Escolar Documentos
Profissional Documentos
Cultura Documentos
TeoriaFilas Cajado PDF
TeoriaFilas Cajado PDF
1
Professor Substituto da Universidade Federal do Maranho
Teoria das Filas 2
entram em servio quando o cliente sendo atendido deixa o sistema, mesmo que ele
tenha uma prioridade baixa.
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
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.
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.
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
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
S C
S 0.580 0.420
P=
C 0.568 0.432
S C
S 0.575 0.425
P10 =
C 0.575 0.425
(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
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
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
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
[0 1 0 0 0...
0 0 1 0 0...
P= 0 0 0 1 0...
... ... ... ... ...
... ... ... ... ...]
[ 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.
= (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
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.
= 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
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)
= (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
n = 1/(1-),
n=0
consequentemente,
nn-1 = d[1/(1 - )]/d = 1/( 1- )2.
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
= 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
= 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.
, 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
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
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
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
K
= (rc/c!)p0 (n c)n-c-1
n=c+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
= pn = pn / 1- pk ( n <= K 1).
K1
pn
n=0
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.
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.
)
2.6 Filas com Servio Ilimitado (M/M/
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
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
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}) =
= (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
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!
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
k1 k1
= 15 1np0 + 24 (1 - 1np0).
n=1 n=0