regime, ou seja, estar com o seu processo de chegadas e atendimento dentro de condies normais.
Para exemplificar vamos considerar uma agncia bancria que tenha grande movimento. Quando a agncia abre pela manh, j existe normal-
mente uma aglomerao na porta e, obviamente, as chegadas no obedecem a qualquer padro. Da mesma forma, no incio dos trabalhos, o aten-
dimento no atinge sua velocidade normal, pois de certa forma os funcionrios que fazem o atendimento no atingem sua velocidade normal,
pois, de certa forma, os funcionrios que fazem o atendimento ainda no esto aquecidos. At o funcionamento da agncia se normalizar dize-
mos que o sistema est em regime transiente. O estudo do comportamento de sistema de filas em regime transiente de extrema complexidade e
foge ao escopo deste curso.
Sistemas Estveis
Fluxo mdio de entrada () constante.
Ritmo mdio de atendimento () constante.
> .
16
O Processo de Nascimento-e-Morte
Segundo Hillier & Lieberman (2006), 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.
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 nasci-
mento-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 o prximo morte (trmino do atendimento) exponen-
cial 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 masci-
mento) 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, para 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
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 sis-
tema) 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 desistir (sair sem serem atendidos) medida que o tamanho da fila aumenta.
17
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. Para maio-
res detalhes sobre este tipo de cadeia e suas propriedades ver a seo 16.8 de Hillier & Lieberman (2006).
Veja o diagrama na figura abaixo, onde as setas mostram as nicas transies possveis para o estado do sistema e a entrada para cada seta
fornece a taxa mdia para essa transio quando o sistema se encontra no estado na base da seta.
Princpio da taxa que entra = taxa que sai
Em virtude das suas hipteses, o processo de nascimento-e-morte um tipo especial de cadeia de Markov de tempo contnuo.
As setas no diagrama abaixo mostram as nicas transies possveis para o estado do sistema e a entrada para cada seta fornece a taxa
mdia para essa transio quando o sistema se encontra no estado na base da seta.
Diagrama de taxas para o processo de nascimento-e-morte
18
Equaes de equilbrio para o processo de nascimento-e-morte
19
Para simplificar a notao, faamos que:
n1n2 ...0
Cn = , para n = 1, 2,...
n n1...1
E ento definamos C1 = 1 para n = 0. Portanto, as probabilidades de estado estvel so
Pn = Cn P0 para n = 0,1, 2,...
A exigncia de que

P
n =0
n =1
Implica que

Cn P0 = 1,
n =0
De modo que
1
P0 =
C
n =0
n
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 anteriormente mostram que:

L = nPn
n =0
20
E

Lq = (n s ) Pn
n=s
Alm disso, as relaes de Little levam a
L Lq
W= e Wq =

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 especiais. 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 realmen-
te 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 n). Ela sempre vlida quando e so definidos e = < 1.
s

Ela no vlida se C
n =0
n =.
21
O Modelo M/M/1
Este o modelo mais simples de fila, ou seja, tamanho populao infinito, tamanho permitido para a fila infinito, chegadas seguindo a Poisson,
durao do servio seguindo a Exponencial, fila nica com seleo FIFO e 1 estao de servio.
Resultados do M/M/1
Para s = 1 , os fatores Cn tornam-se:
n

Cn = = n , para n = 0,1, 2,...

Portanto,
Pn = n P0 , para n = 0,1, 2,...
Em que
1 1
1
P0 = n = = 1
n =0 1
Portanto,
Pn = (1 ) n
Consequentemente,

L = n(1 ) n = (1 ) n n = (1 ) 2
= =
n =0 n =0 (1 ) 1
22
Como
L 1
W= =

Podemos com W calcular o valor de Wq:
1 1 1
Wq = W = =
( )
A partir de Wq, pode-se calcular Lq:
2
Lq = Wq = =
( ) ( )
As frmulas restantes so facilmente demonstradas a partir das anteriores.
Lista de Frmulas
= taxa mdia de chegada (1/ = intervalo mdio entre chegadas)
= taxa de servio mdia (1/ = durao mdia do servio)
= nmero de unidades no sistema (inclui as da fila e a sendo servida).
Probabilidade de zero unidades no sistema, ou seja, a probabilidade do sistema estar vazio:

= 1

23
Probabilidade de existirem n unidades no sistema:

= n
Probabilidade de existirem mais de k unidades no sistema:

() = k+1

Nmero mdio (esperado) de unidades no sistema:

L=

Nmero mdio (esperado) de unidades na fila:

Lq = ()
Tempo mdio (esperado) que cada unidade permanece no sistema:

W=
Tempo mdio (esperado) que cada unidade permanece na fila:

Wq=
()
Fator de utilizao da estao de servio:
Probabilidade de 1 unidade demorar mais de t unidade de tempo no sistema:

24
P(T > t) = e-(1-)t
Podemos ainda as seguintes relaes entre as medidas bsicas:

Lq = L - = Wq

L = Lq + = W
Lq
Wq = W =

L
W = Wq + =

25
Processo de Chegada
Ritmo de Chega- Freqncia Abso- Freqncia

Anotaes das de Veculos Mdia () Ritmo luta Relativa
1 2 2 0 9 0,1500
2 1 1 17 0,2833
3 2 2 17 0,2833
4 1 3 9 0,1500
5 0 4 4 0,0667
6 2 5 1 0,0167
7 1 6 1 0,0167
8 0 7 1 0,0167
9 1 8 1 0,0167
10 2 9 0 0,0000
11 0 10 0 0,0000
12 2 Total 60
13 3
14 1 Ritmo Versus Frequncia Relativa
Frequncia Relativa
Frequncia Relativa
15 3
16 1 0,3000
17 3 0,2500
18 4 0,2000
19 5 0,1500
20 1 0,1000
21 2
0,0500
22 0
23 1 0,0000
24 2 0 1 2 3 4 5 6 7 8 9 10
25 1 Ritmo
26 0
27 1
28 1 Freqncia Freqncia Distribuio
29 0 Ritmo Absoluta Relativa de Poisson
30 2 0 9 0,1500 0,1353
31 2 1 17 0,2833 0,2707
32 2 2 17 0,2833 0,2707
26
33 3 3 9 0,1500 0,1804
34 2 4 4 0,0667 0,0902
35 2 5 1 0,0167 0,0361
36 3 6 1 0,0167 0,0120
37 2 7 1 0,0167 0,0034
38 3 8 1 0,0167 0,0009
39 3 9 0 0,0000 0,0002
40 2 10 0 0,0000 0,0000
41 1
42 6 Ritmo Versus Frequncia Relativa
43 0 Frequncia Relativa POISSON
44 2
Frequncia Relativa
0,3000
45 3
0,2500
46 7
0,2000
47 0
48 2 0,1500
49 2 0,1000
50 0 0,0500
51 4 0,0000
52 1 0 1 2 3 4 5 6 7 8 9 10
53 1 Ritmo
54 1
55 1
56 8
57 4
58 3
59 1
60 4
Total de Veculos 120
xemplo
Em uma fbrica chegam em mdia 7 pedidos por semana (segundo a distribuio de Poisson). Qual a probabilidade de ocorrer a chegada das
quantidades de pedidos abaixo em uma mesma semana?
a) zero pedido
27
b) 7 pedidos
c) at 7 pedidos
d) Acima de 7 pedidos
Processo de Atendimento
X f(x) F(x) X f(x)

FUNO DENSIDADE FUNO CUMULATIVA
0 2 0 0 3
0,2 1,34064 0,32968 0,2 1,646435

f ( x) = e x F ( x) = 1 e x
0,4 0,898658 0,550671 0,4 0,903583
Funo Densidade da Distribuio Exponencial
0,6 0,602388 0,698806 0,6 0,495897 3,5
3
0,8 0,403793 0,798103 0,8 0,272154
2,5
1 0,270671 0,864665 1 0,149361 2
1,5
1,2 0,181436 0,909282 1,2 0,081971
1
1,4 0,12162 0,93919 1,4 0,044987 0,5
0
1,6 0,081524 0,959238 1,6 0,024689
1,8 0,054647 0,972676 1,8 0,01355 Tempo entre Chegadas Mdia 2

Funo Cumulativa Distribuio Exponencial
1,2 com Mdia 2
1
0,8
0,6
0,4 28
0,2
0
2 0,036631 0,981684 2 0,007436
2,2 0,024555 0,987723 2,2 0,004081
2,4 0,016459 0,99177 2,4 0,00224
2,6 0,011033 0,994483 2,6 0,001229
2,8 0,007396 0,996302 2,8 0,000675
3 0,004958 0,997521 3 0,00037
3,2 0,003323 0,998338 3,2 0,000203
3,4 0,002228 0,998886 3,4 0,000112
3,6 0,001493 0,999253 3,6 6,12E-05
3,8 0,001001 0,9995 3,8 3,36E-05
4 0,000671 0,999665 4 1,84E-05
4,2 0,00045 0,999775 4,2 1,01E-05
4,4 0,000301 0,999849 4,4 5,55E-06
4,6 0,000202 0,999899 4,6 3,05E-06
4,8 0,000135 0,999932 4,8 1,67E-06
5 9,08E-05 0,999955 5 9,18E-07
5,2 6,09E-05 0,99997 5,2 5,04E-07
5,4 4,08E-05 0,99998 5,4 2,76E-07
5,6 2,73E-05 0,999986 5,6 1,52E-07
5,8 1,83E-05 0,999991 5,8 8,33E-08
29
6 1,23E-05 0,999994 6 4,57E-08
6,2 8,24E-06 0,999996 6,2 2,51E-08 Considere um posto de pedgio, onde = 2 chegadas por minuto ou 0,033 chega-
das por segundo ou IC = 30 segundos.
6,4 5,52E-06 0,999997 6,4 1,38E-08
A) Calcule a probabilidade de que o intervalo entre duas chegadas seja de at 30
segundos (0,5 min).
Soluo:
F(0,5) = 0,632
b) Clculo da probabilidade de que o intervalo entre duas chegadas seja maior que 30 segundos.
Soluo:
1-F(0,5) = 0,368
c) Clculo da probabilidade de que o intervalo entre duas chegadas esteja compreendido entre 12 e 24 segundos (isto , entre 0,2 minutos e 0,4
minutos)
Soluo:
F(0,4) - F(0,5) = 0,221 = 22,1%
Frmulas do Modelo M/M/1

Frmulas de Little

n

k +1
P0 = 1 Pn = P0 P(n > k ) =
Lq = L = Wq

2 1 L = Lq + = W
L= Lq = W=
( )
1 Lq
Wq = W =

Wq = P(T > t ) = e (1 ) t
( ) = W = Wq +
1
=
L

1
Tempo de Atendimento = TA =
30
Exemplos M/M/1
Exemplo 1
Em uma fbrica observou-se o funcionamento de um dado setor, em que = 20 clientes por hora, = 25 clientes por hora e tempo mdio
de permanncia no sistema igual a 0,3 hora. Pede-se o tamanho mdio da fila.
Dados de Entrada Unidade de Tempo
Taxa de Chegada 20 por hora
Taxa de Atendimento 25 por hora
Medidas de Desempenho
Taxa de utilizao 80,00%
Probabilidade de no haver cliente no sistema P0 20,00%
Nmero mdio de Clientes na Fila Lq 3,20 Clientes
Nmero mdio de Clientes no Sistema L 4,00 Clientes
Tempo mdio de espera no Sistema W 0,20 horas
Tempo mdio de espera na Fila Wq 0,16 horas
t 0,25 horas
P(T > t) 28,65%
31
Exemplo 2
Para o mesmo sistema acima, calcular o nmero mdio de clientes no sistema e o nmero mdio de clientes que esto sendo atendidos.
t 0,25 horas
P(T > t) 28,65%
32
Exemplo 3
Clientes chegam a uma barbearia, de um nico barbeiro, com uma durao mdia
entre chegadas de 20 minutos. O barbeiro gasta em mdia 15 minutos com cada
cliente.
a) Qual a probabilidade de um cliente no ter que esperar para ser servido ?
b) Qual o nmero esperado de clientes no salo de barbeiro? E na fila ?
c) Quanto tempo, em mdia, um cliente permanece no salo?
d) Quanto tempo, em mdia, um cliente espera na fila?
e) Qual a probabilidade de que um cliente tenha que ficar mais de 30 minutos no
salo?
f) O barbeiro est estudando a possibilidade de colocar outro barbeiro desde que o
tempo de permanncia mdio de cada cliente no salo passe a 1,25 horas. Para
quanto deve aumentar a taxa de chegada de modo que este segundo barbeiro
fique justificado?
Soluo
= 3/hr = 4/hr Como pode ser visto ao lado, L - Lq = 0,75 e a primeira vista poder parecer que a diferen-
a entre o nmero mdio de clientes no sistema (L) e o nmero mdio de clientes na fila
3 (Lq) deveria ser 1, ou seja, o fregus que est sendo atendido pelo barbeiro.
a) P0 = 1 =1
4 Na verdade (L-Lq) representa o percentual mdio de clientes atendidos por unidade de
tempo e o resultado menor que 1 porque as vezes o barbeiro fica ocioso.
3
L = = = 3 fregueses
43
b)

2
Lq = = 2, 25 fregueses
( )
1
c) W = = 1 hora

d) Wq = = 0, 75 horas
( )
33
3
4( )0,5
e) P(T > 0,5) = e (1 ) = e= 0, 61 = 61%
t
4
f) Queremos de modo que W = 1,25 horas

1
1, 25 = = 3, 2 fregueses / hora
4
t 0,50 horas
P(T > t) 60,65%
34
Exemplo 4
Pessoas chegam para comprar ingressos para um jogo taxa de uma por minuto. Cada pessoa gasta em mdia 20 segundos para comprar
um ingresso.
a) Se uma determinada pessoa chega 2 minutos antes do jogo comear e se ela gasta exatamente 1,5 minutos para chegar ao seu
lugar aps comprar o seu ingresso, ela estar sentada antes do jogo comear?
b) Qual a probabilidade da pessoa do item a estar sentada antes do jogo comear?
c) Com que antecedncia deve a pessoa chegar para ter 99% de certeza de estar sentada antes do jogo comear?
Soluo
= 1/min = 3/min
1
a) W=
=0,5minutos
-
Logo o tempo mdio para comprar o ingresso e achar o lugar 0,5 + 1,5 = 2 minutos, ou seja, a pessoa dever estar sentada antes do jogo
comear.
b) igual probabilidade do ingresso ser comprado em tempo menor ou igual a 0,5 minutos.
1
3(1 )0,5
P(T 0,5) = 1 P(T > 0,5) = 1 e (1 ) = 1 e
t
3
P(T 0,5) = 0, 63 = 63%
b) Queremos achar t de modo que:
P(T > t ) = 0,1

1
3(1 )t
(1 )t
e e 3
t = 2,3minutos
Logo: P (T > 2, 3) = 0,1 P (T 2, 3) = 0,99
Como a pessoa gasta 1,5 minutos para achar seu lugar ela deve chegar 1,5 + 2,3 = 3,8 minutos antes do jogo comear.
35
Importante
Como j foi dito anteriormente, a taxa de ocupao (/), tem que ser sempre menor que 1 pois, em caso contrrio, a fila tende ao infinito.
?Vamos aproveitar este exemplo para mostrar que, mesmo sendo menor que 1, se ela se aproxima de 1 a fila j tende ao infinito. No quadro a
seguir, para um fixo igual a 3/min, mostramos os valores de L, Lq, W (em minutos) e Wq (em minutos) para valores crescentes de , e conse-
qentemente de .
Podemos ver que, a medida que vai se aproximando de 1, a fila se torna invivel.
Taxa de Chegada 1 por minuto
Taxa de Atendimento 3 por minuto
Tempo mdio de espera no Sistema W 0,50 minutos
Tempo mdio de espera na Fila Wq 0,17 minutos
t 0,50 minutos
P(T > t) 36,79%
36
Exemplo 5
Fregueses chegam aleatoriamente a uma padaria taxa mdia de 12/hora. O nico empregado da padaria pode servir fregueses taxa m-
dia de 20/hora. O empregado recebe $3/hora enquanto que o tempo que os fregueses perdem na padaria est estimado em $8/hora. O dono da
padaria est considerando a instalao de um equipamento de auto-servio que far com que a taxa de atendimento aos fregueses passe para 42
fregueses/hora. O custo do equipamento de auto-servio de $30/dia.
Considerando que a padaria funciona 12 horas/dia, justifique economicamente se o equipamento de auto-servio deve ou no ser compra-
do?
Soluo
= 12/hora
Situao Atual
= 20/hora
Custo do empregado=$3/hr x 12 hr/dia = $36/dia Custo do servio
W = tempo mdio que um fregus permanece na padaria.
W= 0,125 horas
Custo = 0,125 horas x 8/hr = $1
Custo da fila = $1 x 12 fregueses/hr x 12hr/dia = $144
Custo total = $36 + $144 = $144 = $180/dia
Situao Proposta
= 20/hora
37
W= 0,0333 horas
Custo = 0,0333 horas x 8/hr = $0,266
Custo da fila = $0,266 x 12 fregueses/hr x 12hr/dia = $38,40/dia
Custo do Servio = $36 + $30 = $66/dia
Custo total = $66 + $38,40 = $104,40/dia
Resposta: A situao proposta melhor.
38
t 0,50 horas
P(T > t) 0,00%
Exemplo 6
Suponhamos que as chegadas a uma cabine telefnica obedecem a lei de Poisson, com ritmo de 6 chegadas por hora. A durao mdia do
telefonema de 3 minutos e suponhamos que siga a distribuio exponencial. Pede-se:
a) Qual a probabilidade de uma pessoa chegar cabine e no ter que esperar?
b) Qual o nmero mdio de pessoas na fila?
c) Qual o nmero mdio de pessoas no sistema?
d) Qual o nmero mdio de clientes usando o telefone?
e) Qual o tempo na fila?
f) Para qual ritmo de chegadas teramos a situao em que o tempo mdio de espera na fila seria de 3 minutos?
g) Qual a frao do dia durante a qual o telefone est em uso?
Respostas:
a) 0,70
b) 0,128
c) 0,428
d) 0,30
e) 1,28 minutos
f) 10 chegadas/hora
g) 30%
39
t 0,50 horas
P(T > t) 0,09%
40
Exemplo 7
Uma fbrica possui um depsito de ferramentas onde os operrios vo receber as ferramentas especiais para a realizao de uma determi-
nada tarefa. Verificou-se que o ritmo de chegada ( = 1 chegada/min) e o ritmo de atendimento ( = 1,2 atendimentos por minuto) seguem o mo-
delo marcoviano M/M/1. A fbrica paga $9,00 por hora ao atendente e $18,00 ao operrio. Pede-se:
a) O custo horrio do sistema.
b) A frao do dia em que o atendente no trabalha.
Respostas:
a) $99,00
b) P0 = 1 - / = 0,16
Taxa de Chegada 1 por minuto
Taxa de Atendimento 1,2 por minuto
t 0,50 minutos
P(T > t) 90,48%
41
Exerccio 2- Contratao de um reparador
Uma empresa deseja contratar um reparador para efetuar manuteno em suas mquinas, que estragam a um ritmo de 3 falhas por hora. Para tal
possui 2 opes: um reparador lento, que capaz de consertar a um ritmo de 4 falhas por hora ou um reparador rpido, que capaz de consertar a
um ritmo de 6 falhas por hora. O salrio/hora do reparador lento de $3,00 e o do reparador rpido de $5,00. Qual contratao deve ser efetua-
da para que o custo total (reparador mais mquinas paradas) seja mnimo? Sabe-se que uma mquina parada implica um custo horrio de $5,00.
42
Modelo M/M/s (s>1)
Neste tipo de modelo, considera-se que as estaes de servio so equivalentes e prestam servio, individualmente, a mesma taxa mdia
.
Taxa de chegadas descrita por processo POISSON.
Taxa de aterndimento descrita por processo POISSON.
S servidores. 1
n
Populao infinita. P0 ,se n < s
1 n!
P0 = Pn =
= s 1 1 n 1
s
1
n
s + P0 s !s ns ,se n s
n = 0 n ! s !(1 )
s t s 1

P0 1 e

e t 1 +

L Lq s !(1 ) s 1
L = Lq + W= Wq =

P(T > t ) = se s 1 0
s

P0

s +1
t
P0 e 1 + s !(1 ) t se s 1 = 0

Lq =

s s !(1 ) 2
43
Exemplo 1
Um escritrio tem 3 datilgrafas e cada uma pode datilografar, em mdia, 6 cartas por hora. As cartas chegam para serem datilografadas a
taxa mdia de 15 por hora.
a) Qual o nmero mdio de cartas esperando para serem datilografadas?
b) Quanto tempo, em mdia, uma carta demora para ficar pronta?
c) Qual a probabilidade de que uma carta demore mais de 20 minutos para ficar pronta?
d) Vamos supor que cada datilgrafa receba individualmente 5 cartas por hora, em mdia, para datilografar. Quanto tempo em
mdia uma carta demora para ficar pronta?
Dados de Entrada
Taxa de Chegada 15 hora
Taxa de Atendimento 6 hora Clculos Intermedirios
Nmero de servidores s 3 n fatorial(n)
0 1 1
Medidas de Desempenho 1 1 2,5
Taxa de utilizao 83,33% s-1 2 2 3,125
Probabilidade de no haver cliente no

P0 4,49% Soma 6,625 15,625
sistema
44
Nmero mdio de Clientes na Fila Lq 3,51
Nmero mdio de Clientes no Sistema L 6,01
Tempo mdio de espera no Sistema W 0,40
Tempo mdio de espera na Fila Wq 0,23
t 20 0,33
P(T > t) se (s-1-/)0 46,19% P(T > t) se (s-1-/)0 0,461942
i
P(T > t) se (s-1-/)=0 - P(T > t) se (s-1-/)=0 0,33
a) Lq = 3,511 cartas
b) W = 0,40 horas
c) P(T > 0,333 h) = 0,461 = 46,1%
d) Modelo I
= 5/h, logo W = 1 hora
45
Este exemplo serve para mostrar a vantagem em se ter uma fila nica quando temos vrias estaes de servio prestando o mesmo tipo de
atendimento. Com uma nica fila, cada carta demora, em mdia, 0,40 horas para ficar pronta. Com fila individual demorar, em mdia, 1 hora.
Exemplo 2
Deseja-se determinar o nmero timo de caixas em uma agncia bancria. O tempo que cada cliente "perde" dentro da agncia est esti-
mado em $5/hora e o custo de funcionamento de uma caixa bancria de $4/hora.
Os clientes chegam a taxa mdia de 40 por hora e as caixas podem atender, em mdia, 30 clientes por hora.
Dados de Entrada
Nmero de servidores s 1 n fatorial(n)
0 1 1
Medidas de Desempenho 1 1 2,5
A Fila tende
Taxa de utilizao 1,333333333 s-1 2 2 3,125
ao infinito!!!!

P0 - Soma 6,625 #VALOR!
sistema
Nmero mdio de Clientes na Fila Lq -
46
Nmero mdio de Clientes no Sistema L -
Tempo mdio de espera no Sistema W -
Tempo mdio de espera na Fila Wq -
t 20 -
P(T > t) se (s-1-/)0 - P(T > t) se (s-1-/)0 #VALOR!
P(T > t) se (s-1-/)=0 - P(T > t) se (s-1-/)=0 #VALOR!
Soluo
= 40/hr = 30/\hr
s = 1 = 1,333 > 1, a fila tenderia ao infinito
Para se resolver este tipo de problema tem que se ir por tentativa, incrementando o nmero de estaes de servio de 1. Como j vimos, a curva
de custo total vem diminuindo, passa por um mnimo e volta a crescer.
No exemplo o mnimo s = 3.
47
Modelo M/M/1: Fila Finita
Esta a situao na qual a fila pode acomodar somente um nmero finito de unidades, ou seja, se uma unidade chega e a fila est cheia,
ela vai embora sem esperar o atendimento.
Deve ser observado que neste caso a taxa de chegada () no precisa ser menor que a taxa de servio () pois a fila tem tamanho fixo.
Neste tipo de modelo aparece uma nova varivel (M), que o nmero mximo de unidades que podem estar no sistema, sendo M -1 o
nmero mximo permitido na fila.
As frmulas para este modelo so:

M +1
1
n

( M + 1)

M +1
P0 se M +1
se
P0 = 1

se Pn = L=
1

1
P0 se =
se = M
se =
M +1 2
A taxa de chegada das unidades no sistema . No entanto, algumas unidades chegam e encontram a fila cheia, ou seja, vo embora. A
taxa de chegada efetiva (ef) d a taxa mdia das unidades que realmente permanecem no sistema, ou seja, (ef) a taxa mdia de entrada no
sistema.
ef = (1 P0 ) = (1 PM )
As demais frmulas ficam ento:
W=
L Lq ef
Wq = =
ef ef 48
Exemplo 1
Uma barbearia com 1 barbeiro tem 6 cadeiras para acomodar fregueses esperando atendimento. Os fregueses que chegam quando as 6 ca-
deiras esto cheias, vo embora sem esperar. Os fregueses chegam a taxa mdia de 3/hora e ficam em mdia 15 minutos na cadeira do barbeiro.
a) Qual a probabilidade de um fregus chegar e ir direto para a cadeira do barbeiro?
b) Qual o nmero mdio de fregueses esperando por atendimento?
c) Qual a taxa de chegada efetiva?
d) Quanto tempo, em mdia, um fregus fica na barbearia?
e) Que percentual dos fregueses potenciais vai embora sem esperar atendimento?
Unidade de
Dados de Entrada hora Entidades Clientes
Tempo
Nmero mximo de entidades no sistema M 7
Taxa de Chegada Efetiva ef 2,89 2,89 Clientes por hora
49
Nmero de entidades n 7 Clientes
Probabilidade de haver n clientes no sistema Pn 3,71%
Soluo
M = 7 = 3/hr =4/hr
a) P0 = 0,2778 = 27,78%
b) L = 2,11 fregueses Lq = 1,39 fregueses
c) ef = 2, 89 frergueses / hr
d) W= 0,73 horas
ef 2,89
= = 0, 963 Percentual de fregueses atendidos.
e)
3
Resp.: 1 0,963 = 0,037 = 3,7%
50
Exemplo 2
Em uma barbearia de um nico barbeiro a taxa mdia de chegadas de 3 fregueses por hora. A barbearia s tem lugar para acomodar 2
pessoas esperando e os eventuais fregueses que chegam quando o salo est cheio, tem de ir embora. O barbeiro capaz de atender em mdia 2
fregueses por hora e cobra $7 por cada corte de cabelo. Como muitos fregueses esto indo embora sem poder serem atendidos, o barbeiro est
pensando em mudar o seu mtodo de trabalho. Aps alguns estudos ele identificou 2 alternativas:
a) Trabalhar um pouco mais rpido do que atualmente, diminuindo um pouco a qualidade do corte de cabelo mas diminuindo o preo do
corte para $6 para evitar reclamaes. Com esta alternativa a sua taxa de servio mdia iria para 3 fregueses por hora.
b) Trabalhar bem mais rpido do que atualmente, cobrando somente $5 por corte de cabelo pois haveria uma queda acentuada na qualida-
de. Neste caso, sua taxa de servio mdia passaria a 4 fregueses por hora.
O barbeiro deseja fazer uma avaliao econmica entre a situao atual e as 2 alternativas estudadas. O tempo perdido pelos fregueses na
fila de espera est estimado em $2/hora e como o servio feito pelo barbeiro muito cansativo, ao tempo que ele pode descansar (por no ter ne-
nhum fregus esperando) foi atribudo o valor de $4/hora, ou seja, cada hora que ele descansa como se tivesse ganho $4.
Considerando que o dia tem 8 horas de trabalho, faa a anlise econmica para o barbeiro.
Unidade de
Dados de Entrada hora Entidades Clientes
Tempo
Nmero mximo de entidades no sistema M 7
Taxa de Chegada Efetiva ef 1,96 1,96 Clientes por hora
51
Nmero de entidades n 7 Clientes
Probabilidade de haver n clientes no sistema Pn 34,69%
Soluo
Situao atual
= 3/hr =2/hr M=3
Receita com os cortes = N mdio de fregueses atendidos/dia x $7/corte
ef 8hr/dia $7 = 98,21/dia
P 0 8 hr / dia $4 = 3, 94 / dia
$ Equivalente do tempo ocioso =
$ Equivalente do tempo ocioso =

Wq ef 8 hr / dia $2 / hs = 17, 43
52
Rendimento lquido = $98,21 + $3,94 - $17,73 = $84,42/dia
Alternativa A
= 3/hr =3/hr M=3
P0 = 0,250 Wq = 0,333 hr ef = 2,25 fregueses/hr

Rendimento Lquido = $104/dia.
Alternativa B
= 3/hr =4/hr M=3
P0 = 0,3657 Wq = 0,20209 hr ef = 2,537 fregueses/hr

Rendimento Lquido = $104,96/dia.
Resp.: A alternativa B a melhor soluo.
53
Modelo M/M/s: Fila Finita (s>1)
Vamos definir 2 variveis (a e c) ressaltando que elas no tem nenhum significado e so usadas apenas para simplificar as frmulas:
1 n
n ! a P0 se n s P0 =
1
a= ec=
s n s 1 n 1 s M n s
a P
Pn = n 0 s se s < n M n ! a + s ! a c
s !s n =0 n = s +1
0 se n > M

s 1
P0 a s c
Lq = 1 c M s ( M s )c M s (1 c)
2
L = Lq + s ( s n) Pn
s !(1 c) n=0
L Lq ef
W= Wq = =
ef ef s
Exemplo 1
Uma barbearia com 2 barbeiros tem 5 cadeiras de espera. Os fregueses que chegam quando as 5 cadeiras esto ocupadas, vo embora. Os
fregueses chegam a uma taxa mdia de 6/hora e ficam em mdia 15 minutos na cadeira de barbeiro.
a) Qual a probabilidade de um fregus chegar e ir direto para a cadeira de barbeiro?
b) Qual o nmero mdio de fregueses esperando para serem atendidos?
c) Qual a taxa de chegada efetiva?
d) Quanto tempo, em mdia, um fregus fica na barbearia?
e) Que percentual de fregueses vai embora?
54
Unidade
Dados de Entrada hora Entidades Fregueses
de Tempo
Nmero de servidores s 2 n fatorial(n) a^n (1/n!)*a^n c^(n-s) Pn (s-n)*Pn
Nmero mximo de entidades no siste-

M 7 0 1 1 1 1,7778 16,13% 0,3226277
ma
s-1 1 1 1,5 1,5 1,3333 24,20% 0,2419707
a / 1,5 s 2 2 2,25 1,125 1 18,15%
c /s 0,75 s+1 3 6 3,375 0,5625 0,75 13,61%
s+1 3 4 24 5,0625 0,210938 0,5625 10,21%
s-1 1 5 120 7,59375 0,063281 0,4219 7,66%
6 720 11,3906 0,01582 0,3164 5,74%
Medidas de Desempenho 7 5040 17,0859 0,00339 0,2373 4,31%

P0 16,13% 8 40320 25,6289 0,000636 0,178 0,00%
sistema
Nmero de Clientes no Sistema n 1 9 362880 38,4434 0,000106 0,1335 0,00%
Probabilidade de haver n clientes no

Pn 24,20% M 10 3628800 57,665 1,59E-05 0,1001 0,00%
sistema
Nmero mdio de Clientes na Fila Lq 1,0150 Fregueses 11 39916800 86,4976 2,17E-06 0,0751 0,00%
55
Nmero mdio de Clientes no Sistema L 2,4504 Fregueses 12 4,79E+08 129,746 2,71E-07 0,0563 0,00%
Taxa de Chegada Efetiva ef 5,7416 por hora 13 6,23E+09 194,62 3,13E-08 0,0422 0,00%
Tempo mdio de espera no Sistema W 0,4268 hora 14 8,72E+10 291,929 3,35E-09 0,0317 0,00%
Tempo mdio de espera na Fila Wq 0,1768 hora 3,625 2,2881 0,5645984
Taxa de utilizao 0,7177 2,5741
Percentual de fregueses atendidos ef/ 95,693%
Percentual de fregueses que vo embora1-ef/ 4,307%
Soluo
M=7 = 6/hr =4/hr s=2

a) P0 + P1 = 0,4232 = 40,32%
b) Lq = 1,014 fregueses
c) ef = 5,741 fregueses/hr
d) W = 0,426 horas
ef
e) 1 = 0, 0431 = 4, 31%

56
Exemplo 2
Uma oficina mecnica tem 4 mecnicos sendo que cada carro necessitando conserto atendido por um nico mecnico.
Alm dos carros sendo consertados s cabem mais 6 automveis no ptio da oficina e quando ele est cheio os fregueses tem que procurar outra
oficina. A taxa mdia de chegadas de carros para conserto de 3 por dia. Cada mecnico conserta, em mdia, 1 carro por dia.
a) Qual a probabilidade da oficina estar vazia?
b) Qual o nmero mdio de carros esperando conserto?
c) Qual o nmero mdio de carros na oficina?
d) Dos automveis que procuram a oficina, quantos em mdia ficam?
e) Quanto tempo em mdia um carro espera na fila?
f) Quanto tempo em mdia um carro fica na oficina?
g) Qual a probabilidade de um carro chegar e ter vaga na oficina?
Unidade
Dados de Entrada dia Entidades Carros
de Tempo
Taxa de Chegada 3 dia
Taxa de Atendimento 1 dia Clculos Intermedirios
Nmero de servidores s 4 n fatorial(n) a^n (1/n!)*a^n c^(n-s) Pn (s-n)*Pn
Nmero mximo de entidades no siste-

M 10 0 1 1 1 3,1605 4,05% 0,1619566
ma
1 1 3 3 2,3704 12,15% 0,3644025
a / 3 2 2 9 4,5 1,7778 18,22% 0,3644025
c /s 0,75 s-1 3 6 27 4,5 1,3333 18,22% 0,1822012
s+1 5 s 4 24 81 3,375 1 13,67% 0
s-1 1 s+1 5 120 243 2,025 0,75 10,25% -0,1024882
57
6 720 729 1,0125 0,5625 7,69% -0,1537323
Medidas de Desempenho 7 5040 2187 0,433929 0,4219 5,76% -0,1729488

P0 4,05% 8 40320 6561 0,162723 0,3164 4,32% -0,1729488
sistema
Nmero de Clientes no Sistema n 10 9 362880 19683 0,054241 0,2373 3,24% -0,1621395
Probabilidade de haver n clientes no

Pn 2,43% M 10 3628800 59049 0,016272 0,178 2,43% -0,1459256
sistema
Nmero mdio de Clientes na Fila Lq 0,9102 Carros 11 39916800 177147 0,004438 0,1335 0,00% 0
Nmero mdio de Clientes no Sistema L 3,8372 Carros 12 4,79E+08 531441 0,001109 0,1001 0,00% 0
Taxa de Chegada Efetiva ef 2,9270 por dia 13 6,23E+09 1594323 0,000256 0,0751 0,00% 0
Tempo mdio de espera no Sistema W 1,3110 dia 14 8,72E+10 4782969 5,49E-05 0,0563 0,00% 0
Tempo mdio de espera na Fila Wq 0,3110 dia 16,375 2,4661 1,0729628
Taxa de utilizao 0,7318 8,323
Percentual de fregueses atendidos ef/ 97,6%
Percentual de fregueses que vo embora1-ef/ 2,432%
Soluo
M = 10 = 3/dia =1/dia s=4

a) P0 = 0,040 = 4%
b) Lq = 0,91 Carros
58
c) L = 3,83 Carros
d) ef = 2,92 carros/dia
Wq = 0,31 dias
W = 1,31 dias
P vaga = 1 P10 = 1 0,02 = 0,98 = 98%
Modelo M/M/s: Populao Finita (s>1)

59
Em muitos problemas prticos a considerao de que a populao de tamanho infinito leva a resultados distorcidos porque na verdade a
populao pequena para ser considerada de tamanho infinito. Quando isto ocorre, a presena de uma ou mais unidades no sistema tem um forte
efeito na distribuio das chegadas futuras e o uso de um modelo com populao infinita conduz a resultados errados. Um exemplo tpico de
um pequeno grupo de mquinas que quebram de tempos em tempos necessitando conserto. Um outro exemplo, o caso de um pequeno grupo de
mecnicos que vo a determinado balco pegar peas ou ferramentas. No caso extremo, por exemplo, se todas as mquinas esto quebradas, ne-
nhuma chegada pode ocorrer. Isto contrasta com os modelos de populao infinita nos quais a taxa de chegada independente do nmero de uni-
dades que j esto no sistema. Neste tipo de modelo, a taxa de chegada , a taxa de chegada de cada unidade, ou seja, 1/ o tempo mdio entre
chegadas de cada unidade. No caso das mquinas, por exemplo, seria o tempo mdio entre quebra de cada mquina. A taxa de chegada efetiva ef
d a taxa mdia de chegada, considerando todas as unidades. As frmulas para este tipo de modelo so bastante complexas e por causa disso tem
sido calculadas e tabeladas para facilitar o seu uso.
Para entrar nas tabelas abaixo precisamos de 3 informaes:
s nmero de estaes de servio
X= Fator de Servio
+
M Tamanho da populao
Da tabela obtemos a seguinte medida:
F = Fator de Eficincia
ef = MFX
Temos ento:
1
Lq = M (1 F ) W = Wq +

Lq MFX
=
L = ef W Wq =
ef s
P0
M!
n
se 1 n < s
( M n)!n !
n
1 M!
Pn = P0 se s n M
P0 = ( M n )! s ! s ns

s 1 M! M
n
M!
n

+
0 se n > M
o tamanho da populao solicitante finito (N).
n =0 ( M n)!n ! n = s ( M n)! s ! s
Suponha agora que o nico desvio do modelo n s seja
M/M/s seja a fonte de entradas limitada, ou seja,

60
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. 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 siste-
ma de filas quando se encontrar quebrada aguardando ser reparada, ao passo que ela se encontra fora do sistema de filas enquanto ela estiver operacional.
Formulrio sem o uso da tabela:
N!
n
para n = 0,1, 2,..., s

( N n)!n!
n
N!
Cn = ns para n = s, s + 1,..., N
( N n)!s !s
0 para n > N

Portanto,
N!
n
P0 para n = 0,1, 2,..., s

( N n)!n!
n
N!
Pn = ns P0 para n = s, s + 1,..., N
( N n)!s !s
0 para n > N

61
Em que
1
P0 =
s1 N! N
n
N!
n
+ ns
n=0 ( N n)!n ! n=s ( N n)!s !s
s 1
N
s1
Finalmente, Lq =
n= s
(n s ) Pn e L =
n =0
nPn + Lq + s 1 Pn .
n =0
Assim,
L Lq
W= e Wq = .

Em que:
N
= n Pn = ( N n) Pn = ( N L)
n =0 n =0
Todos os exemplos relativos ao modelo M/M/s populao finita podem ser realizados pela planilha do Excel sem o uso das tabelas.
Exemplo 1
Uma companhia pesqueira tem 2 estaleiros para conserto de seus barcos. Cada barco quebra, em mdia, de 4 em 4 semanas. Cada estalei-
ro gasta, em mdia, 1 semana para consertar cada barco. A frota atual da companhia de 10 barcos.
a) Qual a probabilidade do estaleiro estar vazio?
b) Em mdia quantos barcos quebrados ficam aguardando conserto?
c) Em mdia, quantos barcos esto parados no estaleiro?
d) Qual a taxa de chegada de barcos no estaleiro?
e) Quanto tempo, em mdia, um barco aguarda para comear a ser consertado?
f) Quanto tempo, em mdia, um barco fica parado?
62
Dados de Entrada Unidade de Tempo semana Clientes Barcos
Taxa de Chegada 0,25 semana
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento 1 semana n
n)!n!)*(/)^n s))*(/)^n
Nmero de servidores s 2 0 1 2
Tamanho da Populao M 10 s-1 1 2,5 2,5
s 2 2,8125 2,8125
X /(+) 0,2 3 1,875 2,8125
Fator de Eficincia F 0,854 4 0,8203125 2,4609375
s-1 1 5 0,24609375 1,845703125
6 0,051269531 1,153564453
7 0,007324219 0,576782227
Medidas de Desempenho 8 0,000686646 0,216293335
Lq 1,46 Barcos 9 3,8147E-05 0,054073334
ef 1,708 Barcos por semana M 10 9,53674E-07 0,006759167
Wq 0,855 semana 3,5 11,93911314
W 1,85 semana
L 3,17 Barcos
0,85
63
P0 6,48%
n 5
Pn 11,95%
Soluo
M = 10 = 0,25/Semana =1/Semana s=2

0,25
X= =0,2
0,25+1
F= 0,854 => (tabela pgina 232)
a) P0 = 0,065 = 6,5%
b) Lq = 1,46 barcos
c) L = 3,16 barcos
d) ef = 1,708 barcos/semana
Wq = 0,85 semanas
W = 1,85 semanas
Exemplo 2
Dois mecnicos tem a tarefa de consertar 5 mquinas. Cada mquina quebra a uma taxa mdia de uma vez a cada hora. Cada mecnico
pode reparar as mquinas a taxa mdia de 4/hora.
a) Qual o nmero mdio de mquinas esperando reparo?
b) Qual o nmero mdio de mquinas que esto fora de servio?
c) Qual a taxa de chegada quando consideramos as 5 mquinas?
d) Quanto tempo, em mdia, uma mquina quebrada espera na fila?
e) E no sistema?
64
Dados de Entrada Unidade de Tempo hora Clientes mquinas
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento 4 hora n
n)!n!)*(/)^n s))*(/)^n
Nmero de servidores s 2 0 1 2
Tamanho da Populao M 5 s-1 1 2,5 2,5
s 2 2,8125 2,8125
X /(+) 0,2 3 1,875 2,8125
s-1 1 M 5 0,24609375 1,845703125
6 0,051269531 1,153564453
7 0,007324219 0,576782227
Medidas de Desempenho 8 0,000686646 0,216293335
Lq 0,12 mquinas 9 3,8147E-05 0,054073334
ef 3,904 mquinas por hora 10 9,53674E-07 0,006759167
Wq 0,031 hora 3,5 9,931640625
W 0,28 hora
L 1,096 mquinas
0,49
65
P0 7,45%
n 5
Pn 13,74%
Soluo
M=5 = 1/hr =4/hr s=2

1
X= = 0,2
1+4
Da tabela () F = 0, 976
a) Lq = 0,12 mquinas
b) L = 1, 093 mquinas
c) ef= 3, 904 mquinas/hr

d) Wq = 0,03 hr
W = 0,28 hs
Exemplo 3
Uma empresa de frete areo tem 20 terminais (buferizados) em uma linha de comunicao. Os terminais so usados para entrada de dados
no sistema central de computao. O tempo mdio necesrio para digitar uma entrada no buffer do terminal 80 segundos e este tempo de digita-
o exponencialmente distribudo. Cada mensagem enviada de um terminal, consome, em mdia 2 segundos de CPU (exponencial).
Calcule quantas requisies dos terminais so enviadas para a CPU e qual tempo de resposta mdio para cada requisio.
Dados de Entrada Unidade de Tempo minuto Clientes mquinas
66
Taxa de Chegada 0,75 minuto
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento 30 minuto n
n)!n!)*(/)^n s))*(/)^n
Nmero de servidores s 1 s-1 0 1 1
Tamanho da Populao M 20 s 1 0,5 0,5
2 0,11875 0,2375
X /(+) 0,02439024 3 0,0178125 0,106875
s-1 0 5 0,000151406 0,01816875
6 9,46289E-06 0,006813281
7 4,73145E-07 0,002384648
Medidas de Desempenho 8 1,92215E-08 0,000775011
Lq 0,36 mquinas 9 6,40717E-10 0,000232503
ef 14,371 mquinas por minuto 10 1,76197E-11 6,39384E-05
Wq 0,025 minuto 11 4,00448E-13 1,59846E-05
W 0,0584 minuto 12 7,5084E-15 3,59653E-06
L 0,839 mquinas 13 1,15514E-16 7,19307E-07
0,48 14 1,44392E-18 1,25879E-07
P0 52,13% 15 1,44392E-20 1,88818E-08
67
n 1 16 1,12806E-22 2,36023E-09
Pn 26,07% 17 6,63567E-25 2,36023E-10
18 2,76486E-27 1,77017E-11
19 7,27596E-30 8,85085E-13
M 20 9,09495E-33 2,21271E-14
1 0,918255455
Soluo
M = 20 = 0,75/min =30/min s=1

0,75
X= = 0,244 0,024
0,75+30
Da tabela => F = 0,982
Requisies enviadas para a CPU:

eff
eff = MFX = (20)(0,982)(0,024)(30) = 14,14/min.
Tempo de Resposta: (W)F = 0, 976
Lq= M (1-F)= 20 (1 - 0,982) = 0,36
0,36
Wq = = 0, 0255 min .
14,14
W = Wq + 1/ = 0,0255 + 1/30 = 0,0558 min. = 3,53 segundos
Exemplo 4
Considere um sistema de time sharing com 20 terminais ativos. Cada terminal submete um job ao processador a cada 3 segundos (seguin-
do uma distribuio exponencial). O processador central tem capacidade de processar 500.000 instrues por segundo e cada job, em mdia (ex-
ponencial), necessita do processamento de 100.000 instrues.
68
Determine quantos jobs, em mdia, esto no processador central e qual o tempo mdio de resposta para cada job submetido.
Dados de Entrada Unidade de Tempo minuto Clientes mquinas
Taxa de Chegada 20 minuto
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento 300 minuto n
n)!n!)*(/)^n s))*(/)^n
Nmero de servidores s 1 s-1 0 1 1
Tamanho da Populao M 20 s 1 1,333333333 1,333333333
2 0,844444444 1,688888889
X /(+) 0,0625 3 0,337777778 2,026666667
s-1 0 5 0,02041679 2,450014815
6 0,003402798 2,450014815
7 0,000453706 2,286680494
Medidas de Desempenho 8 4,91515E-05 1,981789761
Lq 4,64 mquinas 9 4,36903E-06 1,585431809
ef 288,000 mquinas por minuto 10 3,20395E-07 1,162649993
Wq 0,016 minuto 11 1,94179E-08 0,775099996
W 0,0194 minuto 12 9,70894E-10 0,465059997
L 5,600 mquinas 13 3,98316E-11 0,248031999
69
0,96 14 1,32772E-12 0,115748266
P0 4,56% 15 3,54058E-14 0,046299306
n 1 16 7,37622E-16 0,015433102
Pn 6,08% 17 1,15705E-17 0,004115494
18 1,28562E-19 0,000823099
19 9,02186E-22 0,000109747
20 3,00729E-24 7,31643E-06
1 20,93308779
Soluo
M = 20 = 20/min =500.000/1000.000 = 0,2/Segundo = 300/min s=1

20
X= = 0,0625 0,062
320
Da tabela => F = 0,768
ef f = MFX = (20)(0,768)(0,062)(300) = 285,196/min = 4, 7533/segundo
Lq= M (1-F)= 20 (1 - 0,768) = 4,64
Lq 4, 64
Wq = = 0, 0163 min .
eff 285,196
Tempo de resposta mdio: (W)
W = Wq + 1/ = 0, 0196 min. = 1,1762 segundos
Jobs no processador: (L)
L = effW = (4,7533) (1,1762) = 5,59 jobs
Tabelas para modelos com populao finita

70
As tabelas a seguir 1 tem como objetivo facilitar os clculos para modelos de filas com populao de tamanho finito.
As tabelas aqui contidas, por problema de espao, s abrangem os modelos com populao igual a 5, 10, 20 e 30 elementos. Sendo assim,
os exerccios apresentados s tratam modelos com populaes de um daqueles tamanhos.
No acesso a tabela, deve-se observar que, em cada pgina, existem 3 colunas, cada uma com 4 valores: X, S, D e F.
A seqncia dos valores por coluna. Sendo assim, iniciamos na 1 coluna, descemos at embaixo na pgina e, ao chegar ao final, subi-
mos para a 2 coluna. Quando esta acaba, embaixo na pgina, subimos para a 3 coluna e quando chegamos ao final, mudamos para a prxima
pgina onde a seqncia a mesma.
Na prpria tabela est impresso onde ela comea a valer para uma determinada populao. Assim, aps encontrar impresso Populao 10,
por exemplo, passam a valer os valores para esta populao.
Modelo M/G/1
Como j citamos, a anlise matemtica de modelos de filas com distribuies diferentes da Poisson (Exponencial) muito difcil e poucos
modelos tm soluo analtica.
A distribuio das chegadas segue a Poisson, mas a distribuio do servio segue uma distribuio qualquer (Geral) da qual se conhece a
2
mdia 1/ e a varincia .
As frmulas para o modelo so:
2 2 + 2 Lq
L = Lq +
1
= P0 = 1 Lq = Wq = W = Wq +

2(1 )
Exemplo 1
71
Pessoas chegam a um pequeno posto do correio a taxa de 30 por hora. O servio executado por apenas um funcionrio e o tempo de ser-
vio normalmente distribudo, ou seja, segue uma distribuio normal com mdia de 1 minuto e = 0,30 minutos.
a) Quanto tempo, em mdia, uma pessoa espera na fila?
b) Quanto tempo, em mdia, uma pessoa fica no posto do correio?
c) Qual o nmero mdio de pessoas na fila?
d) Qual o nmero mdio de pessoas no posto de servio?
e) Qual a probabilidade do funcionrio estar ocioso?
Dados de Entrada Unidade de Tempo minuto Clientes pessoas
Taxa de Chegada 0,5 por minuto
Desvio-padro 0,30 por minuto
72
Nmero mdio de Clientes na Fila Lq 0,2725 pessoas
Nmero mdio de Clientes no Sistema L 0,7725 pessoas
P0 50,00%
Soluo
= 0,5/min =1/min 2 = (0,30)2 = 0,09M = 20 0,09 = 0,5

0,75
X= = 0,244 0,024
0,75+30
Tempo de Resposta: (W)F = 0, 976
Lq= M (1-F)= 20 (1 - 0,982) = 0,36
0,36
Wq = = 0, 0255 min .
14,14
W = Wq + 1/ = 0,0255 + 1/30 = 0,0558 min. = 3,53 se-
gundos
Exemplo 2
2
Repetir o exemplo 1 supondo a durao do servio constante, ou seja, = 0.
73
Dados de Entrada Unidade de Tempo minuto Clientes pessoas
Taxa de Chegada 0,5 por minuto
Desvio-padro 0,00 por minuto
Nmero mdio de Clientes na Fila Lq 0,2500 pessoas
Nmero mdio de Clientes no Sistema L 0,75 pessoas
P0 50,00%
Soluo
= 0,5 P0= 0,5 = 50% (e) Lq = 0,25 pessoas (c)
L = 0,75 pessoas (d) Wq = 0,5 minutos (a) W = 1,5 minutos (b)
74
Modelo M/Ek/1
Neste tipo de modelo, a distribuio da durao do servio segue uma distribuio de Erlang com parmetro k. No ltimo exemplo do
modelo anterior, supomos uma variao igual a zero para a durao do servio ( = 0) enquanto que a distribuio exponencial tem um alto grau
de variabilidade ( = 1/). Entre estes 2 casos extremos temos uma rea intermediria (0 < < 1/) onde cai uma boa parte das distribuies reais
da durao do servio.
Uma distribuio que "preenche" este intervalo chamada distribuio de Erlang. Sua mdia e desvio-padro so:
1 1 1
x= = , onde k 0 e inteiro
k
Pode-se ver que k o parmetro que especifica o grau de variabilidade das duraes de servio em relao mdia. Na verdade para cada
k temos uma distribuio e por isto vamos considerar a distribuio de Erlang como uma famlia de distribuies. Assim a constante ( = 0) e a
exponencial ( = 1/) so elementos desta famlia com k = e k = 1, respectivamente.
A distibuio de Erlang tmabm muito importante em teoria das filas pela seguinte propriedade: Suponha que T1, T2, ..., Tk
so k variveis aleatrias independentes com uma distribuio exponencial idntica cuja mdia 1/k.
Ento a soma T = T1 + T2 + ... + Tk segue uma distribuio de Erlang com parmetros e k.
muito comum que o servio prestado a uma unidade em um sistema de filas seja constitudo de k tarefas consecutivas onde a durao de
cada uma delas segue a mesma distribuio exponencial, com mdia 1/k. Ento a durao total (ou seja, a execuo das k tarefas) segue uma
distribuio de Erlang com parmetros k e .
Para este modelo temos:
(1 + k ) 2
Lq =
2k ( )
1 (1 + k )
W = Wq + Wq =
2k ( )
L = W
75
Exemplo 1
Uma oficina de manuteno de uma linha area s tem meios para fazer a manuteno de um motor de cada vez. Por isso, para fazer com
que os avies regressem ao servio to logo seja possvel, a poltica adotada tem sido de alternar a manuteno dos 4 motores de cada avio, ou
seja, s se faz a manuteno de 1 dos motores cada vez que o avio vai para oficina.
Sob esta poltica os avies tem chegado segundo um Processo de Poisson a taxa mdia de 1 por dia. O tempo necessrio para reparar um
motor (uma vez que se tenha iniciado o trabalho) tem uma distribuio exponencial com mdia de 0,5 dias. Existe uma proposio de se trocar a
poltica de maneira que se reparem os 4 motores, consecutivamente, cada vez que o avio for a oficina. Embora isto quadruplique o tempo espe-
rado de servio, a freqncia com que os avies necessitariam ir a oficina seria 1/4 da atual. Deve-se implantar a nova proposta?
Dados de Entrada
Taxa de Chegada 0,25 por dia
Taxa de Atendimento 0,5 por dia
Parmetro k k 4
Tempo mdio de espera no Sistema W 3,25 dias
Tempo mdio de espera na Fila Wq 1,25 dias
76
Soluo
Situao atual
Modelo I: = 1/dia = 2/dia

W = 1/( - ) = 1 dia
Como temos 4 motores para cada avio temos: W = 4 x 1 = 4 dias
Situao proposta
Modelo VII: = 0,25/dia T = T1 + T2 + T3 + T4 => Erlang com k = 4

1/k = 0,5 1/4= 0,5 = 0,5/dia
Wq = 1,25 dias W = 3,25 dias
A situao proposta melhor (3,25 < 4).
Exemplo 2
Um alfaiate faz ternos sob medida. Cada terno, para ser feito, implica na execuo de 4 tarefas distintas. O alfaiate faz as 4 tarefas de cada terno
antes de comear outro. O tempo para executar cada tarefa segue uma distribuio exponencial com mdia de 2 horas. Os pedidos chegam a taxa
mdia de 5,5 por semana (8 horas por dia, 6 dias por semana). Quanto tempo em mdia um terno demora para ficar pronto?
Dados de Entrada
77
Taxa de Chegada 0,114583 por semana
Parmetro k k 4
Tempo mdio de espera no Sistema W 0,52 dias
Tempo mdio de espera na Fila Wq 0,02 dias
Soluo
K = 4 = 7 = 3/hr =4/hr
1/4 = 2 = 0,125/hr
= 5,5/semana = 0,11458/hr
Wq 55 hs
W = Wq + 1/ = 63hr
78
TESTE DE ADERNCIA
O objetivo deste tpico verificar se a distribuio emprica originada pela coleta de dados se encaixa bem numa determinada distri-
buio terica.
Existem dois testes clssicos de aderncia: o teste qui-quadrado (2) e o teste de Kolmogorov-Smirnov (K-S), que sero utilizados a se-
guir. Os testes de aderncia pertencem categoria dos testes no-paramtricos, pois a hiptese testada refere-se forma da funo, no aos
seus parmetros. A deciso de quando aplicar um ou outro teste baseia-se no tamanho da amostra disponvel e na natureza da distribuio. O
teste K-S vlido apenas para distribuies contnuas enquanto que o Qui-quadrado pode ser aplicado a ambos os tipos, contnuos e discretos.
Em funo da necessidade de pelo menos cinco observaes por classe e um nmero razovel de graus de liberdade, no recomendvel a
aplicao do teste Qui-quadrado a pequenas amostras. Geralmente, a aplicao desse teste exige conjuntos com pelo menos 100 valores, se-
gundo alguns autores (PEDGEN, 1990; LAW, 1991). J o teste K-S, aplicvel a pequenas amostras.
Teoricamente procura-se provar a hiptese de que o conjunto de dados amostrados no difere, de maneira significativa, daquele espe-
rado de uma distribuio terica especificada.
Teste do Qui-quadrado
O teste do Qui-quadrado baseia-se no clculo dos desvios entre as freqncias acumuladas observadas em cada classe e as frequncias
tericas (usando-se o modelo escolhido) nas mesmas classes.
Em cada classe k (k = 1, 2, ..., K), calcula-se o valor Ek , que a diferena entre o nmero observado de elementos ( Ok ), e o valor teri-
co da classe ( Tk ) dividindo-se o valor obtido por este valor terico da classe:
(Ok Tk ) 2
Ek = , k = 1, 2,..., K
Tk
A somatria dos valores de Ek ao quadrado, para todas as K classes envolvidas, determina a estatstica E, cuja distribuio um qui-
quadrado com K-1-n graus de liberdade, onde n o nmero de parmetros estimados a partir da amostra coletada:
K
E = Ek
k =1
79
Escolhendo-se um nvel de significncia 100( )% e K-1-n graus de liberdade, obtm-se, da tabela da distribuio do qui-quadrado, o
valor Ecrtico . Se E for maior que Ecrtico , rejeita-se a hiptese de que a amostra observada provm de uma populao com a distribuio terica
adotada.
Um aspecto importante deve ser considerado: a hiptese de que a estatstica E segue a distribuio do qui-quadrado geralmente sa-
tisfatria desde que todas as classes tenham freqncia maior ou igual a 5. Caso alguma classe no possua esta caracterstica, ela deve ser a-
gupada de modo que a condio possa ser satisfeita. Este tipo de condio implica em uma diminuio dos graus de liberdade, K-1-n, afinal,
com o agrupamento, o nmero de classes K diminui.
Exemplo 1: Testar, usando o teste do 2 (qui-quadrado), se a distribuio abaixo, obtida em uma amostragem, uma distribuio de Poisson
com mdia = 2/min.
Chegadas/min. (xi) Nmero de observaes

0 39
1 91
2 67
3 59
4 28
5 10
6 4
7 2
300
80
Frequncia da amostra x Frequncia terica
100
90
80
70
Frequncia absoluta
60
50
40
30
20
10
0
0 1 2 3 4 5 6 7
Chegadas por minuto
Amostra Poisson
Mdia = 2/min. Para a aplicao do teste, precisamos comparar a freqncia observada e a freqncia terica. Neste caso, a freqncia teri-
ca calculada pela frmula:
e k
Probabilidade(n o de observaes = k )=
k!
Temos ento:
81
Nmero de chegadas / min. P(nmero de observaes = k) Frequncia Esperada
0 0,135 3000,135=40,5
1 0,270 3000,270=81
2 0,270 81
3 0,180 54
4 0,090 27
5 0,036 10,8
6 0,012 3,6
7 0,003 0,9
No teste do 2, quando a freqncia observada menor que 5, deve-se agrupar at se tornar maior ou igual a 5.
Neste exemplo, a penltima linha da primeira tabela (=4) somada a ltima linha (=2) para gerar uma s linha com valor igual a 6. O
mesmo deve ser feito para a freqncia esperada. Logo,
(Frequncia observada-Frequncia esperada) 2

calculado
2
=
Frequncia esperada
No nosso exemplo, temos:
(39 40,5) 2 (91 81) 2 (67 81) 2 (59 54) 2 (28 27)2 (10 10,8) 2 (6 4,5)2
calculado
2
= + + + + + + = 4,76
40,5 81 81 54 27 10,8 4,5
Teste de Hipteses:
H0: A distribuio da populao Poisson com = 2

Ha: A distribuio da populao no Poisson = 2 .
Teste: Se calculado
2
> tabelado
2
, ento rejeitamos a hiptese nula (H0) de que a distribuio uma Poisson com = 2 .
82
Para obter o tabelado
2
, temos que calcular o nmero de graus de liberdade (v) da seguinte forma:
v = Nmero de pares(Freq. Observada / Freq. Esperada) 1 Nmero de parmetros estimados pela amostra
Na Poisson, o nico parmetro estimado pela amostra a mdia .

Logo, v = 7 1 1 = 5 .
Outra informao necessria para obter o tabelado
2
o nvel de significncia , que o risco de que a hiptese seja rejeitada quando deveria
ser aceita. No teste de aderncia, o padro usual usar 5% para o nvel de significncia. Cruzando as informaes de v e da tabela QUI-
QUADRADO da pgina 97, temos tabelado
2
= 11,07 .
A concluso do teste QUI-QUADRADO no rejeitar a hiptese nula, ou seja, a distribuio de chegadas segue uma Poisson.
Exemplo 2: Testar, usando o teste do 2, se a distribuio a seguir, obtida em uma amostragem de uma estao de servio, uma exponencial
1
com mdia = 20 segundos, ou seja, a taxa mdia de servio = 3 / minuto .

Durao do servio (segundos) Frequncia observada

0 30 480
30 60 33
60 90 19
90 120 7
120 150 1
540
Como a distribuio exponencial uma distribuio contnua, temos:

t2
P (t1 t t2 ) = e t dt =e t1 e t2
t1
83
Durao do servio (segundos) P(x) Frequncia esperada
30 30,5
0 30 e e = 0,7768 5400,7768=419,47
30 60 e30,5 e 31 = 0,1773 5400,1773=93,58
60 90 0,0386 20,84
90 120 0,0086 4,64
120 150 0,0019 1,02
84
Frequncia da amostra x Frequncia terica
600
500
400
300
200
100
0
0 30 30 60 60 90 90 120 120 150
Amostra Exponencial
Lembrando que temos que juntar em uma nica categoria as 2 ltimas linhas da freqncia observada (7 e 1), podemos fazer ento:
(480 419, 47) 2 (33 93,58) 2 (8 5,66) 2

calculado
2
= + + ... + = 49,08
419, 47 93,58 5,66
v = 4 1 1 = 2 (na Exponencial s a mdia estimada pela amostra)

Com = 0,05 = 5% obtemos da tabela da pgina 97: tabelado
2
= 5,99 .
85
Como o calculado
2
maior que o tabelado
2
, ns rejeitamos a hiptese nula de que a distribuio da durao do atendimento siga uma expo-
nencial com = 3 / minuto .
Teste de Kolmogorov-Smirnov
O teste de Kolmogorov-Smirnov (K-S) compara a funo acumulada do modelo terico com a funo acumulada de probabilidade observada
(feita a partir dos valores observados). A idia bem simples: para comparar se o modelo observado adere ao modelo terico, o teste calcula a dis-
tncia absoluta mxima entre as duas distribuies acumuladas, atravs da estatstica:
D = max F ( x) S ( x)
x
A figura a seguir ilustra o significado da estatstica D do teste do K-S, destacando a maior distncia vertical medida entre a funo acumulada
terica e a observada.
Figura Ajuste de curvas no K-S

86
Como no teste do qui-quadrado, a hiptese nula :
H0: o modelo adequado para representar a distribuio da populao.

Ha: o modelo no adequado para representar a distribuio da populao.
O K-S ser aplicado ao problema do supermercado na planilha Testes de Aderncia.

Para realizarmos o teste, os dados observados so ordenados do menor para o maior valor. A tabela a seguir sintetiza o procedimento.
Frequncia
Valor ob- Frequncia acumulada
servado observada observada S(x) Fesq(x) Fdir(x) Desq = abs(Fesq(x) - S(x)) Ddir = abs(Fdir(x) - S(x))
0 13 13 0,07 0,00 0,14 0,07 0,07
1 23 36 0,18 0,14 0,25 0,05 0,07
2 18 54 0,27 0,25 0,35 0,02 0,08
3 26 80 0,40 0,35 0,44 0,05 0,04
4 16 96 0,48 0,44 0,52 0,04 0,04
5 15 111 0,56 0,52 0,58 0,04 0,03
6 9 120 0,60 0,58 0,64 0,02 0,04
7 9 129 0,65 0,64 0,69 0,01 0,04
8 10 139 0,70 0,69 0,73 0,01 0,03
9 12 151 0,76 0,73 0,77 0,03 0,01
87
10 5 156 0,78 0,77 0,80 0,02 0,02
11 5 161 0,81 0,80 0,83 0,01 0,02
12 10 171 0,86 0,83 0,85 0,03 0,01
13 4 175 0,88 0,85 0,87 0,03 0,01
14 1 176 0,88 0,87 0,89 0,01 0,00
15 2 178 0,89 0,89 0,90 0,01 0,01
16 1 179 0,90 0,90 0,92 0,00 0,02
17 2 181 0,91 0,92 0,93 0,01 0,02
18 4 185 0,93 0,93 0,94 0,00 0,01
19 4 189 0,95 0,94 0,95 0,01 0,00
20 3 192 0,96 0,95 0,95 0,02 0,01
21 0 192 0,96 0,95 0,96 0,01 0,01
22 1 193 0,97 0,96 0,97 0,01 0,00
23 0 193 0,97 0,97 0,97 0,00 0,00
24 1 194 0,97 0,97 0,97 0,00 0,00
25 0 194 0,97 0,97 0,98 0,00 0,00
26 0 194 0,97 0,98 0,98 0,00 0,01
27 2 196 0,98 0,98 0,98 0,00 0,00
28 2 198 0,99 0,98 0,99 0,01 0,01
29 0 198 0,99 0,99 0,99 0,01 0,01
88
30 0 198 0,99 0,99 0,99 0,01 0,01
31 0 198 0,99 0,99 0,99 0,01 0,00
32 0 198 0,99 0,99 0,99 0,00 0,00
33 0 198 0,99 0,99 0,99 0,00 0,00
34 0 198 0,99 0,99 0,99 0,00 0,00
35 0 198 0,99 0,99 0,99 0,00 0,00
36 0 198 0,99 0,99 1,00 0,00 0,00
37 0 198 0,99 1,00 1,00 0,00 0,00
38 0 198 0,99 1,00 1,00 0,00 0,00
39 0 198 0,99 1,00 1,00 0,00 0,00
40 0 198 0,99 1,00 1,00 0,00 0,00
41 0 198 0,99 1,00 1,00 0,00 0,00
42 0 198 0,99 1,00 1,00 0,00 0,00
43 1 199 1,00 1,00 1,00 0,00 0,00
Na tabela acima, os valores de S(x) , funo acumulada dos dados observados, so diretamente obtidos pela equao:
nmero de eventos x
S ( x) =
total de valores observados
Os valores de F(x), funo acumulada do modelo terico, so obtidos pela funo acumulada da distribuio exponencial:
F ( x) = 1 e x = 1 e0,146 x
89
O clculo da estatstica D (stima e oitava colunas da tabela acima) feito esquerda e direita de cada intervalo de classe de freqncia e a esta-
tstica estimada pelo maior valor entre os dois:
D = max{Desq , Ddir }
Como o valor mximo 0,08 e o tamanho da amostra 199, para um nvel de significncia de 5%, devemos utilizar a expreso da tabela na pgina
100:
1,36 1,36
Dcrtico = = = 0,0964
n 199
Portanto, como D < Dcrtico , no se pode rejeitar a hiptese de aderncia dos dados.
Lista de Exerccios
1) Chegadas a uma oficina que conserta relgios so com uma taxa de 10 por cada 8 horas. O empregado que conserta tem um tempo mdio de
servio de 30 minutos por relgio.
a) Se ele conserta os relgios na ordem de chegada, quanto tempo, em mdia, o empregado fica ocioso por dia?
b) Quantos relgios, em mdia, estaro na frente de um relgio que acabou de chegar?
2) Chegadas a um centro de informaes que tem apenas um atendente so com tempo mdio de 10 minutos entre uma chegada e a prxima
(Poisson). O tempo que as pessoas gastam recebendo informao de um tipo ou de outro suposto como sendo de 3 minutos (Exponencial).
a) Qual a probabilidade de que uma pessoa chegando ao centro no tenha que esperar?
b) Qual a probabilidade de que a pessoa chegando ao centro tenha que esperar?
c) Qual a probabilidade de termos 3 pessoas no sistema?
d) O diretor da organizao ir contratar um outro atendente se ele se convencer que uma pessoa tenha que esperar no mnimo 3 minutos. De
quanto o fluxo de chegadas deve aumentar de maneira a justificar o segundo atendente?
3) O proprietrio de uma firma distribuidora de gs espera um cliente a cada 5 minutos. O servio de atendimento leva em mdia 4 minutos.
a) Qual a probabilidade de que um fregus no tenha que esperar?
b) Qual a probabilidade de que se tenha uma fila de espera?
c) O proprietrio ir contratar um atendente se ele verificar que um fregus tenha que esperar, em mdia, 2 minutos ou mais para ser servido. A
taxa de chegada justifica tal contratao?
d) Qual a probabilidade de termos 4 clientes no sistema?
90
4) A taxa mdia de chegada de mquinas quebradas para uma oficina 80 por semana e a sua capacidade de conserto de 120 por semana.
a) Que proporo de tempo a oficina fica ociosa?
b) Qual a probabilidade de termos n mquinas na oficina para n = 0, 1, 2, 3 e 4?
c) Qual o nmero esperado de mquinas quebradas em um certo instante na oficina?
d) Qual o tempo mdio de espera de uma mquina que chega at ela comear a ser atendida?
e) Quanto tempo em mdia uma mquina fica na oficina?
Obs: Adotar semana de 6 dias com 10 horas de trabalho por dia.
5) Em uma firma as mquinas quebram com uma taxa de 0,8 por hora e o custo de cada mquina parada estimado em R$25,00 a hora. Existem
2 oficinas, A e B, que podem consertar as mquinas. A oficina A pede R$25 por hora e informa que pode consertar 1,5 mquinas por hora. A
oficina B pede R$20 por hora e informa que pode consertar 1,4 mquinas por hora.
a) Sabendo-se que as informaes de A e B so verdadeiras, para qual oficina deve-se mandar as mquinas?
b) Qual a escolha se a oficina A pedir R$15 por hora e a oficina B pedir R$18 por hora, mantidas as demais condies?
6) Um mdico tem mais consultas do que capaz de dar conta. Ele programa as chegadas dos pacientes a um ritmo mdio de uma de 15 em 15
minutos. O modelo real de chegadas tende a seguir uma distribuio de Poisson. O atendimento real atual de um paciente de 10 em 10 minutos
(exponencial). Uma proposta de re-instalao do consultrio, utilizando mais espao e tornando possvel menor perda de tempo, permitiria ao
mdico aumentar o ritmo de atendimento para um paciente de 6 em 6 minutos. Se o lucro for de R$22,50 por cliente e o mdico no desejar au-
mentar o tempo mdio de espera dos clientes, qual ser a alterao no lucro horrio?
7) Os veculos chegam a uma estao de pedgio a razo de 10 por minuto de acordo com uma distribuio de Poisson. O atendente pode atender
(dar nota, troco, etc) a razo de 12 por minuto, numa distribuio que se aproxima da exponencial.
a) Qual o comprimento mdio da fila de espera?
b) Qual , em mdia, o tempo que um veculo espera na estao de pedgio?
c) Se o atendente fosse substitudo por uma mquina com um ritmo constante de 12 por minuto, quais seriam as respostas dos itens a e b?
8) Sabe-se que a taxa de quebras de certas mquinas = 0,2 mquinas por hora (Poisson). O tempo de reparo segue a lei exponencial com =
0,5 mquinas/hora.
a) Suponnha que existam 5 mquinas e apenas um tcnico para consertar. Qual o nmero mdio de mquinas esperando serem reparadas?
b) Suponha que existem 20 mquinas e 3 tcnicos para consertar (cada um com = 5 mquinas/hora). Qual o nmero mdio de mquinas espe-
rando serem reparadas?
91
c) Em qual das situaes a mquina espera mais para ser reparada?
9) Uma firma txtil tem um grande nmero de mquinas idnticas cuja taxa de falhas estimada em 60 por dia. Existem 3 estaes de reparo
cada uma tendo uma taxa de servio de 25 por dia.
a) Quantas horas, para uma jornada de 8 horas por dia, est uma estao de servio ocupada?
b) Qual a probabilidade que todas as estaes estejam ociosas em um certo instante?
c) Qual o comprimento mdio da fila?
d) Qual o nmero mdio de mquinas no sistema de reparos?
10) Ainda em relao ao problema n 9 responda as seguintes perguntas:

a) Qual a probabilidade de se ter somente uma estao ociosa? Somente duas estaes?
b) Qual o nmero esperado de estaes de reparo ociosas?
c) Qual , em mdia, o tempo de uma mquina que chega no sistema tem de esperar?
d) Qual a perda diria, estimada, da companhia se cada mquina que no trabalha d um prejuzo de R$300 por dia?
11) A taxa de chegada a uma oficina de reparos de 180 por dia. A oficina tem 3 setores de atendimento com uma taxa de 100 por dia. Qual a
probabilidade de que:
a) A oficina esteja sem clientes?
b) Um fregus tenha que esperar?
c) Somente 2 setores estejam ociosos?
d) Somente um setor esteja ocioso?
e) Que proporo mdia do tempo um setor est ocioso?
f) Qual o tempo mdio de espera de um fregus que chega?
g) Qual o comprimento mdio da linha de espera?
12) Uma firma txtil tem um grande nmero de mquinas idnticas cuja taxa de falhas estimada em 50 por semana. Existem atualmente 3 seto-
res de reparos, cada um tendo uma taxa de servio de 20 mquinas por semana.
a) Qual a perda semanal, estimada, da companhia se cada mquina que no trabalha d uma perda semanal de R$10.000,00?
b) Qual a perda total do sistema se o custo semanal do sistema de atendimento R$6.000,00?
c) Vale a pena aumentar o nmero de setores de atendimento para 4?
13) H 4 guichs em um banco para atender os clientes. A taxa de chegada dos clientes 60 por 6 horas de servio. Em cada guich um funcio-
nrio gasta um tempo varivel servindo os usurios, porm o tempo mdio de atendimento 20 minutos por cliente. Os clientes so atendidos
medida que chegam.
92
a) Quantas horas, por cada 30 horas de servio de uma semana, um funcionrio gasta executando o seu servio?
b) Qual o tempo mdio que um cliente fica preso no sistema?
c) Qual a probabilidade de que um funcionrio esteja esperando por um cliente?
d) Qual o nmero esperado de funcionrios sem trabalhar num certo instante?
e) Supondo que cada funcionrio recebe $5 por hora e se soubermos que para cada cliente que tiver que esperar h uma perda de $0,25 por minu-
to, pergunta-se o que melhor: reduzir para 3, aumentar para 5 ou manter em 4 o nmero de funcionrios?
14) Temos as informaes na tabela abaixo quanto a chegadas de operrios no guichet do almoxarifado:
a) Calcule o nmero mdio de chegadas para o intervalo de tempo igual a 10 minutos.
b) Podemos dizer que os resultados seguem uma Poisson com = 1,6 chegadas/min?
X 5 6 7 8 9 10 11 12 13 14 15
Fo 1 0 1 2 1 3 5 6 9 10 11
X 16 17 18 19 20 21 22 23 24 25
Fo 12 8 9 7 5 4 3 1 1 1
c) Qual teste de aderncia pode ser aplicado? Explique.
15) O escritrio de uma empresa area tem 2 funcionrios atendendo telefonemas para reserva de vos. Alm disso, uma chamada pode ficar em
espera at uma das funcionrias estar disponvel para atender. Se as 3 linhas esto ocupadas, a chamada recebe o sinal de ocupado e a reserva
perdida. As chamadas ocorrem aleatoriamente (Poisson) a uma taxa mdia de uma por minuto. A durao de cada ligao tem uma distribuio
exponencial com uma mdia de 0,5 minuto. Achea probabilidade de que:
a) Uma chamada seja imediatamente atendida por uma funcionria.
b) A chamada ficar na linha de espera.
c) A chamada receber o sinal de ocupado.
93
16) Uma estao de servio espera um usurio a cada 4 minutos em mdia. O servio dura em mdia 3 minutos. Assumindo entrada Poisson e
servio exponencial responda:
a) Qual o nmero mdio de usurios esperando servio?
b) Quanto tempo um usurio esperar para ser servido?
c) Qual a probabilidade de que um usurio fique menos de 15 minutos no sistema?
d) Qual a probabilidade que um usurio fique menos de 15 minutos no sistema?
17) Suponha que em mdia 9 usurios cheguem a cada 5 minutos (Poisson) e o mecanismo de servio pode servir usurios a uma taxa mdia de
10 usurios a cada 5 minutos. O tempo de servio exponencial.
a) Qual o nmero mdio de usurios esperando servio?
b) Qual o tempo mdio de espera na fila?
c) Como a) e b) so afetados se a taxa de servio dobrada?
18) Se usurios chegam para servio de acordo com uma distribuio de Poisson a taxa mdia de 5/dia, qual deve ser a taxa de servio mdia
(exponencial) para que o nmero de usurios no sistema seja menor que 4?
19) Considere um sistema de filas com entrada Poisson. A taxa mdia de chegadas 4/hora. O tempo mdio no sistema no deve exceder 1 hora.
Qual deve ser a taxa de servio mnima?
20) Uma mquina de Xerox operada por um funcionrio que ganha $3 por hora. O tempo de execuo de cada tarefa varia de acordo com uma
distribuio exponencial com mdia de 6 minutos. Assuma chegada Poisson com taxa mdia de 5 tarefas/hora. Se um dia de 8 horas usado de-
termine:
a) A ociosidade (em %) da mquina.
b) O tempo mdio de espera de uma tarefa no sistema.
c) Se o funcionrio s ganhar por horas trabalhadas, qual o ganho mdio dirio do funcionrio?
21) Durante a estao de caa, caadores chegam a um posto de controle a taxa mdia de 10/hora. Qual deve ser a taxa mnima de verificao
para assegurar que a espera do caador no ser maior que 20 minutos, quando a distribuio da verificao :
a) Constante
b) Exponencial
As chegadas so Poisson.
22) No exemplo anterior, que frao do tempo o posto estar ocupado?
94
23) Uma loja tem 4 vendedores. Considere chegadas de Poisson com uma mdia de 10 minutos entre chegadas. Tambm considere que qualquer
vendedor pode fornecer o servio desejado a qualquer fregus. Se o tempo de fornecer servio exponencialemente distribudo com uma mdia
de 20 minutos/fregus, calcule L, Lq, W, Wq e Pn para n = 0, 1, 2 e 3.
24) Uma barbearia de 1 barbeiro pode acomodar um mximo de 5 pessoas de cada vez (4 esperando e 1 sendo atendido). Os fregueses chegam de
acordo com uma distribuio de Poisson com mdia de 5/hora. O barbeiro atende em mdia 4/hora (exponencial).
a) Que percentagem do tempo o barbeiro est ocioso?
b) Qual a taxa de chegada efetiva de fregueses?
c) Que frao de fregueses potenciais vo embora?
d) Qual o nmero esperado de fregueses esperando para serem atendidos?
e) Quanto tempo em mdia um fregus fica no barbeiro?
25) Um escritrio tem uma nica linha telefnica. As chamadas so feitas e recebidas a taxa de 10/hora (Poisson). Cada chamada tem uma dura-
o mdia de 3 minutos e varincia de 2 minutos. Qual a probabilidade da linha estar ocupada em um dado instante?
26) Tarefas chegam a uma estao de servio de acordo com uma distribuio de Poisson com uma mdia de 10 minutos entre cada chegada.
Cada tarefa deve passar atravs de 3 fases de preparao e uma fase final de montagem. O tempo gasto em cada fase independente do tempo
gasto em qualquer das outras fases e considerado ser exponencial com mdia de 2 minutos. Determine:
a) A durao mdia de cada tarefa no sistema.
b) O comprimento mdio da fila.
27) As secretrias de 5 departamentos em um Universidade devem periodicamente copiar folhas em uma mquina de xerox. A taxa de chegada
Poisson com = 4/horas. A durao do servio exponencial com = 6/hora.
a) Qual a probabilidade da mquina estar ociosa?
b) Qual a probabilidade das 3 secretrias terem que usar a mquina ao mesmo tempo?
c) Qual o nmero mdio de secretrias usando a mquina?
28) Um posto de gasolina com uma nica bomba tem as seguintes informaes: a taxa mdia de chegada de 1 fregus a cada 4 minutos. Um
atendente pode servir um fregus em 4 minutos. Dois atendentes na mesma bomba podem fornecer servio em 2,5 minutos. Cada fregus produz
um lucro lquido de $0,70. Chegadas e servio so Poisson e exponencial respectivamente. No mais que 2 fregueses esperaro na fila. O posto
fica aberto 15 horas por dia. Compare as alternativas: 1 bomba com um atendente, 1 bomba com 2 atendentes e 2 bombas cada uma com 1 aten-
dente.
95
29) Durante as horas de pico, um barbeiro tem fregueses chegando aleatoriamente taxa de um a cada 25 minutos. Ele tem registrado o tempo de
servio para 100 fregueses. Em horas, a mdia de 0,30 e o desvio padro 0,092.
a) Durante as horas de pico, qual o tamanho esperado da fila?
b) Se o tempo de servio fosse exatamente de 20 minutos, qual o tamanho esperado da fila?
30) Uma grande oficina de automveis tem uma sala com um balco onde os mecnicos vo apanhar as peas necessrias para consertar os car-
ros. Os mecnicos chegam aleatoriamente para servio taxa de 10 por hora. Os mecnicos so atendidos aleatoriamente para servio taxa de
12 por hora. O tempo dos mecnicos avaliado em $7 por hora. Como os mecnicos esto reclamando, a oficina est pensando em contratar as-
sistentes para o balco de peas. Um assistente deve melhorar a taxa de servio em 50%. Um segundo assistente deve melhorar a taxa de servio
em 80%. Um assistente custa no entanto, $36 por dia. Considerando o dia com 8 horas de trabalho, faa a justificativa econmica da situao.
31) Um posto de gasolina com uma nica bomba recebe fregueses aleatoriamente taxa de um cada 5 minutos. Um simples atendente pode pres-
tar servio completo em 4 minutos. Cada fregus d em mdia um lucro de $1. Sabe-se que se j existem 3 carros no sistema, os fregueses procu-
ram outro posto. O posto est aberto das 07:00 s 22:00 horas.
a) Considerando que as taxas de chegada e de servio so aplicveis para todas as horas em que o posto est aberto, qual o lucro dirio esperado?
b) Se os fregueses esperassem na fila, independente do seu tamanho, qual seria o lucro dirio esperado?
c) Se o posto contratasse um segundo atendente a taxa mdia de servio poderia ser reduzida para 2,5 minutos. Se o atendente ganha $2,50 por
hora deve-se contrat-lo?
d) Se o posto oferecesse aos fregueses bombons, chaveiros, belas recepcionistas, etc..., a taxa de chegada passaria a um a cada 3 minutos mas em
compensao o lucro por fregus passaria a $0,30. Considerando 1 atendente, deve-se implantar esta poltica?
e) E com 2 atendentes?
96
TABELA QUI-QUADRADO
v 0,25 0,10 0,05 0,025 0,01 0,005 0,001
1 1,32 2,71 3,84 5,02 6,63 7,88 10,83
2 2,77 4,61 5,99 7,38 9,21 10,60 13,82
3 4,11 6,25 7,81 9,35 11,34 12,84 16,27
4 5,39 7,78 9,49 11,14 13,28 14,86 18,47
5 6,63 9,24 11,07 12,83 15,09 16,75 20,52
6 7,84 10,64 12,59 14,45 16,81 18,55 22,46
7 9,04 12,02 14,07 16,01 18,48 20,28 24,32
8 10,22 13,36 15,51 17,53 20,09 21,95 26,12
9 11,39 14,68 16,92 19,02 21,67 23,59 27,88
10 12,55 15,99 18,31 20,48 23,21 25,19 29,59
11 13,70 17,28 19,68 21,92 24,72 26,76 31,26
12 14,85 18,55 21,03 23,34 26,22 28,30 32,91
13 15,98 19,81 22,36 24,74 27,69 29,82 34,53
14 17,12 21,06 23,68 26,12 29,14 31,32 36,12
15 18,25 22,31 25,00 27,49 30,58 32,80 37,70
16 19,37 23,54 26,30 28,85 32,00 34,27 39,25
97
17 20,49 24,77 27,59 30,19 33,41 35,72 40,79
18 21,60 25,99 28,87 31,53 34,81 37,16 42,31
19 22,72 27,20 30,14 32,85 36,19 38,58 43,82
20 23,83 28,41 31,41 34,17 37,57 40,00 45,31
21 24,93 29,62 32,67 35,48 38,93 41,40 46,80
22 26,04 30,81 33,92 36,78 40,29 42,80 48,27
23 27,14 32,01 35,17 38,08 41,64 44,18 49,73
24 28,24 33,20 36,42 39,36 42,98 45,56 51,18
25 29,34 34,38 37,65 40,65 44,31 46,93 52,62
26 30,43 35,56 38,89 41,92 45,64 48,29 54,05
27 31,53 36,74 40,11 43,19 46,96 49,64 55,48
28 32,62 37,92 41,34 44,46 48,28 50,99 56,89
29 33,71 39,09 42,56 45,72 49,59 52,34 58,30
30 34,80 40,26 43,77 46,98 50,89 53,67 59,70
31 35,89 41,42 44,99 48,23 52,19 55,00 61,10
32 36,97 42,58 46,19 49,48 53,49 56,33 62,49
33 38,06 43,75 47,40 50,73 54,78 57,65 63,87
34 39,14 44,90 48,60 51,97 56,06 58,96 65,25
98
35 40,22 46,06 49,80 53,20 57,34 60,27 66,62
36 41,30 47,21 51,00 54,44 58,62 61,58 67,99
37 42,38 48,36 52,19 55,67 59,89 62,88 69,35
38 43,46 49,51 53,38 56,90 61,16 64,18 70,70
39 44,54 50,66 54,57 58,12 62,43 65,48 72,05
40 45,62 51,81 55,76 59,34 63,69 66,77 73,40
41 46,69 52,95 56,94 60,56 64,95 68,05 74,74
42 47,77 54,09 58,12 61,78 66,21 69,34 76,08
43 48,84 55,23 59,30 62,99 67,46 70,62 77,42
44 49,91 56,37 60,48 64,20 68,71 71,89 78,75
45 50,98 57,51 61,66 65,41 69,96 73,17 80,08
46 52,06 58,64 62,83 66,62 71,20 74,44 81,40
47 53,13 59,77 64,00 67,82 72,44 75,70 82,72
48 54,20 60,91 65,17 69,02 73,68 76,97 84,04
49 55,27 62,04 66,34 70,22 74,92 78,23 85,35
50 56,33 63,17 67,50 71,42 76,15 79,49 86,66
VALORES CRTICOS PARA O TESTE DE KOLMOGOROV-SMIRNOV
99
Nvel de significncia
n = 0,10 = 0,05 = 0,01
1 0,900 0,975 0,995
2 0,684 0,842 0,929
3 0,565 0,708 0,829
4 0,493 0,624 0,734
5 0,447 0,563 0,669
6 0,410 0,519 0,617
7 0,381 0,483 0,576
8 0,358 0,454 0,542
9 0,339 0,430 0,513
10 0,323 0,409 0,489
11 0,308 0,391 0,468
12 0,296 0,375 0,449
13 0,285 0,361 0,432
14 0,275 0,349 0,418
15 0,266 0,338 0,404
16 0,258 0,327 0,392
17 0,250 0,318 0,381
100
18 0,244 0,309 0,371
19 0,237 0,301 0,361
20 0,232 0,294 0,352
25 0,208 0,264 0,317
30 0,190 0,242 0,290
35 0,177 0,224 0,269
40 0,165 0,210 0,252
1,07 1,36 1,63

n > 40 n n n
101
Referncias
ARENALES, Marcos, ARMENTANO, Vincius, MORABITO, Reinaldo, YANASSE, Horcio. Pesquisa operacional. Rio de Janeiro: Elsevier,
2007. 2 reimpresso.
CHWIF, Leonardo; MEDINA, Afonso C.. Modelagem e simulao de eventos discretos. 2. ed. So Paulo: Ed. dos Autores, 2006.
HILLIER, Frederick S.; LIEBERMAN, Gerald J.. Introduo pesquisa operacional. 8. ed. So Paulo: McGraw-Hill, 2006.
PRADO, Darci. Teoria das filas e da simulao. 3. ed. Volume 2. Nova Lima: INDG, 2006.
SANTOS, Maurcio Pereira dos. Apostila de pesquisa operacional. UERJ. Rio de Janeiro: 2003.
TAHA, Hamdy A. Pesquisa operacional. 8. ed. So Paulo: Pearson Prentice Hall, 2008.
102

Apostila de Teoria Das Filas v.022012 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila de Teoria Das Filas v.022012 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

TEORIA DAS FILAS

Fabrzzio Conde de Oliveira

ENGENHARIA DE PRODUO UNIVERSIDADE SALGADO DE OLIVEIRA

Teoria das Filas

Porque as filas so estudadas

Custo Total: a soma do Custo da Fila mais o Custo do Servio.

A figura ao lado uma representao destes custos:

Um sistema de fila pode ser representado como:

A fila propriamente dita apenas um dos componentes de um sistema de fila.

Vamos supor que os resultados coletados na

Como podemos observar na planilha ao lado, a

Com os dados coletados podemos construir duas distribuies de freqncia:

A 1 com a distribuio do nmero de chegada por minuto:

Com os dados podemos achar a mdia e a varincia (desvio padro):

A 2 com a distribuio do intervalo entre chegadas:

Esta uma distribuio continua pois a distribuio do intervalo entre chegadas

Com os dados coletados na amostragem, no caso, individuais (no mostrados

Precisamos ter respostas a perguntas do tipo:

a) Quantas filas existem no sistema?

Assim, como podemos ver na figura a seguir, podemos ter:

(A) Canal nico, fase nica;

Foram coletados ento os seguintes dados:

Da mesma forma que fizemos no processo de

Sua mdia e desvio padro so:

Em filas criou-se uma conveno em que se diz que as chegadas seguem

A Conveno para textos de Filas

Outra conveno em filas que, se nada for dito em contrrio, considera-se:

Tamanho da populao: infinito

Fluxo mdio de entrada () constante.

Ritmo mdio de atendimento () constante.

Princpio da taxa que entra = taxa que sai

Diagrama de taxas para o processo de nascimento-e-morte

E ento definamos C1 = 1 para n = 0. Portanto, as probabilidades de estado estvel so

Pn = Cn P0 para n = 0,1, 2,...

Alm disso, as relaes de Little levam a

Para s = 1 , os fatores Cn tornam-se:

Pn = n P0 , para n = 0,1, 2,...

Podemos com W calcular o valor de Wq:

A partir de Wq, pode-se calcular Lq:

As frmulas restantes so facilmente demonstradas a partir das anteriores.

= taxa mdia de chegada (1/ = intervalo mdio entre chegadas)

= taxa de servio mdia (1/ = durao mdia do servio)

= nmero de unidades no sistema (inclui as da fila e a sendo servida).

Probabilidade de zero unidades no sistema, ou seja, a probabilidade do sistema estar vazio:

Probabilidade de existirem mais de k unidades no sistema:

Nmero mdio (esperado) de unidades no sistema:

Nmero mdio (esperado) de unidades na fila:

Tempo mdio (esperado) que cada unidade permanece no sistema:

Tempo mdio (esperado) que cada unidade permanece na fila:

Fator de utilizao da estao de servio:

Probabilidade de 1 unidade demorar mais de t unidade de tempo no sistema:

Podemos ainda as seguintes relaes entre as medidas bsicas:

Ritmo de Chega- Freqncia Abso- Freqncia

X f(x) F(x) X f(x)

0,2 1,34064 0,32968 0,2 1,646435

1,8 0,054647 0,972676 1,8 0,01355 Tempo entre Chegadas Mdia 2

2,2 0,024555 0,987723 2,2 0,004081

2,4 0,016459 0,99177 2,4 0,00224

2,6 0,011033 0,994483 2,6 0,001229

2,8 0,007396 0,996302 2,8 0,000675

3 0,004958 0,997521 3 0,00037

3,2 0,003323 0,998338 3,2 0,000203

3,4 0,002228 0,998886 3,4 0,000112