Apostila de Mod Simul 4

UNIVERSIDADE FEDERAL DO PIAUI
APOSTILA DE MODELAGEM PROBABILSTICA E SIMULAO

DE SISTEMAS DE PRODUO
Prof. William Morn

UFPI MODELAGEM E SIMULAO DE SISTEMAS DE PRODUO: Prof. William Morn 2
ANLISE DE DECISES
Na anlise de decises usa-se um processo racional para selecionar a melhor de varias

alternativas. A qualidade da alternativa selecionada depende da ndole dos dados a serem usados
para descrever o caso abordado pela deciso (Taha, 2004). Alguns autores costumam abordar e
classificar as decises segundo o conhecimento das probabilidades envolvidas. Conforme Changkong
et all (1992), as decises podem ser classificadas em trs tipos:
Decises sob certeza. Neste tipo de deciso sabe-se o que acontecer quando eleita uma alternativa,
consistindo o problema em escolher a melhor alternativa. Nesta categoria encontram-se os problemas
determinsticos como os encontrados na programao linear e inteira, nos modelos EOQ, etc.
Decises sob risco. Nestes casos so conhecidas as probabilidades associadas escolha de cada
alternativa. Nesta categoria encontram-se os problemas estocsticos.
Decises sob incerteza. Supe-se que o decisor no conhece as probabilidades associadas a cada
alternativa, deixando disponvel alguns critrios para a tomada de deciso que funcionam sem a
necessidade de especificar probabilidades (Gould et al, 1992) como: Maximin/Minimax, Mtodo de
Laplace e Mtodo de Hurwicz.
TOMADA DE DECISES SOB RISCO (Taha, 2008):
Em condies de risco, as vantagens associadas a cada alternativa de deciso se descrevem com

distribuies de probabilidade. Por essa razo a tomada de deciso sob risco se baseia no critrio valor
esperado, no qual se comparam alternativas de deciso com base na maximizao da utilidade
esperada ou a minimizao do custo esperado.
a) Critrio do Valor Esperado: Esse critrio busca a maximizao do ganho (mdia) esperado ou a
minimizao do custo esperado. Nesse caso, se supe que o ganho (ou o custo) associado a cada
alternativa de deciso probabilstica. O caso da arvore de deciso, usada em esse tipo de
problemas pode ser mostrado com um exemplo.
Exemplo: Suponha que deseja investir 10.000 reais no mercado de valores, comprando aes de
uma de dois companhias: A e B. As aes da companhia A so arriscadas, mas poderiam produzir
um rendimento de 50% sobre o investimento durante o prximo ano. Se as condies do mercado
de valores no so favorveis (isto , o mercado est em baixa), as aes podem perder 20% do
seu valor. A empresa B proporciona utilidades seguras, de 15% num mercado em alta e s 5%
num mercado em baixa. Todas as publicaes que consultou predizem que h 60% de
probabilidade que o mercado esteja em alta e 40% de que esteja em baixa. Onde deveria
investir seu dinheiro?.
Soluo:
O problema pode-se resumir como segue:
Rendimentos em um ano por investimento de $ 10.000

Alternativa de deciso Mercado em alta ($) Mercado em baixa ($)
Aes da empresa A 5000 - 2000
Aes da empresa B 1500 500
Probabilidade de ocorrncia 0,6 0,4
O problema tambm pode ser representado mediante uma arvore de deciso. Um quadrado
representa um ponto de deciso e um crculo representa um evento:
Mercado em alta (0,6)

Investir em $ 5000
aes de A
2
Mercado em baixa (0,4)
$ - 2000
1
Mercado em alta (0,6)
$ 1500
3
Investir em Mercado em baixa (0,4)
aes de B $ 500
Os rendimentos esperados para o ano 1 das alternativas so:

Aes A: (5000) (0,6) + (- 200) (0,4) = 2200
Aes B: (1500) (0,6) + (500) (0,4) = 1100
Com base nesses clculos, se escolheria investir nas aes de A.
Em geral, diz-se que necessrio conhecer os estados da natureza (em alta e em baixa do
problema anterior), isto implica conhecer suas probabilidades e seus possveis resultados. A deciso
ser o mximo valor esperado (quando a deciso implica utilidade) ou o mnimo valor esperado
(quando a deciso implica perda). Note que o somatrio das probabilidades igual a 1 e cada
probabilidade deve ser 0.
Portanto, se VEi representa o valor esperado da alternativa i, teremos que:
VEi = ai1 p1 + ai2 p2 + .......... + ain pn; com i = 1, 2, ......, n
com p1 + p2 + ..... + pn = 1
onde:
a i j o retorno da alternativa idado o estado da natureza j
p i a probabilidade de ocorrncia do estado da natureza j, sendo p j > 0
Problema: O fazendeiro McCoy pode plantar milho ou soja. Se as probabilidades dos preos da
prxima safra desses gros subirem, permanecem os mesmos e se baixarem so 0,25; 0,30 e 0,45,
respectivamente. Se os preos subirem, a safra de milho gerar 30.000 reais lquidos e a soja 10.000. Se
os preos permanecerem os mesmos, McCoy (mal) conseguir equilibrar a receita e despesa. Mas, se
os preos baixarem, as safras de milho e soja daro prejuzos de 35.000 e 5.000 reais respectivamente.
a) Represente o problema de McCoy como uma rvore de deciso.
b) Qual dos gros McCoy deve plantar?
Soluo: b) EV(milho) = - 8.250; EV (soja) = 250. Selecionar soja.
Problema: Voc tem a oportunidade de investir seu dinheiro em um ttulo que rende 7,5% e vendido
pelo valor de face, ou em uma ao de crescimento agressivo que paga somente 1% de dividendos. Se
houver ameaa de inflao, a taxa de juros subir at 8%, caso em que o valor principal do ttulo cair
10% e o valor da ao cair 20%. Caso uma recesso venha a ocorrer, a taxa de juros cair para 6%.
Sob essa condio, espera-se que o valor principal do ttulo suba 5% e o valor da ao subir 20%. Se a
economia permanecer inalterada, o valor da ao subir 8% e o valor principal do ttulo permanecer
o mesmo. Economistas estimam uma chance de 20% de elevao da inflao e uma chance de 15% de
recesso. Considere que voc est baseando sua deciso de investimento nas condies econmicas do
prximo ano.
a) Represente o problema como uma rvore de deciso.
b) Voc investir em aes ou ttulos?
b) Probabilidades a posteriori (Bayes): Considere o problema anterior sobre mercado de valores.

Agora suponha que alm de confiar nas publicaes, voc decidiu fazer uma pesquisa mais
pessoal. Sua pesquisa permitiu saber sobre o fato de votar a favor ou em contra de investir.
Assim, voc determinou que se h um mercado em alta h um 90% de probabilidade de que o
voto seja a favor. Se h um mercado em baixa h um 50% de probabilidade de que o voto seja
a favor.
Soluo:
Usando os seguintes smbolos:
v1 = voto a favor
v2 = voto em contra
m1 = mercado em alta
m2 = mercado em baixa
As novas informaes permitem descrever as seguintes probabilidades condicionais:
P (v1|m1) = 0,9; P (v2|m1) = 0,1
P (v1|m2) = 0,5; P (v2|m2) = 0,5
A nova deciso implicaria responder as seguintes perguntas:
a) Se a pesquisa feita por voc indica a favor, investiria voc nas aes de A ou em B?
b) Se a pesquisa feita por voc indica em contra, investiria voc nas aes de A ou em B?
Esse problema poderia ser resolvido com um arvore deciso como segue:
Mercado em alta (m1)

Investir em $ 5000
aes de A P (m1|v1) = 0,730
4
Mercado em baixa (m2)
Voto a favor $ - 2000
(v1) P (m2|v1) = 0,270
2
$ 1500
P (m1|v1) = 0,730
5
Investir em Mercado em baixa (m2)
aes de B $ 500
P (m2|v1) = 0,270
1
Investir em $ 5000
aes de A P (m1|v2) = 0,231
6
Mercado em baixa (m2)
$ - 2000
P (m2|v2) = 0,769
3
Voto em Mercado em alta (m1)
contra (v2) $ 1500
P (m1|v2) = 0,231
7
Investir em Mercado em baixa (m2)
aes de B $ 500
P (m2|v2) = 0,769
Sabe-se que a probabilidade condicional de um evento B, conhecido um evento A, denotada como

P(B\A), :
P(A B)
P(B \ A) , para P(A) 0
P(A)
Supondo que E1, E2, ........, Ek sejam k conjuntos mutuamente excludentes e exaustivos, ento:
P(B) = P(BE1) + P(BE2) + ......... + P(BEk)
= P(B\E1) P(E1) + P(B\E2) P(E2) + ......... + P(B\Ek) P(Ek)
Um grfico da diviso de um evento B entre uma coleo de 4 eventos mutuamente excludentes e

exaustivos mostra-se na figura abaixo:
E1 E2 S
E3
B E1
B E2 E4
B E3
BE4
B
O teorema de Bayes indica que se E1, E2, ......, Ek forem eventos mutuamente excludentes e exaustivos e
B for qualquer evento, ento:
P(B \ E 1 ) P(E 1 )
P(E 1 \ B) , para P(B) 0
P(B \ E 1 ) P(E 1 ) P(B \ E 2 ) P(E 2 ) ......... P(B \ E k ) P(E k )
Portanto, devemos notar que o que necessitamos calcular so as probabilidades:
P (m1|v1) ; P (m1|v2)
P (m2|v1) ; P (m2|v2)
Assim:
P( v1 \ m1) P(m1) P( v1 \ m1) P(m1)
P (m1|v1) = , para P( v1) 0
P( v1 \ m1) P(m1) P( v1 \ m2) P(m2) P( v1)
Do problemas inicial, sabemos que P(m1) = 0,6 e P(m2) = 0,4
(0 ,9) (0 ,6)
P(m1|v1) 0 ,730 , para P( v1) 0
(0 ,9) (0 ,6) (0 ,5) (0 ,4)
(0 ,1) (0 ,6)
P(m1|v2 ) 0 ,231, para P( v2 ) 0
(0 ,1) (0 ,6) (0 ,5) (0 ,4)
( 0 , 5) ( 0 , 4 )
P(m2|v1) 0 ,270, para P( v1) 0
(0 ,5) (0 ,4) (0 ,9) (0 ,6)
( 0 , 5) ( 0 , 4 )
P(m2| v2) 0,769, para P( v2) 0
(0,5) (0,4) (0,1) (0,6)
Agora estamos prontos para avaliar as alternativas com base nos retornos esperados:
Voto a favor, investir em A: (5000) (0,730) + (- 2000) (0,270) = 3100

Voto a favor, investir em B: (1500) (0,730) + (500) (0,270) = 1230
Se o voto for a favor a melhor deciso investir em aes A.
Voto em contra, investir em A: (5000) (0,231) + (- 2000) (0,769) = - 383

Voto em contra, investir em B: (1500) (0,231) + (500) (0,769) = 731
Se o voto for Em contra a melhor deciso seria investir em aes B.
Problema: A Elektra recebe 75% de seus componentes eletrnicos do fabricante A e os 25% restantes do
fabricante B. A porcentagem de componentes defeituosos dos fabricantes A e B so 1% e 2%,
respectivamente. Quando foi realizada a inspeo de uma amostra aleatria de tamanho 5 retirada de
um lote recebido, somente um item defeituoso foi encontrado. Determine a probabilidade de o lote ter
sido recebido do fabricante A. Repita o mesmo para o fabricante B. (Sugesto: a probabilidade de um
item defeituoso em um amostra binomial).
Soluo: Seja z o evento que representa um item defeituoso em uma amostra de tamanho 5,
ento P(A|z) = 0,6097; P(B|z) = 0,3903
Problema: Dados histricos da Acme Manufacturing estimam 5% de chance de um lote de pequenas

peas fabricadas ser inaceitvel (ruim). Um lote ruim tem 15% de itens defeituosos, e um lote bom
contm somente 4% de itens defeituosos. Representando um lote bom (ou ruim) como a = 1 (= 2), as
probabilidades a priori associadas so dadas por:
P(a = 1) = 0,95 e P(a = 2) = 0,05
Em vez de expedir lotes com base exclusivamente em probabilidades a priori, utilizada uma
amostra de teste composta por dois itens, o que d origem a trs resultados possveis: os itens so bons
(z1), um item bom (z2) e os dois itens so defeituosos (z3).
a) Determine as probabilidades posteriores P(i|zj), para i = 1, 2; j = 1, 2, 3.
b) Suponha que o fabricante despache lotes a dois clientes, A e B. Os contratos especificam que
as quantidades de itens defeituosos para A e B no devem passar de 5% e 8%,
respectivamente. O fabricante incorre em uma multa de 100 reais por ponto porcentual acima
do limite mximo. O fornecimento de lotes com qualidade melhor do que a especificada por
contrato custa ao fabricante 50 reais por ponto porcentual. Desenvolva a respectiva rvore de
deciso e determine a estratgia de prioridade para o envio de lotes.
Resposta:
b) Despache o lote para B se ambos itens forem ruins; caso contrrio, despache o lote para A.
DECISES SOB INCERTEZA
Da mesma forma que nas decises sob risco, as decises sob incerteza dependem dos estados
da natureza (aleatrios). Em geral o problema consiste de ter m aes alternativas e n estados da
natureza, os quais podem ser representados da seguinte forma:
s1 s2 ....... sn
a1 v (a1, s1) v (a1, s2) ....... v (a1, sn)
a2 v (a2, s1) v (a2, s2) ....... v (a2, sn)
. . . . .
. . . . .
. . . . .
an v (an, s1) v (an, s2) ....... v (an, sn)
O elemento ai representa a ao i, e o elemento sj representa o estado da natureza j. O

resultado associado com a ao ai e o estado sj v (ai, sj).
No caso das decises sob risco, as probabilidades dos estados da natureza se conhecem ou se
podem determinar. No caso das decises sob incerteza, as probabilidades dos estados da natureza se
desconhecem ou no se podem determinar. A falta de informao levou os pesquisadores a desenvolver
vrios critrios para analisar esse tipo de problema. Entre os principais temos:
a) Critrio de Laplace: Baseia-se no suposto de que se no se conhecem as probabilidades dos estados

da natureza, ento no h motivo para acreditar que elas sejam distintas. Portanto, se usa a
hiptese otimista de que todos os estados da natureza so igualmente provveis. Assim:
P(s1) = P(s2) = . = P(sn) = 1/n
Dado que o retorno v(ai, sj) representa o ganho, a melhor alternativa a que d:
1 n
max v(a i , s j )
n
ai
j1
Se v(ai, sj) representar prejuzo, ento a minimizao substitui a maximizao.
b) Critrio Maximin (ou Minimax): baseado na atitude conservadora de obter o melhor das piores
condies possveis. Se v(ai, sj) for prejuzo, ento escolhemos a ao que corresponde ao critrio
minimax:

min max v(a i , s j )
ai sj
Se v(ai, sj) representar o ganho, ento usar o critrio maximin:

max min v(a i , s j )
ai j
s
c) Critrio de Savage: Aplica-se ao conservadorismo moderado no critrio Minimax (Maximin) pela

substituio da matriz de retorno (ganho ou perda) v(a i, sj) por uma matriz de perda (ou
arrependimento) r(ai, sj), usando a seguinte transformao:
v(a i , s j ) min [ v(a k , s j ], se v for perda

ak
r (a i , s j )
max [ v ( a k , s j ] v( a i , s j ), se v for ganho
ak
d) Critrio de Hurwicz: Elaborado para refletir atitudes da tomada de deciso que vo da mais
otimista mais pessimista (ou conservadora). Defina-se 0 < 1 e se considere que v(ai, sj)
representa ganho. Ento, a ao selecionada deve ser associada com:

max max v(a i , s j ) (1 ) min v(a i , s j )
ai s j s j
O parmetro denominado ndice de otimismo. Se = 0, o critrio conservador porque se aplica

ao critrio minimax normal. Se = 1, o critrio produz resultados otimistas porque procura o
melhor das melhores condies. Podemos ajustar o grau de otimismo (ou pessimismo) por meio
de uma seleo adequada do valor na faixa especificada de (0, 1). Na ausncia de um forte
sentimento em relao a otimismo e pessimismo, = 0,5 pode ser uma escolha adequada.
Se v(ai, sj) representar prejuzo, o critrio mudado para:

min min v(a i , s j ) (1 ) max v(a i , s j )
ai sj sj
Problema: Hank um aluno inteligente e normalmente tira boas notas, contando que possa revisar o
material do curso na noite anterior ao teste. Para o teste de amanha, Hank enfrenta um pequeno
problema: seus companheiros de repblica vo dar uma festa durante a noite, da qual ele gostaria de
participar. Ele tem trs opes:
a1 = divertir-se a noite inteira
a2 = dividir a noite em partes iguais para estudar e participar da festa
a3 = estudar a noite inteira
O teste de amanha pode ser fcil (s1), moderado (s2) ou difcil (s3), dependendo do humor imprevisvel
do professor. Hank antecipa as seguintes:
s1 s2 s3
a1 85 60 40
a2 92 85 81
a3 100 88 82
a) Recomende um curso de ao para Hank, com base nos critrios de Laplace, Maximin (ou
Minimax), de Savage e de Hurwicz (use = 0,5).
b) Suponha que Hank esteja mais interessado na nota alfabtica que conseguir (A = 90, B = 80, C
= 70 ou D 60). Essa atitude em relao s notas exige uma mudana no curso de ao de
Hank?
Soluo:
a) Segundo o princpio de Laplace teramos:
Como temos 3 estados da natureza (sj, j = 1, 2, 3), P(sj) = 1/3
O valor esperado para cada uma das 3 possveis aes ser:
E(a1) = 1/3 (85 + 60 + 40) 61,67
E(a2) = 1/3 (92 + 85 + 81) = 86
E(a3) = 1/3 (100 + 88 + 82) = 90
Portanto, em funo do critrio de Laplace a melhor ao seria a 3.
Segundo o critrio Maximin/Minmax, temos que os valores v(ai, sj) representam ganho,
portanto, o princpio a ser usado Maximin:
s1 s2 s3 Min da linha
a1 85 60 40 40
a2 92 85 81 81
a3 100 88 82 82 Maximin
Segundo o critrio de Savage, primeiro faramos max [ v(a k , s j ] v(a i , s j ) , j que as notas
ak
representam ganho:
s1 s2 s3
a1 100 - 85 = 15 88 60 = 28 82 40 = 42
a2 100 - 92 = 8 88 85 = 3 82 81 = 1
a3 100 100 = 0 88 88 = 0 82 82 = 0
Logo escolhemos o Minimax da coluna, isto escolhemos a alternativa a 3, estudar a noite

inteira Min (42; 41; 0) = 0.
s1 s2 s3 Max da linha
a1 15 28 42 42
a2 8 3 41 41
a3 0 0 0 0 Minimax
Segundo o critrio de Hurwicz e para = 0,5 teriamos:
s1 s2 s3 Min linha Max linha 0,5*Min linha + 0,5*Max linha

a1 85 60 40 40 85 20 + 42,5 = 62,5
a2 92 85 81 81 92 40,5 + 46 = 86,5
a3 100 88 82 82 100 41 + 50 = 91
Nesse caso, por ser uma matriz de ganho, a melhor alternativa seria a de maior valor, ou
seja, a alternativa a3.
Problema: A Cia. ABXT-Produtos Eletrnicos Ltda. est considerando o lanamento de um auto-rdio e

tem quatro opes de modelo: ST, LX, LS e GL, que diferem entre si no acabamento e caractersticas
tcnicas. Os lucros anuais que cada modelo pode fornecer so dependentes das escalas de produo,
que por sua vez so funes dos contratos com revendedores e fornecedores de peas e componentes.
Os custos no variam uniformemente com as produes, j que a maioria dos componentes
comprada de fornecedores diferentes. Por outro lado, os preos dependem da aceitao do mercado.
Nessa etapa do processo de planejamento, a empresa acredita que o lucro de cada alternativa ir
depender da escala de produo e venda de cada tipo e, dessa forma, identificou quatro eventos que
podem influenciar fundamentalmente os resultados finais. So eles:
Evento 1: produo e venda de 50.000 auto-rdios por ano

importante observar que a companhia no deseja, neste estado de anlise do problema, realizar
anlises mais detalhadas de custo e mercado, como por exemplo entrar em contato com revendedores
e fornecedores, para no gerar expectativas. Assim, deseja examinar o problema em carter
preliminar, de forma a obter elementos para discutir, mais tarde, com os demais interessados.
Para cada um dos eventos, os lucros esperados de cada modelo so fornecidos na tabela abaixo.
Tipo Evento 1 Evento 2 Evento 3 Evento 4

ST 26 24 24 23
LX 27 28 22 20
LS 25 27 29 31
GL 26 26 26 26
Recomende que tipo de auto-rdio a empresa deve fabricar com base em cada um dos critrios de
deciso sob incerteza.
Problema: Um empresrio de shows tem que organizar um concerto e o pode faze-lo ao ar livre ou
num campo coberto. Os benefcios vo depender da prescena do pblico, e ela (a assistncia) por sua
vez do clima, que pode ser com chuva, nublado ou ensolarado. Os resultados esperados caso o show
seja ao ar livre so 10.000, 50.000 e 65.000 euros se o tempo for chuvoso, nublado ou ensolarado
respectivamente. Se o concerto se realiza em campo coberto, os resultados seriam 45.000, 40.000 e
35.000 euros para cada estado climtico respectivamente. Pede-se:
a) Determinar a matriz de deciso.
b) Qual deciso deve tomar o empresrio se utiliza o critrio de Laplace?
c) Qual seria a opo mais adequada se fosse aplicado o critrio de arrependimento de Savage?
d) Qual deciso deve tomar o empresrio se utiliza o critrio de Hurwicz para = 0,35?
TEORIA DE FILAS
Esperar por um servio faz parte de nossa vida diria. Aparecem filas nos bancos, nos cinemas,
no correio, em processos de produo, nos semforos, etc. Embora a espera geralmente no possa ser
complemente eliminada (principalmente por questes de custos), possvel reduzir o impacto adverso
a nveis tolerveis (Taha, 2008).
A teoria de filas visa quantificar o fenmeno da espera em filas (mas no visa otimizar a espera na
fila), usando medidas representativas de desempenho como o comprimento mdio da fila, o tempo
mdio de espera em fila e a mdia de utilizao da instalao (Taha, 2008). Em geral, um processo
bsico de filas seria o seguinte:
Sistemas de filas
Clientes
Fonte de Clientes Mecanismo atendidos
Fila
entrada de servio
A figura anterior mostra que os clientes que requerem um servio se geram ao longo do tempo
numa fonte de entrada. A sequncia com que os clientes so gerados vm de uma distribuio
probabilstica (pode ser normal, exponencial, de Poisson, etc). Os clientes entram no sistema e se unem
a uma fila. Em determinado momento se seleciona um membro da fila para lhe proporcionar o servio,
mediante alguma regra conhecida como disciplina da fila. Logo, se realiza o servio ao cliente em um
mecanismo de servio, depois o cliente sai do sistema de filas (Hillier e Lieberman, 2006).
Fonte de entrada:
Uma caracterstica da fonte de entrada seu tamanho. O tamanho o nmero total de clientes
potenciais que podem requerer servio em algum momento. A populao a partir da qual surgem as
unidades (os clientes) que chegam ao sistema se conhece como populao de entrada. Pode-se supor que
o tamanho infinito ou finito (ou seja, a fonte de entrada ilimitada ou limitada).
Frequentemente se considera que os cliente se geram de acordo com uma distribuio de
Poisson. Esse caso corresponde quando o cliente chega de forma aleatria, mas com uma taxa mdia
fixa () sem importar quantos cliente j esto na fila. Uma suposio equivalente considerar que a
distribuio de probabilidade do tempo que transcorre entre duas chegadas consecutivas seja
exponencial. Esse tempo entre duas chegadas se conhece simplesmente como tempo entre chegadas.
Qualquer outro suposto sobre o comportamento dos clientes tambm deve ser considerado. Um
suposto muito comum o de desistncia, o qual implica que o cliente desiste de entrar na fila devido a
que a fila est muito grande ou abandonar uma fila porque esto esperando h muito tempo.
Fila:
A fila onde os clientes esperam antes de receber o servio. A fila se caracteriza pelo nmero
mximo permitido de clientes que podem ser admitidos. As filas podem ser finitas ou infinitas,
segundo se esse nmero mximo finito ou infinito. Como os clculos so muito mais simples no caso
de tamanho infinito, esse suposto se faz quando o tamanho real seja um nmero fixo relativamente
grande, e se considerar implcito, em qualquer modelo que no especifique outra coisa.
O caso finito mais difcil devido a que o nmero de clientes que formam a fila afeta o nmero
potencial de clientes fora do sistema em qualquer momento; mas deve-se supor o caso finito se a taxa
com que a fonte de entrada gera clientes novos afetada de alguma forma significativa pelo nmero
de clientes no sistema de linhas de espera.
Disciplina da fila:
Refere-se ordem em que seus membros se selecionam para receber o servio. Embora a
disciplina primeiro que chega primeiro a ser servido (FCFS first come, first served) a mais comum,
existem outras disciplinas como ltimo a chegar primeiro a ser servido (LCFS last come, first served),
servio em ordem aleatria (SIRO service in ramdom order) ou alguma outra disciplina baseada em
alguma prioridade de atendimento (por exemplo, servios urgentes em uma oficina so processados
antes dos servios comuns).
Mecanismo de servio:
Refere-se ao nmero de estaes de servio, cada uma delas com um ou mais canais de servios
paralelos, chamados de servidores. Se existe mais de uma estao de servio, o cliente pode receber o
servio de uma sequncia delas, ou numa rede (sistemas de filas interligados). Os mecanismos mais
comum so:
1 fila e 1 servidor
1 fila e n servidores
m filas e n servidores
Filas especiais (caixas expressos de supermercados)
Filas que seguem alguma alterao dinmica do sistema de atendimento
Exerccio: Em cada uma das seguintes situaes identifique o cliente e o servidor, alm disso,
discuta a possibilidade de um cliente trocar, desistir ou abandonar a fila:
a) Avies que chegam a um aeroporto.

b) Txis parados que atendem aos passageiros espera.
c) Ferramentas retiradas da ferramentaria em uma oficina de usinagem.
d) Cartas processadas em uma agncia do correio.
e) Matrcula para aulas em uma universidade.
f) Casos judiciais.
g) Operao de caixas registradoras em um supermercado.
h) Funcionamento de um estacionamento.
IMPORTNCIA DA DISTRIBUIO EXPONENCIAL NA TEORIA DE FILAS
No estudo das filas essencial uma condio: Que a chegada dos clientes seja totalmente
aleatria. Nesse contexto, a aleatoriedade significa que a ocorrncia de um evento no influenciada
pelo tempo transcorrido desde a ocorrncia do ltimo evento. Essa condio totalmente preenchida
pela distribuio exponencial, explicitamente pela sua propriedade de falta de memria. A
importncia da propriedade de falta de memria da distribuio exponencial e que permite simplificar o clculo
dos principais modelos da teoria de filas, como ser visto mais na frente. Tambm, considerando que a
distribuio exponencial pode descrever a distncia entre eventos, nesse caso um evento poderia ser
uma falha, a chegada de um cliente ou a concluso de um servio.
Em geral, se diz que X tem uma distribuio exponencial com parmetro ( > 0) se a funo de
densidade de probabilidade de X (Devore, 2008):
e x para x 0
f( x ; )
0 caso contrrio
O valor esperado de uma va X exponencialmente distribuda :
1
0 x e
x
E( x) dx

Para obter o valor esperado se requer integrar por partes. A varincia se calcula usando o fato de
que V(X) = E(X2) [ E(X) ]2. O clculo de E(X2) requer integrar por partes, duas vezes. Os clculos do
como resultado:
1
2 2

A falta de memria consiste do seguinte: Se agora for 08:20 horas da manh e a ltima chegada
de um cliente ocorreu s 08:03 horas, a probabilidade de a prxima chegada ocorrer s 08:29 horas
uma funo do intervalo entre 08:20 e 08:29, e totalmente independente do tempo que transcorreu
desde a ocorrncia do ltimo evento (de 08:03 a 08:20). Esse resultado chamado de falta de memria.
Em smbolos matemticos uma probabilidade condicional, da seguinte forma:
P(X t0 + t | X t0).
Por definio da probabilidade condicional, teremos:
P[ (X t 0 t) (X t 0 ) ]
P( X t 0 t|X t 0 )
P( X t 0 )
Mas o evento X t0 no numerador redundante, pois ambos eventos podem ocorrer se e

somente se X t0 + t, portanto:
P (X t 0 t) 1 F( t 0 t ; ) e ( t t 0)
e t e t 0
P( X t 0 t|X t 0 ) e t
P( X t 0 ) 1 F( t 0 ; ) e t 0
e t 0
Essa probabilidade condicional idntica probabilidade original P(X t), portanto, a

distribuio da durao adicional exatamente a mesma que a distribuio original da durao, isso
implica que o tempo entre os eventos so independentes.
Problema: Se uma mquina quebra a cada 40 minutos em mdia, com distribuio exponencial,
determine:
a) A taxa mdia de quebra da mquina
b) Se o tcnico que conserta a mquina afirma-se: essa mquina sempre quebra por volta das
08:30 horas, voc aceitaria essa afirmao?
c) Se agora so 08:20 horas, qual a probabilidade de que a prxima quebra seja s 08:30?
d) Se agora so as 07:00 horas, qual a probabilidade de que a prxima quebra seja s 08:30?
e) Se o tcnico que conserta a mquina afirma-se: essa mquina sempre quebra por volta das
08:30 horas, qual seria sua resposta tomando como referncia os resultados dos itens c e
d?
Soluo:
a) Como 60 min = 1 hora, ento a taxa mdia = = 60/40 = 1,5 quebra/hora
b) Desde o ponto de vista terico, a afirmao deve ser considerada errada pois como a
distribuio das quebras exponencial, consequentemente a probabilidade de que acontea
totalmente aleatria.
c) P (t 10/60) = 1 e(-1,5)(10/60) 0,22
d) P(t 150/60) = 1 e(-1,5)(90/60) 0,89
e) Pela resposta em b sabemos que a afirmao est errada. Mas se agora fossem as 08:20
horas, a afirmao poderia se considerar errada, pois a probabilidade de que isso acontea
0,22, a qual pequena.
Pela resposta em b sabemos que a afirmao est errada. Mas se agora fossem as 07:00
horas, a afirmao poderia ser considerar certa, pois a probabilidade de que isso acontea
0,89, a qual alta.
Problema: O tempo (em horas) requerido para reparar uma mquina distribudo exponencialmente
com = 1.
a) Qual a probabilidade de que o tempo de reparo exceda de 2 horas?
b) Qual a probabilidade de que o tempo de reparo exceda de 30 minutos?
c) Qual a probabilidade condicional de que o tempo de reparo tome pelo menos 3 horas, dado
que sua durao excedeu de 2 horas?
Problema: O nmero de anos de funcionamento de um reprodutor de mp3 distribudo

exponencialmente com parmetro = 1/8. Se Joo compra um reprodutor usado, qual a
probabilidade de que ele ainda funcione mais 10 anos?
Problema: Joo imagina que o nmero total de milhares de quilmetros que um carro usado ainda
pode percorrer antes que ele vire sucata uma varivel aleatria distribuda exponencialmente com
parmetro = 1/20. Daniel tem um carro usado e afirma que foi conduzido por 10.000 quilmetros.
Se Joo compra-se o carro de Daniel, qual seria a probabilidade de que ele consiga percorrer 20.000
quilmetros adicionais pelo menos?
O PROCESSO DE POISSON (Dos Santos, 2003)
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 que no seguem o Processo de Poisson so,
quando viveis, matematicamente complexas e extremamente trabalhosas. Vejamos as propriedades
fundamentais do Processo de Poisson, j adaptando-as para sistemas de filas, lembrando que estas
propriedades esto provadas matematicamente:
1) O n de chegadas (ou de servios completados) em uma unidade de tempo especificada

independente do n de chegadas (ou trmino de servios) em qualquer outra unidade de tempo.
Esta propriedade se adqua perfeitamente a um sistema de filas e para exemplificar vamos
imaginar as chegadas de clientes uma agncia 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 de 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 dia de 6 horas).
3) A probabilidade da ocorrncia de 2 chegadas simultneas (ou trmino de 2 servios) em uma

unidade de tempo muito pequena (t) 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 1 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.
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.
Nas amostragens, essa propriedade a razo de que embora tivessem sido coletados tanto os
dados discretos como os contnuos, basta trabalhar com uma delas, tanto no caso das chegadas
como no caso do servio, pois provada uma, 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 de = 3/minuto, ento o intervalo entre chegadas segue a 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 segue uma
Poisson com mdia = 2/minuto.
Na teoria de 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 chegadas (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.
Problema (Taha, 2008, p. 250): O interessante deste problema destacar a relao entre a distribuio
Exponencial e a de Poisson. Olhe que a mesma resposta pode ser encontrada com ambas as
distribuies. O resultado vai mostrar que se o tempo entre chegadas segue uma distribuio
exponencial com mdia 1/, ento o nmero de chegadas durante um perodo especfico t segue uma
distribuio de Poisson com mdia t. O inverso tambm vlido.
A taxa de nascimentos de bebs em um estado esparsamente povoado de um nascimento a
cada 12 minutos. O tempo entre nascimentos segue uma distribuio exponencial. Determine:
a) O nmero mdio de nascimentos por ano
b) A probabilidade de no ocorrer nenhum nascimento em qualquer dia determinado
c) A probabilidade de se emitir 50 certides de nascimento em 3 horas dado que 40 certides
foram emitidas durante as 2 primeiras horas do perodo de 3 horas.
d) A probabilidade de ter 20 nascimentos em um dia determinado.
e) A probabilidade X 20 nascimentos em um dia determinado.
Soluo:
a) A taxa mdia de nascimentos por dia e calculada da seguinte forma:
= (24 h/d) (60 min/h)/(12 min/nascimento) = 120 nascimentos/dia
O nmero mdio de nascimentos por ano :
t = (120 nascimentos/dia) (365 dias/ano) = 43.800 nascimentos/ano
b) A probabilidade de no haver nenhum nascimento em qualquer dia determinado calculada

com base na distribuio de Poisson, da seguinte forma:
e x
p( x ; ) f( x) , x = 0, 1, 2, .....
x!
P(para t = 1 dia ter x = 0 nascimentos) = (e-120x1) (120x1)0/0! = e-120 0
Um outro modo de calcular a mesma probabilidade observar que nenhum nascimento em

qualquer dia equivale a dizer que o tempo entre nascimentos sucessivos maior do que um
dia. Assim, podemos usar a distribuio exponencial para calcular a probabilidade desejada;
1 F(x; ) P(X x) e x , ento P(t > 1) = e-120x1 0
c) Calcular a probabilidade de emitir 50 certides ao final de 3 horas dado que 40 certides

foram emitidas durante as 2 primeiras horas equivale a ter 10 (= 50 40) nascimentos em 1 (=
3 2) hora porque a distribuio do nmero de nascimentos segue uma Poisson.
Dado = (60 min/h) (12 min/nascimento) = 5 nascimentos/h, obtemos;
P(10) = (e-5x1) (5 x 1)10/10! = 0,01813
d) P(para t = 1 dia ter x = 20 nascimentos) = (e-120x1) (120x1)20/20! = 1,208 x 10-29 0

b b
a f(x) dx a e
x
Usando a exponencial teramos que usar P(a x b) F( b) F(a)
Para ter exatamente 20, temos que b = 20 e a = 20, portanto, F(20) F(20) = 0
e) Para calcular uma p(X 20 nascimentos em um dia determinado) usando Poisson teramos
20
e x
que fazer p( x 20) 0
x0 x!
Essa mesma probabilidade no pode ser calculada usando a Exponencial. Lembre que a
exponencial visa determinar a probabilidade de que um evento ocorra num intervalo de
tempo. Nesse problema o que se esta tentando encontrar a probabilidade de que menos de
n eventos (nascimentos) aconteam num intervalo de tempo [ 0, t ], com t = 1 dia. Claro a
pergunta agora : qual o modelo adequado para saber como calcular a probabilidade de
ocorrerem menos de 20 nascimentos no intervalo [ 0, t ] = [ 0, 1 ]?
Pra este fim, seja Y a varivel aleatria que representa o tempo necessrio para ocorrerem n
nascimentos, com mdia de = 120 nascimentos por dia. A funo de densidade desta
varivel a distribuio de probabilidade Gamma, Y (n , ) . A funo de densidade da
distribuio Gamma :
n
t n 1 e t , se t 0
g( t ) P ( Y t ) ( n 1) !
0 , se t 0

Assim sendo, temos que a probabilidade de ocorrerem menos de 20 nascimentos (n = 20) em

um dia (t = 1) para uma mdia de 120 nascimentos por dia ( = 120) :
1 1 1
n
P ( Y 1) G (t 1) 0 g(t ) dt 0 (n 1) !
t n 1 e t dt 0 e t dt 0,00833
A NOTAO DE KENDALL (Dos Santos, 2003)
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) onde, a representa a
distribuio das chegadas, b representa a distribuio do servio e c indica o nmero de estaes
de servio.
Um processo Markoviano se representa com a letra M. Como a distribuio de Poisson inclui as
propriedades do processo Markoviano, cuja notao M usada para a e b quando temos 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 notao de Kendall completa a seguinte:
a/ b / c / d / e / f
a = distribuio de tempos entre chegadas (chegadas no sistema)
b = distribuio dos tempos de servio (sadas do sistema)
c = nmero de servidores
d = capacidade do sistema
e = tamanho da populao
f = disciplina da fila
CONVENO PARA TEXTOS DE FILAS (Dos Santos, 2003)
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
ESTADO DE EQUILBRIO E ESTADO TRANSIENTE (Dos Santos, 2003)
Antes de entrarmos em detalhes, devemos observar que todos os modelos (as frmulas dos
modelos sero vistas mais na frente) a serem apresentados tem como pr-requisito o sistema de fila
estar em estado de equilbrio (ou de regime, ou estacionrio), ou seja, estar com o seu processo de
chegadas e atendimento dentro de condies normais. Esse estado atingido aps o sistema ter estado
em operao por um tempo suficientemente longo.
Por exemplo, numa agencia bancria com grande movimento, o fluxo de pessoas (entrando e
saindo) s vai-se a normalizar depois de um perodo relativamente longo de estar em funcionamento.
Chegado a esse ponto de normalizao pode-se dizer que o atendimento esta em equilbrio.
O estado anterior ao estado de equilbrio denomina-se estado transiente (ou em aquecimento, ou
de aquecimento). No caso da agncia bancria com grande movimento, quando a agncia abre pela
manh, j existe normalmente uma grande aglomerao na porta e, obviamente, as chegadas no
obedecem a qualquer padro. Da mesma forma no incio do trabalhos o atendimento no atinge sua
velocidade normal pois, de certa forma, os funcionrios que fazem o atendimento ainda esto em
aquecimento.
No exemplo anterior implicaria que at o fluxo de pessoas na agncia se normalizar dizemos que
o sistema est em regime transiente, aps se normalizar o fluxo de pessoas o sistema se encontraria em
estado de equilbrio.
O estado transiente no ser estudado nesta matria. Uma razo que o estudo de grande parte
das situaes de filas ocorre sob condies de estado de equilbrio. Outra razo para no estudar o
comportamento do regime transiente que ele de extrema complexidade.
PROCESSO DE NASCIMENTO E MORTE
A maior parte dos modelos elementares de filas supem que as entradas (chegadas dos clientes)
e as sadas (clientes que vo embora depois de serem atendidos) no sistema ocorrem de acordo com
um processo de nascimento e morte. Esse processo de teoria de probabilidade tem aplicaes em vrias
reas, porm no contexto da teoria de filas, o termo nascimento refere-se chegada de um novo cliente
e o termo morte refere-se sada do cliente atendido.
Basicamente um processo de nascimento e morte visa descrever em termos probabilsticos como muda o
estado do sistema [ N(t) ] ao aumentar o tempo (t, com t 0). Em geral, os nascimentos e as mortes ocorrem
de forma aleatria, entanto, suas mdias de ocorrncia dependem do estado atual do sistema.
MODELO DE NASCIMENTO PURO (Taha, 2008)

Um modelo de nascimento puro representa aquelas situaes onde somente so permitidas
chegadas. Um exemplo de nascimento puro a emisso de certides de nascimento para as crianas
recm nascidas. Defina-se:
p0(t) = probabilidade de nenhuma chegada acontecer durante um perodo de tempo t
Dado que o intervalo de tempo entre chegadas segue uma distribuio exponencial e que a taxa
de chegadas clientes por unidade de tempo, ento:
p0(t) = p (intervalo de tempo entre chegadas t), ento
p0(t) = 1 p(intervalo de tempo entre chegadas t) = 1 (1 et) = e - t
Para um intervalo de tempo suficientemente pequeno com h > 0, e usando a expanso de Taylor
temos:
(h ) 2 ( 0 2 ) (2 )
p 0 ( h ) e h 1 h ...... 1 h ..... = 1 - h
2! 2!
A distribuio exponencial baseada na premissa de que, para um valor de h suficientemente

pequeno, com h > 0, no mximo um evento (chegada) pode ocorrer. Assim, quando h 0,
p1(h) = 1 p0(h) h
Esse resultado mostra que a probabilidade de uma chegada durante h diretamente

proporcional a h, sendo a taxa de chegadas, , a constante de proporcionalidade.
Para ir origem do nmero de chegadas durante um perodo t quando o intervalo de tempo
entre chegadas seguir uma distribuio exponencial com mdia 1/, defina-se:
pn(t) = probabilidade de n chegadas durante t
Para h > 0 suficientemente pequeno.
pn(t + h) = pn(t) [ 1 h ] + pn-1(t) h , n > 0
pn(t + h) = p0(t) [ 1 h ] , quando n = 0
Na primeira equao, n chegadas sero realizadas durante (t + h) se houver n chegadas durante t

e nenhuma chegada durante h, ou (n-1) chegadas durante t e uma chagada durante h. Todas as outras
combinaes no so permitidas porque, de acordo com a distribuio exponencial, no mximo uma
chegada pode ocorrer durante um perodo h muito pequeno. A lei do produto de probabilidade
aplicado ao lado direito da equao porque as chegadas so independentes. Para a segunda equao,
s possvel ocorrer zero chegadas durante (t + h) se nenhuma chegada ocorrer durante t e h.
Rearranjando os termos e tomando os limites quando h 0, obtemos:
p n (t h) p n (t)
p'n (t ) lim h0 p n (t ) p n 1 (t ) para n 0
h
p 0 (t h) p 0 (t)
p'n (t ) lim h0 p 0 (t ) para n 0
h
onde p'n ( t ) a primeira derivada de p n ( t ) em relao a t.
Resolvendo as equaes diferenciais geradas a partir dos limites encontra-se a soluo das
equaes diferencias, dando:
(t ) n e t
p n (t) , com n 0 , 1, 2 , ........
n!
Sendo essa soluo encontrada acima, basicamente uma distribuio de Poisson com mdia de
chegadas E[n|t] = t durante o tempo t. O resultado mostra que, se o tempo entre chegadas segue
uma distribuio exponencial com mdia 1/, ento o nmero de chegadas durante um perodo
especfico t segue uma distribuio de Poisson com mdia t. O inverso tambm vlido.
RESUMO DE RELAES ENTRE A EXPONENCIAL E A DE POISSON
Exponencial Poisson
Varivel aleatria Tempo entre chegadas Nmero de chegadas, n, durante o perodo
sucessivas, t especificado T
Faixa t0 n = 0, 1, 2, .....
Funo de densidade f(t) = et, t 0 (T ) n e T
p n (T ) , com n 0 , 1, 2 , ........
n!
Valor mdio 1/ unidade de tempo T chegadas durante T
Probabilidade acumulada P(t A) = 1 eA pn N (T) = p0(T) + p1(T) + ...... + pN(T)
P(nenhuma chegada no P(t A) = eA p0(A) = eA
perodo A)
Problema: Um colecionador de arte viaja uma vez no ms, em mdia, para assistir a leiles. Em cada
viagem se garante uma compra. O tempo entre as viagens tem distribuio exponencial. Determine:
a) A probabilidade de que o colecionador no compre obras de arte em um perodo de 3 meses.
b) A probabilidade de que o colecionador no compre mais de 8 obras de arte por ano.
c) A probabilidade de que o tempo entre viagens sucessivos seja maior que 1 ms.
Problema: Num banco, a freqncia de chegadas de 2 clientes por minuto. Determine:

a) A quantidade mdia de chegadas durante 5 minutos?
b) A probabilidade de que no aconteam chegadas no seguinte 0,5 minuto
c) A probabilidade de que acontea pelo menos uma chegada durante o seguinte 0,5 minuto
d) A probabilidade de que o tempo entre duas chegadas sucessivas seja de 3 minutos, pelo
menos.
MODELO DE MORTE PURO (Taha, 2008)

Um modelo de morte pura representa aquelas situaes onde somente so permitidas sadas. Um
exemplo de morte pura a venda de um item em uma loja. No modelo de morte puro, o sistema
comea com N clientes no tempo 0 e nenhuma nova chegada permitida. As partidas ocorrem taxa
de clientes por unidade de tempo. Para desenvolver as equaes diferenciais de diferenas para a
probabilidade pn(t) de n clientes permanecerem aps t unidades de tempo, seguimos os argumentos
usados para o modelo de nascimento puro.
pN(t + h) = pN(t) [ 1 - h ]
pn(t + h) = pn(t) [ 1 - h ] + pn-1(t) h , 0 < n < N
p0(t + h) = p0(t) [ 1 ] + p1(t) h
Aplicando limites quando h 0, obtemos:
PN' (t ) PN (t )
Pn' (t ) Pn (t ) Pn 1 (t ) 0nN
P0' (t ) P1 (t )
Resolvendo as equaes diferenciais anteriores geradas a partir dos limites encontra-se a soluo
das equaes diferencias, resultando a seguinte distribuio de Poisson truncada:
(t )N n e t
p n (t ) , com n 1, 2 , ........, N
(N n ) !
N
p n (t) 1 p n (t)
n 1
Problema: A seo de flores de uma loja tem um estoque de 18 dzias de rosas no incio de cada
semana. Na mdia, a seo vende trs dzias por dia (uma dzia por vez), mas a demanda
propriamente dita segue uma distribuio de Poisson. Sempre que o nvel do estoque chega a 5 dzias
emitido um novo pedido de 18 dzias para entrega no incio da semana seguinte. Devido natureza
do item, todas as rosas que sobram no final da semana so descartadas. Determine:
a) A probabilidade de emitir um pedido em qualquer dia da semana
b) O nmero mdio de dzias de rosas que sero descartadas no final da semana
Soluo:
a) Nota-se que = 3 dzias/dia; onde a probabilidade de emitir um pedido no final do dia t
dada por:
pn 5(t) = p0(t) + p1(t) + + p5(t)
5
(3t )18n e 3 t
= p0(t) +
n1 (18 n ) !
, com t 1, 2 , ......, 7
Os resultados depois de substituir t e n :
t (dias) 1 2 3 4 5 6 7
t 3 6 9 12 15 18 21
pn 5(t) 0,0000 0,0088 0,1242 0,4240 0,7324 0,9083 0,9755
b) O nmero de mdio de rosas descartadas no final da semana (t = 7) :

18
E [ n|t = 7 ] = n p n (7 ) 0 ,664 1 dzia
n 0
O MODELO M/M/1
Daqui em diante, a maioria dos modelos de fila esto baseados no trabalho de Dos Santos (2003).
Este o modelo mais simples da teoria de filas, ou seja, tamanho de populao infinito, tamanho
permitido para a fila infinito, chegadas seguindo a distribuio de Poisson, durao do servio
seguindo a distribuio Exponencial, fila nica com seleo FIFO e 1 estao de servio.
Vamos desenvolver a seguir, as frmulas que permitem medir as caractersticas principais deste
tipo de modelo. Fazendo:
= taxa de chegada
= taxa de servio
t = unidade de tempo muito pequena
t = probabilidade de ocorrer 1 chegada durante t
t = probabilidade de ocorrer o fim de 1 servio durante t
A condio bsica para que um sistema de fila seja estvel que a taxa de chegada seja menor do
que a taxa de servio, ou seja, / tem que ser menor do que 1. Caso isto no acontea a fila tende ao
infinito. Veremos mais adiante que necessrio na verdade que seja razoavelmente menor que ,
pois mesmo sendo menor, se tiver um valor muito prximo de , a fila tender ao infinito.
Existem 3 eventos possveis durante t: a entrada de 1 unidade no sistema, a sada de 1 unidade
do sistema ou nenhuma alterao, ou seja, nenhuma chegada ou nenhum trmino de servio. Se t
a probabilidade de 1 chegada durante t, ento (1t) a probabilidade de nenhuma chegada. De
forma semelhante se t a probabilidade de fim de 1 servio, ento (1 t) a probabilidade de
que nenhum servio seja completado. A probabilidade conjunta de nenhuma chegada e nenhum
trmino de servio, durante t, dada por:
[1 t][1 t] = 1 t t + (t)2
como t muito pequeno podemos considerar (t)2 como 0 e desta forma a probabilidade de
nenhuma alterao 1 (t + t). Os estados do sistema nos instantes t e (t + t) com os 3
eventos possveis durante t so mostrados na tabela a seguir, onde k o nmero de unidades no
sistema e Pn a probabilidade de existirem n usurios no sistema:
Probabilidade Unidades no Probabilidade do Estado no Probabilidade do

do estado estado no evento instante (t + t) estado em (t + t)
instante t
P0 k=0 1 t k=0 P0 (1 t)
t k=1 P0 (t)
t k=0 P1 (t)
P1 k=1 1 (t + t) k=1 P1 (1 t t)
t k=2 P1 (t)
t k=1 P2 (t)
P2 k=2 1 (t + t) k=2 P2 (1 t t)
t k=3 P2 (t)
. . . . .
. . . . .
. . . . .
t k=n1 Pn (t)
Pn k=n 1 (t + t) k=n Pn (1 t t)
t k=n+1 Pn (t)
Quando existem zero unidades no sistema (k = 0) no instante t, somente 2 eventos podem

ocorrer: ou no h nenhuma chegada, com probabilidade (1 t) ou h uma chegada com
probabilidade t. Quando k 1 no instante t, existem 3 eventos possveis como mostrado na tabela
para k = 1, k = 2 e k = n.
Voltando tabela ns vemos que existem 2 maneiras de se ter zero unidades no sistema no
instante (t + t): Quando k = 0 no instante t e nenhuma chegada ocorre e quando k = 1 no instante
t e uma sada ocorre. A probabilidade de termos zero unidades no instante (t + t) a probabilidade
de ter zero unidades no instante (t + t) multiplicada pela probabilidade de nenhuma chegada, ou seja
P0(1 t), mais a probabilidade de termos uma unidade no instante t multiplicada pela
probabilidade de uma sada, ou seja P1(t). Isto d:
P0 = P0(1 t) + P1(t) (Eq. 1)
De forma anloga, a probabilidade de termos 1 unidade no sistema no instante (t + t) igual a:
P1 = P0(t) + P1(1 t t) + P2(t) (Eq. 2)
No caso geral, a probabilidade de ter n unidades no sistema no instante (t + t) dada por:
Pn = Pn1(t) + Pn(1 t t) + Pn+1(t) (Eq. 3)
Resolvendo a equao (1) para P1 em funo de P0, temos:
P0 = P0(1 t) + P1(t) P1(t) = P0 P0(1 t)
P1(t) = P0 (1 (1 t)) P1(t) = P0 (t)
P0 ( t )
P1 P1 P0 (Eq. 4)
t
A tabela tambm pode ser entendida por meio de um diagrama de transio de filas de Poisson,
como mostrado a seguir:
0 1 n-1 n+1
0 1 2 .... n-1 n n+1 ....
1 2 n n+1
Sob condies de estado de equilbrio, para n > 0, as taxas de fluxo esperadas de entrada no estado
n o da taxa de sada no estado n, devem ser iguais. Com base no fato de que o estado n s pode
ser mudado para os estados (n 1) e (n + 1), obtemos:
Taxa de fluxo esperado de entrada no estado n = n1pn1 + n+1 pn+1
De forma semelhante:
Taxa de fluxo esperado de sada no estado n = npn + n pn
Igualando as duas taxas, obtemos a seguinte equao de equilbrio:
n1pn1 + n+1 pn+1 = npn + n pn , n = 1, 2, 3, .....
Da figura anterior, para n = 0, temos: 0p0 = 1 p1

Consequentemente: P1 P0 , que igual Eq. 4 encontrada anteriormente. Logicamente quando

a taxa de chegadas constante em todos os estados 0 = e quando a taxa de sadas tambm
constante em todos os estados 0 = .
Voltando tabela e resolvendo a equao (3) para Pn+1 em funo de Pn e Pn1, temos:
Pn+1(t) = Pn Pn1(t) Pn(1 t t) Pn+1(t) = Pn Pn1(t) Pn + Pn t + Pn t
Pn+1(t) = Pn t + Pn t Pn1(t)
t t t
Pn 1 Pn Pn

t _ Pn 1 t Pn 1 Pn 1 _ Pn 1
t

Pn 1 Pn _ Pn 1

Substituindo n por 1, temos: P2 P1 _ P0

Substituindo o valor de P1 da equao (4) temos: P2 P0 _ P0

Fatorando P0 do segundo termo: P2 P0 1

2
Finalmente temos: P2 P0

3
Se seguirmos os mesmos passos para P3, temos: P3 P0

n
Por induo se infere que: Pn P0 (Eq. 5)

Da teoria da probabilidade ns sabemos que a soma de todas as probabilidades igual a 1. Logo,

n 1
Pn 1 , portanto, da Eq. 5, temos: Pn P0 1 P0
n

n 0 n 0 n 0

n 0
1
O denominador desta expresso uma srie geomtrica infinita que converge para , se

1

for menor que 1.

1
Temos ento: P0 P0 1 (Eq. 6)
1
1

n
Das equaes (5) e (6) temos: Pn 1 (Eq. 7 )

A mdia de uma varivel x definida como xP(x), logo o nmero mdio de unidades no sistema
(representado por L) dado por:

L
n 0
n Pn
Substituindo o valor de Pn na equao anterior, temos:

n n
L n 1
1 n
n 0 n 0

n
O somatrio n da equao acima, quando for menor que 1, uma srie geomtrica
n 0

infinita que converge para
2
1

Logo temos: L 1

2
1

Que finalmente se reduz a: L
(Eq. 8)

Nosso propsito determinar vrias medidas do desempenho de um sistema de filas tais como:
L = nmero mdio de unidades no sistema.

Lq = nmero mdio de unidades na fila.
W = tempo mdio que uma unidade fica no sistema.
Wq = tempo mdio que uma unidade fica na fila.
Se ns esperamos chegadas por unidade de tempo e se cada unidade gasta, em mdia no

sistema, W unidades de tempo, ento o tempo total gasto no sistema para chegadas W. Por
exemplo, se chegam em mdia 2 usurios por hora e cada chegada passa 3 horas no sistema, ento o
total de horas gasto pelos 2 usurios no sistema 6. Isto implica que existem 6 (L = 6) usurios, em
mdia, no sistema (isto , usurios 1 e 2 na sua 3a hora, usurios 3 e 4 na sua 2a hora e usurios 5 e 6 na
1a hora). Isto nos d a relao:
L = W (Eq. 9)
O mesmo raciocnio pode ser inferido para a relao do nmero mdio de usurios na fila e o
tempo que eles passam na fila:
Lq = Wq (Eq. 10)
O tempo mdio gasto no sistema (W) deve ser igual ao tempo mdio gasto na fila mais o tempo
de servio esperado (1/). Temos ento:
1
W = Wq + (Eq. 11)

Logo uma vez que tenhamos obtido o valor de L da equao (8) podemos, da equao (9), tirar o
valor de W:
L 1
W

Podemos com W calcular o valor de Wq, da equao (11):
1 1 1
Wq W
( )
Finalmente da equao (10) podemos calcular Lq:
2
L q Wq
( ) ( )
As demais frmulas no s deste modelo como dos demais que veremos a seguir so
desenvolvidas de forma anloga ao que vimos at aqui, apesar de que para algumas, a matemtica
envolvida seja bem mais complexa.
Resumo das frmulas do modelo M/M/1:
= taxa mdia de chegada (1/ = intervalo mdio entre chegadas)
= taxa de servio mdia (1/ = durao mdia do servio)
n = nmero de unidades no sistema (inclui as da fila e a sendo servida).

Probabilidade de 0 unidades no sistema, ou seja, a probabilidade do sistema estar vazio: P0 1

n
Probabilidade de existirem n unidades no sistema: Pn 1

k1
Probabilidade de existirem mais de k unidades no sistema: P ( n k )

Nmero mdio (esperado) de unidades no sistema: L = W =

2
Nmero mdio (esperado) de unidades na fila: L q Wq
( )
L 1
Tempo mdio (esperado) que cada unidade permanece no sistema: W

1
Tempo mdio (esperado) que cada unidade permanece na fila: Wq W
( )

Fator de utilizao da estao de servio:

Probabilidade de 1 unidade demorar mais de t unidades de tempo no sistema: P(T t ) e ( 1 ) t
Podemos ter ainda as seguintes relaes entre as medidas bsicas:

Lq L Wq


L Lq W

1 Lq
Wq W

1 L
W Wq

Problema: 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 (atendido)?
b) Qual o n esperado de clientes no salo de barbeiro? 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:
a) Temos que:
= 1 cliente/20 minutos = 3 clientes/h
= 1 cliente/15 minutos = 4 cliente/h
A probabilidade de no esperar equivale a dizer que no haja ningum na fila, ou seja:
3
P0 1 1 0,25
4
3
b) O n esperado de clientes no salo L = 3 clientes
43
3
O n esperado de clientes na fila L q L 3 = 2,25 clientes
4
Algum atento resposta anterior poderia afirmar que a diferena entre L e Lq , o nmero
mdio de clientes no sistema (L) e o nmero mdio de clientes na fila (Lq) deveria ser 1, ou
seja, o fregus que est sendo atendido pelo barbeiro. 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.
c) O tempo que em mdia um cliente permanece no salo :
1 1
W 1 hora
43
d) O tempo que em mdia um cliente permanece na fila :
3
Wq 0 ,75 hora
( ) 4 ( 4 3)
e) A probabilidade de um cliente ficar mais de 30 minutos no salo :
P(T t) e ( 1 ) t e 4 ( 1 3 / 4 ) 0 , 5 0,61 61%
f) Para encontrar a taxa de chegadas que justificariam um segundo barbeiro, considerando que
um cliente passe 1,25 horas no salo, teramos que fazer:
1 1
W 1,25 3,2 clientes / hora
4
Assim, se a taxa de chegada fosse maior igual que 3,2 clientes/hora se justificaria a
contratao de um outro barbeiro.
Problema: 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 1
a) W 0 ,5 min utos
31
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 a probabilidade do ingresso ser comprado em tempo menor ou igual a 0,5 minutos.
P(T 0, 5) = 1 P(T > 0, 5) = 1 e (1)t = 1 e3(11/3)(0,5) = 0, 63 = 63%
b) Queremos achar t de modo que P(T > t) = 0,01
e(1)t = 0,01 e3(1 1/3)t t = 2,3 minutos
Logo: P(T > 2,3) = 0,01 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 para ter 99% de certeza de estar sentado antes do jogo
comear.
Problema: Fregueses chegam aleatoriamente a uma padaria taxa mdia de 12 clientes/hora. O nico
empregado da padaria pode servir fregueses taxa mdia de 20 clientes/hora. O empregado recebe
$3/hora enquanto que o custo do 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 comprado?
Soluo:
= 12/hora
Situao Atual:
= 20/hora
Custo do empregado = $3/hr 12 hr/dia = $36/dia Custo do servio
W = tempo mdio que um fregus permanece na padaria
1 1
W 0 ,125 h
20 12
Custo de espera na padaria de um fregus = 0, 125 horas $8/hr = $1
Custo da fila = $1 12 fregueses/hr 12 hr/dia = $144
Custo total = $36 + $144 = $180/dia
Situao Proposta:
= 42/hora
1 1
W = 0,0333 horas
42 12
Custo de espera na fila de um fregus = 0, 0333 horas $8/hr = $ 0,266
Custo da fila = $0,266 12 fregueses/hr 12 hr/dia = $ 38,40/dia
Custo do equipamento = $30/dia
Custo do servio = $ 36 + $ 30 = $ 66/dia
Custo total = $ 66 + $38,40 = $ 104,40/dia
Resposta: A situao proposta (compra do equipamento) melhor.

O MODELO M/M/S COM S > 1

Neste tipo de modelo, considera-se que as estaes de servio so equivalentes e prestam servio,
individualmente, a mesma taxa mdia . Nesse modelo teremos que:
1
P0
s1 1 n 1 s

n 0 n! s ! ( 1 )
1 n
P0 para n 1, 2 , 3, ..... , s 1

n!
Pn
1 n
para n s
s ! s n s P0

s1
P0

Lq
( s ) ( s ! ) ( 1 ) 2

L Lq

L
W

Lq
Wq

s t s 1

P0 1 e

P ( T t ) e t 1 se s 1 0

s ! (1 ) s 1

s

P0 ( t )

P ( T t ) e t 1 se s 1 0
s ! ( 1 )

Problema: 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 n 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?
Soluo:
15
Modelo M/M/3 com = 15/hr; = 6/hr; s = 3; ento 0 ,8333
s ( 3) ( 6 )
a) Lq ?
1 1
P0
s1
1 n 1 s s1
1 15 n 1 15 3

s ! ( 1 )

6 3 ! (1 15 /18)

6

n 0 n! n 0 n!
P0 0, 04598
s1 15 4

P0 6 (0 ,04598)
Lq ento Lq 3,592 cartas
( s ) ( s ! ) ( 1 ) 2 ( 3) ( 3 ! ) (1 15 / 18) 2
b) W = ?
L
W

15
L Lq 3,592 6 ,092 cartas, ento W = 6,092/15 0, 406 horas
6
c) P(T > 1/3 hr) = 0, 461 = 46, 1%
d) Modelo I: = 5/hr; W = 1 hora
Este exemplo serve para exemplificar a vantagem em se ter uma fila nica quando temos vrias
estaes de servio prestando o mesmo tipo de atendimento. Como podemos ver, com uma nica
fila, cada carta demora, em mdia, 0, 40 horas (24 minutos) para ficar pronta. Com fila individual
demorar, em mdia, 1 hora.
Problema: Deseja-se determinar o n timo de caixas em uma agncia bancria. O tempo que cada
cliente perde dentro da agncia est estimado em $5/hora e o custo de funcionamento de um caixa
de $4/hora. Os clientes chegam a taxa mdia de 40 por hora e os caixas podem atender, em mdia, 30
clientes por hora.
Soluo:
= 40/hr; = 30/hora
s = 1 = 1, 333 > 1, a fila tenderia ao infinito.
S Custo da fila/hr Custo do servio/hr Custo total /hr

$ 5W 4s
2 12,00 8,00 20,00
3 7,39 12,00 19,39
4 6,72 16,00 22,72
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 nosso exemplo o mnimo s = 3.
Problema: 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?
Soluo:
= 180/dia; = 100/dia; S = 3; Modelo M/M/3

a) Probabilidade de que a oficina esteja sem clientes:
(/) = (180/100) = 1,8
= ()/(S ) = (180)/(3100) = 0, 6
1 1
a) P0
s1
1 n 1 s 2
1 2 1 3

s ! ( 1 )

1,8 1,8
n 0 n! n 0 n! 3 ! (1 0 ,6)
P0 = 0,145985 = 14,5985%
b) Probabilidade de que um fregus tenha que esperar:

P(n 3) = 1 P(n < 3) = 0,354746 = 35,47%
c) Probabilidade de que somente dois setores estejam ociosos:

P(2 setores ociosos) = P1 = 0,262773 = 26,2773%
d) Probabilidade de que somente um setor esteja ocioso:

P(1 setor ocioso) = P2 = 0,236496 = 23,6496%
e) Proporo mdia do tempo que um setor est ocioso = 1 = 10, 6 = 0, 4 = 40%
s1 4

P0 1,8 (0,145985)
f) L q 0 ,53212 clientes
( s ) ( s ! ) ( 1 ) 2 ( 3) ( 3 ! ) (1 0 ,6) 2
Tempo mdio de espera de um fregus que chega:
Wq = (Lq/) = 0,53212/180 = 0,002956 dias
g) Comprimento mdio da fila de espera:

Lq = 0, 53212 fregueses
O MODELO M/M/1: COM CAPACIDADE 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. Isso implica que quando
temos capacidade finita, caso a fila esteja cheia, vamos ter desistncia na fila. Deve ser observado que
neste caso a taxa de chegada () no precisa ser menor que a taxa de servio () pois a fila tem um
tamanho fixo. Neste tipo de modelo aparece uma nova varivel (M), que o n mximo de unidades
que podem estar no sistema, sendo (M 1) o nmero mximo permitido na fila (lembre que s se tem
um atendente). As frmulas para este modelo so:

1

para
M1
P0 1

1
para
M 1
n
P para
Pn 0
P0 para

M1
(M 1)
para
M1
L 1

M
para
2
Lq = L (1 P0)
A taxa de chegadas 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 de unidades
no sistema.
ef = (1 P0) = (1 PM)
As demais frmulas ficam ento como:
L
W
ef
Lq
Wq
ef
ef
Problema: Uma barbearia com 1 barbeiro tem 6 cadeiras para acomodar fregueses esperando
atendimento. Os fregueses que chegam quando as 6 cadeiras esto cheias, vo embora sem esperar. Os
fregueses chegam a taxa mdia de 3/hr 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 n mdio de fregueses esperando 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?
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 fregueses/hr
d) W = 0,73 horas
ef 2 ,89
e) 0 ,963 Percentual de fregueses atendidos
3
Portanto, a frao de fregueses que vo embora (1 0,963) = 0,037 = 3, 7%
Problema: 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 qualidade. 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 nenhum
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.
Soluo
Situao atual
= 3/hr; = 2/hr; M = 3
Receita com os cortes = N mdio de fregueses atendidos/dia $7/corte
= ef 8hr/dia $7 = 98, 21/dia
$ Equivalente do tempo ocioso = P0 8hr/dia $4 = $3, 94/dia
$ Equivalente do tempo perdido = Wq ef 8hr/dia $2/hr = $17, 73
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
A alternativa b a melhor soluo.
O MODELO M/M/s: FILA FINITA com S > 1

Vamos definir 2 variveis (a e c) ressaltando que elas no tem nenhum significado e so
usadas apenas para simplificar a escrita das frmulas:

a c
s
Temos ento:
1
P0
s
1 1 s M
an a cn s
n 0 n! s!
n s1
1
a n P0 para n s
n!

a n P0
Pn para s n M
s! s n s
0 para n M

Lq
P0 a s c
s ! ( 1 c) 2
1 c Ms
( M s ) c M s ( 1 c)
s1
L Lq s (s n ) Pn
n 0
s1
ef s (s n ) P n
n 0
L
W
ef
Lq
Wq
ef
ef
Problema: 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 n 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?
Soluo:
M = 7; = 6/hr; = 4/hr; s = 2
a) P0 + P1 = 0, 4032 = 40, 32%
b) Lq = 1, 014 fregueses
c) ef = 5, 741 fregueses/hr
d) W = 0, 426 horas
e) 1 (ef/) = 0, 0431 = 4, 31%
Problema: 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 n mdio de carros esperando conserto?
c) Qual o n 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?
Soluo:
M = 10; = 3/dia; = 1/dia; s = 4
a) P0 = 0, 040 = 4%
b) Lq = 0, 91 carros
c) L = 3, 83 carros
d) ef = 2, 92 carros/dia
e)Wq = 0, 31 dias
f) W = 1, 31 dias
g) Pvaga = P(X 9) = 1 P10 = 1 0, 02 = 0, 98 = 98%
O MODELO M/M/s: Populao finita

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, nenhuma chegada pode ocorrer. Isto contrasta com os modelos de populao infinita
nos quais a taxa de chegada independente do nmero de unidades que j esto no sistema.
Neste tipo de modelo, a taxa de chegada , a taxa de chegada de cada unidade, portanto, 1/
o tempo mdio entre chegadas de cada unidade. No caso das mquinas, por exemplo, 1/ seria o
tempo mdio entre quebra de cada mquina. A taxa de chegada efetiva ef d a taxa mdia de
chegada, considerando-se todas as unidades.
As frmulas para este tipo de modelo so bastante complexas e por causa disto tem sido
calculadas e tabeladas para facilitar o seu uso. Para entrar nas tabelas (ver no final da apostila)
precisamos de 3 informaes:

X Fator de servio

S n de estaes de servio
M Tamanho da populao
Da tabela obtemos a seguinte medida:
F Fator de Eficincia.
Temos ento:
Lq = M (1 F)
ef = M F X
1
W Wq

L = ef W
Lq
Wq
ef
MFX

s
1
P0 s1
M! n M
M! n
(M n )! n !
(M n )! s ! s n s

n 0 n s
M! n
P0 para 1 n s
(M n ) ! n !
M! n
Pn P0 ns
para s n M
(M n )! s ! s

0 para n M
Problema: Uma companhia pesqueira tem 2 estaleiros para conserto de seus barcos. Cada barco quebra,
em mdia, de 4 em 4 semanas. Cada estaleiro 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 ?
Soluo:
= 0,25/semana; = 1/semana; s = 2; M = 10
0 ,25
X 0 ,2
0 ,25 1
F = 0,854 (ver tabela no final da apostila)
a) P0 = 0,065 = 6, 5%
b) Lq = 1,46 barcos
c) L = 3,16 barcos
d) ef = 1,708 barcos/semana
e) Wq = 0,85 semanas
f) W = 1,85 semanas
Problema: Dois mecnicos tema tarefa de consertar 5mquinas. 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 n mdio de mquinas esperando reparo?
b) Qual o n mdio de mquinas que esto fora do 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?
Soluo:
M = 5; = 1/hr; = 4/hr; s = 2
1
X 0 ,2
14
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 horas
e) W = 0, 28 horas
Problema: 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
necessrio pra digitar uma entrada no buffer do terminal 80 segundos e este tempo de digitao
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 o tempo de resposta mdio para cada requisio.
Soluo
M = 20; s = 1; = 0, 75/min; = 30/min
0 ,75
X 0 ,0244 0 ,024
0 ,75 30
Da tabela F = 0, 982
Requisies enviadas para a CPU: (eff) = eff = M F X = (20)(0, 982)(0, 024)(30) = 14, 14/min
Tempo mdio de resposta: (W)
Lq = M(1 F) = 20(1 0, 982) = 0, 36
Wq = 0, 36/14, 14 = 0, 0255 minutos
W = Wq + (1/) = 0,0255 + (1/30) = 0, 0558 minutos = 3, 53 segundos
Problema: Considere um sistema de time sharing com 20 terminais ativos. Cada terminal submete um
job ao processador a cada 3 segundos (seguindo uma distribuio exponencial). O processador central
tem capacidade de processar 500.000 instrues por segundo e cada job, em mdia (exponencial),
necessita do processamento de 100.000 instrues. Determine quantos jobs, em mdia, esto no
processador central e qual o tempo mdio de resposta para cada job submetido.
Soluo:
M = 20; s = 1; = 20/min; = 500.000/100.000 = 5/segundo = 300/minuto
20
X 0 ,0625 0 ,062
20 300
Da tabela F = 0, 768
eff = MFX = (20)(0, 768)(0, 062)(300) = 285, 196/min = 4, 7533/segundo
Lq = M(1 F) = 20(1 0, 768) = 4, 64
Wq = Lq/eff = 4, 64/285, 196 = 0, 0163 minutos
Tempo de resposta mdio: (W)
W = Wq + (1/) = 0,0163 + (1/300) = 0, 0196 minutos = 1, 1762 segundos
Jobs no processador: (L)
L = eff W = (4, 7533)(1, 1762) = 5, 59 jobs
O MODELO M/G/1:
Nesse modelo a distribuio das chegadas segue a distribuio de Poisson mas a distribuio do
servio segue uma distribuio qualquer (G de Geral) da qual se conhece a mdia (1/) e a varincia
2. As frmulas para o modelo so:
P0 = 1
2 2 2
Lq
2 ( 1 )
L = Lq +
Lq
Wq

1
W Wq

Observaes:
a) Como j citamos, a anlise matemtica de modelos de filas com distribuies diferentes da
Poisson (Exponencial) muito difcil e poucos modelos tem soluo analtica.
b) As equaes para Pn (n > 0) so muito complexas.
c) Quando 2 = (1/2), ou equivalentemente = (1/), a distribuio a exponencial e camos
no modelo M/M/1.
d) Quando 2 = 0, temos o chamado modelo com durao do servio constante.
Problema: Pessoas chegam a um pequeno posto do correio taxa de 30 por hora. O servio executado
por apenas 1 funcionrio e o tempo de servio 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 n mdio de pessoas na fila?
d) Qual o n mdio de pessoas no posto de servio?
e) Qual a probabilidade do funcionrio estar ocioso?
f) Repetir o problema, supondo a durao do servio constante, ou seja, 2 = 0.
Soluo
= 0, 5/minuto; = 1/minuto; 2 = (0, 30)2 = 0, 09; = 0, 5
a) Wq = 0, 545 minutos
b) W = 1, 545 minutos
c) Lq = 0, 2725 pessoas
d) L = 0, 7725 pessoas
e) P0 = 0, 5 = 50%
f) = 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)
O 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
a chamada distribuio de Erlang. Sua mdia e desvio padro so:
1
x

1 1
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 a mdia. Na verdade para cada k temos uma distribuio e por isto podemos 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 distribuio de Erlang tambm 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
2 k ( )
(1 k )
Wq
2 k ( )
1
W Wq

L=W
Problema: 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 a 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 dia. 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 quadruplicasse o tempo
esperado de servio, a freqncia com que os avies necessitariam ir a oficina seria 1/4 da atual. Deve-
se implantar a nova proposta ?
Soluo:
Situao atual
Modelo M/M/1: = 1/dia; = 2/dia
W = 1/( ) = 1 dia
Como temos 4 motores para cada avio temos: W = 4 1 = 4 dias
Situao proposta
Modelo M/Ek/1: = 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).
Problema: 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?
Soluo:
k = 4; 1/k = 2; 1/4 = 2; = 0, 125/hora
= 5, 5/semana= 0, 11458/hr
Wq = 55 horas
W = Wq + 1/ = 63 horas
SIMULAO
Esse captulo de Simulao est baseado inteiramente no trabalho de Dos Santos (2003). Uma
simulao a imitao, durante determinado perodo de tempo, da operao de um sistema ou de um processo do
mundo real. Feita a mo (raramente) ou em um computador (quase sempre), a simulao envolve a
gerao de uma histria artificial do sistema, e a partir desta histria artificial a inferncia de como o
sistema real funcionaria. O comportamento do sistema estudado pela construo de um Modelo de
Simulao. Este modelo normalmente toma a forma de um conjunto de consideraes relacionadas a
operao do sistema. Estas consideraes so expressas atravs de relaes matemticas, lgicas e
simblicas entre as entidades, ou objetos de interesse, do sistema. Uma vez construdo e validado, um
modelo pode ser usado para investigar uma grande quantidade de questes do tipo e se... sobre o
sistema do mundo real. Alteraes no sistema podem ser inicialmente simuladas para se prever as
consequncias no mundo real. A Simulao tambm pode ser usada para estudar sistemas no estgio
de projeto, ou seja antes do sistema ser construdo. Assim, a Simulao pode usada tanto como uma
ferramenta de anlise para prever o efeito de mudanas em sistemas j existentes, quanto como uma
ferramenta para prever a performance de novos sistemas sobre as mais variadas circunstncias.
Vantagens e Desvantagens da Simulao:
As vantagens principais da simulao so:
Novas polticas, procedimentos operacionais, regras de negcio, fluxos de informao, etc...,

podem ser estudadas sem se alterar o mundo real.
Novos equipamentos, layouts, sistemas de transporte, etc..., podem ser testados sem se
comprometer recursos na sua aquisio.
Hipteses sobre como e porque certos fenmenos ocorrem podem ser testados visando verificar
sua praticabilidade.
O tempo pode ser comprimido ou expandido permitindo acelerar ou retardar o fenmeno sob
investigao.
Pode-se entender melhor sob a interao das variveis do sistema.
Pode-se entender melhor a participao das variveis na performance do sistema.
Um modelo de simulao pode ajudar a entender como um sistema funciona como um todo, em
relao a como se pensa que o sistema opera individualmente.
Questes do tipo e se... podem ser respondidas. Isto extremamente til na fase de design de
um projeto.
As desvantagens a serem consideradas so:

A construo de Modelos de Simulao requer treinamento especial. uma arte que aprendida
com tempo e experincia. Alm disto se 2 modelos so construdos por 2 profissionais
competentes, eles tero semelhanas, mas ser altamente improvvel que sejam iguais.
Os resultados de uma Simulao podem ser difceis de interpretar. Como a maioria das sadas
de uma simulao so variveis aleatrias (elas esto normalmente baseadas em entradas
aleatrias), difcil determinar se uma observao o resultado do relacionamento entre as
variveis do sistema ou consequncia da prpria aleatoriedade.
A construo e anlise de Modelos de Simulao pode consumir muito tempo e, como
consequncia, muito dinheiro. Economizar por sua vez pode levar a modelos incompletos.
A Simulao usada em muitos casos onde uma soluo analtica possvel.
A simulao no d resultados exatos.
reas de aplicao:
Existem inmeras reas de aplicao da simulao. A seguir esto listadas algumas das mais
importantes:
Simulao das operaes de uma companhia area para testar alteraes em seus procedimentos
operacionais.
Simulao da passagem do trfego em um cruzamento muito grande, onde novos sinais esto
para ser instalados.
Simulao de operaes de manuteno para determinar o tamanho timo de equipes de reparo.

Simulao de uma siderrgica para avaliar alteraes nos seus procedimentos operacionais.
Simulao da economia de um setor de um pas para prever o efeito de mudanas econmicas.
Simulao de batalhas militares visando avaliar o desempenho de armas estratgicas.
Simulao de sistemas de distribuio e controle de estoque, para melhorar o funcionamento
destes sistemas.
Simulao de uma empresa como um todo para avaliar o impacto de grandes mudanas ou
como treinamento para seus executivos. (Business Games)
Simulao de sistemas de comunicaes para determinar o que necessrio para fornecer um
determinado nvel de servio.
Simulao de uma barragem em um determinado rio para avaliar os problemas advindos com a
sua construo.
Simulao de uma linha de produo em determinada indstria, para avaliar efeitos de
mudanas previstas no processo produtivo.
Componentes de um Sistema:
Um Sistema definido como um grupo de objetos que esto juntos em alguma interao ou
interdependncia, objetivando a realizao de algum objetivo. Um exemplo poderia ser um sistema de
produo de automveis. As mquinas, componentes, peas e trabalhadores operam em conjunto, em
uma linha de montagem, visando a produo de veculos de qualidade. De forma a entender e
analisar um sistema, alguns termos precisam ser definidos:
Uma Entidade um objeto de interesse no sistema.

Um Atributo uma propriedade de uma entidade.
Uma Atividade algo que, para ser realizado, consome uma certa quantidade de tempo.
O Estado do sistema definido como sendo como a coleo de variveis necessrias para
descrever o sistema em um dado instante.
Um Evento definido como a ocorrncia instantnea que pode mudar o estado do sistema.
O termo Endgeno usado para descrever atividades e eventos ocorrendo dentro do sistema e
Exgeno usado para descrever atividades e eventos que ocorrem fora do sistema.
A tabela a seguir mostra alguns exemplos para os termos definidos acima:
Exemplo Exemplo Exemplo Exemplo Exemplo variveis

Sistema
Entidade Atributo Atividade Evento de estado
Chegada N clientes
Banco Clientes Saldo na C/C Depositar
agencia esperando
Taxa de
Produo Mquinas Soldagem Quebra Mquinas paradas
quebra
Mensagens
Comunicao Mensagens Tamanho Transmisso Chegada
esperando
Matrcula N de alunos
UFPI Alunos CR Matrcula
trancada matriculados
Tipos de Modelos:
Modelos de Simulao podem ser Estticos ou Dinmicos. Um modelo de simulao esttica,

algumas vezes chamado de Simulao de Monte Carlo, um modelo onde a passagem do tempo
irrelevante.
Modelos de Simulao Dinmicos representam sistemas cujos resultados variam com a passagem
do tempo.
Um modelo de simulao pode ser ainda Determinstico ou Estocstico. Modelos de simulao
que no contm nenhuma varivel aleatria so classificados como determinsticos, ou seja, para um
conjunto conhecido de dados de entrada teremos um nico conjunto de resultados de sada.
Um modelo estocstico de simulao tem uma ou mais variveis aleatrias como entrada. Estas
entradas aleatrias levam a sadas aleatrias que podem somente ser consideradas como estimativas
das caractersticas verdadeiras de um modelo. Assim, por exemplo, a simulao (estocstica) do

funcionamento de uma agncia bancria envolve variveis aleatrias como o intervalo entre chegadas
e a durao dos servios prestados. Logo, medidas como o nmero mdio de clientes esperando e o
tempo mdio de espera de um cliente, devem ser tratadas como estimativas estatsticas das medidas
reais do sistema.
Modelos Discretos e Contnuos:
Os modelos de simulao dinmicos podem ser Discretos ou Contnuos. Em uma simulao

discreta, considera-se somente os eventos onde h alterao do sistema, ou seja, o tempo decorrido
entre alteraes do estado do sistema no relevante para a obteno dos resultados da simulao,
embora o tempo nunca pare. Alguns autores a chamam de Simulao de Eventos Discretos,
enfatizando assim que a discretizao se refere apenas ocorrncia dos eventos ao longo do tempo.
Um exemplo seria a simulao de uma agncia bancria onde entre a chegada (ou a sada) de
clientes, o estado do sistema no se altera. Numa Simulao Contnua o sistema se altera a cada frao
de tempo. Exemplos clssicos so a simulao de um avio voando e a passagem de gua por uma
barragem.
SIMULAO MONTE CARLO
Segundo Render et al (2010), quando um sistema contm elementos que exibem comportamentos
aleatrios, o mtodo Monte Carlo de simulao pode ser aplicado.
A idia bsica na simulao Monte Carlo gerar valores das variveis que se comportem como o modelo
sendo estudado. Existem muitas variveis em sistemas reais que so probabilsticas por natureza e so
elas que desejamos simular. Alguns exemplos dessas variveis so:
Demanda de estoque com base diria ou semanal

Tempo de entrega de um item de estoque solicitado
Tempo entre quebras de mquinas
Tempos entre chegas a uma estao de servio
Tempo de execuo de um servio
Tempo para completar as atividades de um projeto
Nmero de empregados que faltam ao trabalho por dia
A base da simulao Monte Carlo a experimentao com os elementos probabilsticos por meio
de amostras aleatrias. A tcnica pode ser decomposta em cinco etapas:
1) Determine as distribuies de probabilidade para as principais variveis

2) Construa uma distribuio de probabilidade para cada varivel determinada na etapa 1
3) Estabelea um intervalo de nmeros aleatrios para cada varivel
4) Gere os nmeros aleatrios
5) Simule, de fato, a srie de experincias
Verificao e Validao:
Render et al (2010) ressalta que no desenvolvimento de um modelo de simulao, importante
que o modelo seja verificado para confirmar se ele est funcionando corretamente e fornecendo uma
boa representao da situao real. O processo de verificao envolve determinar se o modelo
computacional internamente consistente e se segue a lgica do modelo conceitual.
A validao o processo de comparar o modelo com o sistema real que ele representa para
assegurar que ele acurado. As suposies do modelo devem ser verificadas para conferir se as
distribuies apropriadas de probabilidade esto sendo utilizadas. Uma anlise das entradas e sadas
deve ser feita para ver se os resultados so razoveis. Se soubermos quais so os resultados para um
conjunto especfico de valores de entrada, podemos usar esses valores no modelo computacional para
verificar se os resultados do modelo de simulao so consistentes com o sistema real sendo
modelado.
Tem sido dito que a verificao responde a questo ns construmos o modelo corretamente?.
Por outro lado, a validao responde a questo ns construmos o modelo certo?. Somente aps
estarmos convencidos de que o modelo bom, que devemos utilizar os seus resultados.
EXEMPLOS DE MODELOS DE SIMULAO
Para entender como funciona a simulao Monte Carlo, vamos ver alguns exemplos simples:
EXEMPLO 1: Quebra de rolamentos
Uma grande mquina industrial tem 3 rolamentos diferentes que quebram de tempos em
tempos. A probabilidade da vida til (em horas de operao) de um rolamento est dada na tabela
abaixo:
Vida do rolamento (horas) Probabilidade

1.000 0,10
1.100 0,13
1.200 0,25
1.300 0,13
1.400 0,09
1.500 0,12
1.600 0,02
1.700 0,06
1.800 0,05
1.900 0,05
Quando um rolamento quebra, a mquina para e um mecnico chamado para instalar um novo
rolamento no lugar do que quebrou. O tempo que o mecnico demora para chegar ao rolamento
quebrado tambm uma varivel aleatria, com a distribuio dada na tabela abaixo:
Tempo de espera (minutos) Probabilidade

5 0,60
10 0,30
15 0,10
Cada minuto que a mquina fica parada custa $5 e o custo do mecnico de $1/minuto
trabalhado substituindo rolamento. O mecnico demora 20 minutos para trocar 1 rolamento, 30
minutos para trocar 2 e 40 minutos para trocar os 3. Cada rolamento novo custa $20. Algum sugeriu
que ao quebrar um dos rolamentos, se fizesse logo a troca dos 3. Deseja-se avaliar a situao do ponto
de vista econmico.
Soluo:
Temos que comparar o custo da alternativa atual e da alternativa proposta. Precisamos
estabelecer um horizonte de tempo para fazer esta comparao. Considerando que a menor vida
til de um rolamento 1.000 horas (mais de 1 ms), vamos estabelecer um horizonte de 20.000
horas (um pouco mais de 2 anos) para fazer a comparao.
Como a vida til dos rolamentos e a espera pelo mecnico so variveis aleatrias que seguem as
distribuies vistas anteriormente, temos que relacionar quelas distribuies com uma tabela de
nmeros aleatrios. Assim sendo, vamos imaginar que temos um gerador de nmeros aleatrios
capaz de gerar qualquer inteiro entre 0 e 99, ou seja 100 nmeros. Vamos atribuir a cada durao
de vida til uma faixa destes nmeros que me garanta que a distribuio probabilstica seja
mantida.
Como a 1a vida til (1.000 horas) tem 10% de probabilidade de ocorrer, vamos atribuir a esta
durao a faixa de 0 a 9 inclusive, ou seja 10 nmeros (10% dos 100 nmeros). Para a 2a durao
provvel (1.100 horas), com 13% de probabilidade de ocorrncia, vamos atribuir a faixa de 10 a 22
inclusive, ou seja 13 nmeros. Podemos continuar para as demais duraes provveis dos
rolamentos como pode ser visto na tabela a seguir, ressaltando que a probabilidade acumulada
d o limite das faixas escolhidas.
Vida do rolamento Probabilidade Probabilidade N aleatrio

(horas) Acumulada atribudo
1.000 0,10 0,10 09
1.100 0,13 0,23 10 22
1.200 0,25 0,48 23 47
1.300 0,13 0,61 48 60
1.400 0,09 0,70 61 69
1.500 0,12 0,82 70 81
1.600 0,02 0,84 82 83
1.700 0,06 0,90 84 89
1.800 0,05 0,95 90 94
1.900 0,05 1,00 95 99
Tabela semelhante pode ser construda para a espera pela chegada do mecnico.
Tempo de espera Probabilidade Probabilidade N aleatrio

(minutos) Acumulada atribudo
5 0,60 0,60 00 59
10 0,30 0,90 60 89
15 0,10 1,00 90 99
Com os dados das tabelas acima, podemos executar a simulao que, neste caso, foi realizada
numa planilha EXCEL, apresentando os seguintes resultados para o rolamento 1:
Rolamento 1
Sequncia N Vida Vida Acumulada N Espera
aleatrio (horas) (horas) aleatrio (minutos)
1 62 1.400 1.400 61 10
2 85 1.700 3.100 10 5
3 89 1.700 4.800 46 5
4 24 1.200 6.000 28 5
5 99 1.900 7.900 55 5
6 27 1.200 9.100 64 10
7 89 1.700 10.800 63 10
8 12 1.100 11.900 75 10
9 2 1.000 12.900 54 5
10 34 1.200 14.100 67 10
11 7 1.000 15.100 90 15
12 75 1.500 16.600 14 5
13 22 1.100 17.700 80 10
14 97 1.900 19.600 84 10
15 37 1.200 20.800 9 5
= 120
Podemos observar na planilha que para cada seqencia ou seja, rolamento novo, gerado um
nmero aleatrio que indica qual a vida til daquela rolamento. Tendo quebrado, aps esta vida
til, o mecnico chamado e um 2 nmero aleatrio gerado para definir o tempo de espera at
a troca do rolamento ser iniciada.
Quando a vida acumulada ultrapassa 20.000 horas, ou seja a durao da simulao, paramos a
execuo do processo. Processos semelhantes foram executados para os outros 2 rolamentos,
como visto a seguir.
Rolamento 2
1 89 1.700 1.700 58 5
2 47 1.200 2.900 88 10
3 60 1.300 4.200 20 5
4 3 1.000 5.200 98 15
5 40 1.200 6.400 26 5
6 64 1.400 7.800 97 15
7 9 1.000 8.800 41 5
8 30 1.200 10.000 79 10
9 32 1.200 11.200 0 5
10 8 1.000 12.200 3 5
11 94 1.800 14.000 58 5
12 66 1.400 15.400 84 10
13 53 1.300 16.700 61 10
14 17 1.100 17.800 43 5
15 72 1.500 19.300 15 5
16 0 1.000 20.300 97 15
= 130
Rolamento 3
1 49 1.300 1.300 44 5
2 26 1.200 2.500 45 5
3 2 1.000 3.500 72 10
4 83 1.600 5.100 87 10
5 21 1.100 6.200 19 5
6 20 1.100 7.300 81 10
7 60 1.300 8.600 56 5
8 34 1.200 9.800 74 10
9 63 1.400 11.200 93 15
10 69 1.400 12.600 36 5
11 44 1.200 13.800 71 10
12 76 1.500 15.300 97 15
13 55 1.300 16.600 59 5
14 85 1.700 18.300 81 10
15 21 1.100 19.400 21 5
16 5 1.000 20.400 1 5
= 130
Com os dados obtidos na simulao, podemos calcular o custo da situao atual:
Custo dos rolamentos = (15 + 16 + 16) $20 = $940
Custo da mquina parada esperando pelo mecnico = (120 + 130 + 130) $5 = $1.900
Custo da mquina parada trocando rolamento = (15 + 16 + 16) 20 $5 = $4.700
Custo do mecnico = (15 + 16 + 16) 20 $1 = $940
Custo Total = 940 + 1.900 + 4.700 + 940 = $8.480
A simulao da situao proposta apresentou os seguintes resultados (N A = Nmero aleatrio):

Rol. 1 Rol. 2 Rol. 3

Seq. N A Vida N A Vida N A Vida 1 quebra Vida Espera
(hr) (hr) (hr) Acum. N A Min
1 96 1.900 2 1.000 34 1.200 1.000 1.000 21 5
2 70 1.500 7 1.000 47 1.200 1.000 2.000 36 5
3 96 1.900 46 1.200 39 1.300 1.200 3.200 21 5
4 48 1.300 17 1.100 42 1.200 1.100 4.300 7 5
5 32 1.200 93 1.800 20 1.100 1.100 5.400 58 5
6 36 1.200 94 1.800 98 1.900 1.200 6.600 83 10
7 41 1.200 17 1.100 53 1.300 1.100 7.700 14 5
8 71 1.500 2 1.000 20 1.100 1.000 8.700 75 10
9 4 1.000 22 1.100 86 1.700 1.000 9.700 5 5
10 69 1.400 21 1.100 0 1.000 1.000 10.700 65 10
11 13 1.100 89 1.700 58 1.300 1.100 11.800 15 5
12 36 1.200 12 1.100 66 1.400 1.100 12.900 12 5
13 75 1.500 57 1.300 29 1.200 1.200 14.100 32 5
14 76 1.500 78 1.500 95 1.900 1.500 15.600 2 5
15 71 1.500 5 1.000 86 1.700 1.000 16.600 31 5
16 98 1.900 43 1.200 22 1.100 1.100 17.700 51 5
17 98 1.900 47 1.200 60 1.300 1.200 18.900 20 5
18 68 1.400 61 1.400 57 1.300 1.300 20.200 35 5
= 105
Feita a simulao da situao proposta, podemos calcular os custos:

Custo dos rolamentos = (18 3) $ 20 = $1.080
Custo da mquina parada esperando pelo mecnico = 105 $5 = $525
Custo da mquina parada trocando rolamento = 18 40 $5 = $3.600
Custo do mecnico = 18 40 $1 = $720
Custo Total =1.080+ 525 + 3.600 + 720 = $5.925
Assim a simulao nos mostrou que a situao proposta bem melhor em termos econmicos.
EXEMPLO 2: Fila com uma estao de servio

Uma loja tem somente 1 atendente. Os fregueses chegam aleatoriamente com intervalo, entre
eles, variando de 1 a 8 minutos. Cada valor possvel do intervalo entre chegadas tem a mesma
probabilidade de ocorrncia, como mostrado na tabela a seguir:
Tempo entre chegadas (min) Probabilidade

1 0,125
2 0,125
3 0,125
4 0,125
5 0,125
6 0,125
7 0,125
8 0,125
A durao do atendimento aos clientes varia de 1 a 6 minutos com probabilidades mostradas na

tabela a seguir:
Durao do servio (min) Probabilidade

1 0,10
2 0,20
3 0,30
4 0,25
5 0,10
6 0,05
Como no exemplo anterior, temos que construir tabelas relacionando as probabilidades com
nmeros aleatrios gerados:
Tempo entre chegadas Probabilidade Probabilidade N aleatrio

1 0,125 0,125 000 124
2 0,125 0,250 125 249
3 0,125 0,375 250 374
4 0,125 0,500 375 499
5 0,125 0,625 500 624
6 0,125 0,750 625 749
7 0,125 0,875 750 874
8 0,125 1,000 875 999
Tempo entre chegadas Probabilidade Probabilidade N aleatrio

1 0,10 0,10 09
2 0,20 0,30 10 29
3 0,30 0,60 30 59
4 0,25 0,85 60 84
5 0,10 0,95 85 94
6 0,05 1,00 95 99
A simulao para os primeiros 20 clientes apresentou os seguintes resultados:
N A Intervalo Instante N A Durao Incio Espera Fim do Tempo Tempo

entre Chegada servio servio na fila servio total na ocioso
chegadas loja atendente
(min) (min) (min)
1 0 84 4 0 0 4 4 0
2 913 8 8 9 1 8 0 9 1 4
3 727 6 14 74 4 14 0 18 4 5
4 15 1 15 53 3 18 3 21 6 0
5 948 8 23 17 2 23 0 25 2 2
6 309 3 26 79 4 26 0 30 4 1
7 922 8 34 91 5 34 0 39 5 4
8 753 7 41 67 4 31 0 45 4 2
9 235 2 43 89 5 45 2 50 7 0
10 302 3 46 38 3 50 4 53 7 0
11 109 1 47 32 3 53 6 56 9 0
12 93 1 48 94 5 56 8 61 13 0
13 607 5 53 79 4 61 8 65 12 0
14 738 6 59 5 1 65 6 66 7 0
15 359 3 62 79 5 66 4 71 9 0
16 888 8 70 84 4 71 1 75 5 0
17 108 1 71 52 3 75 4 78 7 0
18 212 2 73 55 3 78 5 81 8 0
19 493 4 77 30 2 81 4 83 6 0
20 535 5 82 50 3 83 1 86 4 0
68 56 124 18
Podemos, a partir da simulao, inferir alguns resultados:

O tempo de espera mdio de um cliente foi de 2,8 minutos. Este valor encontrado de :
Tempo mdio de espera (min) = Tempo total dos clientes na fila (min)/Nmero total de clientes
= 56/20 = 2,8 minutos
A probabilidade de que um cliente tenha que esperar na fila 65%. Isto vem de:
Probabilidade(espera) = Nmero de clientes que esperaram/Nmero total de clientes

= 13/20 = 0,65
A proporo de tempo que o atendente fica ocioso 21%. Vem de:

Prob. do atendente estar ocioso = Tempo total de ociosidade (min)/Durao da Simulao
= 18/86 = 0,21
O atendente est ocupado 100 21 = 79% do tempo.
O tempo de servio mdio de 3,4 minutos. Podemos obt-lo de:

Tempo de servio mdio (min) = Durao total do servio/Nmero total de clientes
= 68/20 = 3,4 minutos
Este resultado pode ser comparado com o tempo de servio esperado achando-se a mdia da
distribuio do tempo de servio usando a equao:

E(s) s p(s)
s0
Temos ento:
1(0,10) + 2(0,20) + 3(0,30) + 4(0,25) + 5(0,10) + 6(0,05) = 3,2 minutos
O resultado da simulao um pouco maior porque o tamanho da simulao foi pequeno.

Quanto maior a durao da simulao mais o resultado se aproximar de 3,2 minutos.
Algum que fosse tomar decises estaria interessado nos resultados obtidos acima. Obviamente
seria necessrio uma simulao mais demorada para se conseguir resultados mais precisos.
Entretanto, algumas inferncias podem ser obtidas: A maioria dos clientes tem que esperar mas a
espera no excessiva. O atendente no fica muito tempo ocioso.
O objetivo a ser alcanado vai depender do balano entre o custo de espera e o custo de se
colocar mais atendentes.
GERAO DE NMEROS ALEATRIOS
At agora d para reparar nos anteriores que a chave para simular eventos aleatrios discretos
a gerao de nmeros aleatrios. Como se usa o computador para fazer a simulao, precisamos de
mtodos rpidos e eficientes para ger-los.
Os nmeros aleatrios, gerados em computador, no so realmente aleatrios pois veremos mais
adiante que eles so gerados em seqncias que podem ser reproduzidas, o que viola o princpio
bsico da aleatoriedade. Como contornar este fato ? Se os nmeros passam por uma srie de testes
estatsticos de aleatoriedade ento, para efeitos prticos, podemos consider-los como se fossem
realmente aleatrios. Por este fato eles so conhecidos como nmeros Pseudo-aleatrios. comum se
usar, em simulao, a expresso nmeros aleatrios mas considere isto, sempre, como um sinnimo
de nmeros pseudo-aleatrios.
Propriedades desejveis de um gerador de nmeros aleatrios:
Um gerador de nmeros aleatrios deveria possuir todas as caractersticas abaixo:
1. Aleatoriedade
essencial que a seqncia gerada exiba as propriedades dos nmeros verdadeiramente
aleatrios. Este comportamento aleatrio deve ser confirmado por testes estatsticos.
2. Grande Perodo
Todos os geradores de nmeros aleatrios so baseados no uso de frmulas determinsticas
precisas. Estas frmulas fazem com que, a partir de um valor inicial chamado semente, seja
gerada uma srie de nmeros aleatrios (pseudo-aleatrios). Em um determinado ponto da srie,
voltamos a semente
e como a srie gerada por uma frmula, a srie, obviamente, se repete. A quantidade de
nmeros gerados at a seqencia comear a se repetir chamada de Perodo. Sempre desejamos
o maior perodo possvel. Para propsitos prticos o perodo deve ser, no mnimo, grande o
suficiente para no se repetir durante uma simulao.
3. Eficincia Computacional
Como alguns modelos de simulao podem necessitar de que um grande nmero de variveis
aleatrias sejam geradas, o gerador de nmeros aleatrios deve gerar estes nmeros gastando o
mnimo de tempo de computador. Alm disto o gerador no deve usar muita memria. Com a
evoluo dos computadores esta ltima propriedade est perdendo um pouco de sua
importncia.
MTODOS PARA A GERAO DE NMEROS ALEATRIOS
Mtodo dos quadrados mdios

Um dos primeiros mtodos de gerao de nmeros aleatrios foi o chamado Mtodo dos
Quadrados Mdios. Este mtodo foi desenvolvido por John Von Neumann na dcada de 40. A tcnica
comea com um nmero inicial chamado de semente. O nmero ento elevado ao quadrado e os
dgitos do meio do nmero gerado formam o prximo nmero da seqncia. Este segundo nmero
ento elevado ao quadrado e os nmeros do meio do nmero gerado so o prximo nmero da
seqncia e assim por diante...
Exemplo: Gerar uma seqncia de nmeros aleatrios de 4 dgitos. Seja 3187 a semente normalmente
rotulada como x0.
Soluo:
x0 = 3187
(3187)2 = 10 | 1569 | 69 x1 = 1569
(1569)2 = 02 | 4617 | 61 x2 = 4617
(4617)2 = 21 | 3166 | 89 x3 = 3166
(3166)2 = 10 | 0235 | 56 x4 = 235
(235)2 = 00 | 0552 | 25 x5 = 552
(552)2 = 00 | 3047 | 04 x6 = 3047
e assim por diante...
Este mtodo apresenta 2 problemas srios: normalmente os perodos so curtos e se o nmero

gerado 0, o mtodo s apresenta zeros!
Exemplo: Gerar, pelo mtodo dos quadrados mdios, nmeros pseudo aleatrios de 2 dgitos tendo 44
como semente.
Soluo:
x0 = 44
(44)2 = 1 | 93 | 6 x1 = 93
(93)2 = 8 | 64 | 9 x2 = 64
(64)2 = 4 | 09 | 6 x3 = 9
(9)2 = 0 | 08 | 1 x4 = 8
(8)2 = 0 | 06 | 4 x5 = 6
(6)2 = 0 | 03 | 6 x6 = 3
(3)2 = 0 | 00 | 9 x7 = 0
(0)2 = 0 | 00 | 0 x8 = 0
Mtodos Congruentes
A maioria dos mtodos usados hoje em dia so variaes do chamado Mtodo Congruente
Linear, cujos pontos bsicos foram propostos por Lehmer em 1951. Neste mtodo os nmeros
aleatrios, gerados sucessivamente, so obtidos da relao recursiva:
xn+1 = (axn + c) mod m
A funo z mod t d o resto da diviso inteira de z por t (ex. 23 mod 5 = 3).
A constante a chamada de multiplicador, a constante c o incremento e m o mdulo.

Como antes, x0 a semente.
Quando c = 0, o mtodo chamado de Congruncia Multiplicativa.
O Mtodo da Congruncia Linear (c 0), por gerar nmeros aleatrios que tendem a ter mais
dificuldades em passar nos testes estatsticos de aleatoriedade dos que os gerados pelo mtodo da
Congruncia Multiplicativa (c = 0), menos usado hoje em dia.
Exemplo: Gerar nmeros aleatrios, usando o mtodo congruente multiplicativo, tendo os seguintes
valores: x0 = 3 , a = 2 e m = 10.
Soluo:
x0 = 3
x1 = (2 3) mod 10 = 6
x2 = (2 6) mod 10 = 2
x3 = (2 2) mod 10 = 4
x4 = (2 4) mod 10 = 8
x5 = (2 8) mod 10 = 6
Como podemos observar o perodo desta gerao foi muito curto (=4). Ficou claro tambm, neste
pequeno exemplo, que o nmero aleatrio gerado o resto inteiro da diviso por m, ou seja um
nmero inteiro entre 0 e (m 1).
Observao: A frmula congruente necessria para se gerar nmeros aleatrios, mas no suficiente. A
seleo dos valores de a, c e m afeta drasticamente as propriedades estatsticas da gerao bem
como o tamanho do perodo.
NMEROS ALEATRIOS UNIFORMEMENTE DISTRIBUDOS EM [0,1)

Como j explicado anteriormente, a frmula congruente gera nmeros aleatrios inteiros no
intervalo [0, m 1). Uma conveno estabelece que um gerador de nmeros aleatrios bsico deve
gerar nmeros no intervalo [0, 1). Para conseguir isto, todo gerador de nmeros aleatrios divide o
nmero gerado por m. Desta forma o que se obtm uma distribuio uniforme, distribuda em
[0,1).
Assim, por exemplo, para a = 13, m = 67 e x0 = 1, teramos:

x0 = 1 67 = 0,0149253
x1 = (13 1) mod 67 = 13 67 = 0.1940298
x2 = (13 13) mod 67 = 35 67 = 0.522388
x3 = (13 35) mod 67 = 53 67 = 0.7910447 ........
Alguns geradores dividem por (m1) o que d uma distribuio [0, 1]. Na verdade como m
sempre um nmero muito grande, dividir por m ou (m1) irrelevante.
O gerador RANDU e a formao de trelias

O mtodo da congruncia multiplicativa pode facilmente ser implementado em linguagens de
programao como Pascal, Java, Basic, etc..., por exemplo. Um gerador, chamado de RANDU, foi
desenvolvido pela IBM e durante quase 20 anos foi usado por praticamente todos os modelos de
simulao nas dcadas de 60 e 70. A RANDU utilizava os valores a = 65.539 e m = 231 = 2.147.483.648,
ou seja:
xn+1 = (65539 xn) mod 2147483648
Assim considerando uma semente igual a 313, teramos:

X0 = 313
X1 = (65539 313) mod 2147483648 = 20513707 2147483648 = 0,0095524
X2 = (65539 20513707) mod 2147483648 = 123079425 2147483648 = 0,0573133
X3 = (65539 123079425) mod 2147483648 = 553853187 2147483648 = 0,257907
Na dcada de 70 diversos trabalhos provaram que a rotina RANDU apresentava resultados

estatisticamente ruins. Um dos problemas era a formao de trelias (lattice em ingls) quando se
traava grficos com sucessivos nmeros aleatrios gerados pela RANDU.
Vamos imaginar um cubo com lados igual a 1, ou seja variando de 0 a 1. Vamos marcar pontos
neste cubo com coordenadas (x1, x2, x3), (x2, x3, x4), (x3, x4, x5), etc..., onde xi um nmero gerado pela
RANDU. Vamos marcar 5.000 pontos. O que deveramos esperar ?
Que o cubo fosse preenchido uniformemente pelos pontos plotados. O que ocorre no entanto
que todos os pontos aparecem em 15 planos formando o que parece ser uma trelia (da o nome).
Nenhum ponto cai entre os planos, como podemos ver no grfico a seguir:
Este aspecto, identificado claramente na RANDU, fez com que esta rotina fosse abandonada
como geradora de nmeros aleatrios. A partir da apareceram diversas alternativas como veremos a
seguir.
O gerador RAND1
Foi apresentado pela IBM para substituir a RANDU e est baseado na relao:
xi+1 = (16807 xi) mod 2147483647, ou seja, a = 16807 e m = 231 1.
Observao: O nome RAND1, assim como outros nomes que usaremos mais adiante, foram dados no
sentido de facilitar o entendimento da matria. No entanto, deve ficar claro que, exceto a RANDU,
nenhum outro gerador tem, na literatura tcnica, nome prprio.
O gerador RAND2
Este gerador est baseado na seguinte relao: xi+1 = (630360016 xi) mod 2147483647, ou seja, a =
630360016 e m = 231 1.
Mtodos com perodos maiores

Os mtodos vistos anteriormente ainda so muito usados, inclusive a RANDU!. No entanto, para
simulaes mais complexas, seus perodos so relativamente curtos (109) o que tem levado ao
desenvolvimento de novos mtodos de gerao de nmeros aleatrios, todos com a caracterstica
comum de ter grandes perodos (> 1030).
Para exemplificar o que dissemos acima, vamos apresentar a seguir um gerador que rotulamos
de RAND4. Este gerador pertence a uma classe de geradores que nada mais so do que a combinao
de 2 ou mais geradores congruentes, baseados na regra de que o perodo de 2 geradores
embaralhados maior do que de um gerador s. No caso deste gerador, seu perodo de 3,1 1057.
As frmulas de gerao so:
Ai = (1403580 Ai2 810728 Ai3) mod (232 209)
Bi = (527612 Bi1 1370589 Bi3) mod (232 22853)
Yi = (Ai Bi) mod (232 209)
Ui = Yi/(232 209)
Nesse caso so necessrias 6 sementes. A implementao do mtodo permite que sejam geradas
1019 sries diferentes, cada uma delas com 1038 nmeros aleatrios !!
Geradores de nmeros aleatrios embutidos

Praticamente todas as linguagens de programao (Pascal, Java, Basic, C, etc...) tem comandos
para gerar nmeros aleatrios uniformemente distribudos em [0, 1]. Os chamados programas
aplicativos, como o Excel por exemplo, tambm tem, j programado, rotinas para gerar nmeros
aleatrios.
O gerador do Turbo Pascal

O Pascal tem, j predefinida, uma varivel, chamada RandSeed, que a semente para a rotina
interna do Turbo Pascal para a gerao de nmeros aleatrios. Assim se fizermos RanSeed igual a um
valor no intervalo [1, 32767] estaremos fornecendo a semente para o gerador. Cada vez que a funo
Random chamada, temos a gerao de um nmero aleatrio em [0, 1].
No programa acima, se escolhermos a semente igual a 45, os 5 nmeros impressos so:
0,91209727; 0,86646369; 0,73001087; 0,86789456 e 0,71591308.
O Pascal tem tambm uma instruo chamada Randomize que atribui a semente do gerador
(varivel RandSeed) um valor calculado a partir da hora corrente do computador no momento da
execuo do programa. O gerador do Turbo Pascal est baseado na seguinte frmula congruente
linear:
xi+1 = (134775813 xi + 1) mod 4294967296
O gerador do Excel
O uso de planilhas, principalmente o Excel que tem mais de 90% do mercado, largamente
utilizada na simulao de modelos de pequeno e mdio porte. Desta forma, o gerador embutido do
Excel tem sido objeto de muitos estudos de avaliao da sua qualidade estatstica.
At a verso 2003 o Excel usava um gerador baseado na seguinte frmula congruente:
xi+1 = (9821 xi + 0,211327) mod 1
Usar mod 1 equivalente a se pegar a parte fracionria da conta (9821 xi + 0,211327). Inmeros
trabalhos, j publicados mostram que este gerador, embora no to ruim como a RANDU, tambm
tem problemas de uniformidade e aleatoriedade. Este gerador a combinao de 3 geradores e tem

perodo de 1013. Suas frmulas so:
Ai+1 = (171 Ai) mod 30269
Bi+1 = (172 Bi) mod 30307
Ci+1 = (170 Ci) mod 30323
ALEAT = [(Ai+1 / 30269) + (Bi+1 / 30307) + (Ci+1 / 30323)] mod 1
Inmeros trabalhos tcnicos mostraram que este um gerador de boa qualidade.
VARIVEIS ALEATRIAS CONTNUAS
Uma vez que temos uma rotina para gerar nmeros uniformemente distribudos no intervalo
[0,1], fcil ger-los com outras distribuies uniformes.
Suponha que X uma varivel aleatria contnua, uniformemente distribuda dentro do intervalo
(a, b), onde a < b. Seja U uma varivel aleatria uniformemente distribuda no intervalo [0, 1].
0 U 1
a X b
Aplicando proporcionalidade simples temos:
Xa U0
, ou X = a + (b a) U
ba 10

Assim muito simples gerar X de um dado U, conhecendo-se a e b.
VARIVEIS ALEATRIAS DISCRETAS
Agora suponha que a e b sejam quantidades inteiras, a < b, e X uma varivel aleatria discreta
(s valores inteiros) uniformemente distribuda no intervalo [a, b]. Assim X s pode tomar valores
iguais a a, a + 1, a + 2, ..., b 1, b.
Se U contnua e uniformemente distribuda no intervalo [0, 1], ento:
X = a + INT[(b a + 1)U ]
onde INT a funo inteiro, ou seja, a que elimina a parte decimal.
Observe que como 0 U < 1, a quantidade INT{(ba+1)U} toma os valores inteiros 0, 1, 2, .., (b a).
Logo X s pode tomar valores a, a + 1, a + 2, ..., b.
Exemplo: Seja a = 1 e b = 6. Assim X ser igual a:
X = 1 + INT[ (6 1 + 1)U ]
X = 1 + INT[ 6 U) ]
Como U s pode estar entre 0 e 0,99999, (6 U) s pode ficar entre 0 e 5,9999. Logo, X = 1 + um
valor de 0 a 5, inteiro, ou seja, 1, 2, 3, 4, 5 ou 6.
TESTES ESTATSTICOS
Existem numerosos testes estatsticos para garantir que os nmeros pseudos-aleatrios esto
sendo gerados aleatoriamente. Depois do que aconteceu com a RANDU, existe, hoje em dia, uma
cobrana muito maior na execuo de testes estatsticos rigorosos nos novos geradores publicados.
A gerao de nmeros aleatrios em computador, no s em funo do crescimento do uso das
tcnicas de Simulao mas tambm em funo do crescimento da criptografia, uma das reas em que
h mais pesquisas hoje em dia. O conceito importante a se guardar que s devemos usar geradores
de nmeros aleatrios que tenham sido amplamente testados. Tambm, a no ser em aplicaes mais
simples, devemos fugir de geradores cuja frmula de gerao seja desconhecida, como acontece com
muitos geradores embutidos.
ALGUMAS APLICAES DOS NMERO ALEATRIOS
Aplicao1: Clculo de Integrais Definidas

Uma aplicao interessante da simulao o clculo de integrais definidas, no sentido em que
um mtodo probabilstico usado para resolver um problema determinstico. Este procedimento
chamado de Mtodo de Monte Carlo e no necessita mais do que um gerador de nmeros aleatrios
uniformemente distribudos em [0, 1]. Suponha que se deseja calcular a integral:
b
I a f( x) dx
onde f(x) representa uma curva contnua no intervalo a x b. Para uso do mtodo, precisamos
conhecer tambm o valor mximo (Fmax) da funo no intervalo (a, b).
As etapas do mtodo de Monte Carlo so:
1. Gerar um no aleatrio uniformemente distribudo, Ux, cujo valor est entre a e b.

2. Calcular f(Ux).
3. Gerar um 2 nmero aleatrio, uy, cujo valor est entre 0 e Fmax. Estes 2 nmeros aleatrios
(Ux e Uy) representam as coordenadas de um ponto no espao.
4. Comparar Uy com f(Ux). Se Uy f(Ux) ento o ponto (Ux, Uy) cair abaixo da curva, ou seja,
dentro da rea que representa a integral.
5. Repita n vezes as etapas de 1 a 4, acumulando os pontos que caram dentro da rea da
integral.
6. Calcule o percentual (PERC) de pontos que caram na rea da integral, dividindo pelo total de
nmeros tentados (n).
O valor da integral obtido por: I = (PERC) (b a) (Fmax)
4
Exemplo: Considere a seguinte integral: 0 1 x 2 dx 0 ,785398
O valor desta integral pode ser obtida pelo clculo e igual 0,785398. A usaremos para mostrar
que a simulao produz resultados consistentes. O grfico da funo e da integral pode ser visto a
seguir:
F(x)
Fmx = 1
F(Ux)
Uy
-1 0 Ux 1 x
a b
A rea da parte do grfico abaixo da curva, no 1 quadrante, o valor da integral procurada.

Neste exemplo a = 0 e b = 1. O Fmax 1.
A rea do retngulo = [ (b a) Fmax ], ou seja, 1 1 = 1. A integral, ou seja, a rea abaixo da curva
ser igual a [ (b a) (Fmax) (% de pontos que caem abaixo da curva) ].
Na verdade o Mtodo de Monte Carlo mais um dos mtodos numricos para a soluo de
integrais definidas que no tem soluo analtica.
A integral usada no ltimo exemplo apropriada para se reforar a regra bsica do uso da
simulao: problemas que tem soluo analtica nunca devem ser resolvidos por meio da simulao. Solues
analticas daro sempre respostas mais exatas que as respostas fornecidas pela simulao. Quando,
no entanto, no se tem soluo analtica, a simulao pode dar respostas bastante aproximadas.
VARIVEIS ALEATRIAS NO UNIFORMES

Na maioria dos problemas do mundo real, as variveis aleatrias seguem distribuies diferentes
da uniforme tal como a de Poisson, a Exponencial, a Normal, etc...
Neste captulo veremos como nmeros aleatrios uniformemente distribudos em [0, 1] podem
ser usados para gerar variveis aleatrias, no uniformes, como as citadas acima.
O Mtodo da Transformao Inversa

Suponha que temos uma distribuio probabilstica, com funo de densidade f(x) e funo de
distribuio acumulada igual a F(x). Desejamos gerar uma varivel aleatria que siga esta distribuio
probabilstica. O mtodo da Transformao Inversa oferece uma maneira simples de resolver o
problema.
O mtodo est baseado no fato de que a distribuio acumulada, F(x), tem valor entre 0 e 1 ou
seja, no mesmo intervalo de um nmero aleatrio, U, gerado por um gerador bsico. Assim sendo,
tendo U, consideramos este valor como sendo um valor de F(x). Para achar o valor de x, basta resolver
a equao, ou seja achar a inversa de F(x).
A figura a seguir mostra, graficamente, o princpio no qual o mtodo est baseado:
F(x)
U = y0
0 x0 x
isto , se y0 = F(x0), ento podemos escrever: x0 = F1(y0)
Substituindo y0 por U, temos: x0 = F1(U)
Exemplo: Aplique o mtodo da transformao inversa para a seguinte funo de densidade

probabilstica:
x / 4 em 1 x 3
f( x)
0 caso contrrio
Use o mtodo para gerar 6 valores sucessivos para X, dados os seguintes valores aleatrios
uniformemente distribudos em [0, 1]: 0,35; 0,97; 0,22; 0,15; 0,60; 0,43.
Soluo:
Inicialmente determinamos a funo cumulativa:

x
x
x x2 x2 1 ( x 2 1)
y F( x) 1 dx
4

8 1

8

8

8
para 1 x 3
Resolvendo para x obtemos:

x 8y 1
que pode ser escrita como:

x i 8U i 1
onde Ui uma varivel aleatria uniformemente distribuda em [0, 1].
Quando Ui = 0,35 ns podemos obter o valor correspondente para xi como:

x i (8) (0,35) 1 1,95
Procedendo de forma idntica, podemos obter os demais valores:
i Ui xi
1 0,35 1,95
2 0,97 2,96
3 0,22 1,66
4 0,15 1,48
5 0,60 2,41
6 0,43 2,11
O valor esperado e o desvio padro podem ser calculados de:

3
3 x 3 x2 x3
E( x) x f( x) dx
1
x dx
4
1
4

dx

2 ,167
12 1
3
3 2 x x4
x f( x) dx E ( x)
2 2 2 2 2
Var( x) x dx 2 ,167 2 ,167 0 ,3055
1
4 16 1
= (0,30555)0,5 = 0,552
Veremos a seguir como aplicar o mtodo da transformao inversa para vrias distribuies bem
conhecidas. Entretanto bom esclarecer que este mtodo no pode ser aplicado para todas as
distribuies. Existem algumas, como a normal, cuja funo de distribuio probabilstica no pode
ser integrada analiticamente e, logicamente, no se pode achar a sua inversa. H casos ainda em que
no possvel obter uma equao explcita para x mesmo se tendo uma expresso analtica para a
funo cumulativa. Existem outras tcnicas para estes casos.
A Distribuio Exponencial
Muitos problemas de simulao necessitam usar a distribuio exponencial. Isto verdadeiro nos
problemas que envolvem chegadas e partidas (filas), como a simulao de uma agncia bancria, da
sada (caixas) de um supermercado, de um aeroporto, etc...
A funo de densidade probabilstica da exponencial igual a:
f(x) = e x
onde uma constante conhecida e a mdia () igual a 1/.
A funo de distribuio acumulada dada por:
F(x) 1 e x
De modo a se fazer uso do mtodo da transformao inversa devemos resolver para x. Assim
temos:
x = (1/) ln [ 1 F(x) ]
Como a funo acumulada, F(x), uniformemente distribuda em [0, 1], a quantidade [ 1 F(x) ]
tambm ser uniformemente distribuda em [0, 1]. Assim podemos escrever
x = (1/) ln (U)
onde x a varivel aleatria exponencialmente distribuda e U um nmero aleatrio uniformemente

distribudo em [0, 1], gerado por um gerador bsico.
Suponha agora que x deve ser maior ou igual a um determinado valor positivo, x0, isto 0<x0< x.
A equao acima fica:
x = x0 (1/) ln (U)
A media () fica como:
= x0 + (1/)
Podemos tirar ento a relao entre e :
= 1/( x0)
Exemplo: Gerar 6 variveis exponencialmente distribudas maiores que 2 e com mdia igual a 6,
usando os seguintes nmeros uniformemente distribudos em [0, 1]: 0,35; 0,97; 0,22; 0,15; 0,60; 0,43.
Soluo:
Temos ento: x0 = 2 e = 6.
Calculando o valor de = 1/(6 2) = 0,25
Podemos ento calcular as variveis da distribuio exponencial:
X1 = 2 (1/0,25) ln(0,35) = 6,20
X2 = 2 (1/0,25) ln(0,97) = 2,12
Os demais valores encontrados so:
i Ui xi
1 0,35 6,20
2 0,97 2,12
3 0,22 8,06
4 0,15 9,59
5 0,60 4,04
6 0,43 5,38
A Distribuio Triangular
A distribuio Triangular tem um uso bastante difundido em Simulao, principalmente quando
os dados disponveis so poucos ou mesmo inexistentes. Sua forma permite que dados no
conclusivos sejam a ela adaptados, e seus limites, ou seja A (limite inferior), C (moda) e B (limite
superior) sejam interpretados como os parmetros mais otimista (A), mais provvel (C) e mais
pessimista (B) de uma determinada varivel, como pode ser visto na figura a seguir.
f(x)
A C B x
Sua funo de densidade dada por:
2( x A )
(C A ) (B A ) para A x C

f( x) f
2(B x)
para C x B
(B C ) (B A )
Podemos usar o Mtodo da Transformao Inversa mas a descontinuidade da funo faz com
que seja necessrio desenvolver 2 geradores separados: um para x C e um para x C. Inicialmente
vamos desenvolver um para x C. A funo de distribuio acumulada F(x) igual a:
x 2 (x A) x2 2 A x A2
F( x) A (C A ) (B A )
dx
(C A ) (B A )
Como F(x) e U gerados por um gerador bsico, variam em [0 , 1], podemos escrever:
x2 2 A x A2
U
(C A ) (B A )
Fazendo as simplificaes necessrias, chegamos a :
xA U (C A ) (B A )
Esta frmula pode ser usada se U < (C A)/(B A), pois a razo (C A)/(B A) proporcional
a rea sob o tringulo de x = A at x = C. Para x C temos:
x 2 (B x) x2 2 B x B2
F(x) U C (B C ) (B A )
dx U
(B C ) (B A )
1
Operando, para obter o valor de x, obtemos:
xB (1 U ) (B C) (B A )
Esta frmula deve ser usada quando U (C A)/(B A).
A media e o desvio padro da Distribuio Triangular so:
ABC
x
3
A 2 + B 2 + C 2 - AB - AC - BC

18
Exemplo: Gerar 3 variveis aleatrias seguindo a Distribuio Triangular com limite inferior (A) igual a
2, moda (C) igual a 4 e limite superior (B) igual a 8. Use os seguintes nmeros aleatrios
uniformemente distribudos em [0, 1]: 0,35; 0,97; 0,22.
Soluo:
A frmula a ser usada depende de se o valor de U maior ou menor que (C A)/(B A) ou seja
(4 2)/(8 2) = 0,3333.
Assim para o 1 U, 0,35 (maior que 0,33) temos:
x1 8 (1 0,35) (8 4) (8 2) 4,050
Para 0,97 (maior que 0,33) temos:
x2 8 (1 0,97 ) (8 4) (8 2) 7 ,151
Para 0,22 (menor que 0,33) temos:
x3 2 0,22 ( 4 2) (8 2) 3,624
SIMULAO DIRETA
O mtodo da Transformao Inversa s pode ser usado se uma expresso analtica puder ser
obtida para a funo de distribuio acumulada e ela possa ser resolvida explicitamente para x.
Existem muitas situaes onde isto no possvel, como para a distribuio normal, por exemplo.
Uma tcnica alternativa para estes casos o uso da simulao direta do processo sob considerao.
A distribuio de Poisson
A distribuio de Poisson est intimamente relacionada com a distribuio exponencial e usada

em muitos problemas de simulao que envolvem chegadas e partidas. Em particular, se o tempo
entre sucessivas chegadas (ou partidas) exponencialmente distribudo, ento o nmero de eventos
que ocorrem em um intervalo de tempo finito t ser distribudo de acordo com uma distribuio de
Poisson.
Suponha que os intervalos na linha do tempo mostrada abaixo, sejam os instantes da chegada de
clientes em um posto bancrio:
E1 E2 E3 E4
0 Tempo
t
Seja Ei uma varivel aleatria exponencialmente distribuda com mdia (1/t), ou seja, o
intervalo entre as chegadas.
k
Fazendo S k E i , ento para o intervalo onde se localiza t, temos que Sk t < Sk+1, onde k
i 1
a varivel Poisson, com mdia t, ou seja, o nmero de chegadas no intervalo t (k = 3 no exemplo

grfico acima). Sabe-se que podemos gerar variveis exponenciais (Ei) mediante o mtodo da
Transformao Inversa aplicada distribuio exponencial (pg. 61), atravs da relao:
Ei = (1/) lnUi
Logo a varivel poisson o valor de k 1 quando, no somatrio, acontece:
k k
1

i1
Ei t ou
i 1

ln U i t

k

i 1
ln U i t
Multiplicando ambos os lados da equao por 1, temos:

i 1
ln U i t
Fazendo t = 1 e exponenciando ambos os lados chegamos a:
k k

i 1
Ui e ou e
i 1
Ui
ou seja, a varivel poisson igual a (k 1) quando a relao acima passa a ser verdadeira.
Exerccio: Gerar 5 variveis aleatrias seguindo a distribuio de Poisson com mdia = 1,5. Faa os
clculos usando o seguinte conjunto de nmeros aleatrios uniformemente distribudos: 0,35; 0,97;
0,22; 0,15; 0,60; 0,43; 0,79; 0,52; 0,81; 0,65; 0,20; 0,57; 0,10.
Soluo:
Como = 1,5 temos e = 0,223
De maneira a obter a primeira varivel aleatria, 3 nmeros aleatrios uniformemente
distribudos so necessrios como podemos ver a seguir:
k = 1 0,223 < 0,35
k = 2 0,223 < 0,340(= 0,35 0,97)
k
k = 3 0,223 > 0,075(= 0,35 0,97 0,22), note que aqui se cumpriu a condio e
i 1
Ui
Logo X1 = (k 1) = 2
k
Comeando de novo: k = 1 0,223 > 0,15, aqui novamente se cumpriu a condio e
i 1
Ui
Logo X2 = (k 1) = 0
X3 = (3 1) = 2 pois 0,223 > 0,204(= 0,60 0,43 0,79)

X4 = (4 1) = 3 pois 0,223 > 0,055(= 0,52 0,81 0,65 0,20)
X5 = (2 1) = 1 pois 0,223 > 0,057(= 0,57 0,10)
A distribuio Normal
Muitos tipos de eventos aleatrios so governados pela distribuio Normal. Esta distribuio
caracterizada por uma densidade probabilstica dada por:
2
1 x
1
2

f( x) e onde x
2
onde a mdia e o desvio padro. A funo de densidade normal no pode ser integrada
analiticamente e desta forma no podemos usar o mtodo da transformao inversa. Podemos,
entretanto, uma vez mais, gerar a varivel aleatria desejada por simulao direta.
Para fazer isto considere o caso especial onde = 1 e Z = (x )/. Temos ento:
Z2
1
f( x) e 2
2
Esta a funo de densidade probabilstica para a distribuio normal padronizada (standard).

Pelo teorema do limite central sabemos que a soma de N variveis aleatrias uniformemente
distribudas em [0, 1] segue uma distribuio Normal com = N/2 e = (N/12)0,5 . Podemos escrever:
N
N

i 1
Ui
2
Z
N
12
Como esta considerao vlida para N > 10, podemos fazer N = 12 para facilitar o
procedimento computacional, obtendo ento:
12
Z
i 1
Ui 6
Temos agora um procedimento simples para gerar uma varivel aleatria normalmente
padronizada. Simplesmente somamos 12 nmeros aleatrios uniformemente distribudos em [0, 1] e
ento subtramos 6, obtendo um valor para Z. Se desejarmos gerar uma varivel normal com mdia
e desvio padro , geramos primeiro Z e ento calculamos a varivel aleatria desejada X usando: X =
+ Z.
Exemplo: Gerar uma varivel aleatria que siga a distribuio normal com mdia 5 e desvio padro 2.
Use o seguinte conjunto de variveis aleatrias uniformemente distribudas em [0, 1]: 0,35; 0,97; 0,22;
0,15; 0,60; 0,43; 0,79; 0,52; 0,81; 0,65; 0,20; 0,57.
Soluo:
12
A soma dos 12 nmeros d:
i 1
U i 0,35 0,97 ......... 0,57 6,26
Calculamos ento o valor de Z = (6,26 6) = 0,26
A varivel aleatria normal pode ento ser obtida por: X = 5 + (2)(0,26) = 5,52
Um mtodo alternativo para gerar variveis aleatrias normalmente distribudas usar as

seguintes expresses:
Z ( 2 ln U 1 ) Sin (2U 2 ), ou
Z ( 2 ln U 1 ) Cos (2U 2 )
Ambas as expresses geram variveis aleatrias normais padronizadas. Observe que o mtodo
anterior necessita de 12 valores de Ui para cada valor de Z enquanto que este ltimo s necessita de 2.
Assim aparenta ser mais eficiente do ponto de vista computacional mas o clculo de logartmico, raiz
quadrada e seno (ou co-seno) muito mais demorado que uma soma. Na verdade os 2 mtodos se
equivalem em termos de tempo computacional.
Exemplo: Gere 2 nmeros aleatrios que sigam uma distribuio normal com mdia 5 e desvio padro
2. Use o seguinte conjunto de nmeros aleatrios uniformemente distribudos em [0, 1]: 0,35; 0,97;
0,22; 0,15.
Soluo:
Temos ento:
Z1 = ( 2 ln 0,35) Sin [ 2 (0,97 ) ] 0,27

X1 = 5 + (2)(0,27) = 4,46
Z1 = ( 2 ln 0,22) Sin [ 2 (0,15) ] 1,41

X2 = 5 + (2)(1,41) = 7,82
Problema: Use o Excel para determinar 5 nmeros aleatrios normalmente distribudo usando as
frmulas mostradas acima.
O Mtodo da Rejeio
O Mtodo da Rejeio um procedimento geral para gerar variveis aleatrias (va) para
qualquer distribuio cuja densidade probabilstica f(x) contnua e limitada dentro de uma regio
finita, isto , necessitamos que 0 f(x) fmax dentro do intervalo a x b.
De maneira a se obter a varivel aleatria X, deve-se proceder da seguinte forma:
1. Gerar um par (U1, U2) de nmeros aleatrios uniformemente distribudos em (0,1).

2. Obter uma va, K, dentro do intervalo a K b, usando a relao K = a + (b a)U1.
3. Avaliar a densidade probabilstica no ponto K, isto , determinar f(K).
4. Obter uma va, Y , uniforme dentro do intervalo 0 Y fmax, usando a relao Y = (fmax) (U2).
Os pontos Y e K representam as coordenadas de algum ponto no espao como ilustrado nas
figuras a seguir:
f(x) f(x)
fmx fmx
f(K) Y
f(K)
Y
0 a K b x 0 a K b x
Y < f(K), logo aceitamos K Y > f(K), logo NO aceitamos K
5. Comparar Y com f(K). Se Y no maior que f(K) ento o ponto (Y, K) cair em cima ou abaixo
da curva de densidade probabilstica como indicado na primeira figura acima. Neste caso ns
aceitamos K como a varivel aleatria desejada, ou seja, fazemos X = K. Se Y maior que f(K),
rejeitamos o ponto.
6. As etapas de 1 a 5 so repetidas sucessivamente at ser encontrado um ponto que satisfaa a
condio.
Embora o mtodo da rejeio possa ser usado com muitas distribuies diferentes, ele
ineficiente por causa das diversas tentativas que se tem que fazer para se obter uma varivel aleatria
desejada. Por esta razo s deve ser usado se no existir outro mtodo.
A distribuio Beta
Para ilustrar o uso do mtodo da rejeio, vamos considerar a distribuio Beta. Esta distribuio
tem a densidade probabilstica dada por:
( 1 2 1)! x ( 1) (1 x) (
1 2 1)
f( x)
( 1 1)! ( 2 1)!
onde 1 e 2 so inteiros positivos e 0 x 1.
Pode ser mostrado que a mdia e a varincia para esta distribuio so:
1 2
2
( 1 2 ) ( 1 2 ) ( 1 2 1)
Como 0 x 1 para a distribuio Beta, temos, no mtodo da rejeio, a = 0 e b = 1.
Exemplo: O modo mais fcil de gerar uma varivel aleatria Beta usar simulao direta. Vamos no
entanto, como exemplo, usar o mtodo da rejeio. Em particular vamos gerar vrias variveis beta
com 1 = 2 e 2 = 3, baseado na seguinte sequncia de nmeros aleatrios uniformemente distribudos
em (0,1): 0,35; 0,97; 0,22; 0,15; 0,60; 0,43; 0,79; 0,52; 0,81; 0,65; 0,20; 0,57.
Soluo:
K = a + (b a) U1 = 0 + (1 0) U1 = U1
K = U1
A funo de densidade probabilstica pode ser escrita como:

(2 3 1) ! x ( 2 1) (1 x) ( 3 1)
f ( x) 12 x (1 x) 2
(2 1) ! (3 1) !
A funo toma seu valor mximo em x = 1/3. Temos ento:
fmax = (12) (1/3) (2/3)2 = 16/9 = 1,78
Como Y igual (fmax)(U2), temos: Y = 1,78 U2
Os resultados obtidos com a aplicao do mtodo esto mostrados a seguir:
U1 U2 K f(K) Y Y f(K) ? X
0,35 0,97 0,35 1,77 1,73 Sim 0,35
0,22 0,15 0,22 1,61 0,27 Sim 0,22
0,60 0,43 0,60 1,15 0,77 Sim 0,60
0,79 0,52 0,79 0,42 0,93 No
0,81 0,65 0,81 0,35 1,16 No
0,20 0,57 0,20 1,54 1,01 Sim 0,20
Assim com 6 pares de nmeros aleatrios em [0, 1], ns geramos 4 variveis beta cujos valores
so 0,35; 0,22; 0,60 e 0,20.
EXERCCIOS SOBRE SIMULAO
1) Usando o mtodo dos quadrados mdios, calcule os 12 primeiros nmeros gerados, com 4 dgitos,
a partir de uma semente igual a 7308.
2) Use o mtodo congruente linear para gerar uma seqencia de 3 nmeros aleatrios de 2 dgitos.
Use x0 = 27, a = 8, c = 47 e m = 100.
3) Encontramos algum problema no exerccio anterior se x0 = 0 ?
4) Considere o mtodo congruente multiplicativo para os seguintes casos:

a) a = 11; m = 16; x0 = 7
b) a = 11; m = 16; x0 = 8
c) a = 7; m = 16; x0 = 7
d) a = 7; m = 16; x0 = 8
Gere, para cada caso, todo o perodo. O que podemos inferir dos resultados encontrados ?
5) Pesquise na internet para descobrir qual a frmula usada pela planilha Excel no seu gerador de
nmeros aleatrios padro.
6) Desenvolva um gerador de nmeros aleatrios, usando o mtodo da transformao inversa, para

a seguinte distribuio probabilstica:
2x
e , x0
f( x) 2 x

e , 0x
7) Idem para:
1
3 , 0x2

1
f( x) , 2 x 10
24
0 , x 10

8) Com uma calculadora que tenha a funo para gerar nmeros aleatrios uniformemente
distribudos em [0, 1], gere 10 nmeros seguindo a distribuio de Poisson com mdia = 2, 5.
[Sugesto: Tambm pode ser utilizada uma tabela de nmeros aleatrios].
9) Faa um programa para calcular a probabilidade de um valor x de uma distribuio normal,

com mdia = 1,500 e desvio padro = 300, estar entre 1.300 e 1.800. Use, no programa, a
frmula da distribuio normal:
2
1 x
1
2

f( x) e onde x
2
Compare o valor obtido pela simulao com o valor obtido da tabela normal.
10) A gerente de uma loja de eletros-domsticos est desconfiada que o seu estoque de foges est
acima do que seria necessrio. Antes de modificar a poltica de estoques, ela registrou o nmero
de foges vendidos, diariamente, nos ltimos 25 dias. Os dados encontrados esto mostrados a
seguir:
Foges vendidos 2 3 4 5 6
Nmero de dias 4 7 8 5 1
a) Use os dados para estimar a distribuio de probabilidade das vendas dirias de foges.
b) Calcule a mdia da distribuio obtida na parte (a).
c) Descreva como nmeros aleatrios uniformemente distribudos em [0, 1] podem ser usados
para simular as vendas dirias.
d) Usando os nmeros aleatrios 0,4475; 0,9713 e 0,0629, simule as vendas dirias de 3 dias.
e) Usando uma planilha eletrnica (Excel, por exemplo), faa um modelo para simular as
vendas dirias. Realize 300 replicaes e obtenha a mdia de vendas dirias.
11) Utilizando como sementes os valores 1234; 76545; 88787; 77712; 564783 e 5434 encontre os 3
primeiros nmeros gerados pela RAND4.
12) Pesquise e descubra os comandos para a gerao de nmeros aleatrios no Turbo Pascal, inclusive
com a escolha da semente.
13) Utilizando uma planilha eletrnica (Excel, por exemplo), construa um modelo para a seguinte
situao: Um posto de gasolina do governo, que tem somente uma bomba de gasolina, est
sempre aberto e tem 2 tipos de clientes. Uma ambulncia chega, exatamente, a cada 30 minutos,
com o 1o carro chegando no instante, 15 minutos. Carros de outras reparties pblicas, que no
so ambulncias, chegam com um intervalo mdio entre chegadas, exponencial, de 5, 6 minutos,
com o 1o carro chegando no instante 0. O tempo de servio, para todos os tipos de carros, tem
uma mdia de 4,8 minutos (exponencial).
Um carro que chega e encontra a bomba vazia vai ser atendido imediatamente enquanto que os
que chegam com a bomba ocupada, formam uma fila nica. Isto s no vale para as ambulncias
que, ao chegar, vo imediatamente para o incio da fila (assuma que, se j tem uma ou mais
ambulncias no incio da fila, esta nova chegada passa a ser a 1a da fila). Considere que no incio
da simulao (instante 0), o posto est vazio. Execute a simulao at que 500 carros, no total,
tenham sido atendidos. Estime o tempo de espera mdio na fila para os 2 tipos de carro, o nmero
mdio de carros na fila para os 2 tipos de carro e a taxa de ocupao da bomba de gasolina.
14) Desenvolva um modelo para um sistema com 2 processos consecutivos (I e II). Os itens chegam ao
sistema com intervalo, mdio, entre chegadas de 10 minutos. Assim que chegam, os itens so
imediatamente enviados para o processo I que Tem uma fila ilimitada e um recurso simples com
uma durao, mdia, do servio de 9 minutos. Aps terminar o 1o processo, os itens so enviados
para o processo II que idntico ao processo I. Aps o servio do processo II ser completado, os
itens deixam o sistema. As medidas de interesse no sistema so o nmero mdio de itens na fila,
em cada processo, e o tempo total, mdio, que um item permanece no sistema. Usando 10.000
minutos como a durao a ser estudada, faa as 4 simulaes a seguir e compare os resultados.
a) Intervalo entre chegadas exponencial e durao do servio exponencial.
b) Intervalo entre chegadas exponencial e durao do servio constante.
c) Intervalo entre chegadas constante e durao do servio exponencial.
d) Intervalo entre chegadas constante e durao do servio constante.
15) Peas chegam a uma estao de trabalho com um intervalo, mdio, entre chegadas de 21 segundos
(exponencial). Aps a chegada, as peas so processadas. O tempo de processamento segue uma
distribuio triangular com parmetros 16, 19 e 22. Existem caractersticas visuais que determinam
se uma pea tem um eventual problema de qualidade. Esto peas, que so cerca de 10% do total,
so enviadas para outra estao onde sofrem uma rigorosa inspeo. As demais (90%) so
enviadas para a expedio e consideradas boas.
A distribuio do tempo de inspeo rigorosa , em mdia, igual a 95 segundos mais uma varivel
aleatria que segue uma distribuio de Weibull com parmetros iguais a 48,5 e 4,04. Em torno de
14% das peas que sofrem inspeo, so reprovadas e viram sucata. As demais vo para a
expedio.
Execute a simulao para 10.000 segundos para determinar o nmero de peas boas, o nmero de
peas sucateadas e o nmero de peas que so inspecionadas parcialmente e rigorosamente.
16) Clientes chegam a uma caixa com um intervalo, mdio, entre chegadas igual a 10 minutos
(exponencial). Um nico funcionrio recebe o pagamento alm de conferir o pedido. Ele demora,
em mdia, entre 8 a 10 minutos para fazer estas tarefas, variando a durao uniformemente
naquele intervalo. Aps esta atividade estar completada, o cliente , aleatoriamente, atribudo a
um de 2 funcionrios do estoque que separam e embalam a mercadoria para entregar ao cliente. O
tempo desta atividade tambm uniformemente distribudo entre 16 e 20 minutos. Cada um dos 2
funcionrios do estoque s podem atender clientes que foram designados para ele. Aps receber
sua mercadoria, o cliente vai embora.
Desenvolva um modelo e rode a simulao para 5.000 minutos. H uma sugesto de que os 2
funcionrios possam atender qualquer cliente que ficariam em uma fila nica esperando
atendimento. Rode a simulao tambm para 5.000 minutos e compare os resultados.
CADEIAS DE MARKOV
Neste captulo sero tratados modelos de probabilidade para processos que evoluem no tempo
de maneira probabilstica. Tais processos so denominados Processos Estocsticos.
Processos Estocsticos
Um Processo Estocstico definido como uma coleo de variveis aleatrias {X(t)} indexadas
por um parmetro t pertencente a um conjunto T. Freqentemente T tomado para ser o conjunto
dos inteiros no-negativos (porm, outros conjuntos so perfeitamente possveis) e X(t) representa
uma caracterstica mensurvel de interesse no tempo t. Exemplificando, X(t) pode representar o nvel de
estoque de um produto no fim da semana t.
Processos Estocsticos so de interesse para descrever o procedimento de um
sistema operando sobre algum perodo de tempo, com isso, em termos formais, a varivel
randmica X(t) representa o estado do sistema no parmetro (geralmente tempo) t.
Portanto, pode-se afirmar que X(t) definido em um espao denominado Espao de
Estados.
Os Processos Estocsticos podem ser classificados como:
a) Em relao ao Estado
Estado Discreto (cadeia): X(t) definido sobre um conjunto enumervel ou finito.
Estado Contnuo (seqncia): X(t) caso contrrio.
b) Em relao ao Tempo (Parmetro)

Tempo Discreto: t finito ou enumervel.
Tempo Contnuo: t caso contrrio.
Exemplos:
Nmero de usurios em uma fila de banco em um determinado instante: Estado Discreto e
Tempo Contnuo.
ndice pluviomtrico dirio: Estado Contnuo e Tempo Discreto.
Nmero de dias chuvosos: Estado Discreto e Tempo Discreto.
Existem vrios "tipos" de Processos Estocsticos, porm, neste captulo ser apenas abordado um
tipo de Processo Estocstico denominado Processo Markoviano.
CADEIAS DE MARKOV (TAHA, 2008)
Em matemtica, a cadeia de Markov um caso particular de processo estocstico com estados

discretos (o parmetro, em geral o tempo, pode ser discreto ou contnuo) e apresenta a propriedade
Markoviana, chamada assim em homenagem ao matemtico russo Andrei Andreyevich Markov. A
definio desta propriedade, tambm chamada de memria markoviana, que os estados anteriores
so irrelevantes para a predio dos estados seguintes, desde que o estado atual seja conhecido.
Andrey Markov, obteve os primeiros resultados para estes processos em 1906. Uma
generalizao para espaos de estados infinitos contveis foi dada por Kolmogorov em 1936. Cadeias
de Markov esto relacionadas ao movimento Browniano e hiptese ergdica, dois importantes
tpicos da fsica nos primeiros anos do sculo XX, mas a motivao de Markov para o
desenvolvimento da teoria parece ter sido estender a teoria dos nmeros grandes para eventos
dependentes.
Seja Xt uma varivel aleatria que caracteriza o estado do sistema em pontos discretos do tempo t
= 1, 2, .... A famlia de variveis aleatrias {X t} forma um processo estocstico. O nmero de estados em
um processo estocstico pode ser finito ou infinito, como j foi mencionado (Taha, 2008).
Um processo estocstico um Processo de Markov se a ocorrncia de um estado futuro depender
de somente do estado imediatamente precedente. Isso significa que, dados os tempos cronolgicos
(em sequncia ao longo do tempo) t0, t1, t2, ......., tn, diz-se que a famlia de variveis aleatrias {Xt} = {
x0, x1, t2, ......., xn} um processo de Markov se possuir a seguinte propriedade:
P{X t x n |X t
n n 1
x n1 , ....., x 0 x 0 } P{X t x n |X t
n n 1
x n 1 }
Em um processo markoviano com n estados (resultados) exaustivos e mutuamente exclusivos,

as probabilidades em um ponto especfico do tempo t = 0, 1, 2, ...... so habitualmente expressas por:
p ij P{X t j|X t 1 i}, com i 1, 2 , ......,n ; j 1, 2 , ......,n ; t 0, 1, 2 , .......,T
Isso conhecido como probabilidade de transio em uma etapa de passar do estado i em (t 1) ao

estado j em t. Por definio:
j p i j 1, para i 1, 2 , ....., n (note que se cumpre quando i se fixa e j varia)
p i j 0, para i 1, 2 , ....., n ; j 1, 2 , ....., n
Um modo conveniente de resumir as probabilidades de transio em uma etapa usar a seguinte

notao matricial:
p 11 p 12 ..... p 1 n

p 21 p 22 ..... p 21
. . . .
P=
. . . .
. . . .
p pn2 ..... p nn
n1
A matriz P (em notao matricial, qualquer letra maiscula em negrito representa uma matriz)
define a denominada cadeia de Markov. Uma propriedade dessa matriz que todas as suas
probabilidades de transio p i j so fixas (estacionrias) e independentes ao longo do tempo. Embora
uma cadeia de Markov possa incluir um nmero infinito de estados, neste captulo as cadeias de
Markov sero limitadas a apenas cadeias finitas.
Representao de uma Cadeia de Markov:

As representaes mais comuns de uma cadeia de Markov so a notao matricial e o diagrama de
estado. A seguir se mostrar com um exemplo ambas as notaes. Suponhamos que o tempo em uma
regio geogrfica classificado como Sol, Nublado ou Chuva, em um determinado dia. Xt o estado
do tempo no dia t = 1, 2, 3, ....; assim a matriz P do problema :
Sol Nublado Chuva j p i j 1, para i 1, 2, .....,n

Sol 0,4 0,4 0,2 1,0
Nublado 0,5 0,3 0,2 1,0
Chuva 0,1 0,5 0,4 1,0
De forma equivalente, o diagrama de estado seria:
0,4
0,4 Nub
Sol 0,3
0,5 lado
0,1 0,5
0,2
0,2
Chu
va
0,4
Probabilidades de Transio em n-etapas e Absolutas

Dadas as probabilidades iniciais a(0) = {aj(0)} de iniciar no estado j e a matriz de transio P de
uma cadeia de Markov, as probabilidades absolutas a(n) = {aj(n)} de estar no estado j aps n
transies (n > 0) so calculadas da seguinte maneira:
a(1) = a(0)P
a(2) = a(1)P = a(0)PP = a(0)P2
a(3) = a(2)P = a(0)P2P = a(0)P3
A matriz Pn conhecida como matriz de transio em n etapas. Pelos clculos anteriores, temos:
Pn = Pn - 1 P,
ou de forma geral:
Pn = Pn - m Pm, 0<m<n
Essas equaes so conhecidas como equaes de Chapman-Kolgomorov.
Problema (Pg. 288, Taha, 2008): Todo ano, no incio da estao de plantio de mudas (maro a
setembro), um jardineiro usa um teste qumico para verificar a condio do solo. Dependendo do
resultado do teste, a produtividade para a nova estao cai em um de trs estados: 1 bom; 2
razovel; 3 ruim. Ao longo dos anos, o jardineiro observou que a condio do solo no ano anterior
causava um impacto sobre a produtividade no ano corrente e que a situao podia ser descrita pela
seguinte cadeia de Markov:
Estado do sistema
no ano seguinte
1 2 3
Estado do sistema 1 0,2 0,5 0,3
P = neste ano 2 0 0,5 0,5
3 0 0 1
Na matriz mostrada acima, se observa que as probabilidades de transio neste ano mostram que
a condio do solo pode se deteriorar ou se manter, mas nunca melhorar. Se a condio do solo neste
ano for boa (estado 1), h 20% de chances de no mudar no ano seguinte, 50% de chance de se tornar
razovel (estado 2) e 30% de chance de deteriorar at uma condio ruim (estado 3). Se a condio do
solo neste for razovel (estado 2), a produtividade no ano seguinte pode permanecer razovel com
probabilidade 0,5 ou tornar-se ruim (estado 3), tambm com probabilidade 0,5. Por fim, uma condio
ruim neste ano (estado 3) s pode resultar em igual condio no prximo ano (com probabilidade 1).
O jardineiro pode alterar as probabilidades de transio P usando fertilizante para melhorar a
condio do solo. Nesse caso, a matriz de transio se torna:
1 2 3
1 0,30 0,60 0,10
P= 2 0,10 0,60 0,30
3 0,05 0,40 0,55
a) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 1 ano usando fertilizantes.
b) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 4 anos usando fertilizantes.
c) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 1 ano sem usar fertilizantes.
d) Se a condio do solo boa, isto , a(0) = (1, 0, 0), determine as probabilidades absolutas dos
trs estados do sistema aps 4 anos sem usar fertilizantes.
Soluo:
a) Usando fertilizantes, as probabilidade absolutas aps 1 ano sero:
1 2 3
1 0,30 0,60 0,10
P= 2 0,10 0,60 0,30
3 0,05 0,40 0,55
Portanto, aps 1 ano teremos: a(1) = a(0)P
0,30 0,60 0,10

a(1) = (1, 0, 0) 0,10 0,60 0,30 = (0,30; 0,60; 0,10)
0,05 0,40 0,55
b) Usando fertilizantes, as probabilidades absolutas aps 4 anos sero:
0,30 0,60 0,10 0,30 0,60 0,10 0,1550 0,5800 0,2650

P2 = 0,10 0,60 0,30 0,10 0,60 0,30 = 0,1050 0,5400 0,3550
0,05 0,40 0,55 0,05 0,40 0,55 0,0825 0,4900 0,4275
0,1550 0,5800 0,2650 0,1550 0,5800 0,2650 0,10679 0,53295 0,36026

P4 = 0,1050 0,5400 0,3550 0,1050 0,5400 0,3550 = 0,10226 0,52645 0,37129
0,0825 0,4900 0,4275 0,0825 0,4900 0,4275 0,09950 0,52193 0,37857
Portanto, aps 4 anos teremos: a(4) = a(0)P4
0,10679 0,53295 0,36026

a(4) = (1, 0, 0) 0,10226 0,52645 0,37129 = (0,10679; 0,53295; 0,36026)
0,09950 0,52193 0,37857
CLASSIFICAO DOS ESTADOS EM UMA CADEIA DE MARKOV (Taha, 2008)
Os estados de uma cadeia de Markov podem ser classificado com base na probabilidade de
transio p i j de P.
1. Um estado j absorvente se retornar para ele mesmo, com certeza, em uma transio, isto ,
p i j = 1.
2. Um estado j transiente se puder alcanar outro estado mas no puder voltar ao mesmo
estado em que estava com base em outro estado. Matematicamente, isso acontecer se
lim p(inj ) 0 para todo i.
n
3. Um estado j recorrente se a probabilidade de voltar ao estado em que estava com base em

outros estados for 1. Isso pode acontecer se, e somente se, o estado no for transiente.
4. Um estado j peridico com perodo t > 1 se um retorno s for possvel em t, 2t, 3t, .... etapas.
Isso significa que p(inj ) 0 sempre que n no for divisvel por t.
Com base nas definies dadas, uma cadeia de Markov finita no pode consistir em estados que
sejam todos transientes porque, por definio, a propriedade transiente requer entrar em outros
estados capturadores e, portanto, nunca pode voltar ao estado transiente. O estado capturador
no precisa ser um nico estado absorvente. Por exemplo, na cadeia:
0 1 0
0

0 0 1
0
P=
0 0 0 ,3 0 ,7

0 0 0 , 4 0 ,6

os estados 1 e 2 so transientes porque no podem ser entrados novamente uma vez que o sistema
esteja capturado nos estados 3 e 4. Os estado 3 e 4 que, de certo modo, desempenham o papel de um
estado absorvente, constituem um conjunto fechado. Por definio, todos os estados de um conjunto
fechado devem se comunicar, o que significa que possvel ir de qualquer estado a qualquer outro
estado do conjunto em uma ou mais transies, ou seja, p(inj ) 0 para todo i j e n 1. Observe que os
dois estados, 3 e 4, podem ser estados absorventes se p 33 = p44 = 1. Nesse caso, cada estado forma um
conjunto fechado.
Diz-se que uma cadeia de Markov fechada ergdica se todos os seus estados forem recorrentes e
aperidicos (no peridicos). Nesse caso, as probabilidades absolutas aps n transies, a(n) = a(0)Pn,
sempre convergem exclusivamente para uma distribuio-limite (estado de equilbrio) medida que n
, que independente das probabilidades iniciais a(0), como ser demonstrado mais na frente.
Exemplo: Considere a seguinte cadeia de Markov para os estados 1 e 2 (caso do jardineiro):
0 ,2 0 ,5 0 ,3

P = 0 0 ,5 0 ,5
0 0 1

Os estados 1 e 2 so transientes porque alcanam o estado 3 mas nunca podem voltar ao estado
anterior. O estado 3 absorvente porque p33 = 1. Essas classificaes tambm podem ser vistas
quando lim p(inj ) 0 calculado. Como:
n
0 0 1

P(100) = 0 0 1
0 0 1

consequentemente, isso mostra que, no longo prazo, a probabilidade de alguma vez voltar ao
estado transiente 1 ou 2 zero, ao passo que a probabilidade de ser capturado no estado
absorvente 3 certa.
Exemplo: Pode-se testar a periodicidade de um estado calculando Pn e observando os valores de p (inj )

para n = 2, 3, 4, .... Esses valores sero positivos somente no perodo correspondente ao estado.
Considerando a cadeia:
0 0 ,6 0 ,4

P= 0 1 0
0 ,6 0 ,4 0

temos:
0 ,24 0 ,76 0 0 0 ,904 0 ,096

P2 = 0 1 0 P3 = 0 1 0
0 0 ,76 0 ,24 0 ,144 0 ,856 0

0 ,0576 0 ,9424 0 0 0 ,97696 0 ,2304

P4 = 0 1 0 P5 = 0 1 0
0 0 ,9424 0 ,0576 0 ,03456 0 ,96544 0

Continuando com n = 6, 7, . , Pn mostra que p11 e p33 so positivos com valores pares de n, e
valor zero, caso contrrio. Isso significa que o perodo para os estado 1 e 3 2.
Problema: Classifique os estados das seguintes cadeias de Markov. Se um estado for peridico,
determine seu perodo.
0 1 0 0 ,1 0 0 ,9

a) 0 0 1 b) 0 ,7 0 ,3 0
1 0 0 0 ,2 0 ,7 0 ,1

PROBILIDADES DE ESTADO NO EQUILBRIO E TEMPOS MDIOS DE RETORNO DAS
CADEIAS ERGDICAS
Em uma cadeia de Markov ergdica, as probabilidades de estado no equilbrio so definidas por:
j lim a( nj ) , j 0, 1, 2 , ........
n
essas probabilidades, que so independentes de { a ( 0j ) }, podem ser determinadas com base nas
equaes:
= P
j j 1
O que = P diz que as probabilidades permanecem inalteradas aps uma transio e, por
essa razo, representam a distribuio do estado no equilbrio. Como ser vista mais na frente, uma
das equaes em = P redundante.
Um subproduto direto das probabilidades de estado no equilbrio a determinao do nmero
esperado de transies antes de os sistemas retornarem a um estado j pela primeira vez. Isso
conhecido como tempo mdio do primeiro retorno ou tempo mdio de recorrncia, e calculado em
uma cadeia de Markov de n estados por:
1
i j , j 1, 2 , ......,n
j
Exemplo: Para o exemplo do jardineiro, determine a distribuio de probabilidades de estado no

equilbrio do problema do jardineiro, com fertilizantes.
Soluo:
Temos,
0 ,3 0 ,6 0 ,1

( 1 2 3 ) ( 1 2 3 ) 0 ,1 0 ,6 0 ,3
0 ,05 0 ,4 0 ,55

que d como resultado o seguinte conjunto de equaes:

1 = 0,31 + 0,12 + 0,053
1 = 0,61 + 0,62 + 0,43
1 = 0,11 + 0,32 + 0,553
1 + 2 + 3 = 1
Lembrando que uma (qualquer uma) das trs primeiras equaes redundante, a soluo 1 =
0,1017; 2 = 0,5254 e 3 = 0,3729. O que essas probabilidades dizem que, no longo prazo, a condio
do solo ser boa aproximadamente 10% das vezes, razovel 52% das vezes e ruim 37% das vezes.
Os tempos mdios do primeiro retorno so calculados por:
1 1 1
11 9 ,83 ; 2 2 1,9 ; 3 3 2 ,68
0 ,1017 0 ,5254 0 ,3729
Isso significa que, dependendo do estado atual do solo, levar aproximadamente 10 estaes de
plantio de mudas para o solo voltar a um estado bom, aproximadamente 2 estaes para voltar a um
estado razovel e aproximadamente 3 estaes para voltar a um estado ruim. Esses resultados indicam
uma perspectiva mais sombria do que promissora para a condio do solo sob o programa de
fertilizante proposto. Um programa mais agressivo deve melhorar o quadro. Por exemplo, considere a
seguinte matriz de transio na qual as probabilidades de passar para um estado bom sejam mais altas
do que a matriz anterior:
0 ,35 0 ,60 0 ,05

P = 0 ,30 0 ,60 0 ,10
0 ,25 0 ,40 0 ,35

Nesse caso, 1 = 0,31; 2 = 0,58 e 3 = 0,11; o que resulta em 11 = 3,2; 22 = 1,7 e 33 = 8,9; uma
inverso da perspectiva sombria dada anteriormente.
Problema: Considere o problema do jardineiro com fertilizante. Suponha que o custo do fertilizante seja
$ 50 por saco e que o jardim precise de dois se o solo estiver bom. A quantidade de fertilizante 25%
maior se o solo estiver razovel e 60% maior se o solo estiver ruim. O jardineiro estima que o
rendimento anual ser de $ 250 se no for utilizado fertilizante e $ 420 se ele for aplicado. Vale a pena
utilizar o fertilizante?
Soluo:
Usando as probabilidades de estado no equilbrio, temos,
Custo anual esperado fertilizante = (2)($50)(1) + [(1,25)(2)] )($50)(2) + [(1,60)(2)] )($50)(3)
= $ 135,51
Aumento no valor do rendimento = $420 - $250 = $170
Os resultados mostram que, na mdia, a utilizao de fertilizante d um rendimento lquido de
170 135,31 = $34,49. Portanto, a utilizao de fertilizante recomendada.
Problema: Em um domingo ensolarado de primavera, o Minigolf pode obter $2.000 de receita bruta. Se
o dia estiver nublado, a receita cai 20%. Um dia chuvoso reduz a receita em 80%. Se o dia de hoje
estiver ensolarado, h 80% de chance que amanha o tempo tambm vai estar ensolarado, sem
nenhuma chance de chuva. Se o dia estiver nublado, h 20% de chance de chover amanha e 30% de
chance de fazer sol. A chuva continuar no dia seguinte com uma probabilidade de 0,8, mas h 10% de
chance de fazer sol.
a) Determine a receita diria esperada para o Minigolf
b) Determine o nmero mdio de dias em que o tempo no estar ensolarado.
Respostas:
a) Receita esperada: $1.500
b) Dias ensolarados retornaro a cada ss = 2 dias; o qual significa 2 dias seguidos sem sol.
Problema: H 3 categorias de contribuintes do Imposto de Renda nos Estados Unidos: os que nunca
sonegam impostos, os que sonegam s vezes e os que sempre sonegam. Um exame de auditorias de
declaraes de Imposto de Renda de um ano para o ano seguinte mostra que 95% dos que no
sonegaram impostos no ano anterior continuam na mesma categoria no ano corrente, 4% passam para
a categoria as vezes e o restante passa para a categoria sempre. No caso dos que sonegam s
vezes, 6% passam para nunca, 90% continuam na mesma categoria e 4% passam para sempre.
Quanto aos que sempre sonegam, as porcentagens respectivas so 0%, 10% e 90%.
a) Expresse o problema como uma cadeia de Markov
b) No longo prazo, quais seriam as porcentagens de sonegadores nas categorias nunca, s

vezes e sempre?
c) Estatsticas mostram que o contribuinte da categoria s vezes sonega impostos de
aproximadamente $5.000 por declarao, e os da categoria sempre, de aproximadamente
$12.000. Considerando uma taxa de imposto sobre a renda de 12% e uma populao de
contribuintes de 70 milhes, determine a reduo anual no recolhimento de impostos devido
sonegao?
Respostas:
a)
Nunca s vezes Sempre
Nunca 0,95 0,04 0,01
s vezes 0,06 0,90 0,04
Sempre 0,00 0,10 0,90
b) Estados no equilbrio: Nunca = 44,12%; s vezes = 36,76%; Sempre = 19,11%

c) Sonegao esperada de impostos/ano = $34.711.641.097, 07
ANLISE DE ESTADOS ABSORVENTES (Taha, 2008)
No problema do jardineiro, sem fertilizantes, a matriz de transio dada por:
0 ,2 0 ,5 0 ,3

P = 0 0 ,5 0 ,5
0 0 1

Os estados 1 e 2 (condies do solo boa e razovel) so transientes e o estado 3 (condio do solo

ruim) absorvente porque, uma vez nesse estado, o sistema permanecer ali indefinidamente. Uma
cadeia de Markov pode ter mais de um estado absorvente. Por exemplo, um profissional pode
continuar empregado na mesma empresa at se aposentar ou pode sair alguns anos antes (dois
estados absorventes). Nesses tipos de cadeias, estamos interessados em determinar a probabilidade de
chegar absoro e o nmero esperado de transies at a absoro dado que o sistema comea em
um estado transiente especfico. Por exemplo, na cadeia de Markov do jardineiro que acabamos de
considerar, se a condio atual do solo for boa, estaremos interessados em determinar o nmero
mdio de estaes de plantio de mudas at o solo tornar-se ruim, e tambm a probabilidade associada
a essa transio.
A anlise de cadeia de Markov com estados absorventes pode ser executada convenientemente
usando matrizes. Em primeiro lugar, a cadeia de Markov repartida da seguinte maneira:
N A
P =
0 I
O arranjo requer que todos os estados absorventes ocupem o canto sudeste da nova matriz. Por
exemplo, considere a seguinte matriz de transio:
1 2 3 4
1 0,2 0,3 0,4 0,1

2 0 1 0 0
P =
3 0,5 0,3 0 0,2
4 0 0 0 1
A matriz pode ser rearranjada e repartida como:
1 2 3 4
1 0,2 0,4 0,3 0,1

2 0,5 0 0,3 0,2
P* =
3 0 0 1 0
4 0 0 0 1
Nesse caso temos:
0 ,2 0 , 4 0 ,3 0 ,1 1 0
N = A = I =
0 ,5 0 0 ,3 0 ,2 0 1
Dada a definio de A e N, e o vetor coluna unitrio 1 de todos os elementos 1, pode-se mostrar

que:
Tempo esperado no estado j comeando no estado i = Elemento (i, j) de (I N)1 1
Tempo esperado para absoro = (I N)1 1
Probabilidade de absoro = (I N)1 A
Problema: Um produto processado em duas mquinas seqenciais I e II. A inspeo ocorre aps uma
unidade do produto ser concluda em uma mquina. H 5% de chance de a unidade ser descartada
antes da inspeo. Aps a inspeo, h 3% de chance de a unidade ser descartada e 7% de chance de
ser devolvida mesma mquina para retificao. Caso contrrio, uma unidade que passa pela
inspeo nas duas mquinas boa.
a) Determine o nmero mdio de passagens em cada estao para uma pea que comea na
mquina 1.
b) Se um lote de 1.000 unidades for iniciado na mquina I, quantas unidades boas sero
produzidas.
Soluo:
Para a cadeia de Markov, o processo de produo tem 6 estados: Incio em I (s1), inspeo aps I
(i1), incio em II (s2), inspeo aps II (i2), descarte aps inspeo em I ou II (J) e boa aps II (G).
Unidade que entram em J ou G so terminais e, em consequncia, J e G so estados absorventes. A
matriz de transio dada por:
s1 i1 s2 i2 J G
s1 0 0,95 0 0 0,05 0
i1 0,07 0 0,9 0 0,03 0
P =
s2 0 0 0 0,95 0,05 0
i2 0 0 0,7 0 0,03 0,9
J 0 0 0 0 1 0
G 0 0 0 0 0 1
Portanto,
s1 i1 s2 i2 J G
s1 0 0,95 0 0 0,05 0
i1 0,07 0 0,9 0 0,03 0
N = A =
s2 0 0 0 0,95 0,05 0
i2 0 0 0,7 0 0,03 0,9
Fazendo clculos convenientes, obtemos:
-1
1 -0,95 0 0 1,07 1,02 0,98 0,93
-0,7 1 -0,9 0 0,07 1,07 1,03 0,98
(I N)-1 = =
0 0 0 0,95 0 0 1,07 1,02
0 0 0,07 0 0 0 0,07 1,07
1,07 1,02 0,98 0,93 0,05 0 0,16 0,84

0,07 1,07 1,03 0,98 0,03 0 0,12 0,88
(I N)-1 A = =
0 0 1,07 1,02 0,05 0 0,08 0,92
0 0 0,07 1,07 0,03 0,9 0,04 0,96
A linha superior de (I N) 1 d o nmero mdio de passagens em cada estao para uma pea
que comea na mquina I. Especificamente, uma pea passa pela I 1,07 vezes; pela inspeo I,
1,02 vezes; pela mquina II, 0,98 vezes; e pela inspeo II 0,93 vezes. A razo por que o nmero
de passagens na mquina I e na inspeo I maior do que 1 se deve retificao e nova
inspeo.
Por outro lado, os valores correspondentes para a mquina II so menores do que 1 porque
algumas peas so descartadas antes de chegar maquina II. De fato, sob perfeitas condies
(nenhuma pea descartada e nenhuma retificao), a matriz (I N) 1 mostrar que o nmero de
vezes que uma pea passa em cada estao exatamente 1 (experimente designando uma
probabilidade de transio 1 para todas as estaes). Claro que a durao da estadia em cada
estado pode ser diferente. Por exemplo, se os tempos de processamento nas mquinas I e II so
20 e 30 minutos, e se os tempos de inspeo em I e II so 5 e 7 minutos, ento uma pea que
comea na mquina I ser processada (isto , descartada ou concluda) em
(1,07)(20)+(1,02)(5)+(0,98)(30)+(0,93)(7)=62,41 minutos.
Para determinar o nmero de peas concludas em um lote inicial de 1.000 peas, a linha superior
de (I N) 1 nos mostra que:
Probabilidade de uma pea ser descartada = 0,16
Probabilidade de uma pea ser concluda = 0,84
Isso significa que (1.000)(0,84) = 840 sero concludas de um lote inicial de 1.000.
Problema: Uma faculdade administra exames de competncia computacional todos os anos. Esses
exames permitem que os estudantes sejam liberados da disciplina de Introduo Informtica. Os
resultados dos exames so apresentados em um dos seguintes 4 estados:
Estado 1: passa em todos os exames e fica isento da disciplina
Estado 2: no passa em todos os exames na terceira tentativa e precisa fazer a disciplina
Estado 3: no passa nos exames na primeira tentativa
Estado 4: no passa nos exames na segunda tentativa
O coordenador do curso para os exames registrou a seguinte matriz de probabilidades de transio:
Para
De 1 2 3 4
1 1 0 0 0
2 0 1 0 0
3 0,8 0 0,1 0,1
4 0,2 0,2 0,4 0,2
Atualmente, existem 200 estudantes que no passaram em todos os exames na primeira tentativa.
Alm disso, existem 50 estudantes que no passaram na segunda tentativa. No longo prazo:
a) quantos estudantes sero liberados da disciplina porque passaram nos exames?.
b) Quantos dos 250 estudantes tero que fazer a disciplina?

Soluo:
Nesse caso temos que:
0 ,8 0 0 ,1 0 ,1
N = A =
0 ,2 0 ,2 0 , 4 0 ,2
0 ,9 0 ,1 1 1,176 0 ,147
(I N)1 =
0 ,4 0 ,8 0 ,588 1,324
1,176 0,147 0,8 0 0,971 0,029

(I N)1A =
0,588 1,324 0,2 0,2 0,735 0,265
Finalmente, chamando M = (200 50), temos:
0 ,971 0 ,029
M (I N)1A = ( 200 50) ( 231 19)
0 ,735 0 ,265
Assim, o nmero de estudantes que sero dispensados da disciplina 231 e os que tero que
curs-la 19.
Problema: Quando eu tomo emprestado um livro da biblioteca Municipal, em geral tento devolv-lo
aps uma semana. Dependendo do tamanho do livro e de meu tempo livre, h 30% de chance de eu
conserv-lo por mais uma semana. Se eu ficar com o livro por duas semanas, h 10% de chance de eu
conserv-lo por mais uma semana. Sob nenhuma condio eu fico com o livro por mais do que trs
semanas.
a) Expresse a situao como uma cadeia de Markov.
b) Determine o nmero mdio de semanas que eu fico com um livro antes de devolv-lo
biblioteca.
Soluo:
a)
Para
De 1 2 3 Biblioteca
1 0 0,3 0 0,7
2 0 0 0,1 0,9
3 0 0 0 1
Biblioteca 0 0 0 1
b) Mantenho 1 livro 1,33 semanas em mdia.

REFERNCIAS BIBLIOGRFICAS
CHANGKONG V.; HAIMES Y. Y. Multiobjective Decision Making, New York, USA: Elsevier Science
Publishing Co, Inc., 1983.
DOS SANTOS, MAURCIO. Apostila de Pesquisa Operacional da Universidade Estadual de Rio de Janeiro
(UERJ), R. J., Brasil, 2003.
GOULD F.; EPPEN G.; SCHMIDT C. Investigacin de Operaciones en la ciencia Administrativa, Mxico:
Prentice-Hall Hispanoamericana S.A, 1992.
HILLIER, F.; LIEBERMAN, G. Introduo Pesquisa Operacional, Brasil: Bookman, 8 edicin,
2010.
KLEINROCK, L. Queueing Systems, Volume 1, Theory. USA: John Wiley & Sons, 1975.
KLEINROCK, L. Queueing Systems, Volume 2, Computers Aplications, USA: John Wiley & Sons, 1976.
MOORE, J.; WHEATHERFORD, L. Tomada de Deciso em Administrao com planilhas eletrnicas, Brasil:
Bookman, 6 edicin, 2005.
NAHMIAS, S. Anlisis de la produccin y las Operaciones, Mxico: McGraw-Hill Interamericana, 5
edicin, 2007.
RENDER, B.; STAIR, R.; HANNA, M. Anlise Quantitativa para Administrao, Brasil: Bookman, 10
edio, 2010.
TAHA, H. Pesquisa Operacional, So Paulo, Brasil: Pearson Prentice-Hall Inc., 8 edio, 2008.
FORMULRIO
Probabilidade Condicional: Sabe-se que a probabilidade condicional de um evento B, conhecido um

evento A, denotada como P(B\A), :
P(A B)
P(B \ A) , para P(A) 0
P(A)
Teorema de Bayes: Um grfico da diviso de um evento B entre uma coleo de 4 eventos

mutuamente excludentes e exaustivos mostra-se na figura abaixo:
E1 E2 S
E3
B E1
B E2 E4
B E3
BE4
B
O teorema de Bayes indica que se E1, E2, ......, Ek forem eventos mutuamente excludentes e exaustivos e
B for qualquer evento, ento:
P(B \ E 1 ) P(E 1 )
P(E 1 \ B) , para P(B) 0
P(B \ E 1 ) P(E 1 ) P(B \ E 2 ) P(E 2 ) ......... P(B \ E k ) P(E k )
Critrio de Laplace: Usa-se a hiptese otimista de que todos os estados da natureza so igualmente
provveis. Assim:
Dado que o retorno v(ai, sj) representa o ganho, a melhor alternativa a que d:
1 n
max v(a i , s j )
n
ai
j1
Se v(ai, sj) representar prejuzo, ento a minimizao substitui a maximizao.
Critrio Maximin (ou Minimax): Se v(ai, sj) for prejuzo, ento escolhemos a ao que corresponde ao
critrio minimax:

min max v(a i , s j )
ai sj
Se v(ai, sj) representar o ganho, ento usar o critrio maximin:

max min v(a i , s j )
ai s j
Critrio de Savage: Usa-se a seguinte transformao:
v(a i , s j ) min [ v(a k , s j ], se v for perda

ak
r (a i , s j )
max [ v(a k , s j ] v(a i , s j ), se v for ganho
ak
Depois aplicar Minimax.
Critrio de Hurwicz: Defina-se 0 < 1 e se considere que v(ai, sj) representa ganho, ento, a ao
selecionada deve ser associada com:

max max v(a i , s j ) (1 ) min v(a i , s j )
ai sj sj
Se v(ai, sj) representar prejuzo, o critrio mudado para:

min min v(a i , s j ) (1 ) max v(a i , s j )
ai s j s j
Distribuio de Poisson: A funo de distribuio de probabilidade de uma vad X de Poisson dada

por:
e x
p( x ; ) f( x) , x = 0, 1, 2, .....
x!
A funo acumulativa da distribuio de Poisson est dada por:
r r
e x
P(r ; ) p(x; )
x0

x0 x!
Em geral a mdia de uma distribuio de Poisson e a varincia 2 so iguais a:
= e 2 =
O valor esperado de uma va discreta :
E( x) x f( x)
Distribuio Exponencial: A fdp exponencial fcil de integrar para obter a funo de densidade
acumulativa F(X):
x 0 para x 0
F( x ; ) P( X x) 0 e x
1 e
x
para x 0
O valor esperado de uma va X exponencialmente distribuda :
1
0 x e
x
E( x) dx

O modelo M/M/1:
= taxa mdia de chegada (1/ = intervalo mdio entre chegadas)
= taxa de servio mdia (1/ = durao mdia do servio)
n = nmero de unidades no sistema (inclui as da fila e a sendo servida).

Probabilidade de 0 unidades no sistema, ou seja, a probabilidade do sistema estar vazio: P0 1

n
Probabilidade de existirem n unidades no sistema: Pn 1

k1
Probabilidade de existirem mais de k unidades no sistema: P ( n k )

Nmero mdio (esperado) de unidades no sistema: L = W =

2
Nmero mdio (esperado) de unidades na fila: L q Wq
( )
L 1
Tempo mdio (esperado) que cada unidade permanece no sistema: W

1
Tempo mdio (esperado) que cada unidade permanece na fila: Wq W
( )

Fator de utilizao da estao de servio:

Probabilidade de 1 unidade demorar mais de t unidades de tempo no sistema: P(T t ) e ( 1 ) t
Podemos ter ainda as seguintes relaes entre as medidas bsicas:

Lq L Wq

L Lq W

1 Lq
Wq W

1 L
W Wq

O modelo M|M|S, com S > 1:
1
P0
s1 1 n 1 s

n 0 n! s ! ( 1 )
1 n
P0 para n 1, 2 , 3, ..... , s 1

n!
Pn
1 n
para n s
s ! s n s P0

s1
P0

Lq L Lq
( s ) ( s ! ) ( 1 ) 2
L Lq
W Wq


s t s 1

P0 1 e

P ( T t ) e t 1 se s 1 0

s ! (1 ) s 1

s

P0 ( t )

P ( T t ) e t 1 se s 1 0
s ! ( 1 )

O MODELO M/M/1: COM CAPACIDADE FINITA

1

para
M1
P0 1

1
para
M1
n
P para
Pn 0
P0 para

M1
(M 1)
para
M1
L 1

M
para
2
Lq = L (1 P0)
ef = (1 P0) = (1 PM)
L
W
ef
Lq
Wq
ef
ef
O MODELO M/M/s: FILA FINITA com S > 1

Vamos definir 2 variveis (a e c) ressaltando que elas no tem nenhum significado e so
usadas apenas para simplificar a escrita das frmulas:

a c
s
Temos ento:
1
P0
s 1 1 s M
an a cn s
n 0 n! s!
n s1
1
a n P0 para n s
n!

a n P0
Pn para s n M
s! s n s
0 para n M

Lq
P0 a s c
s ! ( 1 c) 2
1 c Ms
( M s ) c M s ( 1 c)
s1
L Lq s (s n ) Pn
n 0
s1
ef s (s n ) P n
n 0
L
W
ef
Lq
Wq
ef
ef
O MODELO M/M/s: Populao finita

X Fator de servio

S = n de estaes de servio
M = Tamanho da populao
Da tabela obtemos a seguinte medida:
F = Fator de Eficincia.
Temos ento:
Lq = M (1 F)
ef = M F X
1
W Wq

L = ef W
Lq
Wq
ef
MFX

s
1
P0 s1
M!
n M
M! n

(M n )! n !
(M n )! s ! s n s

n 0 n s
M! n
P0 para 1 n s
(M n ) ! n !
M! n
Pn P0 ns
para s n M
(M n )! s ! s

0 para n M
O MODELO M/G/1:
P0 = 1
2 2 2
Lq
2 ( 1 )
L = Lq +
Lq
Wq

1
W Wq

O MODELO M/Ek/1:
Para a chamada distribuio de Erlang, a mdia e o desvio padro so:
1
x

1 1
onde k 0 e inteiro
k
(1 k ) 2
Lq
2 k ( )
(1 k )
Wq
2 k ( )
1
W Wq

L=W
MTODOS PARA A GERAO DE NMEROS ALEATRIOS
Mtodo dos quadrados mdios
Dada a semente normalmente rotulada como x0.

x0 = abcd (cada letra representa um dgito, portanto, x0 um nmero de 4 dgitos)
Para encontrar um nmero aleatrio de 3 dgitos teramos que elevar ao quadrado x 0 = abcd:
(abcd)2 = jk | mnp | qrw x1 = mnp (nmero aleatrio de 3 dgitos)
Mtodos Congruentes
xn+1 = (axn + c) mod m
A funo z mod t d o resto da diviso inteira de z por t (ex. 23 mod 5 = 3).
A constante a chamada de multiplicador, a constante c o incremento e m o mdulo.

Como antes, x0 a semente.
Quando c = 0, o mtodo chamado de Congruncia Multiplicativa.
NMEROS ALEATRIOS UNIFORMEMENTE DISTRIBUDOS EM [0,1)

Por exemplo, para a = 13, m = 67 e x0 = 1, teramos:
x0 = 1 / 67 = 0,0149253
x1 = (13 1) mod 67 = 13 / 67 = 0,1940298
x2 = (13 13) mod 67 = 35 / 67 = 0,522388
Alguns geradores dividem por (m1) o que d uma distribuio [0, 1]. Na verdade como m
sempre um nmero muito grande, dividir por m ou (m1) irrelevante.
O gerador RANDU
xn+1 = (65539 xn) mod 2147483648
O gerador RAND1
xi+1 = (16807 xi) mod 2147483647
O gerador RAND2
xi+1 = (630360016 xi) mod 2147483647
O gerador RAND4 (mtodo com perodos maiores)
Ai = (1403580 Ai2 810728 Ai3) mod (232 209)

Bi = (527612 Bi2 1370589 Bi3) mod (232 22853)
Yi = (Ai Bi) mod (232 209)
Ui = Yi/(232 209)
Para a RAND4 so necessrias 6 sementes iniciais, todas no intervalo [1; 4294967087].
O gerador do Turbo Pascal (de 2003)
xi+1 = (134775813 xi + 1) mod 4294967296

O gerador do Excel (de 2003)

xi+1 = (9821 xi + 0,211327) mod 1
Um gerador bom
Ai+1 = (171 Ai) mod 30269

Bi+1 = (172 Bi) mod 30307
Ci+1 = (170 Ci) mod 30323
ALEAT = [(Ai+1 / 30269) + (Bi+1 / 30307) + (Ci+1 / 30323)] mod 1
So necessrios 3 sementes iniciais
VARIVEIS ALEATRIAS CONTNUAS
Uma vez que temos uma rotina para gerar nmeros uniformemente distribudos no intervalo
[0,1], fcil ger-los com outras distribuies uniformes.
Suponha que X uma varivel aleatria contnua, uniformemente distribuda dentro do intervalo
(a, b), onde a < b. Seja U uma varivel aleatria uniformemente distribuda no intervalo [0, 1].
0 U 1
a X b
Aplicando proporcionalidade simples temos:
Xa U0
, ou X = a + (b a) U
ba 10

Assim muito simples gerar X de um dado U, conhecendo-se a e b.
VARIVEIS ALEATRIAS DISCRETAS
Agora suponha que a e b sejam quantidades inteiras, a < b, e X uma varivel aleatria discreta
(s valores inteiros) uniformemente distribuda no intervalo [a, b]. Assim X s pode tomar valores
iguais a: a, a + 1, a + 2, ..., b 1, b.
Se U contnua e uniformemente distribuda no intervalo [0, 1], ento:
X = a + INT[(b a + 1)U ]
onde INT a funo inteiro, ou seja, eliminada a parte decimal.
O Mtodo da Transformao Inversa

Suponha que temos uma distribuio probabilstica, com funo de densidade f(x) e funo de
distribuio acumulada igual a F(x). Desejamos gerar uma varivel aleatria que siga esta distribuio
probabilstica. O mtodo da Transformao Inversa oferece uma maneira simples de resolver o
problema.
O mtodo est baseado no fato de que a distribuio acumulada, F(x), tem valor entre 0 e 1 ou
seja, no mesmo intervalo de um nmero aleatrio, U, gerado por um gerador bsico. Assim sendo,
tendo U, consideramos este valor como sendo um valor de F(x). Para achar o valor de x, basta resolver
a equao, ou seja achar a inversa de F(x).
A figura a seguir mostra, graficamente, o princpio no qual o mtodo est baseado:
F(x)
U = y0
0 x0 x
isto , se y0 = F(x0), ento podemos escrever: x0 = F1(y0)
Substituindo y0 por U, temos: x0 = F1(U)
A Distribuio Exponencial
Muitos problemas de simulao necessitam usar a distribuio exponencial. Isto verdadeiro nos
problemas que envolvem chegadas e partidas (filas), como a simulao de uma agncia bancria, da
sada (caixas) de um supermercado, de um aeroporto, etc...
A funo de densidade probabilstica da exponencial igual a:
f(x) = e x
onde uma constante conhecida e a mdia () igual a 1/.
A funo de distribuio acumulada dada por:
F(x) 1 e x
De modo a se fazer uso do mtodo da transformao inversa devemos resolver para x. Assim
temos:
x = (1/) ln [ 1 F(x) ]
Como a funo acumulada, F(x), uniformemente distribuda em [0, 1], a quantidade [ 1 F(x) ]
tambm ser uniformemente distribuda em [0, 1]. Assim podemos escrever
x = (1/) ln (U)
onde x a varivel aleatria exponencialmente distribuda e U um nmero aleatrio uniformemente

distribudo em [0, 1], gerado por um gerador bsico.
Suponha agora que x deve ser maior ou igual a um determinado valor positivo, x0, isto 0<x0< x.
A equao acima fica:
x = x0 (1/) ln (U)
A media () fica como:
= x0 + (1/)
Podemos tirar ento a relao entre e :
= 1/( x0)
SIMULAO DIRETA
O mtodo da Transformao Inversa s pode ser usado se uma expresso analtica puder ser
obtida para a funo de distribuio acumulada e ela possa ser resolvida explicitamente para x.
Existem muitas situaes onde isto no possvel, como para a distribuio normal, por exemplo.
Uma tcnica alternativa para estes casos o uso da simulao direta do processo sob considerao.
A distribuio de Poisson
A distribuio de Poisson est intimamente relacionada com a distribuio exponencial e usada

em muitos problemas de simulao que envolvem chegadas e partidas. Em particular, se o tempo
entre sucessivas chegadas (ou partidas) exponencialmente distribudo, ento o nmero de eventos
que ocorrem em um intervalo de tempo finito t ser distribudo de acordo com uma distribuio de
Poisson.
Suponha que os intervalos na linha do tempo mostrada abaixo, sejam os instantes da chegada de
clientes em um posto bancrio:
E1 E2 E3 E4
0 Tempo
t
Seja Ei uma varivel aleatria exponencialmente distribuda com mdia (1/t), ou seja, o
intervalo entre as chegadas.
k
Fazendo S k E i , ento para o intervalo onde se localiza t, temos que Sk t < Sk+1, onde k
i 1
a varivel Poisson, com mdia t, ou seja, o nmero de chegadas no intervalo t (k = 3 no exemplo

grfico acima). Sabe-se que podemos gerar variveis exponenciais (Ei) mediante o mtodo da
Transformao Inversa aplicada distribuio exponencial (pg. 61), atravs da relao:
Ei = (1/) lnUi
Logo a varivel poisson o valor de k 1 quando, no somatrio, acontece:
k k
1

i1
Ei t ou
i 1

ln U i t

k

i 1
ln U i t
Multiplicando ambos os lados da equao por 1, temos:

i 1
ln U i t
Fazendo t = 1 e exponenciando ambos os lados chegamos a:
k k

i 1
Ui e ou e
i 1
Ui
ou seja, a varivel poisson igual a (k 1) quando a relao acima passa a ser verdadeira.
A distribuio Normal
Muitos tipos de eventos aleatrios so governados pela distribuio Normal. Esta distribuio
caracterizada por uma densidade probabilstica dada por:
2
1 x
1
2

f( x) e onde x
2
onde a mdia e o desvio padro. A funo de densidade normal no pode ser integrada
analiticamente e desta forma no podemos usar o mtodo da transformao inversa. Podemos,
entretanto, uma vez mais, gerar a varivel aleatria desejada por simulao direta.
Para fazer isto considere o caso especial onde = 1 e Z = (x )/. Temos ento:
Z2
1
f( x) e 2
2
Esta a funo de densidade probabilstica para a distribuio normal padronizada (standard).

Pelo teorema do limite central sabemos que a soma de N variveis aleatrias uniformemente
distribudas em [0, 1] segue uma distribuio Normal com = N/2 e = (N/12)0,5 . Podemos escrever:
N
N

i 1
Ui
2
Z
N
12
Como esta considerao vlida para N > 10, podemos fazer N = 12 para facilitar o
procedimento computacional, obtendo ento:
12
Z
i 1
Ui 6
Temos agora um procedimento simples para gerar uma varivel aleatria normalmente
padronizada. Simplesmente somamos 12 nmeros aleatrios uniformemente distribudos em [0, 1] e
ento subtramos 6, obtendo um valor para Z. Se desejarmos gerar uma varivel normal com mdia
e desvio padro , geramos primeiro Z e ento calculamos a varivel aleatria desejada X usando: X =
+ Z.
Mtodo alternativo para gerar variveis aleatrias normalmente distribudas:
Z ( 2 ln U 1 ) Sin (2U 2 ), ou
Z ( 2 ln U 1 ) Cos (2U 2 )
Ambas as expresses geram variveis aleatrias normais padronizadas. Observe que o mtodo
anterior necessita de 12 valores de Ui para cada valor de Z enquanto que este ltimo s necessita de 2.
Assim aparenta ser mais eficiente do ponto de vista computacional mas o clculo de logartmico, raiz
quadrada e seno (ou co-seno) muito mais demorado que uma soma. Na verdade os 2 mtodos se
equivalem em termos de tempo computacional.
O Mtodo da Rejeio
O Mtodo da Rejeio um procedimento geral para gerar variveis aleatrias (va) para
qualquer distribuio cuja densidade probabilstica f(x) contnua e limitada dentro de uma regio
finita, isto , necessitamos que 0 f(x) fmax dentro do intervalo a x b.
De maneira a se obter a va X, deve-se proceder da seguinte forma:

1. Gerar um par (U1, U2) de nmeros aleatrios uniformemente distribudos em (0,1).

2. Obter uma va, K, dentro do intervalo a K b, usando a relao K = a + (b a)U1.
3. Avaliar a densidade probabilstica no ponto K, isto , determinar f(K).
4. Obter uma va, Y , uniforme dentro do intervalo 0 Y fmax, usando a relao Y = (fmax) (U2).
Os pontos Y e K representam as coordenadas de algum ponto no espao como ilustrado nas
figuras a seguir:
f(x) f(x)
fmx fmx
f(K) Y
f(K)
Y
0 a K b x 0 a K b x
Y < f(K), logo aceitamos K Y > f(K), logo NO aceitamos K
5. Comparar Y com f(K). Se Y no maior que f(K) ento o ponto (Y, K) cair em cima ou abaixo
da curva de densidade probabilstica como indicado na primeira figura acima. Neste caso ns
aceitamos K como a varivel aleatria desejada, ou seja, fazemos X = K. Se Y maior que f(K),
rejeitamos o ponto.
6. As etapas de 1 a 5 so repetidas sucessivamente at ser encontrado um ponto que satisfaa a
condio.
Embora o mtodo da rejeio possa ser usado com muitas distribuies diferentes, ele
ineficiente por causa das diversas tentativas que se tem que fazer para se obter uma varivel aleatria
desejada. Por esta razo s deve ser usado se no existir outro mtodo.
A distribuio Beta
Para ilustrar o uso do mtodo da rejeio, vamos considerar a distribuio Beta. Esta distribuio
tem a densidade probabilstica dada por:
( 1 2 1)! x ( 1) (1 x) (
1 2 1)
f( x)
( 1 1)! ( 2 1)!
onde 1 e 2 so inteiros positivos e 0 x 1.
Pode ser mostrado que a mdia e a varincia para esta distribuio so:
1 2
2
( 1 2 ) ( 1 2 ) ( 1 2 1)
Como 0 x 1 para a distribuio Beta, temos, no mtodo da rejeio, a = 0 e b = 1.
CADEIAS DE MARKOV
Em um processo markoviano com n estados (resultados) exaustivos e mutuamente exclusivos,

as probabilidades em um ponto especfico do tempo t = 0, 1, 2, ...... so habitualmente expressas por:
p ij P{X t j|X t 1 i}, com i 1, 2 , ......,n ; j 1, 2 , ......,n ; t 0, 1, 2 , .......,T
Isso conhecido como probabilidade de transio em uma etapa de passar do estado i em (t 1) ao

estado j em t. Por definio:
j p i j 1, para i 1, 2 , ....., n (note que se cumpre quando i se fixa e j varia)
p i j 0, para i 1, 2 , ....., n ; j 1, 2 , ....., n
Um modo conveniente de resumir as probabilidades de transio em uma etapa usar a seguinte

notao matricial:
p 11 p 12 ..... p 1 n

p 21 p 22 ..... p 21
. . . .
P=
. . . .
. . . .
p pn2 ..... p nn
n1
A matriz P (em notao matricial, qualquer letra maiscula em negrito representa uma matriz)
define a denominada cadeia de Markov.
Probabilidades de Transio em n-etapas e Absolutas

Dadas as probabilidades iniciais a(0) = {aj(0)} de iniciar no estado j e a matriz de transio P de
uma cadeia de Markov, as probabilidades absolutas a(n) = {aj(n)} de estar no estado j aps n
transies (n > 0) so calculadas da seguinte maneira:
a(1) = a(0)P
a(2) = a(1)P = a(0)PP = a(0)P2
a(3) = a(2)P = a(0)P2P = a(0)P3
A matriz Pn conhecida como matriz de transio em n etapas. Pelos clculos anteriores, temos:
Pn = Pn - m Pm, 0<m<n
PROBILIDADES DE ESTADO NO EQUILBRIO E TEMPOS MDIOS DE RETORNO DAS
CADEIAS ERGDICAS
Em uma cadeia de Markov ergdica, as probabilidades de estado no equilbrio so definidas por:
j lim a( nj ) , j 0, 1, 2 , ........
n
essas probabilidades, que so independentes de { a ( 0j ) }, podem ser determinadas com base nas
equaes:
= P
j j 1
Um subproduto direto das probabilidades de estado no equilbrio a determinao do nmero

esperado de transies antes de os sistemas retornarem a um estado j pela primeira vez. Isso
conhecido como tempo mdio do primeiro retorno ou tempo mdio de recorrncia, e calculado em
uma cadeia de Markov de n estados por:
1
i j , j 1, 2 , ......,n
j
ANLISE DE ESTADOS ABSORVENTES
A anlise de cadeia de Markov com estados absorventes pode ser executada convenientemente
usando matrizes. Em primeiro lugar, a cadeia de Markov repartida da seguinte maneira:
N A
P =
0 I
Dada a definio de A e N, e o vetor coluna unitrio 1 de todos os elementos 1, pode-se mostrar

que:
Tempo esperado no estado j comeando no estado i = Elemento (i, j) de (I N)1 1
Tempo esperado para absoro = (I N)1 1
Probabilidade de absoro = (I N)1 A

Apostila de Mod Simul 4

Enviado por

Dados do documento

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 Mod Simul 4

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO PIAUI

APOSTILA DE MODELAGEM PROBABILSTICA E SIMULAO

Prof. William Morn

Na anlise de decises usa-se um processo racional para selecionar a melhor de varias

TOMADA DE DECISES SOB RISCO (Taha, 2008):

Em condies de risco, as vantagens associadas a cada alternativa de deciso se descrevem com

O problema pode-se resumir como segue:

Rendimentos em um ano por investimento de $ 10.000

Mercado em alta (0,6)

Os rendimentos esperados para o ano 1 das alternativas so:

Com base nesses clculos, se escolheria investir nas aes de A.

Portanto, se VEi representa o valor esperado da alternativa i, teremos que:

VEi = ai1 p1 + ai2 p2 + .......... + ain pn; com i = 1, 2, ......, n

b) Probabilidades a posteriori (Bayes): Considere o problema anterior sobre mercado de valores.

Mercado em alta (m1)

Sabe-se que a probabilidade condicional de um evento B, conhecido um evento A, denotada como

P(B) = P(BE1) + P(BE2) + ......... + P(BEk)

= P(B\E1) P(E1) + P(B\E2) P(E2) + ......... + P(B\Ek) P(Ek)

Um grfico da diviso de um evento B entre uma coleo de 4 eventos mutuamente excludentes e

Portanto, devemos notar que o que necessitamos calcular so as probabilidades:

Do problemas inicial, sabemos que P(m1) = 0,6 e P(m2) = 0,4

Voto a favor, investir em A: (5000) (0,730) + (- 2000) (0,270) = 3100

Voto em contra, investir em A: (5000) (0,231) + (- 2000) (0,769) = - 383

Problema: Dados histricos da Acme Manufacturing estimam 5% de chance de um lote de pequenas

P(a = 1) = 0,95 e P(a = 2) = 0,05

DECISES SOB INCERTEZA

O elemento ai representa a ao i, e o elemento sj representa o estado da natureza j. O

a) Critrio de Laplace: Baseia-se no suposto de que se no se conhecem as probabilidades dos estados

P(s1) = P(s2) = . = P(sn) = 1/n

Se v(ai, sj) representar prejuzo, ento a minimizao substitui a maximizao.

Se v(ai, sj) representar o ganho, ento usar o critrio maximin:

c) Critrio de Savage: Aplica-se ao conservadorismo moderado no critrio Minimax (Maximin) pela

v(a i , s j ) min [ v(a k , s j ], se v for perda

O parmetro denominado ndice de otimismo. Se = 0, o critrio conservador porque se aplica

Logo escolhemos o Minimax da coluna, isto escolhemos a alternativa a 3, estudar a noite

Segundo o critrio de Hurwicz e para = 0,5 teriamos:

s1 s2 s3 Min linha Max linha 0,5*Min linha + 0,5*Max linha

Problema: A Cia. ABXT-Produtos Eletrnicos Ltda. est considerando o lanamento de um auto-rdio e

Evento 1: produo e venda de 50.000 auto-rdios por ano

Tipo Evento 1 Evento 2 Evento 3 Evento 4

a) Avies que chegam a um aeroporto.

IMPORTNCIA DA DISTRIBUIO EXPONENCIAL NA TEORIA DE FILAS

O valor esperado de uma va X exponencialmente distribuda :

Por definio da probabilidade condicional, teremos:

Mas o evento X t0 no numerador redundante, pois ambos eventos podem ocorrer se e

Essa probabilidade condicional idntica probabilidade original P(X t), portanto, a

Problema: O nmero de anos de funcionamento de um reprodutor de mp3 distribudo

O PROCESSO DE POISSON (Dos Santos, 2003)

1) O n de chegadas (ou de servios completados) em uma unidade de tempo especificada

2) O n mdio de chegadas (ou de trmino de servios) por unidade de tempo proporcional ao

3) A probabilidade da ocorrncia de 2 chegadas simultneas (ou trmino de 2 servios) em uma

5) Se a distribuio das chegadas (discreta) segue a distribuio de Poisson, ento a distribuio do

b) A probabilidade de no haver nenhum nascimento em qualquer dia determinado calculada

P(para t = 1 dia ter x = 0 nascimentos) = (e-120x1) (120x1)0/0! = e-120 0

Um outro modo de calcular a mesma probabilidade observar que nenhum nascimento em

1 F(x; ) P(X x) e x , ento P(t > 1) = e-120x1 0

c) Calcular a probabilidade de emitir 50 certides ao final de 3 horas dado que 40 certides

d) P(para t = 1 dia ter x = 20 nascimentos) = (e-120x1) (120x1)20/20! = 1,208 x 10-29 0

Assim sendo, temos que a probabilidade de ocorrerem menos de 20 nascimentos (n = 20) em

A NOTAO DE KENDALL (Dos Santos, 2003)

A notao de Kendall completa a seguinte:

a = distribuio de tempos entre chegadas (chegadas no sistema)

b = distribuio dos tempos de servio (sadas do sistema)

CONVENO PARA TEXTOS DE FILAS (Dos Santos, 2003)

s1 s2 s3 Min linha Max linha 0,5Min linha + 0,5Max linha