1

UNIVERSIDADE FEDERAL DO MARANHO - UFMA

CENTRO TECNOLGIO - CT
CURSO: CINICIA DA COMPUTAO
DISCIPLINA : TEORIA DAS FILAS E SIMULAO

Teoria das Filas

Luciano Cajado Costa1

1
Professor Substituto da Universidade Federal do Maranho
Teoria das Filas 2

1. TEORIA DAS FILAS

Todas as pessoas j passaram pelo aborrecimento de ter que esperar em
filas. Ns esperamos em fila quando estamos num engarrafamento, quando estamos no
supermercado aguardando para pagar nossas compras, nos bancos e em muitas outras
situaes.
As formaes de filas ocorrem porque a procura pelo servio maior do que
a capacidade do sistema de atender a esta procura. A razo pelo qual os gerentes dos
estabelecimentos e o poder pblico no aumentam suas capacidades de atendimento
podem ser resumidas basicamente por dois motivos : inviabilidade econmica e
limitao de espao.
Dessa forma, a Teoria das Filas tenta atravs de anlises matemticas
detalhadas encontrar um ponto de equilbrio que satisfaa o cliente e seja vivel
economicamente para o provedor do servio.

1.1 Descrio do Problema de Filas

Um sistema de filas pode ser descrito como clientes chegando, esperando
pelo servio, se no forem atendidos imediatamente, e saindo do sistema aps serem
atendidos. O termo cliente usado de maneira geral e no implica necessariamente num
cliente humano, como por exemplo, um processo esperando para utilizar a CPU. A
figura 1.1 mostra um processo de filas tpico.

Figura 1.1 Um processo de filas tpico

A teoria das filas foi desenvolvida para prover modelos que retratem
previamente o comportamento de um sistema que fornea servios que possuam
demandas que aumentem aleatoriamente
Existem muitas aplicaes respeitveis da teoria, a maioria das quais tem
sido documentadas na literatura de probabilidade, pesquisa operacional e engenharia
industrial. Alguns exemplos so fluxo de Trfego (veculos, aeronaves, pessoas,
comunicaes), escalonamento (pacientes em hospitais, jobs em mquinas, programas
Teoria das Filas 3

em computadores) e projetos de atendimentos servios (bancos, correios, parques de

diverso, restaurantes fast-food).

1.2 Caractersticas dos Processos de Filas

Na maioria dos casos, seis caractersticas bsicas de processos de filas
fornecem uma descrio adequada de um sistema de filas: (1) padro de chegada dos
clientes, (2) padro de servio dos servidores, (3) disciplina de filas, (4) capacidade do
sistema, (5) nmero de canais de servio e (6) nmero de estgio de servios.

1.2.1 Padro de Chegada dos Clientes

Nos processos de filas comuns, os processos de chegadas so estocsticos,
ou seja, desenvolvem-se no tempo e no espao conforme leis de probabilidade. Assim,
necessrio conhecer a distribuio de probabilidade descrevendo os tempos entre as
sucessivas chegadas dos clientes (tempos de interchegada). Tambm necessrio saber
se os clientes podem chegar simultaneamente (chegada batch), e se assim, qual a
distribuio de probabilidade do tamanho do batch.
A reao do cliente ao entrar no sistema tambm importante, de maneira
que, um cliente pode decidir esperar sem problema, independente do tamanho da fila,
ou, por outro lado, o cliente pode decidir no entrar no sistema caso a fila esteja muito
grande. Assim, se o cliente decide no entrar na fila aps a chegada, ele conhecido
como decepcionado. Um cliente pode, por sua vez, entrar na fila, mas depois de um
tempo perder a pacincia e decidir partir. Nos eventos que existem duas ou mais linhas
paralelas, os clientes podem mudar de uma fila para outra. Estas situaes so exemplos
de filas com clientes impacientes.
Um fator final que pode ser considerado apesar do padro de chegada a
maneira no qual o padro muda com o tempo. Um padro de chegada que no muda
com o tempo (ou seja, que a distribuio de probabilidade descrevendo o processo de
chegada independente do tempo) chamado padro de chegada estacionrio. Um que
no independente do tempo chamado no-estacionrio.

1.2.2 Padres de Servio

A maior parte da discusso mencionada nos padres de chegada valida
para discusso dos padres de servio. A mais importante que uma distribuio de
Teoria das Filas 4

probabilidade necessria para descrever a seqncia de tempos de servios dos

clientes. Os servios tambm podem ser simples ou batch.
O processo de servio pode depender do nmero de clientes esperando pelo
servio. Um servidor pode trabalhar mais rpido se a fila estiver aumentando, ou, caso
contrrio, pode ser tornar confuso ficar mais lento. A situao na qual o servio
depende do nmero de clientes na fila conhecida como servio dependente do estado.
Embora este termo no seja usado na discusso de padres de chegada, o problema dos
clientes impacientes podem ser considerados como chegadas dependentes do estado,
desde que o comportamento da chegada depende da quantidade de congestionamento no
sistema.
Servios, como chegadas, podem ser estacionrios ou no estacionrios com
respeito ao tempo. Por exemplo, o aprendizado pode ser considerado um fator de
produtividade, de forma que, o servio pode se tornar mais eficiente quando experincia
obtida, ou seja, no importa o nmero de clientes na fila ( dependncia do estado) e
sim o perodo de tempo em atividade ( dependncia do tempo). Claro, que um sistema
pode ser ao mesmo tempo no-estacionrio e dependente do estado.

1.2.3 Disciplina de Filas

A disciplina de filas refere-se a maneira como os clientes so escolhidos
para entrar em servio aps uma fila ser formada. A maioria das disciplinas comuns que
podem ser observadas na vida diria FCFS (First-Come-First-Served), ou seja, o
primeiro a chegar o primeiro a ser servido. Entretanto, existem outras disciplinas, tais
como, LCFS(Last-Come-First-Served), aplicvel em sistemas de controle de estoque
onde o item mais recente mais fcil de ser apanhado, e diversas outras disciplinas
baseadas em esquemas de prioridade.
Existem duas situaes gerais em disciplinas de prioridade. No primeiro
caso, que chamado de preemptivo, o cliente com a mais alta prioridade permitido
entrar em servio independentemente de outro cliente com menor prioridade estar sendo
servido, de forma que, o cliente com menor prioridade interrompido e tem seu
trabalho reiniciado mais tarde. Quando reiniciado, ele pode iniciar do ponto onde parou
ou reiniciar todo o processo. Na segunda situao de prioridade, chamado caso no-
preemptivo, os clientes com mais alta prioridade vo para o incio da fila, mas s
Teoria das Filas 5

entram em servio quando o cliente sendo atendido deixa o sistema, mesmo que ele
tenha uma prioridade baixa.

1.2.4 Capacidade do Sistema

Em alguns processos de filas existe uma limitao fsica da quantidade de
espao na fila, de modo que, se as filas alcanarem um certo comprimento, nenhum
novo cliente poder entrar no sistema at que espao disponvel seja obtido com o
atendimento de um cliente e a conseqente diminuio do tamanho da fila. Estas
situaes so referidas como sistemas de filas finitos, ou seja, existe um limite finito do
tamanho mximo do sistema.

1.2.5 Nmero de Canais de Servio

Quando o nmero de canais de servio so definidos, tipicamente esto

sendo determinados o nmero de estaes de servios paralelos que podem servir os
clientes simultaneamente. A figura 1.1 ilustra um sistema com canal simples, enquanto
a figura 1.2 mostra duas variaes dos sistemas multicanais. Os dois sistemas
multicanais diferem pelo fato que o primeiro possui uma nica fila, enquanto o segundo
possui uma fila para cada canal. Uma barbearia com vrias cadeiras um exemplo do
primeiro tipo de multicanal, assumindo que no exista um estilo particular de corte de
cabelo. Por outro lado, um supermercado e um restaurante fast-food preenche a segunda
espcie de multicanal. geralmente assumido que os mecanismos de canais paralelos
operam independentemente um do outro.

Figura 1.2(a) Sistema Multicanal com Fila nica

Teoria das Filas 6

Figura 1.2(b) Sistema Multicanal com Fila Individual.

1.2.6 Estgios de Servio

Um sistema de filas pode ter um nico estgio de servio, como no caso da
barbearia, ou pode ter vrios estgios. Um sistema de multi-estgio pode ser
exemplificado como um procedimento de exame fsico, onde cada paciente passa por
diversos exames, tais como: sangue, vista, urina e etc. Em alguns sistemas multi-estgio
reciclagem ou retorno podem ocorrer. Reciclagem comum em processos de
manufatura, onde inspees de controle de qualidade so realizadas sendo que se
alguma pea no se adequa ele deve ser reprocessada. Um exemplo de sistema multi-
estgio com retorno mostrado na figura 1.3.

Figura 1.3 Sistema de Filas Multi-Estgio com Retorno

As seis caractersticas de sistemas de filas discutidas nesta seo so
suficientemente gerais para descrever um processo sob estudo. Assim, antes de realizar
qualquer anlise matemtica, necessrio descrever adequadamente o processo sendo
modelado, de forma que, o conhecimento das seis caractersticas bsica so essenciais
nesta tarefa.
Teoria das Filas 7

1.3 Notao
A notao de processos de filas mais utilizada atualmente foi proposta por
Kendall, em 1953, e descrita por um srie de smbolos, tais como, A/B/m/k/M, onde A
indica a distribuio de interchegada dos clientes, B o padro de servio de acordo com
uma distribuio de probabilidade para o tempo de servio, m o nmero de canais de
servios paralelos (servidores), k a capacidade do sistema e M a disciplina de filas.
Alguns smbolos padres para estas caractersticas so mostradas na Tabela 1.1. Por
exemplo, a notao M/D/2//FCFS indica um processo de filas com tempos de
interchegada exponenciais, tempos de servio determinsticos, dois servidores paralelos,
capacidade ilimitada e disciplina de fila First-Come-First-Served.
Caractersticas Smbolo Explicao
M Exponencial
D Determinstico
Distribuio de Tempo de Interchegada (A) Ek Tipo k-Erlang (k = 1,2,...)
e Distribuio de Tempo de Servio (B) Hk Mistura de k exponenciais
PH Tipo Fase
G Geral
Nmero Paralelo de Servidores (m) 1,2,...,
Restrio na capacidade do sistema (k) 1,2,...,
Disciplina da fila (M) FCFS First Come First Served
LCFS Last Come First Served
RSS Seleo Aleatria por Servio
PR Prioridade
GD Disciplina Geral
Tabela 1.1 Notao de Fila A/B/m/k/M
Em muitas situaes s os trs primeiros smbolos so utilizados, de
maneira que, assumido que o sistema tem capacidade ilimitada e possui uma disciplina
FCFS. Neste caso, M/D/2//FCFS poderia ser indicado apenas por M/D/2.
Os smbolos na tabela 1.1 so auto-explicativos, entretanto, alguns deles
merecem algum complemento. Por exemplo, o smbolo G representa uma distribuio
de probabilidade geral, isto , resultados nestes casos so aplicveis para qualquer
distribuio de probabilidade.
Pode parecer estranho que o smbolo M seja usado como exponencial. O uso
de E pode ser confundido com Ek que usado para representar uma distribuio Erlang
tipo k. Assim, M usado ao invs disso, onde M originado da propriedade sem
memria ou Markoviana da distribuio exponencial.
Teoria das Filas 8

1.4 Medindo a Performance do Sistema

Geralmente existem trs tipos de respostas de interesse do sistema : (1)
alguma medida de tempo de espera que um cliente tpico pode ser forado a encarar; (2)
uma indicao da maneira pelo qual os clientes podem ir se acumulando; e (3) uma
medida de tempo ocioso dos servidores. Desde que a maioria dos sistemas de filas tem
elementos estocsticos, estas medidas freqentemente so variveis aleatrias e
possuem distribuies de probabilidade, ou pelo menos valores esperados.
Existem dois tipos de tempo de espera de clientes, o tempo que o cliente
gasta na fila e o tempo total do cliente no sistema (tempo na fila + tempo de servio). A
importncia desses dois tipos de tempo de espera depende do estudo que est sendo
realizado. Por exemplo, num parque de diverso, o tempo de espera na fila que deixa o
cliente infeliz. Por outro lado, no reparo de uma mquina o tempo total no sistema que
se deseja minimizar, de maneira a ter a mquina o mais rpido possvel em produo.
Correspondentemente, existem duas medidas de acumulos de clientes : o
nmero de clientes na fila e o nmero de clientes no sistema. Estas medidas so
importantes na definio do tamanho do espao reservado para os clientes esperarem.
As medidas de ociosidade dos servios podem incluir a porcentagem de tempo que um
servidor particular est ocioso, ou o tempo que o sistema est desprovido de clientes.
A tarefa do analista de filas determinar as medidas apropriadas de
efetividade de um dado processo, ou projetar um sistema timo. No projeto de um
sistema o analista pode querer balancear o tempo de espera dos clientes contra o tempo
de ociosidade do servidor de acordo com alguma estrutura de custos. Se os custos de
servio ocioso e tempo de espera podem ser obtidos diretamente, eles podem ser usados
para determinar o nmero timo de canais e as taxas de servio nos quais esses canais
devem operar. Tambm para projetar a sala de espera necessrio definir o tamanho da
fila, que pode ser calculado pelo atraso do cliente na fila e pelo tempo de ociosidade do
servidor. Em qualquer situao, o analista tentar resolver o problema atravs de
mtodos analticos, caso isto falhe, o analista dever proceder com uma simulao.

1.5 Alguns Resultados Gerais

Nesta seo sero apresentados alguns resultados gerais e relacionamentos
para filas G/G/1 e G/G/c.
Teoria das Filas 9

Denotando a taxa mdia de clientes chegando no sistema de filas como e a

taxa mdia de servio como , sendo que uma medida de congestionamento para um
sistema c-server /c. Quando > 1 ( > c), o nmero mdio de chegadas no
sistema excede a taxa mdia de servio do sistema, de forma que, quando o tempo
avana a fila se tornar cada vez maior, impedindo qualquer situao de equilbrio e
fazendo com que novos clientes no possam mais se juntar a fila.
Assim, para obter uma situao de equilbrio, deve ser estritamente menor
do que um. Quando = 1, ao menos que as chegadas e os servios sejam
determinsticos e bem escalonados, nenhum estado de equilbrio existe, desde que a
aleatoriedade impedir a fila de se esvaziar, de forma que, a mesma crescer sem
limites. Por essa razo, se a taxa mdia de servio e a taxa mdia de chegada so
conhecidas, o nmero mdio de servidores paralelos requeridos para garantir a soluo
de estado de equilbrio pode ser imediatamente calculado encontrando o menor c que
satisfaa a equao /c < 1.
O que mais freqentemente desejado na soluo de modelos de filas
encontrar a distribuio de probabilidade para o nmero total de clientes no sistema no
tempo t, N(t), que obtido atravs do nmero de clientes na fila no tempo t, Nq(t), mais
aqueles em servio, Ns(t). Assim, seja pn(t) = Pr{N(t) = n}, e pn = Pr{N=n} no estado de
equilbrio. Considerando filas c-servidor no estado de equilbrio, duas medidas de
valores esperados de maior interesse so o nmero mdio no sistema,

L = E[N] = npn,
n=0

e o nmero esperado na fila,

Lq = E[Nq] = (n-c) pn
n=1

1.5.1 Frmulas de Little

Um dos mais poderosos relacionamentos em teoria das filas foi
desenvolvido por John Little no incio dos anos 60. Little relacionou o tamanho mdio
do sistema em estado de equilbrio com o tempo mdio de espera dos clientes, tambm
em estado de equilbrio, da seguinte forma. Uma vez que Tq o tempo que um cliente
gasta esperando na fila antes de entrar em servio e T o tempo total que um cliente gasta
Teoria das Filas 10

no sistema (T = Tq + S, onde S o tempo de servio, e T, Tq e S so variveis

aleatrias), duas medidas de p erformance do sistema freqentemente utilizadas com
respeito aos clientes so Wq = E[Tq] e W = E[T], ou seja, o tempo mdio de espera na
fila e o tempo mdio de espera no sistema, respectivamente. Partindo desse princpio, as
frmulas de Little so
L = W (1.1a)
Lq =Wq (1.1b)
Assim, s necessrio encontrar uma dos quatro valores esperados, em
vistas das frmulas de Little e do fato de que E[T] = E[Tq] + E[S], ou,
equivalentemente, W = Wq + 1/, onde , como antes, a taxa mdia de servio.

Figura 1.4 Percurso do perodo de ocupao

O exemplo da figura 1.4 ilustra os conceitos das frmulas de Little por
considerar um intervalo de ocupao de um servidor. O nmero de clientes (Nc) que
chega no perodo (0,T) 4.
Os clculos de L e W so
L = [1(t2-t1) + 2(t3-t2) + 1(t4-t3) + 2(t5-t4) + 3(t6-t5) + 2(t7-t6) + 1(T-t7)]/T =
= (rea sob a curva)/ T
= (T + t7 + t6 - t5 - t4 + t3 - t2 - t1)/T (1.2a)
e W = [(t3-t1) + (t6-t2) + (t7-t4) + (T- t5)]/4 =
= (T + t7 + t6 - t5 - t4 + t3 - t2 - t1)/T
= (rea sob a curva)/ Nc (1.2b)
Dessa forma, das equaes 1.2a e 1.2b verifica-se que a rea sob a curva
LT = WNc, que resulta L = WNc/T. A frao Nc/T o nmero de clientes chegando no
perodo T, ou seja, , de modo que, L = W.
Teoria das Filas 11

Um resultado interessante que pode ser derivado das frmulas de Little

que a relao entre W e Wq
L Lq = (W - Wq) = (1/) = /. (1.3)
Mas, L Lq = E[N] - E[Nq] = E[N-Nq] = E[S], de modo que, o nmero de clientes em
servio no estado de equilbrio /, que ser denotado por r. Note que num sistema de
servidor simples r = e tambm segue que

L Lq = npn - (n-1)pn = pn = 1 p0
n=0 n=1 n=1

Disto, pode-se derivar a probabilidade de um servidor estar ocupado em um

sistema multiservidor no estado de equilbrio, sendo esta probabilidade denotada por pb.
Desde que j foi mostrado que o nmero esperado presente no sistema em estado de
equilbrio r. segue da simetria dos c servidores que o nmero esperado presente e um
servidor r/c. Ento, por um simples argumento de valor esperado, pode-se mostrar que
pb = , uma vez que,
r/c = = 0(1- pb) + 1pb
Para uma fila com servidor simples (G/G/1), a probabilidade do sistema estar ocioso
(N=0) a mesma da probabilidade do servidor estar ocioso. Assim, p0 = 1- pb, neste
caso, e p0 = 1- = 1 r = 1 - /. A quantidade r = /, nmero esperado de clientes em
servio, tem uma outra conotao interessante. Na mdia cada cliente precisa de 1/
unidades de tempo de servio e o nmero mdio de clientes chegando no sistema , de
modo que, o produto (1/) quantidade de trabalho chegando para o sistema por
unidade de tempo. Dividindo isto pelo nmero de servidores c (que resulta ) obtm-se
a quantidade mdia de trabalho chegando para cada servidor por unidade de tempo. A
tabela 1.2 sumariza o resultado desta seo.
= /c Intensidade de Trfego; Taxa de Carga de Trabalho
oferecida para um servidor
L = W Frmulas de Little
Lq = Wq Frmulas de Little
W = Wq + 1/ Argumento de valor esperado
pb = /c = Probabilidade de ocupao de um servidor
qualquer
r =/ Nmero esperado de clientes em servio; Taxa de
carga de trabalho oferecida
L = Lq + r Resultado combinado
p0 = 1 - Probabilidade de um sistema G/G/1 estar vazio.
Teoria das Filas 12

L = Lq + (1 - p0) Resultado combinado para G/G/1

Tabela 1.2 - Sumrio dos Resultados Gerais para Filas G/G/c

1.6 Exemplo de um Modelo de Filas Orientado Eventos

Nesta seo ser mostrado como eventos aleatrios de chegadas e servios
completos interagem em um sistema com um nico servidor para formar uma fila. Este
exemplo ser iniciado no tempo 0 com a chegada do primeiro cliente e ento o sistema
ter seu estado atualizado toda vez que uma chegada ou partida ocorrer.
Considere o caso elementar de uma taxa de chegada constante para um canal
simples com taxa de servio constante. Assuma que o sistema possua uma disciplina
FCFS e que no tempo t = 0 no exista nenhum cliente esperando e o canal esteja vazio.
Seja o nmero de chegadas por unidade de tempo, e 1/ o tempo constante entre
sucessivas chegadas. Similarmente, se a taxa de servio em termos de servios
completos por unidade de tempo quando o servidor est ocupado, ento 1/ o tempo
de servio constante. desejvel calcular o nmero de clientes no sistema num tempo
arbitrrio t, denotado por n(t), e o tempo que o n-simo cliente deve esperar na fila para
obter servio, denotado por Wq(n).
Supondo que to logo um servio seja completado um outro ser iniciado, o
nmero no sistema (incluindo clientes em servio) no tempo t determinado pela
equao
n(t) = {nmero de chegadas no intervalo (0,t]}
{nmero de servios completos no intervalo (0,t]} (1.4)
Geralmente existem dois tempos de espera de interesse o tempo gasto pelo
n-simo cliente esperando pelo servio (ou atraso na fila), que ser denotado por Wq(n);
e o tempo do n-simo cliente gasto no sistema, que ser denotado por W(n) .

Figura 1.6 Tempos de Esperas Sucessivas G/G/1

Teoria das Filas 13

Para encontrar o tempo de espera na fila at que o servio comece, observa-

se que as filas de espera Wq(n) e Wq(n+1) de dois clientes sucessivos em qualquer fila com
servidor simples so relacionados pela simples relao de recorrncia
Wq(n+1) = Wq(n) + S(n) T(n) (Wq(n) + S(n) T(n) > 0), (1.5)
0 (Wq(n)+ S(n) T(n) <= 0),
onde S(n) o tempo de servio do n-simo cliente T(n) o tempo de interchegada entre o
n-simo cliente e o n-simo primeiro cliente. Isto pode ser visto por um simples
diagrama mostrado na figura 1.6.

Tabela 1.3 Entrada de Dados

i. 1 2 3 4 5 6 7 8 9 10 11 12

Tempos de interchegada 2 1 3 1 1 4 2 5 1 4 2 -
entre os clientes i+1 e i
Tempo de servio do 1 3 6 2 1 1 4 2 5 1 1 3
cliente i.

Neste exemplo o status do sistema atualizado quando eventos ocorrem,

registrando itens de interesse, e calculando medidas de efetividade. Modelos de filas
orientados eventos atualizam o estado do sistema s quando eventos (chegadas ou
partidas) ocorrem. Desde de que no existe uma unidade de tempo bsica para todos os
eventos, o relgio mestre incrementado por um quantidade de tempo varivel, a invs
de uma quantidade de tempo fixa, como seria em modelos de filas orientados por tempo.
A abordagem orientada evento ser ilustrada aqui utilizando os dados de chegada e
servio mostrados na Tabela 1.3.
Tabela 1.4 Modelo de Filas orientado eventos.
(1) (2) (3) (4) (5) (6) (7) (8)
Tempo Chegada/ Tempo que Tempo Tempo Tempo No. na Fila No. no
do Partida do a chegada i que a na Fila no aps o relgio sistema aps o
Relgio Cliente i entre em chegada sistema mestre ser relgio mestre
Mestre servio i parte. atualizado ser atualizado
0 1-A 0 1 0 1 0 1
1 1-D 0 0
2 2-A 2 5 0 3 0 1
3 3-A 5 11 2 8 1 2
5 2-D 0 1
6 4-A 11 13 5 7 1 2
7 5-A 13 14 6 7 2 3
8 6-A 14 15 6 7 3 4
11 3-D 2 3
12 7-A 15 19 3 7 3 4
13 4-D 2 3
Teoria das Filas 14

14 8-A;5-D 19 21 5 7 2 3
15 6-D 1 2
19 9-A;7-D 21 26 2 7 1 2
20 10-A 26 27 6 7 2 3
21 8-D 1 2
24 11-A 27 28 3 4 2 3
26 12-A;9-D 28 31 2 5 2 3
27 10-D 1 2
28 11-D 0 1
31 12-D 0 0

Tirando-se a mdia das colunas (5) e (6) na tabela 1.4 obtm-se que o atraso
mdio na fila dos 12 clientes foi 40/12 = 10/3, enquanto seu tempo de espera mdio no
sistema foi 70/12 = 35/6. Alm disso, a taxa de chegada mdia igual a 12/31 clientes
por unidade de tempo, desde que existem 12 clientes no intervalo de 31 unidades de
tempo observadas. Assim, aplicando-se a lei de Little para estes nmeros tem-se que o
tamanho mdio do sistema L sob o tempo completo foi
L = W = (70/12)/(31/12) = 70/31.
O tamanho mdio da fila pode calculado similarmente.

1.7 Processo de Poisson e Distribuio Exponencial

Os mais comuns modelos de filas estocsticos assumem que os tempos de
interchegada e servio obedecem uma distribuio exponencial ou, equivalentemente,
que a taxa de chegada e a taxa de servio seguem uma distribuio de Poisson. Desse
modo, nesta seo ser dado nfase ao Processo de Poisson, bem como, sua relao com
a distribuio exponencial. Contudo, inicialmente ser considerado um processo de
chegada geral.

1.7.1 Processo de Chegada

Assuma um sistema onde os clientes cheguem com intervalos de tempo
aleatrios entre chegadas. Estas chegadas so eventos discretos assncronos que dirigem
o sistema, ou seja, o sistema s faz uma transio de um estado para outro no tempo que
um evento ocorre. O primeiro cliente chega no tempo T1, o segundo no tempo T2, e
assim por diante. Assume-se que os tempos de interchegada X1, X2, ... so variveis
aleatrias contnuas independentes com a mesma distribuio FX (IID). Esta
propriedade referida como estacionaridade do tempo. Para manter a trilha do estado
do sistema, isto , quantos clientes chegaram, poderia-se por exemplo definir
Teoria das Filas 15

Sn = Nmeros de chegadas at o tempo Tn.

Ento {Sn : n = 1,2,...} um processo estocstico de tempo discreto. Sob reflexo v-se
que Sn igual a n para todo n, de modo que, este processo no muito interessante,
pois, ele apenas mantm-se incrementando por um a cada passo. Realmente, a
informao interessante no quantas chegadas tem existido, mas quando as chegadas
ocorreram, implicando que um processo estocstico contnuo pode ser o modelo
apropriado. Assim, define-se N(t) = Sn para todo Tn <= t < Tn+1 como nmero de
chegadas at o tempo t>0. Chama-se {N(t) : t>=0} um processo de contagem de
chegada, ou um processo de chegada, ou um processo de contagem.

1.7.2 O Processo de Poisson

Para um processo de chegada arbitrrio o tempo da n-sima chegada
Tn = X1 + X2 + ... + Xn (1.6)
Quando Xi ~ exp() chamado um processo de Poisson. O parmetro
chamado de a taxa do processo de Poisson. Para analisar este processo ser explorado o
fato que a soma das variveis aleatrias exponenciais tem uma distribuio chamada
distribuio de Erlang, isto , Tn tem uma distribuio n-Erlang(). O fato importante
sobre a distribuio de Tn que ela completamente determina os caminhos de
amostragem dos seus processos de chegada, Isto facilmente visto por observar que o
evento { Tn <= t} ocorre se e somente se o evento {N(t) >= n} ocorre, isto
{ Tn <= t} {N(t) >= n}
Em outras palavras, o tempo da n-sima chegada menor que ou igual a t,
se e somente se, tenha existido pelo menos n-chegadas at o tempo t. Usando FDC de
Erlang pode-se portanto obter
n1
P{N(t) >= n} = P{ Tn <= t} = 1 - e-t(t)j/j!.
i=0

Aqui utilizou-se que para uma varivel aleatria de Erlang X ~ n-Erlang()

|x|1
a funo de distribuio FX(x) = 1 - e-t(t)j/j!. Agora pode-se calcular a FDC de
i=0

N(t):
n
FN(t)(n) = P{N(t) <= n}= 1 - P{N(t) >= n + 1} = e-t(t)j/j! .(1.7)
j=0

Portanto, a funo mxima de N(t)

Teoria das Filas 16

pN(t)(n) = P{N(t) = n} = FN(t)(n) - FN(t)(n-1) = e-t(t)n/n!. (1.8)

Isto a funo mxima de uma varivel aleatria com uma distribuio de
Poisson com parmetro t, de onde vem a razo para o fato deste processo ser chamado
de Processo de Poisson. Isto , para um processo de chegada de Poisson com taxa de
chegada , a distribuio do nmero de chegadas em t unidades de tempo Poisson com
parmetro t.
O processo de Poisson tem muitas propriedades interessantes. As duas mais
fundamentais so que os incrementos das chegadas so ambos independentes e de
tempo estacionrio. Incrementos independentes significa que para um tempo arbitrrio
t>=0 e um intervalo de tempo t >= 0, o nmero de chegadas no perodo de tempo (t, t
+ t] independente do nmero de chegadas at o tempo t, isto ,
P{N(t + t) N(t) = m, N(t) = k} (1.9)
= P{N(t + t) N(t) = m}* P{N(t) = k}
Quanto ao fato que as chegadas tem incrementos estacionrios significa que
a distribuio do nmero de chegadas no muda com o tempo, isto , novamente para
um tempo arbitrrio t >=0 e um intervalo de tempo t >=0,
P{N(t + t) N(t) = m} = P{N(0 + t) N(0) = m} = P{N(t) = m} (1.10)
Pela equao (1.8) est uma distribuio de Poisson com parmetro c, de
modo que, o nmero esperado de novas chegadas em qualquer perodo de comprimento
t
E[N(t + t) N(t)] = t. (1.11)
Em palavras, o nmero esperado de chegadas em um intervalo de tempo
fixo proporcional a taxa de chegada e o comprimento do intervalo de tempo, que a
razo porque o parmetro referido como a taxa do processo de chegada.

Um processo de Poisson Simples

Considere um processo de Poisson {N(t) : t >= 0} com taxa = 2. Pode-se
usar a propriedade independncia, a propriedade tempo-estacionrio e a funo mxima
da distribuio de Poisson para calcular vrias quantidades. Por exemplo,
P{N(5) = 4| N(4) = 2} = P{N(5) = 4, N(4) = 2}
P{ N(4) = 2}
= P{N(4+1) N(4) = 2, N(4) = 2}
P{ N(4) = 2}
Teoria das Filas 17

= P{N(4+1) N(4) = 2}* P{N(4) = 2}

P{ N(4) = 2}
= P{N(4+1) N(4) = 2} = P{N(1) = 2}
= (1.)2 e-1. = (1.2)2 e-1.2
2! 2!
= 2e-2 = 0.27.
Note que primeiro foi utilizado a definio de probabilidade condicional,
ento foi utilizada a simples observao que {N(5) = 4, N(4) = 2}, se e somente se {N(4
+ 1) - N(4) = 2, N(4) = 2}, e depois que os incrementos independentes e a
estacionaridade do tempo reduzem o problema, de forma que, a funo mxima da
distribuio pode ser utilizada.

1.7.3 Distribuio Exponencial

Como dito anteriormente, desde que os tempos de interchegada do processo
de Poisson so exponencialmente distribudos interessante olhar esta distribuio um
pouco mais de perto. Para tanto, seja X ~ exp() exponencial com parmetro .
Assumindo que o tempo iniciado em zero e mantendo as aplicaes de fila em mente,
pode-se para propsitos de ilustrao pensar em X como o tempo da chegada do
prximo cliente.
Assuma que em algum tempo fixo t > 0 foi checado se alguma chegada
ocorreu e descobriu-se que a chegada ainda no ocorreu. Denote o tempo de t at o
momento em que a chegada efetivamente ocorreu como Rt. Para determinar a
distribuio de Rt simplesmente calcula-se a funo de distribuio
P{Rt <= r} = 1 - P{Rt > r}.
Optou-se por olhar o evento Rt > r, haja visto que torna-se mais fcil obter
P{Rt > r} = {X > t + r | X > t} (1.12)
= P{X > t + r , X > t}
P{X > t}
= P{X> t + r}
P{X > t}
= e-(t + r)/ e-t
= e-r
=
P{X > r}.
Teoria das Filas 18

Assim, pode-se obter a funo de distribuio P{Rt <= r} = 1 - P{Rt > r} =

-r
1-e = P{X <= r}, que implica que Rt exponencialmente distribudo com parmetro
, o mesmo que X. O que isso significa que sempre que para-se para checar se um
cliente chegou e ele no chegou, ento o tempo restante at ele chegar tem a mesma
distribuio que o tempo anterior a checagem. Esta propriedade, que nica para a
distribuio exponencial em relao a todas as distribuies contnuas , conhecida
como propriedade markoviana ou falta de memria da distribuio exponencial.

1.8 Processos Estocsticos e Cadeias de Markov

Um processo estocstico a abstrao matemtica de um processo emprico
cujo desenvolvimento governado por leis probabilsticas (o processo de Poisson um
exemplo). Do ponto de vista da teoria da probabilidade matemtica, um processo
estocstico melhor definido como um conjunto de variveis aleatrias, {X(t), t T},
definido sobre algum conjunto de ndices ou espao de parmetro T. O conjunto T
algumas vezes tambm chamado de faixa de tempo, e X(t) denota o estado do processo
no tempo t. Dependendo da natureza da faixa de tempo, o processo classificado como
um processo de parmetro contnuo ou de parmetro discreto como a seguir:
1. Se T uma seqncia contvel, por exemplo, T ={..., -2,-1,0,1,2,...} ou
T = {0,1,2,...}, ento o processo estocstico {X(t), t T} dito ser um
processo de parmetro discreto definido no conjunto de ndices de T.
2. Se T um intervalo ou uma combinao de intervalos algbricos, por
exemplo, T = {t:- < t < +} ou T = {t:0 < t < +}, ento o processo
estocstico {X(t), t T} chamado de processo de parmetro contnuo
definido no conjunto de ndices de T.

1.8.1 Processo de Markov

Um processo estocstico de parmetro discreto {X(t), t=0,1,2,...} ou
processo estocstico de parmetro contnuo {X(t), t > 0} dito ser um processo de
Markov se, para qualquer conjunto dos n pontos de tempo t1 < t2 < ... < tn no conjunto de
ndices ou faixa de tempo do processo, a distribuio condicional de X(tn), dados os
Teoria das Filas 19

valores de X(t1), X(t2), X(t3), ..., X(tn-1), depender s do valor imediatamente precedente,
X(tn-1); mais precisamente, para quaisquer nmeros reais x1, x2, ..., xn,
P{X(tn) <= xn | X(t1) = x1, ..., X(tn-1) = xn-1}
= P{X(tn) <= xn | X(tn-1) = xn-1}.
Em uma linguagem no matemtica pode-se dizer que, dado a condio
presente do processo, o futuro independente do passado, ou seja, o processo
est sem memria.
Os processos de Markov so classificados de acordo com;
1. A natureza do conjunto de ndices do processo (se de espao de
parmetro discreto ou contnuo), e
2. A natureza do espao de estado do processo (se de espao de estado
discreto ou contnuo).
Um nmero real x dito ser estado do processo estocstico {X(t), t T} se
existe um ponto de tempo t em T tal que a P{x h < X(t) < x + h} positivo para todo
h > 0. O conjunto de estados possveis constitui o espao de estado do processo. Se o
espao de estado discreto, o processo de Markov geralmente chamado de cadeia de
Markov, sendo que os processos de Markov de parmetro discreto com espao de estado
discreto so conhecidos como cadeias de Markov planas, e os processos de Markov de
parmetro contnuo com espao de estado discreto so conhecidos como cadeias de
Markov de tempo contnuo.
Tabela 1.5 Classificao do Processo de Markov
Tipo de Parmetro
Espao de Estado Discreto Contnuo
Discreto (Parmetro Discreto) Cadeia de Markov de
Cadeia de Markov Parmetro Contnuo
Contnuo Processo de Markov de Processo de Markov de
Parmetro Discreto Parmetro Contnuo

Quando o processo de Markov tem um espao de estado contnuo e um

espao de parmetro discreto, ele conhecido como processo de Markov de parmetro
discreto. Por outro lado, se ambos espao de estado e espao de parmetro forem
contnuos ento o processo de Markov ser chamado de processo de Markov de
parmetro contnuo. A tabela 1.5 sumariza estas classificaes do processo de Markov.
Teoria das Filas 20

1.8.2 Cadeias de Markov de Parmetro Discreto

Considere uma cadeia de Markov com dois estados. Um dos estados
denotado por 1 representar um sucesso, enquanto o outro estado representar uma
fracasso sendo denotado por 0.
Suponha que se a n-sima tentativa resultar em fracasso ento a
probabilidade de fracasso na n-sima primeira tentativa 1 - e a probabilidade de
sucesso nesta mesma tentativa igual a . Similarmente, se a n-sima tentativa resultar
em sucesso ento as probabilidades de sucesso e fracasso na n-sima primeira tentativa
so 1 - e , respectivamente. Estas probabilidades so chamadas de probabilidades de
transio, podendo serem escritas na seguinte forma matricial, tambm conhecida como
matriz de transio :
0 1
0 1-
P=
1 1-

O elemento da matriz na posio (j,k) denota a probabilidade condicional

de uma transio para um estado k no tempo n + 1 dado que o sistema est no estado j
no tempo n.
Exemplo 1.1 Chuva em Tel Aviv.
Em um estudo de chuvas em Tel Aviv, Gabriel e Nenmann encontraram que
uma cadeia de Markov de dois estados daria uma boa descrio da ocorrncia de dias
chuvosos e secos durante o perodo chuvoso de Dezembro, Janeiro e Fevereiro. Para
tanto, eles denominaram dia seco como estado 0 e dia chuvoso como estado 1.
Realizando a amostragem de um perodo de 37 anos, eles descobriram que a
probabilidade de ocorrncia de um dia chuvoso aps um dia seco era de 0.250 e a
probabilidade de ocorrncia de um dia seco aps um dia chuvoso era de 0.338,
formando a matriz de transio mostrada abaixo:
S C
S 0.750 0.250
P=
C 0.338 0.662
Teoria das Filas 21

Denotando a linha do vetor P(n) = (P0(n), P1(n)) como a probabilidade de

encontrar o sistema no estado 0 ou 1 no tempo n quando as probabilidades iniciais dos
dois estados so dados por P(0) = (P0(0), P1(0)). Este evento pode ocorrer de duas maneiras
mutuamente exclusivas. O estado 0 foi ocupado no tempo n 1 e nenhuma transio de
estado ocorreu no tempo n, de forma que este evento tem a probabilidade P0(n-1)(1 - ).
Alternativamente, o estado 1 foi ocupado no tempo n - 1 e uma transio do estado 1
para o estado 0 ocorreu no tempo n, de forma que este evento tem a probabilidade P1(n -
1)
. Consideraes, tais como estas levam as seguintes relaes de recorrncia:
P0(n) = P0(n - 1)(1 - ) + P1(n - 1),
P1(n) = P0(n - 1) + P1(n - 1) (1-),
que em notao de matriz podem ser escritas como
P(n) = P(n - 1) P, (1.13)
e em iterao
P(n) = P(n - 2) P 2 = P0Pn. (1.14)
Assim, dado as probabilidades iniciais P0 e a matriz de transio de
probabilidade P, pode-se encontrar qualquer probabilidade de ocupao de estado em
qualquer tempo n usando a equao 1.14.
Denotando o elementos (j,k) de Pn por pjk(n). Se o sistema est inicialmente
no estado 0, ento P(0) = (1,0) e P(n) = (p00(n), p01(n)). Por outro lado, se o sistema est
inicialmente no estado 1, ento P(0) = (0,1) e P(n) = (p10(n), p11(n)).
Assim,
pjk(n) = P{Xn = k | X0 = j}
Estas quantidades pjk(n) so chamadas probabilidades de transio n-passos.
Esta uma matriz equivalente as conhecidas equaes de Chapman-Kolmogorov (CK)
para este processo de Markov, mostrada abaixo:
pjk(n) = r pir
(n - k)
prj(k)

Exemplo 1.2 Chuva em Tel Aviv.

Utilizando a matriz do exemplo 1.1 pode-se calcular P5, a partir de P2, P3 =
P2P, P5 = P3P2, de maneira que o resultado encontrado mostrado na matriz abaixo:
Teoria das Filas 22

S C
S 0.580 0.420
P=
C 0.568 0.432

Assim, por exemplo se 1 de Janeiro um dia seco a probabilidade que 6 de

Janeiro seja um dia seco 0.580, enquanto que se 1 de Janeiro um dia chuvoso, a
probabilidade de 6 de Janeiro ser um dia seco de 0.568.
Uma questo que eleva-se, que aps um perodo suficientemente longo de
tempo o sistema se estabilizar para um situao de equilbrio estatstico na qual as
probabilidades de ocupao de estado sero independentes das condies iniciais. Se
isto for verdade existe uma distribuio de probabilidade de equilbrio = (0, 1) e,
quando n , satisfar claramente a condio
= P,
ou (I P) = 0. (1.15)
A condio = P ser demonstrada na prxima seo.
Assim,
0 - 1 = 0, -0 + 1 = 0.
Este um sistema de equaes homogneas e s ter uma soluo no zero
se o determinante |I P| no existir. Claramente, |I P| existe e pode-se obter a soluo
nica utilizando a seguinte condio
0 + 1 = 1
Note que se a distribuio de probabilidade , ento
P(1) = P = , P(2) = P(1)P = P = ,
e P(n) = (n= 1,2,...)
Assim, a distribuio P(n) estacionria se P(0) = , ou seja, no muda com o
tempo.
Exemplo 1.3 Chuva em Tel Aviv.
Usando-se a matriz P do exemplo 1.1, obtm-se que as probabilidades de
equilbrio so
0 = 0.575, 1 = 0.425, como mostrado abaixo:
Teoria das Filas 23

S C
S 0.575 0.425
P10 =
C 0.575 0.425

1.8.3 Propriedades de Longa Execuo do Processo de Markov

Nesta seo ser abordada as propriedades de longa execuo das cadeias de
Markov, com nfase principal as propriedades do limite de movimentao de um estado
para outro,
(n)
limn Pij = j, j S,
que quando existir, refere-se a distribuio limtrofe para a cadeia de Markov.
Para tanto, considere uma cadeia de Markov e suponha que
(n)
limn pij = j (para todo i);
isto , para um longo perodo, a probabilidade que o processo esteja no estado j, dado
que ele iniciou no estado i independente do estado inicial i. Isto significa que Pn possui
um limite quando n tende para infinito, de forma que, todas as linhas de Pn se tornam
idnticas. j ,neste caso, chamado de probabilidades de estado de equilbrio ou
limtrofe da cadeia de Markov.
Considere agora a probabilidade incondicional aps n passos de (n) = (0)Pn,
isto ,
j(n) = i i
(0)
pij(n)
Ento
(n) (0)
limn j = limn i i pij(n) = i i
(0)
limn pij
(n)

(0) (0)
= i i j = j i i = j ,
e consequentemente j(n) tende para o mesmo limite que pij(n) e independente das
probabilidades iniciais e do parmetro de tempo n.
Partindo do mesmo princpio de que P(n) = P(n-1)P, demonstrado
anteriormente, tem-se que
(n) (n - 1)
limn = limn = ,
de forma que,
= P.
Teoria das Filas 24

Estas equaes bem conhecidas so chamadas de equaes estacionrias da

cadeia de Markov, e suas solues so chamadas de distribuies estacionrias.
possvel, em alguns casos, obter solues para (1.15) mesmo quando
nenhuma distribuio do limite existe. Assim, quando existe uma distribuio do limite,
isto implica uma soluo para (1.15) , e a distribuio estacionria resultante a
distribuio do limite. Mas, o contrrio no verdadeiro, isto , a soluo para (1.15)
no implica na existncia de uma distribuio limtrofe.
Dessa forma, faz-se necessrio encontrar outras maneiras de verificar a
existncia da distribuio limtrofe. Uma das maneiras mais utilizadas identificar os
tipos de estados pertencentes a uma cadeia de Markov e utilizar sua propriedades para
determinar a existncia da distribuio.
Para tanto, suponha que uma cadeia esteja inicialmente em um dado estado j
e defina a probabilidade de j voltar a ser ocupado aps n transies como

fjj = fjj(n).
n=1

Se fjj igual a 1 ento o estado chamado recorrente. Por outro lado, se fjj
menor que 1 ento j um estado transiente. Quando fjj =1,

mjj = nfjj(n)
n=1

o tempo de recorrncia mdio, ou seja, o tempo mdio para que o estado j volte a ser
visitado. Se mjj < , ento j conhecido como um estado recorrente positivo, enquanto
se mjj = , ento j um estado recorrente nulo.
Suponha que quando a cadeia ocupa o estado j, subseqentes ocupaes do
estado j s ocorram nos tempos t,2t,3t,...quando t um inteiro maior que 1. Quando isto
ocorre, o estado j chamado de peridico com perodo t. Um estado que no peridico
conhecido como aperidico, sendo que se alm de ser aperidico ele for recorrente
positivo ento ele conhecido como ergdico.
Para exemplificar observe a cadeia de Markov com espao de estado S = 0,1
e matriz de transio:
0 1
0 0 1
P=
1 1 0
Teoria das Filas 25

peridica com perodo 2, pois, assumindo que o estado inicial seja X0 = 0

ele s poder probabilisticamente voltar a ser ocupado aps 2 transies de estados, ou
seja, em P3, P5, P7, ...
Em particular, para qualquer j S,
(n)
limn Pij = j,
existe, se somente se, j aperidico.
Um estado j dito se comunicar com um estado k se possvel alcanar k a
partir de j num nmero finito de transies. Por outro lado, se j se comunica com k e k
se comunica com j ento esta relao conhecida como intercomunicao entre j e k.
Alm disso, uma cadeia de Markov onde todos os estados se comunicam chamado
irredutvel, caso contrrio, a cadeia dita redutvel. Um subconjunto de estados onde a
cadeia de Markov entre e nunca mais saia chamado de conjunto fechado.
Identificar todos os subconjuntos irredutveis habilita a classificao dos
estados em recorrentes ou transientes:
Estados que pertencem a um subconjunto fechado irredutvel so
recorrentes.
Estados que no pertencem a um subconjunto fechado irredutvel so
transientes.
Note tambm que se dois estados se comunicam ento ambos so
recorrentes ou transientes.
Para fixar a idia de como os estados so classificados observe o exemplo
abaixo:
P = [0.1 0.3 0.6 0 0
0 1 0 0 0
0 0 0.8 0.2 0
0 0 0.7 0.3 0
0.5 0 0 0.5 0]
Em P existem dois conjuntos fechados irredutveis R1 = {2} e R2 = {3,4},
de modo que, estes estados so recorrentes. Os estados transientes so, portanto, por
excluso, T = {1,5}. A explicao para o conjunto R1 ser fechado que se o estado 2
for alcanado, nunca mais ocorrer uma transio de estado. O mesmo acontece para o
conjunto R2, pois, se 3 ou 4 forem alcanados, as transies de estado ficaro
permanentemente entre esses dois estados. J nos estados 1 e 5, existem probabilidades
de transio diretamente ou indiretamente para os conjuntos fechados R1 e R2, de forma
Teoria das Filas 26

que, caso isso acontea 1 e 5 nunca mais sero revisitados. Alm disso, todos os estados
so aperidicos.
Exemplo da Falha em uma Mquina
Seja,
0, se a mquina for reparada no dia n,.
Xn =
1, se a mquina estiver operando no dia n
uma cadeia de Markov com a matriz de transio,
0 1
0 0.2 0.8
P=
1 0.1 0.9

Utilizando do fato mostrado anteriormente que = P tem-se que

(n)
= limn = (1/9, 8/9)
um vetor de probabilidade de estado de longa execuo. Se a execuo for iniciada
com (0) = = (1/9, 8/9) ento o vetor de probabilidade de estado no primeiro passo
ser
(1) = (1/9, 8/9) ( 0.2 0.8 = (1/9,8/9)
0.1 0.9)
Em outras palavras, quando uma cadeia iniciada com uma distribuio
limtrofe como vetor de probabilidade de estado inicial, ento aps uma transio o
vetor de probabilidade de estado ser o mesmo.
Isto significa que quando o estado de longa execuo for alcanado a cadeia
de Markov entrar num estado de equilbrio ou estacionrio, isto , num sentido
probabilstico nada muda deste ponto em diante. Por este motivo, que esta distribuio
conhecida como distribuio estacionria.

1.8.4 Cadeias de Markov de Parmetro Contnuo

Os modelos discretos so teis para responder a questes pontuais, no que

diz respeito ao tempo, entretanto, quando se deseja saber, por exemplo, qual o tempo
esperado exato do reparo de uma mquina ou o tempo exato at que duas mquinas em
funcionamento sejam desligadas para reparo, o modelo discreto no satisfatrio.
Assim, faz-se necessrio a incluso de um processo estocstico de tempo contnuo {
Teoria das Filas 27

X(t) : t > 0}, onde X(t) o estado do sistema no tempo t>=0. Se o modelo contnuo
adotado, o interesse geralmente recai sobre
quanto tempo o sistema fica em um dado estado, e
dado seu estado atual, para qual estado o processo se mover.
Inicialmente, ser tentado modelar a segunda dessas questes. Se for
assumido que a probabilidade de mover de um estado para outro s depende do estado
atual e no do comportamento passado, isto , se o processo no possui memria, ento
as transies de estado podem ser descritas como uma cadeia de Markov,
[0 1 1 - 1
P= 2 0 1 - 2
3 1 - 3 0]
onde 1 a probabilidade de uma mquina quebrar quanto existem duas operando, 1 - 1
a probabilidade de duas mquinas quebrarem simultaneamente, e assim por diante.
Esta uma matriz de transio de uma cadeia de Markov embutida que descreve as
transies entre estados para este processo de tempo contnuo. Note que como o
processo contnuo no existe nenhuma transio de um estado para ele mesmo. Esta
cadeia de Markov embutida metade do que necessrio para descrever o processo
acima. A outra metade quanto tempo um processo fica em um dado estado, ou tempo
de permanncia. Para este exemplo, o tempo de permanncia Ti no estado i = 0,1,2
T0 = Tempo at que um ou mais mquinas falhem.
T1 = Tempo at que uma mquina falhe ou seja reparada.
T0 = Tempo at que um ou mais mquinas sejam reparadas.
Um processo estocstico de tempo contnuo, onde as transies podem ser
escritas com a cadeia de Markov e o tempo de permanncia uma varivel aleatria
com uma distribuio arbitrria chamado de processo semi-Markov. Quando um
modelo de uma cadeia de Markov construdo, o foco esta no processo de mudana de
estado, ao invs de quanto tempo o sistema ficou em um dado estado, que de interesse
em muitas aplicaes. Por exemplo, quanto tempo uma mquina est operando ? Quanto
tempo ela est ociosa ? Quanto tempo um cliente tem que esperar por um servio? Se
essas questes so de interesse existe a necessidade de modelar o sistema como um
processo estocstico de tempo contnuo
Teoria das Filas 28

Assim, seja { Y(t) : t >= 0} um processo estocstico de tempo contnuo com

espao de estado S. Ento, Y(t) : t >= 0 uma cadeia de Markov de tempo contnuo
(CMTC). Se para todos os tempos s,t >= 0,
1. A propriedade de markov
P{Y(t) = j | Y(s) = i, Y(u) = yu, 0 <= u < s} = P {Y(t) = j | Y(s) = i} se
mantm, e (1.16)
2. O tempo estacionrio for dado por,
P{Y(t) = j | Y(s) = i} = P {Y(t - s) = j | Y(0) = i} (1.17)
Isto equivalente aos processos que descrevem as transies de estado de
uma cadeia de Markov com o tempo gasto em cada estado sendo exponencialmente
distribudo. Em outras palavras o CMTC um processo semi-Markov com tempos de
permanncia exponencialmente distribudos. As cadeias de Markov que descrevem as
transies de estado so conhecidas como cadeias de Markov embutidas.
Exemplo de uma CMTC simples.
Assuma que o tempo at que um cliente chegue seja exponencialmente
distribudo com taxa e o tempo que ele leva para ser servido e parta tenha a mesma
distribuio com taxa . Assim, se existem i > 0 clientes ento o tempo at que um
cliente chegue ou parta, e o estado do sistema mude, exponencialmente distribudo
com taxa + .
Um CMTC com espao de estado S = {1,2, ..., n} caracterizado pelo vetor
de estado inicial (0) = (1(0) 2(0) ... n(0)), onde i(0) = P{Y0 = 1} e sua matriz geradora,
tambm conhecida como matriz de intensidade ou gerador infinitesimal possui a
seguinte forma:
[-q0 q01 q02 q03...
Q = q10 -q1 q12 q13...
q20 q21 -q2 q23...]
Aqui qij a taxa na qual o processo de move do estado i para o estado j, e
qii = - jiqij.

A matriz geradora para esta CMTC simples

[-0 0 0 0 0...
1 -(1 + 1) 1 0 0...
Q= 0 2 -(2 + 2) 2 0...
Teoria das Filas 29

... ... ... ... ...

... ... ... ... ...]
que pode ser facilmente memorizada da seguinte forma:
qi,i+1 = i,
qi,i-1 = i (i 0)
qrj (caso contrrio)
qi = i + i (q0 = 0)
Para o CMTC simples, a matriz de transio P da cadeia de Markov
embutida pode ser obtida a partir da matriz geradora Q, usando as seguintes regras:
i / (i + i) (j = i +1, i >=1),
pij = i / (i + i) (j = i -1, i >=1),
1 (i=0, j=1),
0 (caso contrrio).
Assim,
[ 0 1 0 0 0...
1 / (1+ 1) 0 1 / (1+ 1) 0 0...
P= 0 2 / (2+ 2) 0 2 / (2+ 2) 0...
... ... ... ... ...]
Calcular a cadeia de Markov torna possvel a classificao dos estado, haja
visto que o estado i S transiente/recorrente para a CMTC, se e somente se,
transiente/recorrente para a cadeia de Markov embutida. Quando >= todos os
estados so recorrentes e transientes, em caso contrrio.
A distribuio estacionria pode ser calculada atravs das equaes
abaixo:
0 = Q, (1.17)
1 = 1.
As mesmas interpretaes anteriores so mantidas, mas no existe nenhum
problema com a periodicidade, isto , to longo seja o tempo que se esteja observando
em um conjunto irredutvel de estados recorrentes, ou sabendo o conjunto iniciado, a
distribuio estacionria pode ser interpretada como:
A frao de tempo de longa execuo gasta em cada estado.
A probabilidade de encontrar o processo em um dado estado depois de
um longo tempo.
Teoria das Filas 30

Um processo de poisson um caso especial de um processo de nascimento-

puro, onde tal processo apresenta a seguinte matriz geradora e cadeia de Markov
embutida, sendo que no processo de Poisson i = .
[-0 0 0 0 0...
0 -1 1 0 0...
Q= 0 0 -2 2 0...
... ... ... ... ...
... ... ... ... ...],

[0 1 0 0 0...
0 0 1 0 0...
P= 0 0 0 1 0...
... ... ... ... ...
... ... ... ... ...]

1.9 Processo de Nascimento Morte

Agora ser estudado uma cadeia de Markov de tempo contnuo chamada
processo de nascimento - morte. Como anteriormente, seja {Y(t) : t >= 0} uma CMTC
com espao de estado S = {0,1,2,...}. Agora, assuma que no estado 0 s existe um
evento en(0) que pode ocorrer, e quando ocorre ento o estado do sistema incrementado
de um. Em qualquer outro estado i > 0, existem dois eventos possveis: um nascimento
en(i) e uma morte em(i). Se em(i) ocorre o estado do sistema decrementado de um e se en(i)
ocorre o estado do sistema incrementado de um. i e i sero chamados de taxas de
nascimento e morte, no estado i, respectivamente. A matriz geradora ser dada por
[-0 0 0 0 0...
1 -(1 + 1) 1 0 0...
Q= 0 2 -(2 + 2) 2 0...
... ... ... ... ...
... ... ... ... ...],
e a cadeia de Markov embutida ser dada por
Teoria das Filas 31

[ 0 1 0 0 0...
1/(1 + 1) 0 1/(1 + 1) 0 0...
P= 0 2/(2 + 2) 0 2/(2 + 2) 0...
... ... ... ... ...
... ... ... ... ...]
Note que este processo j foi olhado anteriormente onde todos os i S
satisfazem i = , i = (a CMTC simples); i = 0 (processo de nascimento puro); i =
, i = 0 (o processo de Poisson).
Dessa forma, se for desenhado um diagrama com as transies de estados
ser verificado que o fluxo de entrada em um estado e igual ao seu fluxo de sada.

Figura 1.7 Diagrama de Balano

Assim, com as condies apropriadas em i e i, uma soluo de estado de
equilbrio existe e pode ser determinada de 0 = pQ, de forma que, equaes de balano
para o processo de nascimento e morte podem ser geradas como a seguir :
0 = - (j + j)pj + j -1pj 1 + j + 1pj +1 (j >= 1), (1.18)
0 = -0p0 + 1p1
Rescrevendo, obtm-se que
pj +1 = (j + j)pj - j -1pj 1 (j >= 1),
j + 1 j + 1
p1 = (0 /1)p0.
p2 = (1 + 1)p1 - 0p0
2 2
= (1 + 1) 0 p0 - 0 p0
2 1 2
= 10p0
21
p3 = (2 + 2)p2 - 1p1
3 3
Teoria das Filas 32

= (2 + 2) 10p0 - 10p0
3 21 31
= 210p0,
321
.
.
.
O padro que parece estar emergindo que
pn = n-1n-2 . . . 0p0, (n >=1) (1.19)
nn-1 . . . 1
n
= p0 (i-1/i)
i=1

e por induo pode-se comprovar que a frmula esta correta. Entretanto, para os
propsitos deste curso no ser necessrio a demonstrao.
Agora, desde que o somatrio das probabilidades tem que ser igual a um,
segue que
n

(i-1/i))
-1
p0 = (1 + (1.20)
n=1 i=1

Estes tipos de equaes so muito teis para gerar uma variedade de

modelos de filas. Por exemplo, adotando-se n = e n = obtm-se uma fila M/M/1.

2. MODELOS DE FILAS APLICADOS A

PROCESSOS MARKOVIANOS DE NASCIMENTO E
MORTE SIMPLES
O propsito deste captulo desenvolver um conjunto de modelos de filas
pela aplicao direta dos resultados obtidos no captulo anterior para o processo de
nascimento e morte.

2.1 Solues de Estado de Equilbrio para Modelos M/M/1

As funes densidade para os tempos de interchegada e tempos de servio
para as filas M/M/1 so dadas, respectivamente, como
Teoria das Filas 33

a(t) = e-t,
b(t) = e-t,
onde 1/ ento o tempo de interchegada mdio e 1/ o tempo de servio mdio.
Tempos de interchegada, tanto quanto os tempos de servio, so assumidos serem
estatisticamente independentes. Note que, os tempos de interchegada e servio so
exponenciais, e as taxas de chegada e servio condicionais obedecem uma distribuio
de Poisson.
Alm disso, o problema M/M/1 um processo de nascimento e morte com
n = e n = , para todo n. Chegadas podem ser consideradas como nascimentos para o
sistema, desde que, se o sistema est no estado n, ou seja, se existem n clientes no
sistema e uma chegada ocorre, o estado do sistema atualizado para n + 1. Por outro
lado, a ocorrncia de uma partida pode ser considerada como uma morte, de maneira
que, quando este evento ocorre, o sistema ser levado para o estado n 1, estando ele no
estado n. Note que isto vale para todos os valores onde n maior ou igual a 1.
Consequentemente, utilizando-se as equaes 1.18, obtm-se as equaes de estado de
equilbrio como
0 = - ( + )pn + pn 1 + pn +1 (n >= 1), (2.1a)
0 = p0 + p1,
ou
pn +1 = ( + )pn - pn 1 (n >= 1), (2.1b)

p1 = ( /)p0.

2.1.1 Balano Estocstico

Um atalho para obter diretamente as equaes estacionrias (2.1) por meio
das equaes de balano mostrada anteriormente, onde o fluxo de entrada em um estado
tem que ser igual ao fluxo de sada deste mesmo estado, quando as condies de estado
de equilbrio existem. Tais procedimentos de balano de fluxo so conhecidos como
balano estocstico. Para reforar, considere um estado n (n>=1) em uma fila M/M/1.
Ento um diagrama de estado pode ser construdo como na figura 2.1.
Teoria das Filas 34

Figura 2.1 Diagrama de Transio de Taxa M/M/1.

Neste diagrama, do estado n, o sistema vai para o estado n - 1 se um servio
completado ou para n + 1 se uma chegada ocorre. O sistema pode ir para o estado n de
n 1 se uma chegada ocorre ou para o estado n de n + 1 se um servio completado. As
taxas de fluxos so em termos de e , de modo que, o fluxo total mdio para fora do
estado n igual a pn + pn, enquanto o fluxo total mdio para dentro do estado n
igual a pn-1 + pn+1.
Pode-se olhar pn como a porcentagem de tempo no estado de equilbrio que
o sistema permanece no estado n. As equaes 2.1 so chamadas de equaes de
balano global, desde que, elas equacionam o fluxo total mdio de entrada no estado
com o fluxo total mdio de sada deste mesmo estado. Contudo, numa anlise mais
alm, pode-se referir a uma equao de balano detalhada informando o fluxo mdio
dentro e fora de estados adjacentes. Para ilustrar, coloque uma linha artificial na figura
2.1 entre os estados n e n + 1. O fluxo mdio atravs desta barreira deve ser tambm
igual a 0 para condies de estado de equilbrio, isto , o fluxo para a direita deve ser
igual ao fluxo para a esquerda. Isto resulta que a equao pn = pn+1. Da mesma forma,
se for colocada uma barreira entre os estados n e n-1, obtm-se pn-1 = pn. Note que
somando as duas equaes resulta nas equaes de balano global de (2.1a).
Esta anlise de balano de fluxo entre dois estados trabalha neste caso por
causa da caracterstica de nascimento e morte, onde s estados adjacentes podem
diretamente se comunicar, com taxas de transio constantes. Para modelos
Markovianos mais gerais, isto no necessariamente verdadeiro, de modo que, a anlise
de balano detalhada pode ser muito mais complicada.
Teoria das Filas 35

2.2 Mtodos de Soluo de Equaes Diferenciais de Estado

de Equilbrio

2.2.1 Mtodo Iterativo de Soluo de Equaes Diferenciais de

Estado de Equilbrio para {pn}
Com isso quer-se dizer que utilizando-se iterativamente as equaes de
balano global dada na equao (2.1) ou as equaes de balano local (detalhada)
obtm-se uma seqncia de probabilidades de estado, p1, p2, p3, ..., cada uma em termos
de p0. Assim, desde que o sistema M/M/1 realmente uma processo de nascimento e
morte com taxas de nascimento e morte constantes, pode-se diretamente aplicar a
equao (1.19) com n = e n = para todo n. Disto segue que
n
pn = p0 / (n >= 1)
i=1

= p0(/)n, (2.2)
Para obter p0, utiliza-se do fato de que a soma das probabilidades deve ser
igual a 1, ou seja,

1= (/)np0,
n=0

Chamando / de para filas de servidor simples, pode-se rescrever a

equao acima da seguinte maneira

p0 = 1 / n
n=0

Agora n a srie geomtrica 1 + + 2 + 3 + . . . e converge, se e
n=0

somente se, < 1. Assim, para a existncia de uma soluo de estado de equilbrio, =
/ deve ser menor que 1, ou equivalentemente, deve ser menor . Isto faz sentido,
pois, se > , a taxa mdia de chegada maior que a taxa mdia de servio, de maneira
que, o servidor no conseguir atender aos clientes na mesma proporo em que eles
chegam, fazendo com que ocorra a formao de filas. J para = , no existe nenhuma
resposta intuitiva, pois, nenhuma soluo de estado de equilbrio existe quando = ,
Teoria das Filas 36

desde que, improvvel que as chegadas ocorram exatamente nos tempos em que os
clientes em servio terminam de serem atendidos.
Fazendo uso de uma expresso bem conhecida para a soma dos termos de
uma progresso geomtrica,

n = 1 / (1 - ) ( < 1),
n=0

tem-se que
p0 = (1 - ) ( = / < 1). (2.3)
Assim, a soluo de estado de equilbrio completa para um sistema M/M/1
a funo de probabilidade geomtrica
pn = (1 - )n ( = / < 1). (2.4)

2.2.2 Medidas de Efetividade

As distribuies de probabilidade de estado de equilbrio para o tamanho do
sistema permiti-nos calcular as medidas de efetividade do sistema. Duas de interesse
imediato so o nmero esperado no sistema e o nmero esperado na fila em um estado
de equilbrio. Para derivar isto, seja N a varivel aleatria nmero de clientes no
sistema em estado de equilbrio e L represente seu valor esperado. Assim,

L = E[N] = npn
n=0

= (1 - ) nn (2.5)
n=0

Considerando o somatrio

nn = + 22 + 33 + . . .
n=0

= (1 + 2 + 32 + . . .)

= nn-1.
n=1

Pela equao acima, observa-se que nn-1 simplesmente a derivada do n com
n=1 n=1

respeito a , dado que o somatrio e operaes de diferenciao podem ser trocados.

Como
Teoria das Filas 37

n = 1/(1-),
n=0

consequentemente,

nn-1 = d[1/(1 - )]/d = 1/( 1- )2.
n=1

Assim, o nmero esperado no sistema em estado de equilbrio ento

L = (( 1- )) / ( 1- )2 = /( 1- ) = /( - ). (2.6)
Agora, adotando a varivel aleatria nmero na fila em estado de
equilbrio como Nq e seu valor esperado por Lq, tem-se pela frmula de Little
apresentada anteriormente que

Lq = (n-1)pn = npn - pn
n=1 n=1 n=1

= L (1- p0) = /( 1- ) - .

Isto porque, pn= 1, consequentemente, pn = 1 - p0.
n=0 n=1

Note que Lq = L (1- p0) se mantm para filas com um nico servidor onde os clientes
chegam um de cada vez. Assim, o comprimento mdio da fila
Lq = 2/( 1- ) = 2/( ( - )). (2.7)
Existe tambm o interesse em conhecer o tamanho da fila esperado onde a
fila nunca est vazia, que ser denotado aqui por Lq . Assim, pode-se escrever
Lq = E[Nq| Nq 0]

= (n-1)pn = (n-1)pn ,
n=1 n=2

onde pn a distribuio de probabilidade condicional de n no sistema dado que a fila

no est vazia, ou pn = Pr{n no sistema | n >=2}. Das leis de probabilidade condicional,
pn = Pr{n no sistema e n >=2}
Pr{n>=2}

= pn / pn (n>=2)
n=2

= pn
1 (1 - ) (1 - )
= pn / 2,
Teoria das Filas 38

pois, se npn = (1 - ) nn (2.5), ento, retirando-se o multiplicador n das duas
n=0 n=0

parcelas, tem-se que pn = (1 - ) n, menos as parcelas referentes a n = 0, que
n=2 n=2

igual a (1 - ) e n = 1, que igual a (1 - ). Desse modo, a distribuio de

probabilidade {pn} a distribuio de probabilidade {pn} normalizada por omitir os
casos n = 0 e 1. Assim,

Lq = (n-1) (pn / 2)
n=2

= L - p1 (1 - p0 - p1).
2,
Consequentemente,
Lq = 1/ (1- ) = /( - ). (2.8)
Note que a generalizao para Pr{n>=2} intuitiva, de maneira que,
Pr{N>=n} = n
Para completar a parte bsica desta apresentao, pode-se utilizar das
equaes de Little apresentadas anteriormente que o tempo de espera W e o atraso na
fila Wq, dadas as condies de estado equilbrio, para uma fila M/M/1 so
W=L/= = 1/ ( - ) (2.9)
(1- )
Wq = Lq / = 2 = / ( - ) (2.10)
(1- )
Para exemplificar todas as medidas de efetividade apresentadas at o
momento observe o exemplo abaixo:
Exemplo 2.1 A Sra. Cutt possui uma salo unissex. Ela no marca hora, de forma que,
o atendimento ocorre numa disciplina FCFS. Ela acredita que est muito ocupada aos
sbados pela manh, de modo que, ela est estudando a possibilidade de contratar uma
assistente e possivelmente mudar-se para um estabelecimento maior. Entretanto, antes
de tomar essa deciso ela deseja saber qual o nmero mdio de clientes no salo e qual
o nmero mdio de clientes esperando para serem atendidos.
Para tanto, a Sra. Cutt observou que os clientes chegavam ao salo de
acordo com um processo de Poisson com uma taxa mdia de chegada de 5/h. Alm
disso, foi observado que o tempo de atendimento era exponencialmente distribudo com
Teoria das Filas 39

uma taxa mdia de 10 minutos. De posse destes dados, tem-se que = 5/h e = 1/10
min = 6/h. Isto d um de 5/6. De (2.6) e (2.7), a Sra. Cutt encontra que L = 5 e Lq =
41/6. O nmero mdio esperando quando existe pelo menos uma pessoa esperando
obtido de (2.8) como Lq = 6. Ela tambm est interessada em saber a porcentagem de
tempo que os clientes so atendidos sem terem que esperar em fila, ou seja, a
probabilidade que uma chegada ocorra e o sistema esteja vazio. A probabilidade disto
p0 = 1 - = 1/6. Desse modo, 16.7% do tempo Cutt est ociosa, fazendo com que o
prximo cliente a chegar possa ser atendido sem ter que esperar. Devido ao fato do
processo de Poisson governar sua chegada e por causa de sua propriedade
completamente aleatria a porcentagem de clientes que entraro em servio diretamente
sem ter que esperar 16.7% tambm. Por outro lado, 83.3 % dos clientes devem esperar
antes de serem atendidos.
A sala de espera de Cutt tem quatro assentos, de forma que, ela est
interessada em saber a probabilidade de um cliente, aps chegar, no ter lugar para
sentar. Isto pode ser facilmente calculado como
Pr{encontrar nenhum assento} = Pr{N>=5} = 5 = 0.402. Isto implica que
em pouco mais de 40% do tempo, os clientes no encontraro lugar para sentar.
Por fim, utilizando-se as equaes (2.9) e (2.10) obtm-se que o tempo de
atendimento no salo e o atraso na fila so, respectivamente, W = 1h e Wq = 5/6h,
resultados no muito agradveis.

2.2.2.1 Distribuies de Tempo de Espera

Apesar da Sra. Cutt j possuir informaes que justifiquem a ampliao de
seu negcio, ela no tem condies de responder, dadas as condies atuais, qual a
probabilidade que o atraso na fila seja superior a 45 minutos. Dessa forma, as seguintes
formulaes matemticas devem ser levantadas para atender a tal requisito de
informao.
Seja Tq a varivel aleatria tempo gasto esperando na fila e Wq(t)
represente sua distribuio de probabilidade cumulativa. At agora, a disciplina de filas
no tem tido nenhum efeito em nossas derivaes. Contudo, ao levar em considerao
tempos de espera individuais, a disciplina deve ser especificada, sendo neste caso,
assumido que ela do tipo FCFS. A varivel aleatria tempo de espera tem uma
propriedade interessante em que ela parte discreta e parte contnua. O tempo de espera
Teoria das Filas 40

, para maior parte do tempo, uma varivel contnua, exceto que existe uma
probabilidade no zero que o atraso seja zero, isto , um cliente entrando em servio
imediatamente aps sua chegada. Assim, tem-se que
Wq(0) = Pr{Tq <= 0} = Pr{Tq = 0} = Pr{sistema vazio na chegada} = q0.
Pode-se denotar a probabilidade condicional de n no sistema dado que um
chegada est prxima a ocorrer por qn. Entretanto, estas probabilidades nem sempre so
iguais a probabilidade pn com o qual se est trabalhando. Isto porque, pn so
probabilidade incondicionais de n em um ponto qualquer no tempo. Para encontrar a
distribuio do tempo de espera virtual, ou seja, o tempo que o cliente teria que esperar
caso chegasse num tempo qualquer, ser utilizado pn. Contudo, para a entrada de
Poisson, qn = pn. Assim,
Wq(0) = p0 = 1 - .
Resta, portanto, encontrar, Wq(t) para t >0.
Considere Wq(t), a probabilidade de um cliente esperar um tempo menor ou
igual a t para ser atendido. Se existem n clientes no sistema na chegada de um cliente, a
ordem para que o cliente entre em servio no tempo entre 0 e t que todos os n clientes
existentes no sistema tenham que ser servidos at o tempo t. Desde que a distribuio de
servio markoviana, a distribuio do tempo requerido para os n clientes serem
atendidos independente do tempo da chegada atual e a convoluo de n variveis
aleatrias exponenciais do tipo n-Erlang. Complementando, desde que a entrada
Poisson, os pontos de chegada so uniformemente espaados e consequentemente a
probabilidade que uma chegada encontre n no sistema idntica a distribuio
estacionria do tamanho do sistema. Portanto, pode-se escrever que

Wq(t) = Pr{Tq <= t} = Wq(0) + Pr{n clientes atendidos <=t |
n=1

chegada encontra n no sistema}. pn.

= 1 - + (1 - ) n ot (x)n-1 e-x dx
n=1
(n 1)!

= 1 - + (1 - ) ot e-x (x)n-1 dx
n=1
(n 1)!
= 1 - + (1 - ) ot e-x(1 - ) dx
Teoria das Filas 41

= 1 - e-(1 - )t ( t > 0).

Assim, a distribuio de tempo de espera em fila
Wq(t) = 1 - e-(1 - )t ( t >= 0) (2.11)
Com o resultado de (2.11), a Sra. Cutt capaz de calcular a probabilidade
que um cliente chegando ter que esperar mais que 45 minutos como 5/6 e-3/4 = 0.3936.
Partindo do que foi demonstrado acima, pode-se definir o tempo total gasto
pelo cliente num sistema M/M/1 (incluindo tempo de servio) da seguinte maneira. Seja
T a varivel aleatria que representa o tempo total do cliente no sistema com W(t), w(t)
e W sendo, respectivamente, a distribuio cumulativa, a funo densidade e o valor
esperado de T. Alm disso, pode ser mostrado que a espera no sistema tem uma
distribuio exponencial negativa, tal que,
W(t) = 1 - e-( - )t ( t >= 0) (2.12)
w(t) = ( - )e-( - )t ( t > 0)

2.3 Filas com canais paralelos (M/M/c)

Agora nossa ateno ser direcionada para modelos multiservidores M/M/c
no qual cada servidor possui uma distribuio de tempo de servio exponencial
distribuda identicamente e independentemente, com o processo de chegada de novo
assumido ser Poisson. Dada as condies de que a entrada Poisson, o servio
exponencial e o nmero de servidores igual a c, tem-se um processo de nascimento e
morte. Assim, n = para todo n, faltando, portanto, determinar n para que se possa
utilizar a frmula 2.2 aplicada a processos de nascimento e morte.
Se existem mais que c clientes no sistema, todos os c servidores devem estar
ocupados com uma taxa mdia de servio , com a taxa mdia de sada do sistema
sendo igual a c. Quando existem menos que c clientes no sistema, n < c, por exemplo,
s n dos c servidores esto ocupados, fazendo com que o sistema passe a ter uma taxa
mdia de sada de n. Portanto, n pode ser escrito como
n (1<=n<c)
n = c (n>=c). (2.13)
Utilizando (2.13) na equao (2.2) e o fato que n = para todo n, obtm-se
__n___ p0 (1<=n<c),
n!n
pn = __n___ p0 (n>=c). (2.14)
cn-cc!n
Teoria das Filas 42

Para encontrar p0, ser levado em considerao o fato que as probabilidades

devem somar um, que implica que
c1
p0 = [ n/(n!n) + n/( cn-cc!n)]-1.
n=0 n=c

Adotando r = / e = r/c = /c, tem-se que

c1
p0 = [ rn/n! + rn/( cn-cc!)]-1.
n=0 n=c

Fazendo uso de uma expresso bem conhecida para a soma dos termos de
uma progresso geomtrica,

n = 1 / (1 - ) ( < 1),
n=0

tem-se que

rn/( cn-cc!) = (rc/c!) (r/c)n-c = (rc/c!) (r/c)m =
n=c n=c n=0

= (rc/c!)___1___ (r/c = < 1).

(1 - )
Finalmente, pode-se escrever que
c1
p0 = ( rn/n! + rc__ )-1 (r/c = < 1) (2.15)
n=0

c!(1 - )
Note que a condio para a existncia de uma soluo de estado de
equilbrio aqui /(c) < 1; isto , taxa mdia de chegada deve ser menor que a taxa
mdia potencial mxima de servio do sistema, que intuitivamente o que seria
esperado. Uma outra coisa que pode ser notada da equao (2.15) que quando c = 1,
(2.15) reduz-se para a equao do modelo M/M/1 mostrado anteriormente.
Baseando-se nas probabilidades de estado de equilbrio dada nas equaes
(2.14) e (2.15) pode-se derivar medidas de efetividade para o modelo M/M/c, de
maneira similar as utilizadas no modelo M/M/1.
Primeiro ser considerado o tamanho da fila esperado Lq, haja visto que esta
medida computacionalmente mais fcil de determinar que L, desde que, s
necessrio tratar-se com pn para n >= c. Assim,

Lq = (n-c) pn = (n-c)(rn/cn-cc!) p0
n=c+1 n=c+1
Teoria das Filas 43

= (rc/c!)p0 (n-c)(rn-c/cn-c),
n=c+1
substituindo-se n-c por m, tem-se que

Lq = (rc/c!)p0 mm = (rc/c!)p0 mm-1 =
n=1 n=1

= (rc/c!)p0 d ( m) = (rc/c!)p0 d (1/(1-) 1)
n=1

d d
c
= r p0__.
c!(1-)2
Assim,
Lq =( rc . ) p0 (2.16)
c!(1-)2
Para encontrar L agora, emprega-se a frmula de Little para obter Wq, ento
utiliza-se Wq para encontrar W = Wq + 1/, e finalmente emprega-se novamente a
frmula de Little para calcular L = W. Assim, obtm-se que
Wq = Lq/ = ( rc ) p0 (2.17)
2
c!(c)(1-)
desde que, = /(c).
W = 1/ + ( rc_. ) p0 (2.18)
c!(c)(1-)2
e
L = r + ( rc __. ) p0 (2.19)
c!(1-)2
Note que o resultado final para L poderia ser obtido diretamente Lq por
utilizar L = Lq + r.
Embora as distribuies de probabilidade de tempos de espera, W(t) e Wq(t),
so sejam necessrias para obter W e Wq, para que questes a respeito das
probabilidades de uma espera serem maiores que uma determinada quantidade possam
ser respondidas, faz-se necessrio a utilizao dessas distribuies.
Dessa forma, definindo Tq como a varivel aleatria tempo gasto
esperando na fila e Wq(t) sua FDC, tem-se que
Wq(0) = Pr{Tq = 0} = Pr{<= c 1 no sistema} =
c1 c1
= pn = p0 rn/n!.
n=0 n=0
Teoria das Filas 44

Agora para avaliar o rn/n!, tem-se da expresso (2.15) para p0 que

c1
= rn/n! = [1/p0] [rc/(c!(1-))].
n=0

Dessa forma, tem-se que

Wq(0) = p0(_1_ - ___rc__) = 1 - __rcp0___) (2.20)
p0 c!(1-) c!(1-)
Para Tq > 0 e assumindo uma disciplina FCFS,

Wq(t) = Pr{Tq <= t} = Wq(0) + Pr{n c + 1 clientes atendidos <=t |
n=c

chegada encontra n no sistema}. pn.

= Wq(0) + p0 __rn__ o
t
c(cx)n-c e-cx dx
n=c
cn-cc! (n c)!
Cortando-se cn-c de dentro da integral com cn-c que est dividindo rn ,cortando se o c
que multiplica (cx)n-c com o c correspondente de c! tem-se que

= Wq(0) + p0 __rn__ o
t
(x)n-c e-cx dx
n=c
(c-1)! (n c)!
Agora, retirando-se c parcelas de r (rn-c)) e passando-as para dentro da integral, com a
n

troca do somatrio com a integral, pode-se retirar rc/(c-1)! do somatrio e da integral j

que estes so constantes para equao e no interferiram no somatrio. Assim,

= Wq(0) +_rcp0 o
t
e-cx (rx)n-c dx
n=c
(c-1)! (n c)!

Contudo, j foi visto anteriormente que (rx)n-c dx = exr. Logo,
n=c
(n c)!
= Wq(0) +_rcp0 o
t
e-cxexr dx = Wq(0) +_rcp0 ot e-x(c-r) dx
(c-1)! (c-1)!
= Wq(0) +_rcp0__ (1 - e-(c - )t).
c!(1- )
Substituindo Wq(0) de (2.20) tem-se que
Wq(t) = 1 - _rcp0__ e-(c - )t). (2.21)
c!(1- )
De (2.21) nota-se que
Teoria das Filas 45

Pr{ Tq > t} = 1 - Wq(t) = _rcp0__ e-(c - )t).

c!(1- )
de modo que, a probabilidade condicional Pr{ Tq > t | Tq > 0} = e-(c - )t).
Para encontrar a frmula para a FDC do tempo de espera no sistema, deve-
se dividir a situao em duas possibilidades separadas: aquelas cujos clientes no
tiveram nenhum atraso na fila [probabilidade Wq(0)]; e aquelas onde a espera no
sistema o atraso na fila mais o tempo de servio [probabilidade 1 - Wq(0)]. A primeira
dessas duas classes de clientes tem uma FDC que idntica a distribuio de tempo de
servio exponencial, com mdia 1/; a segunda tem uma FDC obtida da convoluo da
distribuio do tempo de servio com uma segunda distribuio exponencial tendo
mdia 1/(c - ). Esta convoluo tambm pode ser escrita como a diferena de duas
funes exponenciais,
Pr{ Tq <= t} = c(1 - ) (1 - e-t) - 1 (1 - e-(c - )t).
c(1 - ) 1 c(1 - ) - 1
Assim, a FDC da espera no sistema M/M/c pode ser escrita como
W(t) = Wq(0)[ 1 - e-t] + [1 - Wq(0)]
X [ c (1 - ) (1 - e-t) - _ 1 (1 - e-(c - )t)]
c(1 - ) 1 c(1 - ) - 1
= c(1 - ) - Wq(0) (1 - e-t) - 1 - Wq(0) (1 - e-(c - )t).
c(1 - ) 1 c(1 - ) 1
Exemplo 2.2 Uma clnica de olhos da cidade oferece consultas grtis todas as quartas a
tarde. Existem trs oftalmologistas no prdio. Um teste, leva em mdia, 20min, e o
tempo atual achado ser aproximadamente exponencialmente distribudo ao redor desta
mdia. Os clientes chegam de acordo com um processo de Poisson com mdia de 6/h,
sendo que os pacientes so atendidos numa base FCFS. Os planejadores do hospital
esto interessados em saber: (1) qual o nmero mdio de pessoas esperando; (2) a
quantidade mdia de tempo que um paciente gasta na clnica; e (3) a porcentagem mdia
de tempo ocioso de cada um dos oftalmologistas. Assim, deseja-se saber Lq, W e a
porcentagem de tempo ocioso de um servidor.
Para responder a estas questes ser calculado inicialmente p0, desde que,
ele aparece em todas as frmulas derivada das medidas de efetividade. Dessa forma,
tem-se que c = 3, = 6/h e = 1/(20min) = 3/h. Assim r = / = 2, = 2/3, e de (2.15)
tem-se que
Teoria das Filas 46

p0 = (1 + 2 + 22/2! + 23 )-1 = 1/9

3!(1-2/3)
Da equao (2.16) tem-se que
Lq = (232/3 __. )1/9 = 8/9,
3!(1-2/3)2
e das equaes (2.16) e (2.18) que
W = 1/ + Lq/ = 1/3 + (8/9)/6 = 13/27h = 28.9min.
Para o ltimo item, j foi visto (tabela 1.2) que a frao mdia de tempo ocioso de
qualquer servidor em um sistema M/M/c igual a 1 - . Para este problema, portanto,
casa oftalmologista est ocioso 1/3 do tempo, desde que a intensidade trfego = 2/3.
Dados os trs servidores no prdio, dois deles estaro ocupado em qualquer tempo (em
mdia), uma vez que r = 2. Alm disso, a frao de tempo que existe pelo menos uma
oftalmologista ocioso pode ser calculada aqui como p0 + p1 + p2 =
Pr{Wq = 0} = 1 - __rcp0___ = 1 - __23(1/9)__ = 1 4/9 = 5/9.
c!(1-) 3!(1-2/3)

2.4 Filas com Canais Paralelos e Limitao na Capacidade do

Sistema (M/M/c/K)
Nesta seo o estudo ser feito em cima de um modelo de nascimento e
morte com servidor paralelo M/M/c/K, na qual existe um limite K colocado no nmero
permitido no sistema em qualquer tempo. A abordagem aqui idntica para modelos
com capacidade infinita (M/M/c), exceto que a taxa de chegada n agora deve ser 0
sempre que n >= K. Ento segue da equao (2.14) que as probabilidades de tamanho
do sistema em estado de equilbrio so dadas por
__n___ p0 (1<=n<c),
n!n
pn = __n___ p0 (c<= n <= K). (2.22)
cn-cc!n
Da condio de que as probabilidades devem somar 1 resultar p0.
Novamente, a computao idntica a utilizada no modelo M/M/c, exceto que agora
ambas as sries na computao so finitas e assim no existira nenhum requerimento
que a intensidade do trfego seja menor que 1. Assim,
c1 K
p0 = [ n/(n!n) + n/( cn-cc!n)]-1.
n=0 n=c
Teoria das Filas 47

Para simplificar, considere o segundo somatrio acima, com r = / e =

r/c:
K K
rn/( cn-cc!) = (rc/c!) n-c
n=c n=c

rc 1 - k-c+1 ( 1),
= c! 1 -
rc (K c + 1) ( = 1).
c!
Assim,
c1
( (rn/n!) + (rc/c!) 1 - k-c+1)-1 ( 1),
n=0

p0 = 1- (2.23)
c1
( (rn/n!) + (rc/c!) (K c + 1))-1 ( = 1).
n=0

O prximo passo ser encontrar o comprimento da fila esperado ( 1):

K K
Lq = (n c)pn = (rc/c!)p0 (n c)(rn-c/cn-c)
n=c+1 n=c+1

K
= (rc/c!)p0 (n c)n-c-1
n=c+1

Substituindo-se n-c por i tem-se que

Kc
= p0rc ii-1 = p0rc d (1 - K-c +1),
i=1

c! c! d 1-
ou
= p0rc [ 1 - K-c +1 - ( 1- )(K c + 1) K-c]. (2.24)
c! (1 - )2
Para = 1, necessrio empregar a regra de LHpital duas vezes, de forma que, para
os propsitos deste curso no ser demonstrado.
Para obter o tamanho esperado do sistema, ser utilizado a frmula de Little
L = Lq + r aplicada ao modelo M/M/c. Entretanto, para o caso do espao de espera
finito, ser necessrio ajustar a frmula de Little, haja visto que existe uma frao pk de
chegadas que no se juntam ao sistema, pois, estas chegadas ocorreram quando no
existe nenhum espao disponvel na fila. Assim, a taxa efetiva de chegada vista pelos
Teoria das Filas 48

servidores (1 - pk), de modo que, a esta taxa de ajuste para a entrada ser denotada
por eff. O relacionamento entre L e Lq deve, portanto, ser restruturado para este modelo
como L = Lq + eff/ = Lq + ( 1 - pk)/ = Lq + r( 1 - pk). Sabe-se que a quantidade r( 1 -
pk) deve ser menor que c, desde que o nmero mdio de clientes em servio deve ser
menor que o nmero total de servidores disponveis. Isto sugere a definio de alguma
coisa, tal como, eff = eff/, que deveria ser menor que 1 para qualquer modelo M/M/c
mesmo que nenhuma restrio exista nos valores de = /c.
Os valores esperados para os tempos de espera podem ser prontamente
obtidos das frmulas de Little como
W= L = L , (2.25)
eff (1 - pk)
Wq = W 1/ = Lq/eff
Para modelos M/M/1/K, todas as medidas de efetividade reduzem-se para
expresses consideravelmente mais simples, como a seguir
1- ( 1),
p0 = 1 - k+1 (2.26)
1/(K+1) ( = 1).

(1 - )n ( 1),
pn = 1 - k+1 (2.27)
1/(K+1) ( = 1).

e
- (Kk + 1) ( 1),
Lq = 1- 1 - k+1 (2.28)
K(K-1) ( = 1).
2(K + 1)
com L = Lq + (1 p0). Note que este relacionamento final implica que 1 - p0 = (1
pk)/, de modo que, esta equao pode ser rescrita na forma (1 - p0)= (1 pk)
indicando que a taxa efetiva de sada do sistema deve ser igual a sua taxa efetiva de
entrada.
A derivao da FDC do tempo de espera um pouco complicada, desde que
as sries so finitas, embora elas possam ser expressas em termos de somas de Poisson
cumulativas, como ser mostrado agora. Antes de mais nada necessrio derivar as
Teoria das Filas 49

probabilidades de ponto de chegada {qn}, desde que a entrada no mais Poisson

devido a limitao K no sistema e qn pn.
Para determinar qn ser utilizado o teorema de Baye, de forma que
qn Pr{n no sistema | chegada acabou de ocorrer} =
= Pr{chegada ocorrer | n no sistema}pn =
k
0 Pr{chegada ocorrer | n no sistema}pn =
= lim pn[t + o(t) ]
K1
t->0
pn[t + o(t)]
n=0

= pn = pn / 1- pk ( n <= K 1).
K1
pn
n=0

Utilizando-se a mesma formulao apresentada em 2.21 para Wq(t) tem-se

que
K1
Wq(t)= Pr{Tq<= t} = Wq(0) + Pr{n c + 1 servios completados em <=t |
n=c
|a chegada encontrou n no sistema}.qn

desde que no podem existir chegadas unindo-se a o sistema depois de ter encontrado K
no sistema, segue que
K1
t
Wq(t) = Wq(0) + qn o c(cx)n-c e-cx dx
n=c
(n c)!
K1

= Wq(0) + qn [ 1 - t c(cx)n-c e-cx dx]
n=c
(n c)!
Agora, conhecido que
M

t (x)m e-x dx = (t)i e-t
i=0
m! i!
Assim, tomando m = n - c e = c obtm-se
Nc

t c(cx)n - c e- cx dx = (ct)i e-ct
i=0
n c! i!
e conseqentemente
Teoria das Filas 50

K1 K1 Nc
Wq(t) = Wq(0) + qn - qn (ct)i e-ct
n=c n=c i=0
i!
K1 Nc
=1- qn (ct)i e- ct.
n=c i=0
i!
Exemplo 2.3 Considere uma estao de inspeo de emisso de gases poluentes de
automveis com trs boxes de inspeo, onde cada boxe tem capacidade para apenas um
carro. razovel assumir que carros esperam de tal maneira que quando um boxe se
torna livre, o carro no incio da fila entra no boxe. A estao pode acomodar quatro
carros esperando (sete na estao) a cada tempo. O padro Poisson com uma mdia de
um carro a cada minuto durante os perodos de pico. O tempo de servio exponencial
com mdia de 6 minutos. I. M. Fussy, o inspetor chefe, deseja saber o nmero mdio no
sistema nos perodos de pico, a espera mdia (incluindo servio), e o nmero esperado
por hora que no podem entrar na estao devido a lotao mxima ser atingida.
Usando minutos como unidade de tempo bsica , = 1 e = 1/6. Assim,
tem-se que r = 6 e = 2 para este sistema M/M/3/7. Primeiro ser calculado p0 da
equao (2.23) encontrando

2
p0 = ( 0
6n + 63 1 - 25)-1 = [(1 + 6 + 18) + 36(31)]-1 =
n! 3! 1 - 2
p0 = (1 + 6 + 18) + 36(31)]-1 = (25 + 1116)-1 = 1/1141.

Da equao (2.24) obtm-se que

Lq = p0(63)2 [ 1 - 25 + 5(24)] = 72p0 [-31 + 80] = 3528/1141.
3!
de modo que
L = Lq + r(1 pk) = 3528 + 6( 1 - __ 67 ) = 9606 = 6,06 carros
4
1141 (3 )(3!)(1141) 1141
Para encontrar a espera mdia nos perodos de pico, a Equao (2.25) utilizada
obtendo-se
W= L = L = L = 12,3minutos.
eff (1 - p7) 1 - p067(343!)

O nmero esperado de carros por hora que no podem entrar na estao dado por
60 pk = 60 p7 = 60 p067 = 30,4 carros/h.
343!
Teoria das Filas 51

Como dito anteriormente, a taxa efetiva do sistema (1 - pk), pois, quando se fala em
taxa de chegada, ns estamos nos referindo aquela parcela de clientes que esto fora do
sistema e podem, probabbilsticamente falando, chegar no sistema em algum momento.
Assim, se existem (1 - pk) clientes fora do sistema, ento existem pk clientes que j
entrarem no sistema quando a capacidade mxima foi atingida, cada um com uma taxa
de chegada . Dessa forma, para verificar-se o nmero de carros que no conseguiram
entrar no sistema, multiplica-se o nmero de carros que podem chegar em uma hora
pela taxa de chegada dos pk carros que chegaram no sistema, antes da capacidade
mxima ser atingida, dado por pk. O que resultado que o nmero de carros que no
conseguiram entrar no sistema igual a 60carros/hora (1 a cada minuto) condicionado
aos pk carros que j esto no sistema.

2.5 Frmula de Erlang (M/M/c/c)

Um caso especial de fila com capacidade limitada M/M/c/K para o qual K =
c, isto , nenhuma fila permitida ser formada, originada de uma distribuio
estacionria conhecida como primeira frmula de Erlang que pode ser obtida das
equaes (2.22) e (2.23) com K = c como
c
pn = (/)n / ( 0
(/)i) (0 <= n <= c). (2.29)
n! i!
A frmula resultante para pc conhecida como frmula da perda de Erlang e
corresponde a probabilidade de um sistema completo em qualquer tempo em estado de
equilbrio, definido da seguinte forma
pn = rc / c! (r = /).
c
0
ri/i!

Desde que a entrada para M/M/c/c Poisson, a probabilidade de que uma

chegada seja perdida igual a probabilidade de que todos os servidores estejam
ocupados. A situao fsica original que motivou Erlang para gerar este modelo foi uma
rede de telefone simples. As chamadas telefnicas chegam no sistema com uma taxa de
Poisson, os tempos de servio so mutuamente independentes e exponenciais, e todas as
chamadas que chegam e encontram a linha ocupada, isto , obtm um sinal de ocupado
so descartadas, de modo que, este modelo tem sempre sido, de fato, de muita utilidade
no projeto de telecomunicaes.
Teoria das Filas 52

Entretanto, a grande importncia da equao (2.29) que ela vlida para

qualquer modelo M/G/c/c, independente da forma da distribuio de tempo de servio.

)
2.6 Filas com Servio Ilimitado (M/M/

Agora ser tratado um modelo de filas no qual o servio ilimitado, isto ,

existe um nmero infinito de servidores disponvel. Este modelo frenqentemente
referido como um problema de servidor amplo. Um exemplo de um self-service um
bom exemplo do uso deste modelo.
feito uso do resultado de nascimento e morte geral com n = e n = n,
para todo n, que resulta

pn = (rn/n!)p0, p0 = ( (rn/n!))-1.
n=0

Mas, as sries infinitas na expresso para p0 claramente idntica a representao de er.

Assim, segue que
pn = (rne-r)/n! (n>=0) (2.30)
de modo que, a distribuio de probabilidade de estado de equilbrio de n no sistema
Poisson com parmetro r = /, sendo que est equao vlida para qualquer modelo
M/G/, isto , pn depende s do tempo de servio mdio e no da distribuio de tempo
de servio.
O tamanho esperado no sistema a mdia da distribuio de Poisson de
(2.30), sendo obtido de L = r = /. Desde que o nmero de servidores infinito, Lq = 0
= Wq. O tempo mdio no sistema se tornou meramente o tempo mdio de servio, de
modo que, W = 1/, e a funo de distribuio de tempo de espera W(t) idntica a
distribuio de tempo de servio, ou seja, exponencial com mdia 1/.

Exemplo 2.4 A emissora KCAD deseja saber qual o nmero de telespectadores que ela
pode esperar num programa numa tarde de Sbado no horrio principal. A KCAD
obteve de fontes passadas que os telespectadores que ligam sua TVs nos Sbados tarde
no horrio principal obedecem uma distribuio de Poisson com mdia de 100.000/h.
Existem cinco grandes emissoras na rea, e acreditado que as pessoas escolhem uma
das cinco aleatoriamente. Fontes tambm tem mostrado que os telespectadores mudam
Teoria das Filas 53

de canal a cada 90 minutos e que os tempo de audincia so exponencialmente

distribudos.
Desde que a taxa mdia de chegada ( pessoas sintonizando na KCAD
durante o horrio principal nos Sbados tarde) 100.000/5 = 20.000/h e o tempo de
servio mdio 90min ou 1,5h, segue que o nmero mdio de telespectadores a cada
hora L = 20.000*(2/3) = 40.000/3 = 13334pessoas.

2.7 Filas de Fonte Finita

Nos modelos anteriores foi assumido que a populao de onde as chegadas
vinham era infinita, desde que o nmero de chegadas em qualquer intervalo de tempo
uma varivel aleatria de Poisson com um espao de amostragem incontvel. Agora
ser tratado um problema onde a populao chegando finita, digamos de tamanho M, e
a probabilidade de ocorrncia de eventos futuros so funes do estado do sistema. Uma
aplicao tpica deste modelo o caso do reparo de uma mquina, onde a populao de
chegadas possveis so as mquinas, sendo que uma chegada corresponde a uma
mquina quebrada e os tcnicos so os servidores. Ser assumido que existem c
servidores disponveis, com tempos de servio exponencialmente distribudos com
mdia 1/. J o processo de chegada segue a seguinte descrio. Se uma chegada no
est no sistema no tempo t, a probabilidade de que ela tenha entrado no tempo t + t
t + o(t), ou seja, o tempo que uma chegada gasta fora do sistema exponencial com
mdia 1/.
Por causa destas suposies, pode-se usar a teoria de nascimento e morte
desenvolvida anteriormente, com as taxas de nascimento e morte dadas por
n = (M n) (0<=n<M),
0 (n>=M)
e
n = n (0<=n<c),
c (n>=c).
usando (1.19) resulta, com r = /,
M!(M n)! rnp0 (1<=n <c),
n! (2.31)
pn = M!(M n)! rnp0 (c<=n<M).
cn-cc!
Teoria das Filas 54

A forma algbrica de {pn} no permitem clculos de forma fechada de p0 (tambm

verdadeiro para Lq, L, W e Wq). Assim, cada um dos coeficientes multiplicando p0 em
(2.31), onde estes coeficientes podem ser denotados por {an, n = 1,2, . . ., M} e ento a
computao pode ser completada por
p0 = (1 + a1 + a2 + . . . + aM)-1.
Para encontrar o nmero mdio de clientes no sistema, ou seja, o nmero
mdio de mquinas em reparo, ser usado a definio do valor esperado, obtendo-se
M M
L= npn = p0 nan.
n=1 n=1

Contudo, para obter Lq, W e Wq, deve-se primeiro encontrar a taxa efetiva mdia de
chegadas no sistema. Como mostrado anteriormente, a taxa de chegada mdia quando o
sistema est no estado n (M n). Somando todos os valores possveis de n depois de
pesar cada termo pela probabilidade pn apropriada, obtm-se que

M1
eff = (M n) pn = (M L). (2.32)
n=0

A equao (2.32) certamente intuitiva, desde que, na mdia, L esto no sistema e,

conseqentemente, na mdia, M L esto fora e cada um tem uma taxa mdia de
chegada de . Agora, para Lq, sabido de demonstraes anteriores que
Lq = L - eff/ = L r(M L). (2.33)
e segue das frmulas de Little que
W= L e Wq = Lq (2.34)
(M L) (M L)
Para a verso de servidor simples deste problema, a expresso para as
probabilidades de estado do sistema encontradas em (2.31) reduz-se para
pn = M! rnp0 (0<=n <M),
(M n)!n!
e o resto da anlise idntica.
Exemplo 2.5 Uma fbrica de semicondutores utiliza cinco robs na fabricao de
placas de circuito. Os robs quebram periodicamente, e a companhia possui dois
tcnicos para consert-las. Quando uma consertada, o tempo at a prxima quebra
pensado ser exponencialmente distribudo com uma mdia de 30h. A fbrica tem um
backlog de encomendas, garantindo que todos os robs em condies operacionais
estaro trabalhando. O tempo de reparo para cada servio exponencialmente
Teoria das Filas 55

distribudo com uma mdia de 3h. O gerente da fbrica deseja saber o nmero de robs
operacionais a qualquer hora, o tempo parado de cada rob que necessita de reparo e a
porcentagem de tempo ocioso de cada tcnico.
Para responder a qualquer destas questes, deve-se primeiro calcular p0.
Neste exemplo, M = 5, c = 2, = 1/30 e = 1/3, resultando em r = / = 1/10.
Utilizando (2.31) obtm-se os cinco {an} multiplicadores como (a1 = 5/10 = ; a2 =
1/10; a3 = 15/1000 = 3/200; a4 = 15/10000 = 3/2000; a5 = 15/200000 = 3/40000. E assim
segue que
p0 = (1 + + 1/10 + 3/200 + 3/2000 + 3/40000)-1 = 40000/64663 = 0,619.
O nmero mdio de robs operacionais dado por M L, onde
L = p0(1 x 1/2 + 2 x 1/10 + 3 x 3/200 + 4 x 3/2000 + 5 x 3/40000) =
=30055/64663 = 0,465
Assim 5 0.465, ou 4.535, robs esto em condies operacionais na
mdia. O tempo para do pode ser encontrado de (2.34) e
W= 30055 / 64663 = 901650/29326 = 3,075h.
1/30(5 (30055/64663))
A frao mdia de tempo ocioso de cada servidor
p0 +1/2 p0 = p0(1 + ) = 60000/64663 = 0,9278.
Assim, cada tcnico est ocioso 92,78% do tempo. Partindo deste valor alto para o
tempo ocioso, o gerente est interessado em saber qual seriam os resultados acima se o
nmero de tcnicos fosse decrementado em um. O resultados seria,
p0 = 0,564, L = 0,640, M L = 4,360, W = 4,400h
Desde que quatro robs esto ativos em qualquer uma das situaes e o tempo de parada
para reparo de uma mquina elevou-se para mais ou menos uma hora ao reduzir um
funcionrio, o gerente pode decidir mover um dos tcnicos para outra rea.
Este modelo pode ser generalizado para incluir o uso de robs reservas.
Assume-se agora que existem Y robs reservas em mo, de modo que, quando uma
rob em operao falha, ele imediatamente substitudo por um reserva. Entretanto, se
um rob falhar e todas os reservas estiverem sendo utilizados ento o sistema se tornar
reduzido. Quando uma mquina for reparada, ela ficar como reserva (a menos que o
sistema esteja reduzido, onde ela entrar imediatamente em servio. Para este modelo,
n diferente de antes e dado por
Teoria das Filas 56

M (0<=Y<=M)
n = (M n + Y) (Y<=n<Y + M),
0 (n>=Y + M).
Novamente considerando c reparadores, tem-se que
n = n (0<=n<c),
c (n>=c).
Assumindo, inicialmente, que c <=Y e usando a equao (1.19) mais uma vez, obtm-se
Mn rnp0 (0<=n <c),
n!
pn = Mn rnp0 (c<=n<Y) (2.35)
cn-cc!
MY M! rnp0 (Y<=n<Y+M).
n-c
(M- n + Y)! c c!
Se Y muito grande tem-se uma populao infinita de clientes com taxa mdia de
chegada M para .
Quando c > Y, tem-se que
Mn rnp0 (0<=n <=Y),
n!
pn = MY M! rnp0 (Y+1<=n<c) (2.36)
(M- n + Y)!n!
MY M! rnp0 (c<=n<Y+M).
n-c
(M- n + Y)! c c!
Deve ser notado que quando Y = 0 (sem reservas), a Equao (2.36) reduz-se para
(2.31). Observe que o uso direto da equao (2.36) para obter os coeficientes {an}pode
ser meio bagunado quando M e Y so grandes. Felizmente, pode-se evitar tal
dificuldade usando a relao de recurso pn+1 para pn, que est naturalmente fora das
formulaes de nascimento e morte, sendo uma conseqncia direta das equaes de
balano local. As equaes de balano podem ser escritas em forma recursiva da
seguinte forma
pn+1 =(n/n+1) pn,
de modo que, para problema sem reservas segue que
M n rp0 (0<=n <c - 1),
n+1
pn+1 = M n) rp0 (c<=n<M - 1).
c
A probabilidade do sistema vazio, p0, pode ser encontrada como
anteriormente para modelos sem reserva por mais uma vez usar o fato que as
Teoria das Filas 57

probabilidades devem somar um, de modo que, a computao de p0 feita sobre somas
finitas. O mesmo verdadeiro para L e Lq. Para obter os resultados para W e Wq
comparvel a equao (2.34) necessrio obter novamente a taxa mdia efetiva de
chegada eff. Para obter eff, pode-se usar a equao (2.33) diretamente ou pode-se usar
lgica similar a utilizada na equao (2.32), como a seguir,
y1 Y+M
eff = M pn + (M- n + Y) pn =
n=0 n=Y

Y+M
= (M - (n - Y)pn). (2.37)
n=Y

Como um ponto final para fechar esta seo, suponha que se deseje encontrar a
distribuio de tempo espera. O procedimento padro empregado at agora tem sido
encontrar o tempo de espera de um cliente chegando condicionado a existncia de n no
sistema no ponto de chegada, e ento incondicionando com respeito a distribuio
estacionria {qn}, onde {qn} so as probabilidades de estado dado que uma chegada
ocorreu. Como no caso para M/M/c/K, tem-se que qn pn, de forma que, antes de obter
a FDC do sistema ou tempo na fila, necessrio relacionar as probabilidades de tempo
geral pn com a probabilidade qn de uma chegada encontrar n no sistema. Para o
problema da fila com fonte finita (problema do reparo da mquina sem reservas), as
duas probabilidades so relacionadas como
qn = (M n) pn,
k
onde k uma constante normalizadora apropriada determinada pelo somatrio de qn
para 1. Para provar isto ser usado novamente o teorema de Baye como na situao
M/M/c/K da seo 2.4:
Pr{n no sistema | chegada acabou de ocorrer} =
= Pr{n no sistema}Pr{chegada acabou de ocorrer | n no sistema} =
n(Pr{n no sistema} Pr{chegada acabou de ocorrer | n no sistema}) =

= lim pn[(M n)t + o(t) ]

n pn[M n) t + o(t)]
t->0

= (M n) pn = (M n) pn.
n(M n)pn M-L
Uma propriedade interessante que pode ser provada que qn(M), a probabilidade do
ponto de chegada para o caso do reparo de mquinas sem reservas com M mquinas,
igual a probabilidade de tempo geral para o mesmo modelo s que com M 1
Teoria das Filas 58

mquinas, dada por pn(M-1). Isto no necessariamente o caso quando existem

mquinas reservas disponveis. De fato, quando existem mquinas reservas, qn(M) pode
ser mostrado ser
Mpn (0<=n <Y - 1),
Y+M
M- (n - Y)pn
n=Y
qn = (M n + Y ) pn (Y<=n<Y + M - 1).
Y+M
M- (n - Y)pn
n=Y

Isto no igual a pn(M-1), mas igual pn(Y-1), isto , se for reduzido o tamanho da
populao por um, retirando-se uma mquina reserva, ento as probabilidades de tempo
geral da populao reduzida igual as probabilidades de ponto de chegada da populao
original.
As distribuies de tempo de espera sero de novo em termos de somas de
Poisson cumulativas, como no modelo M/M/c/K. A anlise procede como segue:
Y+M1
Wq(t) Pr{Tq<= t} = Wq(0) + [Pr{n c + 1 servios completados em <=t |
n=c
|a chegada encontrou n no sistema}.qn]

Y+M1
t
= Wq(0) + qn o c(cx)n-c e-cx dx
n=c
(n c)!
Y+M1

= Wq(0) + qn [ 1 - t c(cx)n-c e-cx dx]
n=c
(n c)!
Y+M1 Nc
=1- qn (ct)i e- ct.
n=c n=0
i!

2.8 Servio Dependente do Estado

Nesta seo ser tratado o caso de filas Markovianas com servi
dependentes do estado, isto , a taxa de servio mdio depende do estado do sistema
(nmero no sistema). Em muitas situaes reais, os servidores podem acelerar quando
ocorre uma longa formao de filas. Por outro lado, pode acontecer de um servidor com
pouco tempo de atividade (sem experincia) ficar mais lento quando estas formaes
ocorrem, fazendo com que a taxa mdia de servio caia tornando o sistema
congestionado. So esses tipos de situaes que sero considerados agora.
Teoria das Filas 59

O primeiro modelo que ser considerado um no qual um servidor simples

tem duas taxas mdias, digamos lento e rpido. O trabalho feito na taxa lenta at que
existam k clientes no sistema, momento onde a taxa do servidor acelerada. Este
mecanismo de servio pode ser uma mquina com duas velocidades. Ser assumido que
os tempos de servio so Markovianos, mas a taxa mdia n depender do estado n do
sistema. Alm disso, nenhum limite no sistema ser imposto. Assim, n dado por
n = 1 (1<=n<k), (2.39)
(n>=k).
Assumindo que o processo de chegada Poisson com parmetro e
utilizando a equao (1.19), tem-se que
1n0 (0 <= n < k), (2.40)
k-1 n-k+1
pn = 1 0 (n >= k)
onde 1 = /1 e = / < 1. Devido ao fato de que probabilidades devem somar 1,
segue que
k1
p0 = ( 1n + 1k-1n-k+1)-1,
n=0 n=k

de mo que,
(1 - 1k + 1k-1)-1 (1 1, < 1),
p0 = 1 - 1 1- (2.41)
[ k + /(1-)]-1 (1 = 1, < 1).
Note que se 1 = , as equaes (2.40) e (2.41) reduzem-se para aquelas apresentadas
no modelo M/M/1.
O tamanho esperado do sistema para 1 1 obtido da seguinte maneira:
k1
L = E[N] = npn = p0( n1n + n1k-1n k + 1)
n=0 n=0 n=k

k1
= p0[1 n1n-1 + 1(1/)k-2 nn 1]
n=0 n=k

k1
= p0[1 d 1n + 1(1/)k-2 d n ]
n=0 n=k

d1 d
= p0[1 d (1 - 1k) + 1(1/)k-2 d 1 - 1 - k ]
d1 (1 - 1) d 1 - 1 - )
Assim, finalmente,
Teoria das Filas 60

L = p0(1[1 + (k 1) 1k - k1k-1] + 1k-1[k (k-1) ] ) (2.42)

(1 - 1)2 (1 - 1)2
Uma vez de posse de L pode-se obter Lq usando os dois ltimos relacionamentos da
Tabela 1.2 como
Lq = L (1 - p0),
e W e Wq das frmulas de Little como W = L/ e Wq = Lq/.
Note que a relao W = Wq + 1/ no pode ser usado aqui, desde que no constante,
mas depende do chaveamento do sistema no ponto k. Entretanto, pela combinao das
equaes acima, tem-se que
W = Wq + (1 - p0)/
que implica que o tempo de servio esperado (1 - p0)/ .
Exemplo 2.6 Um estabelecimento comercial possui uma mquina de polimento de
carros com duas velocidades. Na velocidade baixa, a mquina leva 40 minutos, em
mdia, para polir um carro. Na velocidade alta, leva s 20 minutos na mdia. Uma vez
que o chaveamento da baixa velocidade para alta feito, os tempos atuais podem ser
assumidos seguirem uma distribuio exponencial. Os clientes so atendidos na base do
primeiro a chegar o primeiro a ser atendido, e uma vez que, o estabelecimento est
numa regio de baixa densidade populacional e rea de trfego, no existe nenhum
limite no nmero de clientes que podem esperar.
estimando que os clientes cheguem de acordo com um processo de
Poisson com um tempo de interchegada mdio de 30 minutos. Os donos do
estabelecimento desejam calcular o efeito de duas medidas: chaveamento para alta
velocidade quando existem quaisquer clientes esperando, ou seja, dois ou mais no
sistema e chaveamento para ata velocidade s quando mais que um cliente estiver
esperando, ou seja, trs ou mais no sistema. desejado saber o tempo de espera mdia
sob as duas polticas.
, portanto, necessrio calcular W para o caso k = 2 e k = 3. Para isto
necessrio calcular p0 das equao (2.41) e L da equao (2.42) e finalmente das
frmulas de Little. Antes de realizar estes clculos, primeiro deve-se calcular e 1.
Assim,
1 = /1 = (1/30)/(1/40) = 4/3 e 1 = / = (1/30)/(1/20) = 2/3.
Agora, para o caso 1, k = 2 tem-se que
p0 = 1/5 = 0.2, L = 12/5 = 2.4 carros,
Teoria das Filas 61

W = L/ = 2.4/(1/30) = 72 minutos = 1 hora e 12 minutos.

Para o caso 2, k = 3 tem-se que
p0 = 3/23 = 0.13, L = 204/69 = 2.96 carros,
W = L/(1/30) = 89 minutos = 1 hora e 29 minutos.
Os donos do estabelecimento sentem que a espera mdia de 17 minutos ou
mais para realizar o chaveamento das velocidades em 3, aon invs de 2, no tem
nenhum efeito adverso na clientela. Entretanto, custa mais executar a mquina na
velocidade mais alta. De fato, estimado que custa R$15,00 por hora para operar a
mquina na baixa velocidade e R$24,00 para operar na alta velocidade. Assim, o custo
de operao esperado ao chavear em k dado por
k1
C(k) = 15 pn + 24 pn
n=1 n=k

k1 k1
= 15 1np0 + 24 (1 - 1np0).
n=1 n=0

Para o caso 1 tem-se que

C(2) = 15(4/3)(1/5) + 24[1 1/5 - (4/3)(1/5)] = R$16,80/h,
enquanto para o caso 2 o custo de operao mdio
C(3) = 15(3/23)[4/3 + 16/9] + 24[1 3/23 (4/3)(3/23) (16/9)(3/23)] = R$17,22/h.