Ferramentas

Processos estocásticos
Fernando Mori
© 2017 por Editora e Distribuidora Educacional S.A.
Todos os direitos reservados. Nenhuma parte desta publicação poderá ser reproduzida ou transmitida de qualquer
modo ou por qualquer outro meio, eletrônico ou mecânico, incluindo fotocópia, gravação ou qualquer outro tipo
de sistema de armazenamento e transmissão de informação, sem prévia autorização, por escrito, da Editora e
Distribuidora Educacional S.A.
Presidente
Rodrigo Galindo
Vice-Presidente Acadêmico de Graduação

Mário Ghio Júnior
Conselho Acadêmico
Dieter S. S. Paiva
Camila Cardoso Rotella
Emanuel Santana
Alberto S. Santana
Lidiane Cristina Vivaldini Olo
Cristiane Lisandra Danna
Danielly Nunes Andrade Noé
Ana Lucia Jankovic Barduchi
Grasiele Aparecida Lourenço
Paulo Heraldo Costa do Valle
Thatiane Cristina dos Santos de Carvalho Ribeiro
Revisor Técnico
Sabrina Saito
Editoração
Emanuel Santana
Lidiane Cristina Vivaldini Olo
Cristiane Lisandra Danna
André Augusto de Andrade Ramos
Erick Silva Griep
Adilson Braga Fontes
Diogo Ribeiro Garcia
eGTB Editora
Dados Internacionais de Catalogação na Publicação (CIP)
Mori, Fernando
M152p Processos estocásticos / Fernando Mori. – Londrina:
Editora e Distribuidora Educacional S.A., 2017.
152 p.
ISBN 978-85-8482-530-1
1. Processos estocásticos. II. Título.

CDD 519.2
2017
Editora e Distribuidora Educacional S.A.
Avenida Paris, 675 – Parque Residencial João Piza
CEP: 86041-100 — Londrina — PR
e-mail: editora.educacional@kroton.com.br
Homepage: http://www.kroton.com.br/
Sumário
Unidade 1 | Processos estocásticos 7
Seção 1 - Processos estocásticos 11

1.1 | Introdução e primeira definição de processo estocástico 11
Seção 2 - Definições formais e exemplos 21

2.1 | Definição formal de processo estocástico 21
2.2 | Exemplos de processos estocásticos 21
Seção 3 - Exemplos de processos estocásticos 29

3.1 | Exemplos gerais de processos estocásticos 29
Unidade 2 | Cadeias de Markov 43
Seção 1 - Cadeias de Markov 47

1.1 | Definição de cadeias de Markov e propriedades 47
Seção 2 - Probabilidade de estado em fase de regime ou estacionárias 61

2.1 | Definição do regime estacionário e exemplos 61
Seção 3 - Exemplos de aplicações 67

3.1 | Exemplos gerais de aplicação das cadeias de Markov 67
Seção 4 - Aplicação a curvas de sobrevivência 77

4.1 | Curvas de sobrevivência 77
Unidade 3 | Processos de Poisson 89

Seção 1 - Processos de Markov em tempo contínuo 93
1.1 | Processos de Markov no tempo continuo 93
Seção 2 - Processos nascimento-morte 103

2.1 Processo nascimento morte e exemplos 103
Seção 3 - Processos de Poisson 109

3.1 | Definição de processos de Poisson e exemplos 109
Unidade 4 | Teoria da renovação e aplicações à teoria das filas 123
Seção 1 - Teoria da renovação 127
1.1 | Definição formal 127
Seção 2 - Teoria das filas e aplicações 131

2.1 | Definição de processos de filas 131
2.2 | Filas Markovianas 135
2.2.1 | Modelo (M/M/1) (PCPS/∞/∞) 135
2.2.2 | Modelo (M/M/s)(PCPS/∞/∞) 140
Apresentação
A disciplina de Processos Estocásticos é de fundamental importância para o

engenheiro de produção e para alguns ramos da Administração.
A maioria dos processos que ocorrem na indústria ou empresas são aleatórios, ou
seja, de uma certa forma, imprevisíveis. Sendo assim, usamos as ferramentas de análise
dos processos estocásticos com a finalidade não de controlar esses processos, mas
sim de realizar previsões quantitativas.
Com base na observação de padrões pode-se obter as distribuições de
probabilidades que controlam um processo aleatório e, de posse dos modelos
desenvolvidos nessa disciplina, realizar previsões que permitam fazer análise de
comportamento de sistemas produtivos ou administrativos.
Os processos estocásticos ocorrem não só na engenharia de produção, conforme
o aluno poderá ver na Unidade 1, mas também em diferentes áreas das ciências, como
biologia, fenômenos elétricos ou crescimento de populações. Sua principal aplicação
para o engenheiro, por exemplo, é na construção de modelos que possam fornecer
algum tipo de previsão.
Na Unidade 2 serão apresentados os princípios da modelagem de processos
estocásticos por meio das cadeias de Markov. Uma cadeia de Markov é um tipo
específico de processo estocástico, que por ter algumas propriedades especiais
permite a construção de um modelo simples, facilmente aplicável a uma enorme
quantidade de casos. Iremos criar modelos de processos de manutenção e, inclusive,
um caso particular de análise de sobrevivência de máquinas e equipamentos.
Os processos de Poisson serão discutidos na Unidade 3. Eles são importantes como
processos de chegada usados em teoria das filas e são obtidos a partir das cadeias de
Markov. Portanto, uma análise completa será desenvolvida para melhor compreensão.
Na Unidade 4 aprenderemos sobre a teoria das filas, que consiste na modelagem
analítica de processos ou sistemas que resultam em espera e tem como objetivo
determinar e avaliar quantidades denominadas medidas de desempenho, que
expressam a produtividade desses processos. O estudo dessas quantidades é importante
para a tomada de decisão quanto à modificação ou manutenção da operação de
sistemas em seu estado atual, ou possíveis modificações. Trata-se de um capítulo de
fundamental importância por permitir que, com base em alguns conceitos simples,
possamos obter modelos que nos fornecem previsões sobre o comportamento de
filas com um ou vários postos de serviço. Nesta unidade realizamos algumas aplicações
para problemas reais envolvendo situações que surgem em empresas.
Assim, é comum encontrar no dia a dia da empresa inúmeras situações em que
processos aleatórios estejam ocorrendo. Com base na modelagem desenvolvida a
partir da análise desses processos estocásticos, obtemos ferramentas de previsão que,
sempre quando utilizadas corretamente, promovem grande impacto na produtividade
da empresa.
Unidade 1
Introdução aos processos

estocásticos
Fernando Mori
Objetivos de aprendizagem:
Nesta unidade pretendemos estudar a definição de um processo estocástico,

considerando várias formas e teorias usadas para modelar esses processos.
Ao final da unidade, o aluno deverá ser capaz de identificar um processo
estocástico, sua classificação e em qual classe de modelos ele se encaixa.
Seção 1 | Processos estocásticos

Nesta seção será feita uma breve introdução aos processos estocásticos,
uma definição formal e alguns exemplos.
Seção 2 | Definições formais e exemplos

Nesta seção definimos de forma mais rigorosa o que são os processos
estocásticos e discutimos uma série de exemplos.
Seção 3 | Exemplos de processos estocásticos

Nesta seção analisamos alguns exemplos de processos estocásticos.
U1
8 Processos estocásticos
U1
Introdução à unidade
Em muitas situações, as variáveis de um sistema se alteram aleatoriamente

no tempo. Exemplos disso incluem o número de clientes em uma fila de um
supermercado, congestionamento em uma via, o preço de um seguro etc. Em
certos contextos, é possível descrever o processo subjacente que explica como
essa variabilidade ocorre. Quando as fases de um processo são governadas por
distribuições de probabilidades, temos um processo estocástico. Esta unidade
introduz de forma geral os componentes centrais de um processo estocástico que
são fundamentais para a pesquisa operacional.
Processos estocásticos 9
U1
U1
Seção 1
Processos estocásticos
Introdução à seção
Trataremos de maneira resumida, nesta seção, as principais características dos

processos estocásticos que ocorrem na Engenharia. O tratamento será formal, com
alguns exemplos simples de processos estocásticos que ocorrem no dia a dia.
1.1 Introdução e primeira definição de processo estocástico
Entenderemos por processo aleatório aquele cuja evolução no tempo não é

completamente previsível.
De maneira um pouco formal, definimos um processo estocástico como sendo
uma família de variáveis aleatórias {xθ} indexadas por um parâmetro θ em que este
pertence a um conjunto qualquer finito de índices.
Em praticamente todas as situações que aparecem a seguir, o parâmetro θ encontra-
se no conjunto de inteiros, representando pontos temporais. Estes caracterizam
o processo estocástico no tempo discreto. Desse modo, a notação padrão para
processos em tempo discreto é {xn}.
Se o conjunto for contínuo, teremos um processo estocástico no tempo contínuo
e usamos a notação {xt}.
A razão para usarmos essa notação abstrata é que muitas vezes queremos analisar
processos espaciais em vez de temporais. Em um processo espacia,l o parâmetro seria
um vetor representando a localização no espaço ao invés do tempo. Por exemplo,
poderíamos ter um processo {x(u,v)} representando uma variável aleatória, que varia
através de um espaço bidimensional. Neste caso, xu,v representa o valor do processo
na posição (u,v). Temos também processos que evoluem no espaço e no tempo e são
chamados de processos espaço temporais.
Para processos no tempo, uma definição menos formal é que um processo
estocástico é simplesmente um processo desenvolvido no tempo de acordo com regras
probabilísticas. Estamos particularmente preocupados com processos estacionários, para
os quais as regras de probabilidades não mudam com o passar do tempo.
Consideremos o exemplo de um processo estocástico a seguir, para melhor
compreensão.
U1
Suponha que você esteja antecipando o que irá ocorrer quando se formar como
engenheiro e trabalhar em uma grande empresa. Sabe-se, por experiência passada,
que nessa empresa aplica-se a política de redistribuir os funcionários novos a cada seis
meses, com o intuito de que estes conheçam as fases mais importantes do negócio.
Existem três setores mais importantes: distribuição, transmissão e geração.
Não há nenhum modelo para a rotação, realmente nunca se sabe em que setor
alguém irá trabalhar no próximo semestre. É possível, inclusive, ficar no mesmo setor
em que se trabalhou no último semestre. Por outro lado, nem todas as possibilidades
são igualmente prováveis. Para onde alguém será deslocado depende, de certo modo,
de onde estava antes.
Desse modo, algumas questões para esse processo podem ser as seguintes:
1) Se inicialmente um funcionário for designado para a distribuição, qual a

probabilidade de após três semestres ele estar de volta à distribuição?
2) Se inicialmente um funcionário começar na geração, quantos semestres

passarão, em média, antes que pela primeira vez ele trabalhe na distribuição?
3) Se um funcionário conseguir permanecer cinco anos na empresa, quantas

vezes em média será designado para o setor de transmissão?
4) Em longo prazo, qual a porcentagem de designações será para a geração?
Essas perguntas são interessantes para avaliar sua satisfação pessoal com a posição
na empresa.
Algumas dessas questões terão probabilidades como resposta e, outras, valores

esperados. Algumas delas dizem respeito à probabilidade de estar em um setor
particular em um instante especificado e outras à probabilidade de atingir um dado
setor num dado tempo.
Dessa maneira, a nova designação ocorre em intervalos fixos de um semestre, a

passagem do tempo pode ser registrada contando-se o número de designações que
ocorreram.
Iniciando em um instante arbitrário, representamos o intervalo, particular de seis

meses pelo número zero.
A primeira nova designação ocorrerá no fim daquele intervalo de modo que o

intervalo seguinte será representado por 1 e assim por diante.
A designação de número n, ou seja, a n-ésima designação ocorre no início do

n-ésimo semestre.
U1
Se especificarmos um particular intervalo no futuro e perguntarmos em que setor

o funcionário poderá estar , no futuro determinado, podemos dizer que isso será dado
pela variável aleatória que toma os valores 1, 2 e 3, de acordo com alguma distribuição
de probabilidades.
Desde que isso seja verdade para qualquer intervalo de tempo especificado, uma
forma de descrever o futuro com um processo integral é dizer que é dado por uma
sequência de valores que a variável aleatória pode assumir:
{x1, x2, x3 ........, xn}
A variável aleatória xn será interpretada como uma designação incerta, que você
pode ter durante o n-ésimo intervalo.
Modelos estocásticos podem ser comparados com modelos determinísticos. Um
modelo determinístico é especificado por um conjunto de equações que descrevem
exatamente como o sistema evolui no tempo. Em um modelo estocástico, a evolução
é no mínimo parcialmente aleatória e, se o processo é executado várias vezes, ele
não dará resultados idênticos. Execuções diferentes de um processo estocástico são
frequentemente chamados de realizações do processo. Modelos determinísticos são
em geral mais fáceis de analisar do que modelos estocásticos. No entanto, em muitos
casos, estes são mais realistas em particular para problemas que envolvem números
pequenos. Por exemplo, suponha que estamos construindo um modelo de gestão de
espécies de animais raros, analisando como as diferentes estratégias de sobrevivência
afetam a espécie. Modelos determinísticos não serão de grande valia nesse ponto, pois
eles irão prever que a espécie ou vai se tornar definitivamente extinta ou definitivamente
vai sobreviver. Em um modelo estocástico, no entanto, haverá uma probabilidade de
extinção e iremos analisar como isto é afetado pelas práticas de gestão.
Nos últimos anos, a distinção entre modelos determinísticos e modelos estocásticos
ficou menos aparente em virtude do desenvolvimento dos modelos caóticos. Um
modelo caótico é um modelo determinístico extremamente sensível a valores
assumidos por alguns parâmetros do modelo. Realizando uma variação bem pequena
nos valores desses parâmetros, tem-se um modelo completamente diferente. Algumas
pessoas defendem a ideia de que sistemas vistos como estocásticos são, na verdade,
sistemas caóticos determinísticos.
A formulação matemática usada para tratar sistemas caóticos determinísticos é
bem diferente da que é usada para tratar sistemas estocásticos.
Um processo estocástico envolve uma variável de resposta yt , com valores que
variam aleatoriamente no tempo t.
Um valor observado ou a realização da variável resposta yt , é chamado de estado
do processo no instante t. Chamamos de evento a observação de um estado do
processo. Portanto, o número de eventos possíveis depende, entre outras coisas, do
número de estados distintos.
U1
Mas, geralmente, a probabilidade de um processo estar em determinado estado,

em algum ponto no tempo, pode depender de alguma função dos eventos prévios.
Normalmente as probabilidades dos eventos possíveis serão condicionais ao estado
do processo. Tais relações serão determinadas pelo tipo de modelo que está sendo
ajustado.
As principais propriedades distinguidas entre os processos estocásticos observados

são:
I. A frequência ou periodicidade com a qual as observações são feitas no tempo.
II. O conjunto de todos os valores observados, ou seja, de todas as possíveis

respostas ou estados da série, chamado de espaço de estados.
III. As fontes ou formas da aleatoriedade presentes, incluindo a natureza da

dependência entre os valores na série de realizações da variável aleatória.
IV. O número de cópias do processo disponível (somente uma ou várias), as

quais determinam quão boa é a informação obtida do modelo.
As observações de um processo estocástico são feitas no tempo. Se essas

observações forem executadas em intervalos igualmente espaçados, ou seja, em
um conjunto enumerável, então é chamado de discreto. Em caso contrário (em
um conjunto não enumerável), dizemos que é contínuo. No entanto, um processo
dificilmente será observado continuamente, pois isso implica um número infinito
de observações, mesmo em um pequeno intervalo de tempo. A diferença é usada
pricipalmente para determinar o tipo de modelo usado. Modelos de tempo contínuo
podem ser usados, em princípio, em qualquer tipo de dados, mas são muito difíceis de
serem aplicados. Modelos de tempo discreto são mais simples de serem usados, mas
normalmente requerem dados igualmente espaçados.
Assim, inicialmente é importante notar:
I. Se os estados são dados em pontos no tempo.
II. Os eventos ou a mudança de estado em um instante temporal particular.
III. Os instantes dos eventos.
Considere os exemplos a seguir:
Exemplo 1 – Quando um economista mede a taxa mensal de desemprego, o

tempo é um indicador igualmente espaçado de quando as observações são
feitas. O número de desempregados varia a cada mês de forma aleatória, e o
tempo é apenas uma grandeza usada para ordenar os eventos. Neste caso, a
variável tempo é discreta.
U1
Exemplo 2 – Por outro lado, quando um médico conta as vezes que um paciente
teve uma mesma infecção, o estado pode ser definido como o número total
de infecções sofridas pelo paciente. Neste caso, cada evento é o mesmo, uma
infecção, e o que interessa é o tempo entre os eventos. Com a perda muito
grande de informação, isto poderia ser reduzido a tempo discreto, armazenando
somente as infecções ocorridas em intervalos de tempo igualmente espaçados.
Conforme observamos anteriormente, esses dois processos ocorrem em tempo

discreto.
Uma resposta é armazenada quando um evento específico de interesse ocorre. No

entanto, para determinar o instante do evento, observações contínuas do processo
são necessárias, ou seja, uma série de dados intermediários do evento.
Em um ponto qualquer no tempo, um processo está em algum estado. Isto é

normalmente observado registrando o valor de uma variável de resposta em um
instante t. Como sempre ocorre em modelagem estatística, o conjunto de todos os
possíveis estados em um modelo deve ser definido de maneira a responder à pergunta
ou ao problema que estamos tentando resolver. É interessante saber que, apesar de
termos definido o estado como algo que está sendo observado, certos modelos
assumem um segundo estado de estados não observados ou estados ocultos.
O conjunto de todos os possíveis estados observáveis é chamado de espaço de

estados. Ele pode ser finito, dando uma variável resposta categórica, ou infinito, dando
ou uma variável resposta discreta ou contínua. Em geral, um espaço de estado mínimo
é escolhido, no qual a probabilidade de qualquer estado é diferente de zero.
Se uma variável resposta fosse realmente contínua, todo dado armazenado seria
um evento, pois nenhum par de eventos poderia ser o mesmo. No entanto, isto é
empiricamente impossível, pois nenhum processo observado poderia permanecer no
mesmo estado em um ou mais pontos de observação consecutivos.
Uma resposta categórica se refere a um conjunto finito de estados possíveis

diferentes que podem ser observados. No entanto, quando somente um tipo de
resposta for de interesse particular, esta pode ser registrada como binária, indicando a
presença (código 1) ou ausência (código 0) da resposta. Essa resposta, em particular,
com uma resposta em estado binário, é chamada de evento pontual ou evento
recorrente; e aqui evento se refere a um dos estados e à variação destes..
Em algumas situações, o estado pode ser definido por mais do que uma variável
resposta, ou seja, pode ser um vetor contendo tipos distintos de valores. Poderia
ser um valor categórico, tal como um indicador binário de chove ou não chove,
acompanhado por um valor quantitativo, por exemplo, a quantidade de chuva que
caiu em uma certa região.
U1
Um vetor yt é necessário quando existem variáveis endógenas, ou seja, que são

influenciadas pelos estados prévios daquela resposta. Suponha, por exemplo, que a
condição de um paciente, medida de maneira apropriada, seja a resposta de interesse
direto. Se a dose de medicação que o paciente recebe depende de sua condição
prévia, então a dose e a condição devem ser medidas simultaneamente. Elas, em
conjunto, definem o estado e variam de forma estocástica independente, se um
modelo razoável para esse processo for construído.
Um processo pode também envolver variáveis exógenas, ou seja, variáveis que não
são influenciadas pelos estados anteriores do processo. A variabilidade estocástica
desse processo não é de interesse, de modo que a probabilidade do estado pode
ser tomada como sendo condicional aos valores observados, como nos modelos de
regressão usuais.
Em um processo determinístico podemos prever a sequência exata de resultados
(estados), com base nas condições iniciais, apesar de que em sistemas caóticos a
sensibilidade a pequenas variações dessas condições iniciais é muito grande. Por
outro lado, em um processo estocástico, há uma componente de aleatoriedade
completamente imprevisível. Em observações empíricas, a aleatoriedade está em
relação direta com o desconhecido ou com a informação incompleta. Para lidar com
essa situação é usada a teoria da probabilidade. Assim, as previsões que envolvem
processos estocásticos não fornecem resultados específicos ou determinísticos, mas
somente probabilidades de ocorrência de possíveis resultados diferentes.
Um processo estocástico pode envolver muitas formas de aleatoriedade. Um
número pode ser resultado de imperfeições nas observações e do modelo proposto.
Os tipos de aleatoriedades que precisam ser levadas em consideração ao modelar
um processo estocástico podem ter várias fontes, dentre as quais podemos citar:
I. A variabilidade, que não pode ser medida, está presente em muitos sistemas
físicos. Isto é verdadeiro para a mecânica quântica, por exemplo, mas também
é verdadeiro para a maioria dos processos sociais e biológicos.
II. Invariavelmente é impossível levar em conta todos os fatores determinando
um processo, por isso, ele se torna aleatório.
III. As condições inicias podem ser muito difíceis de serem determinadas com
precisão.
Tradicionalmente e essencialmente, por simplicidade matemática, as distribuições
de Poisson, Binomial e Normal, são as mais usadas para modelar a aleatoriedade dos
processos estocásticos. Uma grande variedade de outras distribuições pode ser mais
adequada em circunstâncias específicas.
A série de respostas de um processo estocástico normalmente não será
independente. Para que os modelos possam ser usados, devemos introduzir
procedimentos que nos permitam identificar as dependências apropriadas.
U1
Distribuições de probabilidades multivariadas (TAHA, 2008) fornecem a estrutura

geral para especificar maneiras de determinarmos a interdependência entre as
respostas. Infelizmente, no contexto dos processos estocásticos, esse recurso será de
pequena valia, pois para uma série de R observações será necessária a manipulação de
uma matriz de covariância R x R, que tecnicamente é de difícil manipulação.
É importante observar que embora um processo possa não ser estacionário,

quando se inicia, ele pode alcançar o equilíbrio após um tempo suficientemente
longo, independentemente das condições inicias. Em outras palavras, se um equilíbrio
foi alcançado, a probabilidade de que o processo esteja em um dado estado, ou a
quantidade de tempo gasto naquele estado, converge para uma constante que não
depende das condições iniciais. Isto quer dizer que o processo se aproxima de uma
situação estacionária de equilíbrio para os estados.
O conceito de ergodicidade está relacionado de maneira muito próxima ao

conceito de equilíbrio. Se a probabilidade de um equilíbrio estar em um dado estado
for igual à proporção de um período longo gasto naquele estado, dizemos que o
processo tem a propriedade ergódica.
Ao se estudar um processo estocástico, duas maneiras de obter informações

adequadas podem ser consideradas:
I. Uma série para um período longo o suficiente, se for razoavelmente estável.
II.Várias pequenas replicações do processo, se elas forem razoavelmente

similares.
Ambas as maneiras podem criar problemas. O fenômeno em estudo pode não ser
estável o suficiente durante um longo período de tempo, e fica difícil analisá-lo mesmo
levando em conta a possibilidade de considerar a replicação em intervalos de tempo
menores.
Uma classe importante de processos simples assume forte hipótese sobre a

dependência em relação ao tempo, reduzindo assim a quantidade de informação
empírica necessária para modelar o fenômeno.
Uma série de repostas no tempo discreto tal que
f(yt / y0, y1, ......., yt−1) = f(yt / yt−1)
Ou seja, cada estado depende apenas daquele que o precede imediatamente. Este
é um processo de Markov. Em outras palavras, o estado no instante t depende apenas
do estado no instante t – 1, e é independente de todos os anteriores. Observe que a
U1
forma da distribuição condicional f(yt / yt−1) não muda com o passar do tempo.
A formulação anterior define um processo de Markov de ordem 1. De forma mais

geral, se a dependência se estender para uma distância anterior no tempo, de modo
que o estado presente dependa apenas dos M estados anteriores, dizemos que temos
um processo de Markov de ordem M. Na próxima unidade serão tratados com grande
detalhe os processos de Markov, ou as cadeias de Markov.
Frequentemente, faz-se necessário assumir que um processo estocástico tem

ordem finita, supomos M, tal que M é menor que o número de observações disponíveis.
Se a variável de resposta para um processo de Markov pode ter apenas valores

discretos ou estados, ela é chamada de cadeia de Markov. Normalmente, temos
um número finito de estados possíveis (categorias) e observações serão feitas em
intervalos de tempo igualmente espaçados. O maior interesse está nas probabilidades
condicionais de transição ou mudança entre os estados. Quando o tempo for
contínuo, devemos trabalhar com taxas de transição ou intensidades entre estados ao
invés de probabilidades.
Em que situação você acha que um processo estocástico

poderá ser considerado um processo de Markov? Você
consegue pensar em exemplos de processos de Markov que
ocorrem na natureza?
Para ler um pouco mais sobre os processos estocásticos e alguns

exemplos adicionais, consulte o link: <https://pt.wikipedia.org/wiki/
Processo_estocástico>. Acesso em: 14 ago. 2016.
U1
1. Explique claramente as diferenças entre processos

Determinísticos e Estocásticos.
2. Um naturalista está observando o comportamento de um

sapo em um pequeno aguapé branco. Temos quatro folhas
e a transição ocorre quando o sapo salta. Embora ele possa
saltar de qualquer folha para outra, a probabilidade de pular de
uma folha para outra é inversamente proporcional à distância
entre a folha em que ele está e a folha para a qual ele irá saltar.
Podemos afirmar que:
a) O processo é determinístico.
b) O processo é estocástico com tempo contínuo.
c) O processo é estocástico com tempo discreto.
d) O processo é completamente aleatório, sendo impossível
realizar qualquer previsão.
e) O processo é determinístico com tempo contínuo.
U1
U1
Seção 2
Definições formais e exemplos

Nesta seção discutiremos com um pouco mais de profundidade os processos

estocásticos, usando para isso definições formais e alguns exemplos de aplicações.
2.1 Definição formal de processo estocástico.

Definição: um processo estocástico é uma coleção de variáveis aleatórias {Xt} em
que t é um índice temporal que assume valores de um dado conjunto T.
Tanto Xt como T podem ser contínuos ou discretos, dando origem, assim, a
diferentes categorias de modelos.
A propriedade Markoviana define que, se o estado atual for conhecido, a

probabilidade condicional do próximo estado é independente dos estados anteriores.
Um sistema que tem essa propriedade é chamado sem memória, pois a realização
futura depende apenas do estado atual, ou seja, não há dependência do passado. Para
um processo estocástico no tempo discreto com estados discretos, a probabilidade
condicional do próximo estado (Xt + 1 = j), dado o estado atual (Xt = i) e todos os estados
anteriores ao estado atual, é idêntica à probabilidade condicional para um próximo
estado específico, dado um estado atual. Isto pode ser escrito como:
P = P (Xt + 1 = j / Xt = i)
t = 0, 1, 2, ..............
Para compreendermos melhor o que é um processo estocástico, vamos analisar
atenciosamente um exemplo completo que enfatiza as diferenças entre processos
determinísticos e estocásticos.
2.2 Exemplos de processos estocásticos
Exemplo 3:
Consideremos um sistema industrial no qual partes individuais chegam em uma
célula de montagem robótica com um minuto de intervalo. O robô necessita de 0,75
minuto para executar o trabalho na parte que chega e realiza essa tarefa sempre que
U1
uma parte está disponível na célula. Para fins de análise, vamos registrar o número de
partes que está recebendo o serviço e o número de partes que está na fila.
A ausência de aleatoriedade do sistema implica que o processo de montagem é
determinístico. A distribuição de probabilidades para os tempos de execução é dada
a seguir:
0 para t < 1 min Chegadas ocorrem a

Tempo entre chegadas P a ≥ =
1 para t ≥ 1 min cada minuto
Tempo de execução da 0 para t < 0, 75 min O processamento leva

P ts ≥ t = 
montagem 1 para t ≥ 0, 75min exatamente 0,75 minuto
Com a primeira parte chegando no instante t = 0, existe apenas uma realização

possível desse processo, conforme podemos ver no gráfico abaixo:
Gráfico 1.1 | Gráfico número no sistema x tempo

Número no sistema
2.0
1.5
1.0
0.5
0 2 4 6 8 10 t
Fonte: elaborado pelo autor.
O gráfico nos mostra o número no sistema, n como função do tempo t. Conforme

podemos ver, o processo admite uma estrutura regular.
Considere novamente a linha de montagem, mas agora suponha que duas partes
estejam aguardando pela montagem no instante 0. A resposta é mostrada no gráfico a
seguir, em que o sistema oscila um pouco antes de alcançar um estado de equilíbrio,
que surge em t = 4. A primeira parte da realização depende da condição inicial e é
chamada de resposta transiente. O padrão que surge posteriormente é chamado de
reposta estacionária. Resultados parecidos com este são obtidos quando as variáveis
aleatórias são introduzidas.
U1
Gráfico 1.2 | Gráfico número no sistema x tempo

Número no sistema
10
0 2 4 6 8 10
t
É interessante observar que existe um extremo. Quando o sistema inicia existem

duas partes na fila. No instante 3 a terceira parte chega (ou a quinta, se considerarmos
o número inicial). Neste exato instante a quarta parte é terminada e está pronta para
sair do sistema (4 x 0,75 = 3), de modo que uma chegada e uma parte completada
ocorrem ao mesmo tempo em t = 3. Para sistemas contínuos com aleatoriedade, a
probabilidade de dois eventos ocorrerem exatamente ao mesmo tempo é zero.
Exemplo 4:
Considerando o mesmo experimento do sistema industrial do exemplo 3, mas

supondo que o robô tenha sucesso na montagem na primeira tentativa em somente
seis vezes a cada dez execuções. Quando não consegue realizar a tarefa com sucesso,
o robô deve executá-la novamente. A probabilidade de sucesso permanece 0,6 na
segunda tentativa. Após duas falhas, a parte que está sendo montada é descartada.
As partes que chegam ao robô quando ele está ocupado devem esperar na fila. Com
essas modificações esse processo passa a ser agora estocástico, pois o tempo de
serviço agora é uma variável aleatória governada pela distribuição de probabilidades
dada a seguir:
0 para t < 0, 75 min

Tempo para o serviço na parte 
P ts ≥ t = 0, 6 para 0, 7 ≥ t , 5 min
executado pelo robô 1 para t ≥ 1, 5 min

U1
O estado do sistema é representado graficamente a seguir para uma realização do

processo. A sequência particular e o tempo dos eventos que geram este gráfico foram
determinados por um modelo de simulação discreta. Se a simulação for executada
novamente, uma realização diferente provavelmente irá ocorrer.
Gráfico 1.3 | Gráfico modelo de simulação do robô
30
20
10
0
–2 –1 0 1 2
Para processos governados por atividades que obedecem a distribuições de

probabilidades, é muito difícil (se não impossível) identificar exatamente as partes
transientes e de estado estacionário desta realização em particular. De fato, a realização
inteira depende, de alguma maneira, do estado inicial. Para algumas situações, as
propriedades estatísticas da realização se tornam cada vez menos afetadas pelo estado
inicial, conforme se consideram intervalos que estão bem afastados do instante inicial
0. Vale a pena ressaltar que quando o processo é observado próximo ao ponto inicial,
estamos sempre observando um comportamento transiente. Por isso, em modelos
de simulação, devemos esperar o sistema se estabilizar antes de considerarmos a
obtenção de resultados confiáveis.
Exemplo 5:
Considere um técnico de manutenção que executa reparos em residências.

Em cada residência o tempo de serviço é uma variável aleatória, que obedece a
uma distribuição de probabilidades com média m. Quando termina, o técnico
deve se deslocar para a próxima residência para a execução do reparo. O tempo
de deslocamento do técnico obedece a uma distribuição de probabilidades com
média m1. Temos então duas atividades: a atividade de serviço que resulta no tempo
de serviço e a atividade de deslocamento que resulta no tempo de deslocamento.
U1
Nesta situação temos apenas dois estados, o técnico está se deslocando

(estado 0) ou o técnico está realizando o reparo (estado 1). O evento de chegada dá
início ao serviço de reparo e o término do serviço dá início à atividade de deslocamento.
O diagrama do processo é dado na Figura 1.1 por dois estados apenas, pois a fila não
é permitida.

Figura 1.1 | Diagrama representando o experimento do exemplo 5
0 1
Exemplo 5.1 Considerando o mesmo experimento do exemplo 5, suponha agora

que a atividade de serviço do técnico consista em uma série de fases. Talvez o técnico
deva primeiro entrar na residência, depois localizar o problema, então encontrar
as partes necessárias, e assim por diante em um total de cinco fases diferentes. O
processo inicia com a chegada e passa todas as fases sequencialmente. Quando todas
as fases terminarem, o técnico se desloca para a próxima residência.
O diagrama de transição de estados desse processo é mostrado na figura a seguir:
Figura 1.2 | Diagrama representando o experimento do exemplo 5
0 1 2 3 4 5
O estado é s, em que s = 0 quando o técnico está viajando e s = k quando o técnico

está executando a fase k, sendo k = 1, 2, 3, 4 ou 5. As atividades são de deslocamento
e uma das k atividades quando ele estiver executando o atendimento.
U1
O término de cada fase desloca o sistema para a próxima fase até o término da fase
5, fazendo que o técnico se desloque para a próxima residência.
Nas situações consideradas anteriormente, supomos que o próximo cliente ou

residência estará sempre disponível quando o técnico termina um atendimento.
Exemplo 6:
Suponhamos agora que o cliente contate uma central que aciona o técnico. Temos
então uma nova atividade, a chegada de um chamado. Quando um chamado chega
e o técnico está ocupado, o cliente aguarda em uma fila. Temos então um processo
estocástico com a formação de uma fila infinita para atendimento.
Uma fila pode ser considerada um processo estocástico? Você

acha que o processo de atendimento do técnico descrito no
Exemplo 5 pode sempre ser considerado estocástico? Em
que condições ele deixaria de sê-lo?
Se quiser mais exemplos de processos estocásticos consulte o livro:

WINSTON, Wayne L. Operations resarch. 4. ed. São Paulo: Thomson
Brooks-Cole, 2004. Lá você encontrará exemplos muito interessantes.
1. Um conjunto de eventos bastante comum que você pode

observar diariamente são as oscilações dos índices do mercado
financeiro. Podemos afirmar que:
U1
a) Esses índices oscilam de forma determinística.

b) Esses índices oscilam em intervalos de tempo contínuos.
c) O mais importante é a duração do evento e não sua ocorrência.
d) São eventos aleatórios que obedecem a uma distribuição de
probabilidades conhecida.
e) Essas oscilações ocorrem em intervalos de tempo discretos.
2. Considere o índice mensal de desemprego em sua cidade

nos últimos dez anos. Podemos afirmar que:
a) O espaço de estados é categórico.

b) O tempo é discreto.
c) Existem erros ao registrar as observações.
d) Podemos considerar que não existe um instante inicial
claramente definido para o processo.
e) É possível supor que o processo seja estacionário.
f) Existem dependências entre as respostas do processo.
U1
U1
Seção
Seção1.3
3
Exemplos de processos estocásticos

O objetivo desta seção é fornecer alguns exemplos para que você compreenda
um pouco melhor os processos estocásticos e, também, as mais diversas situações
em que ele pode ocorrer. Assim, apresentaremos os exemplos com seus respectivos
modelos matemáticos.
3.1 Exemplos gerais de processos estocásticos.
Exemplo 7: Emissão de fótons
Fótons são pequenas partículas de luz. Em algumas circunstâncias, uma fonte de luz
emite fótons de forma aleatória (de acordo com o que chamamos de um processo de
Poisson). Fótons individuais são muito fracos para serem detectados pelo olho humano,
mas detectores eletrônicos de fótons podem detectar um único fóton de cada vez.
No entanto, existe um problema com essas máquinas. Imediatamente após terem
detectado um fóton, existe um intervalo de tempo bem curto, conhecido como tempo
morto, durante o qual nenhum fóton que chega ao detector pode ser detectado.
O número de fótons detectado pelo equipamento subestima o número real de fótons

emitidos pela fonte de luz e precisamos corrigir o número observado de fótons para
obtermos uma estimativa do número verdadeiro. Sendo assim, uma correção bastante
complicada é necessária porque quando a fonte de luz está emitindo fótons a uma taxa
bem baixa, a chance de dois fótons que foram emitidos muito próximos não serem
mensurados é baixa, mas quando a taxa de emissão aumenta, vários fótons podem ser
perdidos sem serem detectados. Para resolver esse problema, é necessário construir um
modelo estocástico que modela tanto a emissão de fótons como o efeito do tempo
morto do detector, estudar a distribuição do número observado de fótons e analisar como
isto está relacionado ao número de fótons realmente emitidos pelo detector.
Exemplo 8: Modelos de epidemias
Uma epidemia pode ser compreendida como um processo estocástico no

tempo discreto. A variável de interesse (número de casos) é discreta. Muitos modelos
matemáticos sofisticados de epidemias foram desenvolvidos e incorporam diversos
fatores, como o número de contatos que uma pessoa infectada faz com pessoas
U1
não infectadas e a chance de que a infecção seja transmitida durante um desses

contatos. Esses modelos servem para compreender os fatores que determinam se
uma epidemia vai se espalhar e afetar uma grande parte da população ou se é mais
provável que afete uma pequena parte e depois desapareça. Os modelos também
servem para determinar o efeito de intervenções: como a epidemia será afetada se
vacinarmos 50% da população?
Exemplo 9: Modelos de crescimento populacional
Seja P(t) a população em um certo instante t. No intervalo de tempo ∆t a

população aumenta por uma quantidade ∆P (t) = P (t + ∆t) – P(t). O modelo clássico de
crescimento populacional sugere que o aumento porcentual relativo na população
∆P (t )
é proporcional ao intervalo de tempo, ou seja, = r∆ t , em que a constante
P (t)
r > 0 denota o crescimento populacional. Supondo intervalos infinitesimais, a equação
pode ser reescrita como dP(t) = rP(t)dt. Essa equação diferencial tem solução
P(t) = P0ert em que P0 é o tamanho da população inicial. A evolução da população é
dada pela sua taxa de crescimento r. Na vida real essa taxa não é constante. Ela pode
ser uma função do tempo ou, de modo mais geral, ela pode oscilar de forma irregular
em torno de alguma função média determinística:
rt = a(t) + ruído
Neste caso, rt se torna uma variável aleatória indexada no tempo t.
A equação associada a ela torna-se uma equação diferencial estocástica:
dP(t) = (a(t) + ruído) P(t)dt

Para resolver uma equação desse tipo usa-se o Cálculo Estocástico.
Exemplo 10: Difusão de partículas
Considere o fluxo de um fluido com um campo de velocidades v(x). Uma

partícula que se move com um fluido tem uma trajetória φ(t) descrita pela equação
φ'(t) = v(φ(t)). Uma pequena partícula, que está sujeita a bombardeios moleculares, terá
sua trajetória descrita por uma equação do tipo φ'(t) = v(φ(t)) + σ(ruído), em que a
constante σ > 0 determina a intensidade do ruído e controla a difusão das pequenas
partículas no fluido.
Considere agora uma gota de tinta (que é feita de uma grande quantidade de
pequenas partículas) que está sofrendo um processo de difusão no líquido. Cada uma
das pequenas partículas de tinta realiza uma trajetória aleatória no líquido. Seja p(x,t)
a densidade de partículas que chegam no ponto x no instante t. Após algum tempo
de difusão, as regiões escuras do líquido representam as regiões com alta densidade
U1
P(x,t), enquanto as mais claras correspondem a uma densidade menor de p(x,t).

Conhecendo a densidade p(x,t), temos controle sobre a dinâmica do processo de
difusão e esta pode ser usada para encontrar a probabilidade de uma partícula de tinta
atinja certa região.
Exemplo 11: Nível de colesterol
O nível de colesterol no instante t é dado por C(t). Esse nível depende da quantidade
de gordura ingerida na alimentação, da absorção pelo organismo, além da produção
individual de colesterol. A taxa de variação do nível de colesterol será dada pela
equação:
dC (t )

= a (C0 − C (t )) + bE
dt
C0 é o nível natural de colesterol a E é a taxa diária de colesterol consumida, as
constantes a e b modelam a produção e absorção do colesterol no organismo. A
solução desta equação diferencial linear é obtida:
b
C (t ) C0 e − at + (C0 +
= E )(1 − e − at )
a
b
Essa equação, a longo prazo, tende à saturação do nível de colesterol C0 + E . Em
a
virtude de erros de medida na quantidade de gordura ingerida, a equação com um
termo estocástico se transforma em:
dC (t )
= a (C0 − C (t )) + bE + ruído
dt
Essa equação pode ser resolvida usando cálculo estocástico. Com essa solução
podemos encontrar a probabilidade de que o nível de colesterol está acima de um
certo limite.
Exemplo 12: A ruína do jogador (The gambler’s ruim)
No início do jogo, tempo (t0), o jogador tem somente R$ 2,00. De acordo com as
regras do jogo, o jogador deve apostar apenas R$ 1,00 por vez. Com probabilidade ‘p’,
o jogador ganha mais R$ 1,00, e com probabilidade ‘p-1’, o jogador perde R$ 1,00. O
jogo acaba, sem direito a empréstimos ou prorrogações, quando o jogador tem R$
4,00 ou perde tudo.
Considerando-se ‘Xt’ como a quantidade de capital que o jogador tem em um

determinado instante ‘t’, existem cinco estados possíveis (HILLIER; LIEBERMAN, 2006).
‘Xt’ = {0, 1, 2, 3, 4}
U1
Figura 1.3 | Diagrama de árvore do exemplo 12.
X2 = 4
p
p X1 = 3 X4 = 3
p
X0 = 2 1–p
t=0 t=1 t=2 t=3
X2 = 2
p
1–p
1–p
X1 = 1
X4 = 1
1–p
X2 = 0
Fonte: elaborada pelo autor.
A representação gráfica desse processo será:
Figura 1.4 | Diagrama de transição do exemplo 12
1
p p p
1 0 1 2 3 4
1–p 1–p 1–p
Exemplo 13: Os dados de uma pesquisa em uma cidade dividem as famílias em

economicamente estáveis e economicamente instáveis. Após um período de 10 anos,
a probabilidade de que uma família na situação estável permaneça na situação estável
U1
é 0,92, enquanto a probabilidade de se tornar instável é 0,08. A probabilidade de que

uma famíliana na situação instável passe para a situação estável é de 0.03, enquanto a
probabilidade de que ela permaneça dessa maneira é 0,97 (WINSTON, 2004).
Chamando por
1 – estabilidade
2 – instabilidade
temos que:
P11 = 0,92 P12 = 0,08
P21 = 0,03 P22 = 0,97
Cu seja:
P = 0,92 0,08
0,03 0,97
Após 20 anos, se ela começa estável, teremos:
Figura 1.5 | Diagrama de árvore do exemplo 13
Após 10 anos Após 20 anos

0,92
0,92 Estável Estável
Estável
0,08 Em depressão Estável

0,03
0,92
0,03 Estável Estável
Instável
0,97 Instável Estável
0,03
U1
Exemplo 14: Exemplo de formulação com uma cadeia de Markov. O programa

de treinamento de técnicos de produção de uma determinada companhia consiste
em duas fases. A fase 1, que envolve três semanas de aulas teóricas, é seguida da fase
2, que envolve três semanas de aulas prática sob a direção de técnicos habilitados.
Pelas experiências anteriores, a companhia espera que apenas 60% dos candidatos
da fase teórica sejam aprovados na fase prática, com os 40% restantes completam
o treinamento. Dos técnicos que fazem a fase prática, 70% são habilitados como
supervisores, 10% voltam a repeti-la e 20% são dispensados (WINSTON, 2004).
Consideramos um período de tempo como sendo de três semanas e definimos os

estados de 1 a 4, em que:
1- eliminado
2- um aprendiz teórico
3- um aprendiz prático
4- supervisor
Levando em conta que os candidatos eliminados não voltam ao programa de

treino e que os supervisores permanecem supervisores, as probabilidades de transição
são dadas pela matriz estocástica:
1 0 0 0
0,4 0 0,6 0
P = 0,2 0 0,1 0,7
0 0 0 1
O diagrama de transição do processo estocástico será dado por:
2 4
1 3
U1
1. Na cidade A, 90% dos dias ensolarados são seguidos por dias

ensolarados e 80% dos dias nublados são seguidos por dias
nublados. Use essa informação para modelar o tempo em A
como um processo estocástico, construindo o correspondente
diagrama de transição (WINSTON, 2004).
2. Um vendedor tem as Cidades 1, 2, 3 e 4 em seu território. Ele

nunca fica em uma cidade mais de uma semana. Se ele está na
Cidade 1, tem a mesma probabilidade de ir para qualquer uma
das três na próxima semana. Se ele está em 2, então na próxima
semana ele estará nas cidades 1, 3 ou 4, com probabilidades de,
respectivamente, ½, ¼ e ¼. Se ele está em 3 então na próxima
semana ele não irá a 2, porém pode ir com a mesma probabilidade
a 1 ou 4. Se ele está em 4, então na próxima semana ele não estará
em 1, porém tem probabilidade 2/3 e 1/3, respectivamente, de
estar em 2 ou 3. Represente por um diagrama de transição este
processo estocástico (WINSTON, 2004).
Dentro do contexto de processos estocásticos, vimos sua

definição e vários exemplos. Você acha que o mercado
financeiro se comporta de forma estocástica? Por que, então,
é tão difícil realizar previsões nessa situação?
Nesta unidade tratamos da definição de processos estocásticos,

de vários modelos que existem e que permitem realizar previsões
em alguns processos estocásticos particulares e, finalmente,
discutimos vários exemplos envolvendo esses processos.
U1
Nesta unidade você aprendeu as características básicas de

processos estocásticos. Nas próximas aprenderemos outros
modelos que tratam alguns processos estocásticos particulares
e que nos permitem realizar previsões.
Andrei Andreyevich Markov nasceu no dia 14 de junho de 1856, em

Ryazan, na Rússia. Morreu no dia 20 de julho de 1922, em Petrograd (agora
São Petersburgo), Rússia. Formou-se na Universidade de São Petersburgo
(1878), onde se tornou professor em 1886. Os primeiros trabalhos de Markov
foram principalmente em teoria dos números e análise, frações contínuas,
limites de integrais, teoria da aproximação e a convergência de séries.
Após 1900, Markov aplicou o método das frações contínuas, inicialmente
desenvolvido por Pafnuty Chebyshev, na teoria da probabilidade. Ele
também estudou sequências de variáveis mutuamente independentes,
esperando estabelecer as leis da probabilidade de forma mais geral. Ele,
ainda, provou o teorema do limite central. Markov é particularmente
lembrado pelo seu estudo de cadeias de Markov. Cadeias de Markov são
um formalismo de modelagem de sistemas que descrevem o sistema
como um processo estocástico. Desse ponto de vista, o sistema modelado
é caracterizado pelos seus estados e a forma pela qual eles se alternam.
Em 1923, Norbert Winter se tornou o primeiro a tratar rigorosamente um
processo contínuo de Markov. A fundação da teoria geral ocorreu em
1930, por Andrei Kolmogorov (HILLIER; LIEBÅERMAN, 2006).
1. Formule o processo seguinte como um processo

estocástico. O fabricante de um creme dental sabe que os
dados do ano anterior mostram que 88% dos usuários de seu
produto lhe permanecem fiéis, enquanto 12% mudam para
U1
outros concorrentes. Além disso, 85% dos consumidores dos

concorrentes permanecem fiéis à marca, enquanto os outros 15%
mudam para a marca do fabricante. A matriz de probabilidades
de transição entre os estados será (HILLIER; LIEBERMAN, 2006):
0, 88 0,12 
a)  
0, 85 0,15
0, 88 0, 85
b)  0,12 0,15 
 
0, 85 0,12 
c) 0, 88 0,15
 
0, 88 0,15 
d)  0,12 0, 85
 
0, 85 0,12 
e)  0,15 0, 88
 
2. Suponha que uma indústria produza dois tipos de produtos:

tipo 1 e tipo 2. Sabe-se que se uma pessoa comprou o tipo 1
existe 90% de chance de que sua próxima compra seja do tipo 1.
Sabe-se, também, que se uma pessoa comprou o tipo 2 existe
80% de chance de que a próxima compra seja do tipo 2. A matriz
de transição do processo estocástico descrito é (WINSTON, 2004):
 0, 9 0,1
a) 0, 2 0, 8
 
 0,1 0, 9 
b)  
0, 2 0, 8 
0, 9 0,1 
c)  
 0, 8 0, 2 
 0, 9 0, 8
d) 0, 2 0,1
 
0, 2 0,1
e)  
 0, 9 0, 8
U1
3. A ala geriátrica de um hospital classifica os seus pacientes

como acamados ou ambulatórios. Dados históricos indicam que
durante o período de uma semana, 30% de todos os pacientes
ambulatórios têm alta, 40% permanecem em regime ambulatório
e 30% têm de ser acamados para repouso completo. Durante
o mesmo período, 50% dos pacientes acamados tornam-se
ambulatórios, 20% permanecem acamados e 30% morrem.
Podemos afirmar que (WINSTON, 2004):
a) Esse processo não é estocástico.
b) A probabilidade de um paciente que teve alta voltar ao
estado internado é de 10%.
c) A probabilidade de um paciente internado ter alta é de 10%.
d) A matriz de transição do processo é 0, 2 0, 5 0, 3 0 
 0, 3 0, 4 0 0, 3

 0 0 1 0 
 
 0 0 0 1 
0, 2 0, 5 
e) A matriz de transição do processo é  
 0, 3 0, 4 
4. Os proprietários de um grande edifício de apartamentos

para alugar pretendem entregar sua gestão a uma companhia
imobiliária com excelente reputação. Com base nas
classificações de boa, média e fraca condição dos edifícios
geridos por essa imobiliária, foi documentado que 50% de
todas as construções que começaram um ano em boas
condições, assim permaneceram até o fim do ano, enquanto
as 50% restantes deterioraram para uma condição média. De
todas as construções que começaram o ano com condição
média, 30% assim permaneceram até o fim do ano, enquanto
70% foram melhoradas para uma boa condição. De todas
as construções que começaram o ano com uma condição
fraca, 90% assim permaneceram até o fim do ano, enquanto
as outras 10% foram melhoradas para uma boa condição.
Considerando este como um processo estocástico, a matriz
de transição será (WINSTON, 2004):
 0, 5 0, 3 0 
a) 0, 7 0, 5 0 
 0,1 0 0, 9 
U1
 0, 5 0, 5 0 
b)  0,1 0, 3 0 
0, 7 0 0, 9 
 0,1 0, 5 0 
c) 0, 7 0, 3 0 

 0, 5 0 0, 9 
 0, 5 0, 5 0 
 
d) 0, 7 0, 3 0 
 0,1 0 0, 9 
 0, 5 0 0, 5
e) 0, 7 0, 3 0 
 0, 9 0 0,1
5. Uma companhia aérea com um voo às 7:15h da manhã entre

São Paulo e Rio de Janeiro, não quer que o voo se atrase na
partida em dois dias seguidos. Se o voo sair atrasado num dia,
a companhia faz um esforço adicional no dia seguinte para
que o voo cumpra o horário, e ela é bem-sucedida em 90%
das vezes. Se o voo não sair atrasado num dia, a companhia
não toma providências especiais para o dia seguinte e o voo
cumprirá o horário em 60% das vezes (WINSTON, 2004):
Sobre isto, é correto afirmar:
a) O voo parte atrasado 20% das vezes.

b) O voo sai no horário 30% das vezes.
0, 4 0, 9 
c) A matriz de transição do processo estocástico é  0,1 0, 6 
 
d) O processo é determinístico.
 0,1 0, 9 
e) A matriz de transição do processo estocástico é 0, 4 0, 6 
 
U1
U1
Referências
HILLIER, Frederick S.; LIEBERMAN, Gerald J. Introdução à pesquisa operacional. 8. ed.

São Paulo: McGraw Hill, 2006.
WINSTON, Wayne L. Operations resarch. 4. ed. São Paulo: Thomson Brooks-Cole,
2004.
TAHA, Hamdy A. Pesquisa operacional. 8. ed. São Paulo: Pearson-Prentice Hall, 2008.
Unidade 2
Cadeias de Markov
Fernando Mori
O objetivo desta unidade é introduzir o conceito de cadeias de Markov e

suas aplicações. Desse modo, será desenvolvida a teoria e realizadas diversas
aplicações práticas. Ao final da unidade, o aluno deverá ser capaz de identificar
e aplicar o modelo de Markov e realizar análises usando esse modelo.
Seção 1 | Cadeias de Markov

Nesta seção definiremos as cadeias de Markov e realizaremos algumas
aplicações.
Seção 2 | Probabilidade de estado em fase de regime ou

estacionárias
Aprenderemos sobre a propriedade de evolução das cadeias de
Markov no longo prazo e faremos algumas aplicações.
Seção 3 | Exemplos de aplicações

Nesta seção veremos uma série de exemplos de aplicações.
Seção 4 | Aplicação a curvas de sobrevivência

Nesta seção estudaremos a aplicação à sobrevivência de componentes
industriais.
U2
44 Cadeias de Markov
U2
Estudaremos as cadeias de Markov como caso específico de um processo

estocástico, com a particularidade de ser um processo que tem a ausência de
memória. Serão realizadas aplicações da teoria em vários casos práticos da
engenharia e administração.
Cadeias de Markov 45
U2
U2
Seção 1
Cadeias de Markov
Será estudado e definido o que é uma cadeia de Markov, suas principais

propriedades e exemplos de aplicações.
1.1 Definição de cadeias de Markov e propriedades
Considere um processo estocástico qualquer. Eles são de interesse por

descreverem o comportamento de um sistema operando ao longo de um período.
Um processo estocástico normalmente apresenta a seguinte estrutura:
O estado atual do sistema pode cair em qualquer uma das M + 1 categorias
mutuamente exclusivas, denominadas de estados. Esses estados são identificados
como 0,1,2,......,M. A variável aleatória {Xt} representa o estado do sistema no instante
t, de modo que os seus únicos valores possíveis sejam 0,1,2,......,M. O sistema é
observado em pontos determinados no tempo, identificados por t = 0,1,2,......
Portanto, o processo estocástico fornece uma representação matemática de como
o sistema físico evolui ao longo do tempo.
Esse tipo de processo é conhecido como um processo estocástico em tempo
discreto com um espaço de estado finito.
Exemplo 1:
O tempo em uma certa cidade pode mudar de maneira rápida. Entretanto, as

chances em termos de tempo seco (sem chuvas) amanhã são ligeiramente maiores,
caso esteja seco hoje, do que se chover hoje. Particularmente, a probabilidade de
termos tempo seco amanhã é de 0,8, caso hoje esteja seco, porém é de apenas 0,6,
caso amanhã chova.
A evolução do tempo, dia a dia, é um processo estocástico. Começando em dado
dia inicial (chamado dia 0), o tempo é observado em cada dia t, para t = 0,1,2,...... O
estado do sistema no dia t pode ser:
Estado = 0, dia t é seco
Estado = 1, dia t com chuva
U2
Portanto, para t = 0,1,2,...., a variável aleatória {Xt} assume os seguintes valores:

Xt = 0, se o dia t estiver seco
Xt = 1, se o dia t estiver chuvoso
O processo estocástico {Xt} = { X0, X1, X2,...} fornece uma representação matemática
de como o estado do tempo na cidade evolui ao longo do tempo.
Definição 1:
I. Um processo estocástico tem a propriedade Markoviana se a probabilidade

condicional de qualquer evento futuro, dados quaisquer eventos do passado e o estado
presente, é independente dos eventos passados e depende apenas do estado atual.
II. Um processo estocástico {Xt} é uma cadeia de Markov se possuir a propriedade

Markoviana.
As probabilidades condicionais P (Xt+1 = j/Xt = i) para uma cadeia de Markov são

chamadas de probabilidades de transição (uma etapa). Se para cada i e j
P (=
X t +1 j=
/ X t=i ) P=
( X1 j / X 0 = i )
então, as probabilidades de transição (uma etapa) são ditas estacionárias.
Portanto, ter probabilidades de transição estacionárias implica que as probabilidades
de transição não mudam ao longo do tempo. A existência de probabilidades de
transição estacionárias também implicam nisto para cada i, j e n (n = 0,1,2,....).
P (=
X t + n j=
/ X=
t i ) P=
( Xn j / X0 = i)
Para todo t = 0,1,2,..., essas probabilidades condicionais são denominadas
probabilidades de transição em n etapas.
Para simplificar a notação com probabilidades de transição estacionárias, usamos:
= ( X t +1 j / X t = i )
pij P=
( X t +n j / X t = i )
pij ( n ) P=
=
Assim, a probabilidade de transição em n etapas Pij(n) é simplesmente a

probabilidade condicional de que o sistema estará no estado j após exatamente n
etapas (unidades de tempo), dado que ele inicia no estado i a qualquer instante j.
Como Pij(n) são probabilidades condicionais, elas têm de ser não negativas e já
que o processo deve realizar uma transição para algum estado, elas devem satisfazer
as seguintes propriedades:
U2
pij ( n ) ≥ 0, para todo i,j;n=0,1,2,......
Σp
j =0
ij
(n)
= 1 para todo i;n=0,1,2,......
Uma maneira conveniente de mostrar as probabilidades de transição é usar o

formato de matriz:
estado 0 1 2 . . . M
(n) (n) (n)
0 p00 p 01 p02 . . . p0 M ( n )
1 p10 ( n ) p 11
(n)
p12 ( n ) . . . p1M ( n )
P(n) = 2 p20 ( n ) p 21
(n)
p22 ( n ) . . . p2 M ( n )
. . . . . . . .
. . . . . . . .
. . . . . . . .
M pM 0 ( n ) pM 1( n ) pM 2 ( n ) . . . pMM ( n )
AAmatriz
matrizdedetransição
transiÁ„o ser�então,
será, ent„o dada
dada por:
por:
 p00 p01 p02 . .

p
 10 p11 p12 . . 
P(n) =  p20 p21 p22 . . .
 
 p30 p31 p32 . .. 
 . . . . . 
Note que a probabilidade de transição em determinada linha e coluna é para a

transição do estado da linha para o estado da coluna. Quando n = 1, eliminamos n e
simplesmente nos referimos à matriz como matriz de transição.
As cadeias de Markov que iremos estudar possuem as seguintes propriedades:
a) Um número finito de estados.
b) Probabilidades de transição estacionárias.
c) Partimos da hipótese de que conhecemos as probabilidades iniciais para

todo i.
U2
Propriedade dos sistemas sem memória:
Dado o estado atual, o próximo estado só depende desse estado e de nenhum

outro em que o sistema tenha estado no passado (ausência de memória espacial).
O tempo em que o sistema se encontra no estado atual não é relevante para se

determinar o próximo estado (ausência de memória temporal).
Já foi visto que para especificar uma cadeia de Markov, deve-se:
a) Identificar um espaço de estados.
b) Conhecer a probabilidade inicial de estado para cada estado pertencente

ao espaço de estados.
c) Conhecer a probabilidade de transição.
Considerando o espaço de estado como um conjunto enumerável, ele pode

ser representado pelo conjunto dos números inteiros não negativos: (1,2,3,.......).
As letras i e j são usadas para representar o estado atual e o próximo. No caso

de sistemas com tempo discreto, representam-se os instantes pelo conjunto de
números inteiros, sendo k a variável utilizada para representar esses instantes
discretos.
Probabilidade de transição:
Pij(k) = P(Xk+1 = j/Xk = i)

em que i, j pertencem aos estados de tempos discreto.
As seguintes propriedades são válidas:
0 ≤ Pij(k) ≤ 1;
e para todo estado i e instante de tempo k:
∑ Pij(k) = 1, para todo j
A probabilidade de transição em n passos será dada por:
Pij(k, k + n) = P(Xk+n = j/Xk = i)

Vamos condicionar essa transição dee n passos a passagem por um estado
intermediário r, num determinado instante u, entre k e k + n, ou seja:
pij(k, k + n) = ∑P(Xk+n = j/Xk = i). P(Xu = r/Xk = i)

r
U2
Pela propriedade da ausência de memória temos:
P(Xk+n = j / Xu = r, Xk = i) = P(Xk+n = j/Xu = r) = Prj(u, k + n)

em que:
pir(k, u) = P(Xu = r/Xk = i)
A equação dada a seguir determina a evolução dos estados:
pij (k , k + n) = ∑ pir (k , u ). prj (u , k n), k ≤ u ≤ k n

r
Esta é a equação de Chapman-Kolmogorov, que determina a evolução,trajetória
dos estados da cadeia de Markov. Essa relação é válida para cadeias de Markov com
tempo discreto. Ela pode ser escrita na forma matricial.
Define-se a matriz H como sendo:
H (k, k + n) = [ pij(k, K + n)], i, j = 0, 1, 2,...
Esta é a matriz das probabilidades de transição de estados em n passos.

Portanto, podemos reescrever a equação de Chapman-Kolmogorov:
H (k, k + n) = H (k, u). H (u, k + n)
ou escolhendo=se u = k + n – 1, tem-se:
H (k, k + n) = H (k, k +n – 1). H (k + n – 1, k + n)
Esta é a relação de evolução direta de Kolmogorov.
Definição 2:
Quando as probabilidades de transição forem independentes do tempo k, para

todo i,j, tem-se uma cadeia de Markov homogênea.
Nesse caso, escreve-se:
Pij = P(Xk + 1 = j/Xk = i)
Em que o elemento da matriz de transição é independente de k.
Ou seja, a transição de i para j sempre ocorre com a mesma probabilidade p,

independentemente do instante de tempo em que ela venha a ocorrer.
U2
Exemplo 2:
Considere uma máquina que pode estar em um dos dois estados: up e down.
Considere o conjunto de estados (0,1) para representar os estados dessa máquina,

sendo 0 para up e 1 para down.
O estado dessa máquina é observado (verificado) a cada hora. Esses instantes de

observação são representados pela sequência k=0,1,2,3,...... .
Dessa maneira, temos uma cadeia estocástica, em que o estado da máquina está
na k-ésima hora de observação.
Considere ainda que:
- Se a máquina estiver no estado up, a probalidade de falhar na próxima hora

é dada por a.
- Se a máquina estiver no estado down, a probalidade dela ser consertada na

próxima hora é b.
Com essas definições, obtemos uma cadeia de Markov homogênea.
A matriz de transição de probalidades possui os seguintes elementos:
p10 = a p11 = 1 – a p01 = b p00 = 1 – b

em que 0 ≤ a ≤ 1 e 0 ≤ b ≤ 1.
A matriz de transição será dada por:
b 1 − b 
a 1 − a 
 
Uma maneira conveniente de representar uma cadeia de Markov é por meio
de um diagrama de transição de estados, conforme já vimos anteriormente. Neste
caso, o diagrama será bem simples:
1 2
U2
Considere agora a situação em que, com o passar do tempo, a probabilidade de a

máquina falhar na próxima hora aumenta em virtude de seu envelhecimento. Nesse
caso, as probabilidades de transição poderiam ser escritas na forma:
p10 = a = 1 – γk
p11 = 1 – a = γk
para 0 < γ < 1 e k = 0, 1, 2,.... Essa nova cadeia de Markov não é mais homogênea.
Numa cadeia homogênea, a matriz de transição de estado também é

independente do tempo k. Nesse caso pode-se escrever:
( X k + n j / X k = i ) , n = 1, 2,...
pij n P=
=
Se fizermos u=k+m e escolhendo m=n-1, na equação de Chapman-Kolmogorov,
tem-se:
H(n) = H(n – 1). H(1),
em que H(n) =
Exemplo 3: chamadas telefônicas.
Considere os intervalos de tempo discretos, k=0,1,2,...., chamados de time slots.
O processo de chamada telefônica opera da seguinte maneira:
No máximo, uma chamada telefônica pode ocorrer no time slot com o seguinte
modelo: se o telefone estiver ocupado, a chamada é perdida (não há transição de
estado), se não, a chamada é processada.
Uma chamada sendo processada pode ser encerrada dentro de um time slot
com o seguinte modelo: se ocorrer a chegada de uma nova chamada e o término
de uma outra dentro de um mesmo time slot, a nova chamada será aceita e o seu
processamento iniciado.
Assume-se que a chegada ou o término das chamadas são independentes entre

si.
Seja Xk a representação do estado desse processo estocástico no k-ésimo time

slot, o qual pode assumir valor 0 (telefone livre) ou 1 (telefone ocupado).
As probabilidades de transição de estado são:
p00 = 1 – a: o telefone permanece livre se nenhuma chamada chega no time slot.
p01 = a: o telefone fica ocupado se uma nova chamada chega no time slot.
U2
p10 = β. (1 – α): o telefone fica livre se uma chamada é completada e não chega
nenhuma nova chamada no time slot.
p11 = (1 – β) . (1 – α): o telefone permanece ocupado se a chamada não completa

ou completa, porém chega uma nova chamada no time slot.
A matriz de transição P A
é dada por:de
matriz transiÁ„o P È dada por:
 1−a a 
P= 
 b .(1 − a ) (1 − b ) + a .b 
1 2
Em resumo, um processo de Markov (processo estocástico) consiste em um

conjunto de estados tais que:
a) A qualquer instante cada objeto deve estar em um único estado.
b) A probabilidade de que um objeto passe de um estado para outro, em

determinado período de tempo, depende apenas desses dois estados.
Os estados de uma cadeia de Markov podem ser classificados da seguinte forma:
I) Dados dois estados i e j, uma trajetória de i para j é uma sequência de

transições que iniciam em i e terminam em j, de tal maneira que cada transição na
sequência tem uma probabilidade positiva de ocorrência.
II) Um estado j é acessível a partir do estado i se existir uma trajetória que leva
i para j.
III) Dois estados i e j são chamados comunicantes se j é acessível de i e i é

acessível de j.
IV) Um estado i é chamado absorvente se pii = 1.
V) Um estado i é chamado estado transiente se existe um estado j acessível a

partir de i, mas o estado i não é acessível a partir de j.
U2
VI) Um estado é periódico com período k, se k for um número inteiro positivo,

tal que a trajetória do estado i que volta para esse mesmo estado i tem comprimento
que é um múltiplo de k.
Exemplo 4:
Seja a seguinte a matriz de transição:
0, 4 0, 6 0 0 0 
 0, 5 0, 5 0 0 0 

 0 0 0, 3 0, 7 0 
 
 0 0 0, 5 0, 4 0,1 
 0 0 0 0, 8 0, 2 
Ela dará origem às cadeias de Markov.
Os diagramas representam as matrizes de transição que são partes dessa matriz.
Figura 2.3 | Diagrama de transição referente ao exemplo 4
0,6
0,4 1 2 0,5
0,5
S1
0,7
0,3 0,1
3
0,4 0,2
0,5 4 5
0,8
Fonte: elaborada pelo autor. S2
Se todos os estados de uma cadeia de Markov são recorrentes, não periódicos e

comunicantes, a cadeia é chamada de ergódica. No exemplo da ruína do jogador, a
cadeia não é ergódica.
U2
Figura 2.4 | Diagrama de transição de uma cadeia ergódica
Figura 2.5 | Diagrama de transição de uma cadeia não ergódica
Para definir a evolução dos estadoscom base na matriz de transição, de maneira

simples, vamos recapitular algumas definições e chegar ao importante teorema que
permite realizar previsões com uma cadeia de Markov.
Vimos que:
Os processos de Markov ocorrem sempre em uma base de tempo que depende

do problema analisado.
O número inteiro de períodos de tempo decorridos desde o início do processo

representa o número de estágios do processo, que pode ser finito ou infinito.
Se o número de estados é finito, o processo de Markov recebe o nome de uma

cadeia de Markov.
Denotamos a probabilidade de transição do estado i para o estado j em um

período de tempo por pij.
Para uma cadeia de Markov com n estados (n é um número inteiro), a matriz n

x n formada pelas probabilidades de transição é a matriz estocástica associada ao
processo.
U2
Necessariamente, a soma dos elementos de cada linha da matriz de transição P

é igual a 1.
O valor pij representa a probabilidade de que o processo, quando no estado i, faça

uma transição para o estado j.
 p00 p01 p02 . . 

p p11 p12 . . 
 10
P =  p20 p21 p22 . . .
 
 p30 p31 p32 . .. 
 . . . . . 
Os estados de um processo de Markov são armazenados em uma matriz linha

que possui tantas colunas quantos forem os estados do processo de Markov.
A evolução do processo se faz por meio da multiplicação da matriz de estados

pela matriz de transição.
A matriz de estados será:
X(n) = [ p , p , p ...]
1 2 3
Em que p1, p2,.... são as probabilidades de estarmos no estado 1, 2, ....
Podemos agora enunciar um importante teorema: se P é a matriz de transição de

um processo de Markov, então a matriz linha de estados X(n + 1) no período (n+1) da
observação pode ser determinada a partir da matriz linha de estados X(n) no período
n da observação a partir da relação:
X(n+1) = X(n) . P
Exemplo 4:
1) Os dados de uma pesquisa dividem as famílias em economicamente

estáveis e economicamente instáveis. Num período de 10 anos, a probabilidade de
uma família estável permanecer estável é 0,92, enquanto a probabilidade de ficar
economicamente instável é 0,08. A probabilidade de que uma família instável se
torne estável é de 0,03, enquanto a probabilidade de que ela assim permaneça é
0,97. Qual a probabilidade de que daqui a 20 anos uma família hoje economicamente
estável torne-se economicamente instáve (WINSTON, 2004)?
U2
Figura 2.6 | Diagrama de transição
Solução: 0,08
estável instável
0,97
0,92 0,03
Diagrama de estados
0 92 0 08 
P= 
 0 03 0 97
estado inicial
0
X =
primeiro período = 10 anos
X (1) = X ( 0) .P
X (1) = . 0 92 0 08 
 0 03 0 85
 
X (1) = 0, 92 0, 08
segundo período = 20 anos
X (2) = X ( 1) .P
0,92 0,08
X (2) = 0,92 0,08 . 0,03 0,97

X (2) = 0,8488 0,1512
A probabilidade de se tomar instável é 0,1512 ou 15,12%
Você viu a definição de cadeias de Markov. Quais são os

processos no seu dia a dia podem ser classificados como
cadeias de Markov? Quais são as condições a que esses
processos devem obedecer?
U2
Conheça um pouco mais sobre cadeias de Markov. Disponível em:

<https://pt.wikipedia.org/wiki/Cadeias_de_Markov>. Acesso em: 4 set.
2016.
1. Um escritório possui dois computadores para executar o

trabalho diário. Observou-se que quando os dois computadores
estão funcionando de manhã, existe uma probabilidade de 30%
de que um deles pare de funcionar até à noite e 10% de que
os dois parem de funcionar. Se apenas um computador estiver
funcionando no início do dia, existem 20% de chance de que
ele deixe de funcionar até o fim do dia. Se nenhum computador
estiver funcionando pela manhã, o escritório envia todo o serviço
para ser executado externamente. Nesse caso, não haverá falha
das máquinas durante o dia. Os consertos são executados em
uma loja próxima. Os computadores são levados durante o dia
e devolvidos em condições de operação na manhã seguinte. O
intervalo de um dia ocorre quando uma ou ambas as máquinas
estão sendo consertadas (WINSTON, 2004).
a) Construa a matriz de transição para a situação apresentada.

b) Construa a matriz de transição se a operação de reparo
levar dois dias, sabendo que apenas uma máquina pode ser
consertada de cada vez.
2. Uma inspeção do mercado permite determinar os

“movimentos” das pessoas entre os diversos tipos de moradia.
Assim, foram entrevistadas pessoas que moravam em
apartamentos próximos do centro (Categoria 1) e afastados do
centro (Categoria 2); e pessoas que moravam em casas com
terreno menor que 250 m² (Categoria 1) e com terreno maior
de 250 m² (Categoria 2).
Os resultados de um estudo para um ano foram:
U2
Atual
Apto. (1) Apto. (2) Casa (1) Casa (2)
Anterior
Apto. (1) 50 10 20 20
Apto. (2) 75 20 0 5
Casa (1) 25 10 60 5
Casa (2) 50 10 10 30
Qual é a probabilidade de que alguém que está no

Apto.(2) passe para uma Casa (2) após dois anos (TAHA, 2008)?
U2
Seção 2
Probabilidade de estado em fase de regime

estacionário
Os processos de Markov apresentam a propriedade do estado de equilíbrio após
a evolução em um grande número de ciclos. Iremos usar essa propriedade para
obter previsões em sistemas que atingem esse equilíbrio.
2.1 Definição do regime estacionário e exemplos

Consideremos uma situação na qual uma máquina pode estar operando
convenientemente ou pode necessitar de ajuste.
Se a máquina está operando convenientemente (representaremos esse estado por 1)
hoje, a probabilidade de que opere convenientemente amanhã é 0,8 e a probabilidade
de que necessite de um ajuste (representaremos esse estado por 2) amanhã é 0,2.
Suponhamos que a máquina ainda tenha um sistema de ajuste próprio (autoajuste)
que funciona de forma imperfeita, e se a máquina precisa de ajuste a probabilidade
que irá operar convenientemente amanhã é de 0,3 e a probabilidade de que ainda
precisará de um ajuste amanhã é 0,7.
Nesse caso, a matriz de transição será:
0, 8 0, 2 
P= 
0, 3 0, 7 
Supondo que o estado inicial é X ( 0 ) = [ 0, 5 0, 5]
Calculando a evolução para 4 períodos obtemos:

0, 8 0, 2 
X (1) X=
= (0)
.P [0, 5 0, 5].   = [ 0, 55 0, 45]
0, 3 0, 7 
0, 8 0, 2 
X ( 2) = X (1) .P = [ 0, 55 0, 45].   = [ 0, 575 0, 425]
0, 3 0, 7 
0, 8 0, 2 
X (3) = X ( 2 ) .P = [ 0, 575 0, 425].  = [ 0, 587 0, 413]
0, 3 0, 7 
0, 8 0, 2 
X ( 4 ) X=
= ( 3)
.P [ 0, 587 0, 413].  = [ 0, 593 0, 407 ]
0, 3 0, 7 
U2
Verifica-se, portanto, que o processo atinge uma fase de regime com as seguintes
características:
I) A distribuição de probabilidades de ocorrência dos estados passa a ser

constante.
II) Essa distribuição independe das condições iniciais.
III) Quando isso acontece o processo é ergódico.
Chamamos isso de probabilidade de estado estacionário.
A distribuição de estado estacionário é o conjunto Π j em que:
Π j = lim p j ( n ) = lim P ( X n = j )
n →∞ n→∞
Para o processo ergódico é válida a equação matricial:

Π = Π.P
Com a condição óbvia de que os elementos da matriz linha somem 1.

Π = [Π 0 Π1 Πn ]
Com Π 0 + Π1 + Π 2 + .......... + Π n = 1
Resolvendo o sistema de equações que assim aparece, temos a distribuição de
estado no longo prazo.
Exemplo 5:
Consideremos a matriz de transição dada a seguir:
 0, 3 0, 2 0, 5 
P =  0,1 0, 8 0,1 
0, 6 0 0, 4 
Calcule o estado estacionário ou longo prazo para essa situação.
Nesse caso, precisamos resolver a equação matricial Π = Π.P com a condição

fundamental Π 0 + Π1 + Π 2 + .......... + Π n = 1 .
 0, 3 0, 2 0, 5 
Π Π.P → [ Π 0
= Π1 Π 2 ] = [ Π 0 Π1 Π 2 ]  0,1 0, 8 0,1 

0, 4 0, 4 0, 2 
U2
Π 0 0, 3Π 0 + 0,1Π1 + 0, 4Π 2
=

Π1 0, 2Π 0 + 0, 8Π1 + 0, 4Π 2
=
Π 0, 5Π + 0,1Π + 0, 2Π
=
 2 0 1 2
Com a equação fundamental: Π 0 + Π1 + Π 2 = 1 .
Escolhendo, por exemplo, as duas primeiras equações do sistema anterior e a

equação de normalização e resolvendo o sistema linear assim obtido, temos:
Π 0 = 0, 2
Π1 = 0, 6
Π 2 = 0, 2

Existe a probabilidade do sistema ocupar os estados no longo prazo.
Exemplo 6:
Uma companhia aérea com um voo às 7:15h da manhã entre São Paulo e Rio
de Janeiro não quer que o voo se atrase na partida em dois dias seguidos. Se o voo
sair atrasado num dia, a companhia faz um esforço adicional no dia seguinte para
que o voo cumpra o horário e é bem-sucedida em 90% das vezes. Se o voo não sair
atrasado num dia, a companhia não toma providências especiais para o dia seguinte
e o voo cumprirá o horário em 60% das vezes. Qual a porcentagem de vezes que o
voo parte atrasado (WINSTON, 2004)?
0,1 0,9
atrasado no horário
0,6
0,4
U2
Matriz de transição
0 1 9
P=
0 4 6 
No longo prazo o comportamento do sistema será obtido resolvendo-se o
sistema linear:
0 1 9
X1 X2 X1 X2 . 
0 4 6 
Esta é uma equação matricial que pode ser resolvida igualando-se os termos:
x1 = 0,1x1 + 0,4x2
x2 = 0,9x1 + 0,6x2
A condição fundamental é que:
x1 + x2 = 1
Usando essa condição e descartando uma das equações, ficamos com o sistema
linear:
x1 = 0,1x1 + 0,4x2
x1 + x2 = 1
Resolvendo esse sistema linear pelo método da substituição obtemos o seguinte
resultado:
x1 = 0,6923 e x2 = 0,3074
Os voos sairão atrasados 30,7% das vezes.
Você consegue imaginar alguma situação em que o estado

de longo prazo é mais importante que os estados transitórios
de um processo de Markov?
U2
Recomendamos a leitura do texto. Disponível em: <https://pt.wikipedia.

org/wiki/Cadeias_de_Markov>. Acesso em: 4 set. 2016. Indicamos
também o capítulo 17 do livro: WINSTON, Wayne L. Operations resarch.
4. ed. São Paulo: Thomson Brooks-Cole, 2004.
1. A propaganda de um certo produto será feita em três

regiões R1, R2 e R3, seguindo certas regras. Ela nunca deverá
ser feita na mesma região em dias sucessivos. Se for feita em
R1, então no dia seguinte poderá ser feita em R2 ou R3 com
igual possibilidade, se foi feita em R2, há duas vezes mais
possibilidades de ser feita em R3 do que em R1; se foi feita
em R3, há três vezes mais possibilidade de ser feita em R1 do
que em R2. Em longo prazo, durante quanto tempo foi feita a
divulgação em cada região (TAHA, 2008)?
2. Uma pesquisa realizada recentemente com os assinantes

de uma revista de viagens mostrou que 65% deles têm pelo
menos um cartão de crédito associado a uma companhia
aérea. Quando comparou-se com uma pesquisa semelhante
realizada cinco anos atrás, os dados indicaram que 40% das
pessoas que não tinham cartão de crédito associado a uma
empresa aérea obtiveram um posteriormente, enquanto 10%
dos que então tinham cartão já não os têm mais. Assumindo
que essas tendências se manterão no futuro, determine a
proporção de assinantes que terão cartão de crédito associado
a uma empresa aérea a longo prazo (WINSTON, 2004).
U2
U2
Seção 3
Exemplos de aplicação
Nesta seção iremos considerar uma série de aplicações da teoria vista nas seções
anteriores.
3.1 Exemplos gerais de aplicação das cadeias de Markov
1) O fabricante de um produto controla atualmente 60% do mercado de uma

determinada cidade. Dados do ano anterior mostram que 88% dos seus clientes
permanecem leais a sua marca, enquanto 12% mudam para outras marcas. Além disso, 85%
dos usuários de marcas da concorrência permaneceram leais à marca da concorrência,
enquanto os outros 15% mudaram para o produto do fabricante. Assumindo que essa
tendência se mantém, determine a parcela de mercado do fabricante daqui a três anos
(WINSTON, 2004).

0,88 0,12
clientes não clientes
0,85
0,15
Matriz de transição
0 88 12 
P=
 0 15 85 
Estado inicial:
(0)
0,6 0,4
Primeiro período = 1 anos
X (1) = X ( 0) .P
X (1) = 0,6 0,88 0,12 

0,4 .  
0,15 0,85 
X (1) = 0,5880 0,4120
U2
Segundo período = 2 anos

2
X = X 1 .P
0,88 0,12 
X 2
= 0,5880 0,4120 . 
0,15 0,85 
2
X = 0,5792 0,4208
Terceiro período = 3 anos

3
X = X 2 .P
0,88 0,12 
X 3
= 0,5792 0,4208 . 
0,15 0,85 
3
X = 0,5728 0,4272
Parcela de mercado = 57,28%
2) Em um dia qualquer, João pode estar de bom humor (BH), mais ou menos (MM)
ou de mau humor (MH). Se ele estiver de bom humor hoje, então ele estará BH, MM
ou MH amanhã, com probabilidades 0,5, 0,4 e 0,1, respectivamente. Se ele estiver
mais ou menos hoje, então ele estará BH, MM ou MH amanhã, com probabilidades
0,3, 0,4 e 0,3, respectivamente. Se ele estiver MH hoje, então as probabilidades de
estar amanhã BH, MM ou MH serão, respectivamente, de 0,2, 0,3 e 0,5. Sabendo
que hoje ele está de bom humor, qual a probabilidade de João estar de mau humor
daqui a dois dias (WINSTON, 2004)?
BH MM MH
0,5
BH 0.5 0.4 0.1
MM 0.3 0.4 0.3
MH 0.2 0.3 0.5
BH
0,1
0,4
0,2 0,3
0,3
0,5 0,4
MH MM
0,3
U2
matriz Matriz de transição

de transiÁ „o
matriz0,de 5 transiÁ
0 , 4 „o0,1
matriz  de transiÁ„o
P = 00,,53 00,,44 00,,,113
 0 , 5 0 , 4 0
P = 00,,32 00,,43 00, ,35
P = 0, 3 0, 4 0, 3
0, 2 0, 3 0, 5
estado 0,inicial
2 0, 3 0, 5
estado Estado inicial
( 0 ) inicial
eXstado = [
inicial
1 0 0]
X ((00)) = [1 0 0]
X == [X1 0.P 0]
X ( 1 ) ( 0 )
X ((11)) = X ((00)).P
X = X .P  0, 5 0, 4 0,1
0, 5 0, 4 0,1 
X = [1 0 0]. 00,,3
(1)
53 00,,44 00,,13
X ((11)) = [1 0 0]. 0,3 3 0, 4 0, 3
X = [1 0 0]. 00,3  ,32 00,,43 00,,35
0, 2 0, 3 0, 5
X (1) = 0, 5 0, 4 00, ,21 0, 3 0, 5
X ((11)) = [[0, 5 0, 4 0,1]]
X = [ 0,dia
segundo 5 0, 4 0,1]
segundo dia
( 2Segundo
segundo ) dia
(1) dia
X ( 2) == XX (1) ..PP
X
X ( 2) = X (1) .P
00, 5, 5 0,04, 4 0,01,1
X == [[00,,55 00,,44 00,1,1]]. .000,,3,53 00,0,4,44 00,03,,13
X ((22))
 
X ( 2) = [ 0, 5 0, 4 0,1].000,,2,32 00,0,3,43 00,0,5,35
 
0, 2 0, 3 0, 5
X ((22)) == [ 00,,39
X 39 00,,39 39 00, ,22 22] ]
A = [ 0, 39 0, de
X (probabilidade
2)
probabilidade 39deestar0, 22
estar ] mau
de
de mauhum hum
mmoror
A probabilidade
daqui aa 22 dias de estar de mau hum
diasÈÈ22%
22% mor
A probabilidade de estar de mau humor daqui a 2 dias é de 22%
daqui a 2 dias È 22%
3) Suponhamos que uma indústria produza dois tipos de produtos: tipo 1 e
tipo 2. Se uma pessoa comprou o tipo 1, existe 90% de chance de que sua próxima
compra seja o tipo 1. Se uma pessoa comprou o tipo 2, existe 80% de chance de
que na próxima compra seja o tipo 2. Se uma pessoa comprou o tipo duas, qual a
probabilidade de ela comprar o tipo 1 num intervalo de 2 compras? Se uma pessoa
comprou o tipo 1, qual a probabilidade de ela comprar tipo 1 num intervalo de três
compras (WINSTON, 2004)?

0.1
0.8
0.9
Tipo 1 Tipo 2
P= Tipo 1 Tipo 2
0.2 Tipo 1 0.9 0.1

Tipo 2 0.2 0.8
U2
 0, 9 0,1
P =0, 9 0,1 
P = 00, 9, 2 0,0 1, 8
P = 00,,29 00,,81 
P =inÌcio:
a) 0,, 22 00,, 88
a) 0Início
a) inÌcio: 
a) inÌcio:
a)
X ( (00) )
X inÌcio: [
==[ 0 01] 1 ]
X (( 00)) = [ 0 1]
X = [ 0compra
primeira
primeira 1]
compra
primeira
(1)
Primeira compra
( 0)
compra
primeira
X ((11) )= X (compra .
( P
0)
X ==XX0) .P.P
X
X ((11)) = X ( 0) .P  0, 9 0,1
X (1)= [ 0 1].  0,90, 90,10,1
[ ]
X((11)) ==[00 1]1.00.,,29 00, 8,1 
X
X = [ 0 1]. 0, 20, 20, 80, 8
X (1) = [ 0, 2 0, 80],2 0, 8 
X((11) ) ===[[00co
, 2 2 0, 80], 8
(1)
X
segunda
X [ ,0o2,mpra 0, 8]]
segunda
( 2) (co
1)ompra
X Segunda
segunda
segunda = X co .P
oco ompra
mpra
compra
X (( 222)) = X ((11)) .1P  0, 9 0,1
X ( ) ( )
X ===[X0X
X ( 2 )
, 2 .P.0P , 8] . 
00, ,29 00, 8,1 
X (( 2)) = [ 0, 2 0, 8]. 0, 9 0,1 
2
X ((22) )== [00,,34 2 0, 8]. 0, 2 0,09, 8 0,1

X =[ 0, 2 0,066, 8] 0,. 2 0, 8 
X [ ]
A
2)
= [ 0, 34 0,de
X (probabilidade
X ( 2) = [ 0, 34 0, 66]
] 0, 2 tipo0, 18
66comprar
A
apÛ
A [
( 2s) 2 compras Ède
X probabilidade
= 0, 34 de
probabilidade ]comprar tipo 1
0344, %.
66
comprar tipo 1
apÛs 02, compras
9 0,1 È 34 4%.
A=probabilidade
P
apÛ As probabilidade
2 compras  È 34 4de
%. comprar
de compra tipo tipo1 após
1 duas compras é 34%
0, 2 0, 8
apÛs 2 compras È 344%.
a) inÌcio:
b) Início
b)( 0inÌcio:
X ( 0 ) = [ 0 1]
)
X inÌcio:
b) = [1 0]
primeira compra
Primeira
primeira compra
(10))
X == X
X ( [1 0)compra
(
.0P]
(1) (0)
X = Xcompra
primeira .P 0, 9 0,1
X (11) = [ 0 0 1].  
X (1) = X .P0,02, 9 0, 80,1
() ( )
X = [1 0].  
X ((11)) = [ 0, 2 0, 80 ]0, 9, 2 0,01,8
X = [1 0].  
X (1) = [ 0co
segunda ,o9mpra 00,,12] 0, 8
X ( 12) = [X0,(19compra
segunda
)
.P 0,1]
Segunda compra  0, 9 0,1
segunda
X ((22)) ==[0X,compra
X 2(1) .P
0, 8].  
( 2)
X = X .P (1) 0, 2 0, 8
 0, 9 0,1
X ((22)) ==[[00, 34 1]].0, 9 0,1 
2
X , 9 00,,66
A
( )
= [ 0, 9 0,1de
X probabilidade ]. comprar
0, 2 0tipo ,8
1
 0, 2 0, 8 
apÛ [
X ((22s)) 2=compras
0, 83 È
X = [ 0, 83 0,17 ]
0,34 17
4%. ]
U2
Terceira compra
X 3
= X (2) .P
 0,9 0,1 
X ( 3) = 0,83 0,17 .  0,2 0,8 
 
X ( 3) = 0,781 0,219
A probabilidade de compra tipo 1 na terceira compra é 78,1%.
4) Em uma cidade, sabemos que 90% de todos os dias ensolarados são

seguidos por outro dia ensolarado, e 75% de todos os dias nublados são seguidos
por outro dia nublado. Construa a matriz de transição e calcule a probabilidade de
daqui a três dias termos um dia nublado, sendo que hoje está um dia ensolarado
(WINSTON, 2004).
0,9 0,1
ensolarado nublado
0,75
0,25
 0, 9 0,1 
P=
0, 25 0, 75
 0, 9 0,1 
P =  inicial: 
estado
0, 25 00,,751 
) 0, 9 inicial:
P
estado [1 0] 
X =( 0Estado
 = inicial:
0, 25 0, 75
X ( 0) = [inicial:
primeiro
estado 0]
1 dia
primeiro 0]  0, 9
X ((01)) = [1 dia
X = [1 0]. 
0,1 

00,,925 00,1, 75

X (1)Primeiro
primeiro 0 . dia
= 1 dia
[ ]  
X ((11)) = [ 0, 9 000,,1, 25
9] 00,,175
X (1) = [1 0]. 
X = [ 0, 9 00,1,]25
segundo dia  0, 75
X (1) = [ 0,dia
segundo 9 0,1]  0, 9 0,1 
X = [ 0, 9 0,1]. 0, 9 0,1  
( )
2
segundo dia
X ( 2) = [ 0, 9 0,1].  0, 25 0, 75  
00,, 25
9 00,,175
X ==[[00, 9, 8350
(( 22))
0,1]. 0,1650] 
X ( 2) = [ 0, 8350 0,01650, 25 ] 0, 75
terceiroo dia
X ( 2) = o[ 0dia
terceiro , 8350 0,1650]
 0, 9 0,1  Cadeias de Markov 71
X ((33)) =o[dia
terceiro 0, 8350 0,1650].0, 9 0,1  
primeiro dia
primeiro dia
 0, 9 0,1 
X ((11)) = [1 0].  0, 9 0,1 
X = [1 0 ] . 
 0, 25 0, 75
U2
0, 25 0, 75
X ((11)) = [ 0, 9 0,1]
X = [ 0, 9 0,1]
segundo
Segundo dia dia
segundo dia
 0, 9 0,1 
X (( 22)) = [ 0, 9 0,1].  0, 9 0,1 
X = [ 0, 9 0,1]. 0, 25 0, 75
0, 25 0, 75
X (( 22)) = [ 0, 8350 0,1650]
X = [ 0, 8350 0,1650]
terceiroo dia
terceiro o dia dia
Terceiro
 0, 9 0,1 
X (3) = [ 0, 8350 0,1650].  0, 9
( 3)
0,1 
X = [ 0, 8350 0,1650]. 0, 25 0, 75
0, 25 0, 75
X ((33)) = [ 0, 7928 0, 2073]
X = [ 0, 7928 0, 2073]
A probabilidade de termos dia ensolarado
A probabilidade de termos dia ensolarado
È 20,73%.
A probabilidade de termos dia ensolarado é de 20,73%
È 20,73%.
5) Um vendedor tem as cidades A, B, C e D em seu território. Ele nunca fica

numa cidade mais do que uma semana. Se ele está na cidade A, tem a mesma
probabilidade de ir para qualquer uma das três na próxima semana. Se ele está na B,
então na próxima semana ele pode estar nas cidades A, C ou D, com probabilidades
1 1 1
respectivamente iguais a , e . Se ele está em C, então na próxima semana ele
2 4 4
não irá a B, porém pode ir com a mesma probabilidade a A ou D. Se ele está na
2
cidade D, então na próxima semana ele não estará em A, porém tem probabilidade 3
1
e de estar, respectivamente, em B ou C. Represente esse processo por uma cadeia
3
de Markov. Se o vendedor está em A esta semana, qual a probabilidade de estar em
C daqui a duas semanas (WINSTON, 2004)?
1/3
1/2 1/4
1/3 1/5
0
B C D
A 1/2
1/4
1/2
2/3
1/3
A B C D
0
A 0 1/3 1/3 1/3
B 1/2 0 1/4 1/4
C 1/2 0 0 1/2
D 0 4/5 1/5 0
U2
6) A ala geriátrica de um hospital classifica seus pacientes como acamados

ou ambulatórios. Dados históricos indicam que durante o período de uma semana,
30% de todos os pacientes ambulatórios têm alta, 40% permanecem em regime
ambulatório e 30% têm de ser acamados para repouso completo. Durante o mesmo
período, 50% dos pacientes acamados tornam-se ambulatórios, 20% permanecem
acamados e 30% morrem. No momento, o hospital tem 100 pacientes na sua ala
geriátrica, com 30% de acamados e 70% de ambulatórios. Determine o estado
desses pacientes (TAHA, 2008):
a) Após duas semanas.
b) Em longo prazo (o estado de um paciente com alta não muda se o paciente

morrer).

0,3
0,3 0,3
M AC AMB ALTA
0,5
0,4
0,2
AC AMB M ALTA
Matriz de Transição:
AC 0,2 0,5 0,3 0
AMB 0,3 0,4 0 0,3
M 0 0 1 0
ALTA 0 0 0 1
7) Os proprietários de um grande edifício de apartamentos para alugar

pretendem entregar sua gestão a uma companhia imobiliária com excelente
reputação. Com base nas classificações de boa, média e fraca condição dos edifícios
geridos por essa imobiliária, foi documentado que 50% de todas as construções
que começaram um ano em boas condições, assim permaneceram até o fim do
ano, enquanto 50% restantes deterioraram para uma condição média. De todas as
construções que começaram o ano com condição média, 30% assim permaneceram
até o fim do ano, enquanto 70% foram melhoradas para uma boa condição. De
todas as construções que começaram o ano com uma condição fraca, 90% assim
permaneceram até o fim do ano, enquanto as outras 10% foram melhoradas para
U2
uma boa condição. Considerando que essa tendência se mantém se a empresa

for contratada, determine a condição dos apartamentos sob a administração dessa
firma esperada em longo prazo (WINSTON, 2004).

0.5
0.5
0.3
B M
0.7
0.1 Matriz de Transição:
F F
B M
B 0,5 0,5 0
M 0,7 0,3 0
F 0,1 0 0,9
0.9
8) Um banco resolveu investir em uma estratégia de marketing. A estratégia 1

tem um custo de R$ 58,00 por cliente conquistado.. Avalia-se que 12% dos que não
eram clientes e foram submetidos à estratégia 1 tornam-se clientes. A estratégia 2
tem um custo de R$ 37,00 por cliente novo. Com o uso dessa estratégia, 21% dos
não clientes tornam-se clientes. Para as duas estratégias, 88% dos que eram clientes
continuam clientes. Sabendo que a receita do banco é de R$ 98,00 por novo cliente,
decida qual estratégia deverá ser adotada (WINSTON, 2004).
Primeira
0,88 0,12
estratégia:
0,88 0,12
P=
0,12 0,88 clientes não clientes
0,88
0,12
U2
0,1 0,9
clientes não clientes
0,6
0,88 0,12 0,4
P=
0,21 0,79
Fazendo a análise de longo prazo dos sistemas obtemos:

Estratégia 1: [0,5 0,5]
Estratégia 2: [0,636 0,364]
Levando em conta os custos, o lucro por cliente com a estratégia 1 será de
R$ 2.000,00 e o lucro por cliente com a estratégia 2 será de R$ 3.904,00.
A estratégia a ser adotada deverá ser a estratégia 2.
Você viu uma série de aplicações das cadeias de Markov.

Como você usaria o que aprendeu para auxiliar no processo
de tomada de decisão em uma empresa?
Leia o texto no link indicado. Disponível em: <https://pt.wikipedia.org/

wiki/Cadeias_de_Markov>. Acesso em: 4 set. 2016. Recomendamos
também o capítulo 17 do livro: TAHA, Hamdy A. Pesquisa operacional.
8. ed. São Paulo: Pearson-Prentice Hall, 2008.
U2
1. Uma pesquisa realizada com 171 famílias brasileiras estudou a

mobilidade destas com relação à mudança de moradia em um
prazo de cinco anos. Dessa forma, coletaram-se os seguintes
dados:
I) De 34 famílias que viviam inicialmente em moradias luxuosas,

após cinco anos constatou-se que 12 ainda estavam em
moradias luxuosas, 7 em moradias de classificação média e 15
em moradias ruins.
II) De 53 famílias que estavam inicialmente em moradia média,
após cinco anos constatou-se que 21 passaram a moradias
luxuosas, 16 permaneceram em moradias médias e 16 passaram
a morar em moradias ruins.
III) De 84 famílias que estavam inicialmente em uma moradia
ruim, após cinco anos constatou-se que 16 passaram para
moradias luxuosas, 28 passaram a moradias médias e 40
permaneceram em moradias ruins (WINSTON, 2004).
a) Considerando que hoje temos 13 famílias em moradias

luxuosas, 20 em moradias médias e 28 em moradias ruins,
qual será, aproximadamente, a distribuição de moradias dessas
famílias daqui a 10 anos?
b) E em longo prazo?
2. Uma empresa de cartões de crédito cobra uma taxa anual

de 40,00 u.m. de seus associados. A empresa está discutindo
dois novos métodos para obtenção de novos clientes e para
manter os existentes. Um método envolve “Mala direta” para
os clientes em potencial. Sabe-se que, com isso, 7% daqueles
que recebem a correspondência e não eram clientes tornar-
se-ão clientes. Um segundo método envolve “Visita pessoal”
ao cliente. Espera-se, com isso, que 35% dos visitados, que não
eram clientes, tornem-se clientes. Para os dois métodos, dos
que eram clientes, 85% continuam clientes. O custo do primeiro
método é de 3,50 u.m. e o do segundo é de 14,00 u.m. Qual
o método deve ser adotado? Faça a análise para longo prazo.
U2
Seção 4
Aplicação a curvas de sobrevivência

Para máquinas e equipamentos eletrônicos, uma curva como a da Figura 2.17

dá o número de sobreviventes no instante t. A análise a seguir realiza essa aplicação
usando as cadeias de Markov.
4.1 Curvas de sobrevivência
4.1 Curvas de sobrevivênciaEscolhendo os instantes t= 0, 1, 2, 3,….. para enumerar

os itens ou unidades sobreviventes, obtemos uma representação discreta para esta
curva de sobrevivência.
Figura 2.17 | Curva de sobrevivência

número de unidades
t
Consideremos a quantidade Vk como a probabilidade de sobrevivência de uma

unidade de idade k, isto é:
nk
Vk P(T >=
= t k) ≅
n0
V
Então Pi = 1 − V com i = 1, 2, 3,...... e em que 0 ≤ Pi ≤ 1 e Pi cresce monotonicamente
i
i −1
com i. A matriz de transição será:
U2
 idade idade 0 idade 1 idade 2 idade 3 idade 4 idade 5 idade 6 . . . idade n

idade 0 P1 q1 0 0 0 0 0 . . . 0

 idade 1 P2 0 q2 0 0 0 0 . . . 0

idade 2 P3 0 0 q3 0 0 0 . . . 0
 idade 3 P4 0 0 0 q4 0 0 . . . 0

 idade 4 P 5 0 0 0 0 q5 0 . . . 0
estado na idade k  .
 idade 5 P 6 0 0 0 0 0 q6 . . . 0
idade 6 P7 0 0 0 0 0 0 . . . 0

 . . .
 . . .

 . . .
idade n Pn+1 0

Na realidade, Pi,0 = Pi é a probabilidade condicional de que uma unidade que

tenha sobrevivido até a idade i – 1 morra no intervalo i – 1 a i.
Pi,i + 1 = qi = 1 – Pi é a probabilidade de durar até a data seguinte.
Assim:
 Pij ≥ 0 se j = 0 e j = i + 1

 Pij = 0 se j ≠ 0 e j ≠ i + 1
Construímos a matriz de transição com base nessas probabilidades e com isso

podemos determinar a evolução do sistema ou a situação no longo prazo.
Exemplo 6:
No ensaio de 8000 componentes quanto a sua durabilidade ao longo do tempo,

temos a tabela:
K(meses) 0 1 2 3 4 5 6
Nk 8000 7000 5000 4000 2000 1000 0
(unid.) N0 N1 N2 N3 N4 N5 N6
Nk V 
k (idade) Vk = Pk +1 = 1 −  k +1  Qk +1 = 1 − Pk +1
N0  Vk 
N 0 −8000 7 
0 V0
= = =1 P1 = 1 −  8 = 1 Q1 = 1 −
1 7
=
N0 8000  1  8 8 8
 
N1 7000 7 5 
V1
= = = P2 = 1 −  8 = 2 Q2 = 1 −
2 5
=
1 N 0 8000 8 7  7 7 7
 8 
U2
N2 5  4 
V2
= = P3 = 1 −  8 = 1 Q3 = 1 −
1 4
=
2 N0 8  5  5 5 5
 8
N3 4 2  1
1 1
3 V3
= = P4 = 1 −  8 = Q4 = 1 − =
N0 8 4  2 2 2
 8 
N4 2 1  1
1 1
4 V4
= = P5 = 1 −  8 = Q5 = 1 − =
N0 8 2  2 2 2
 8 
N5 1  0 
5 V5
= = P6 = 1 −   =1 Q6 = 1 − 1 = 0
N0 8 1 
 8 
0
6 V6= = 0 - -
8
A matriz de transição será:
E0 E1 E2 E3 E4 E5
E0 1 7 0 0 0 0
8 8
E1 2 0 5 0 0 0
7 7
E2 1 0 0 4 0 0
5 5
E3 1 0 0 0 1 0
2 2
E4 1 0 0 0 0 1
2 2
E5 1 0 0 0 0 0
Construindo o diagrama de transição para o problema teríamos:

7/8 5/7 4/5 1/2
1/8 1/2
E2 E3 E4 E5
E0 E1
2/7 1/5
1/2 1
1/2
E0 → funciona 0 meses (quebra, falha)
E1 → funciona 1 mês
E2 → funciona 2 meses
U2
Equação fundamental:
π0 + π1 + π2 + π3 + π4 + π5 = 1
Vamos substituir:
π1 = 1 π0
8
π2 = 5 π1 = 5 7 π = 35 π = 5 π
0 0 0
7 7 8 56 8
π3 = 4 π2 = 4 35 π = 140 π = π0
0 0
5 5 56 280 2
π4 = 1 π3 = 1 = π0 = π0
2 2 2 4
π π
π5 = 1 π4 = 1 = 0 = 0
2 2 4 8
Substituindo na fundamental:
π0 + π1 + π2 + π3 + π4 + π5 = 1
7 π + π + 5 π + π0 + π0 + π0 = 1
0 0 0
8 8 2 4 8
7 π + π + 6 π + 3π0 = 1
0 0 0
8 8 4
13 π + π + 3π0 = 1
0 0
8 4
13 π0 + 8π0 + 6π0 27 π0 8
=1 ⇒ = 1 ⇒ π0 =
8 8 27
Queremos o comportamento em longo prazo do sistema:

1 π + 2 π + 1 π + 1 π + 1 π +π =π
0 1 2 3 4 5 0
8 7 5 2 2
7 π0 = π1
8
5 π1 = π2
7
4 π2 = π3
5
1 π3 = π4
2
1 π4 = π5
2
U2
π1 = 7 π 7 8 7
0 = =
8 8 27 27
π2 = 5 π 5 8 5
0 = =
8 8 27 27
π0 1 8 4
π3 = = =
2 2 27 27
π4 = 1 π 1 8 2
0 = =
4 4 27 27
π5 = 1 π 1 8 1
0 = =
8 8 27 27
8
O valor π0 = 27 = 0,296 representa que, em média, por período, são trocados
29,6% dos componentes instalados.
Vida média de um componente:
µT = 1 = 3,375 meses
π0
Se você trabalha na indústria imagine uma situação em que

você poderia aplicar a análise de curvas de sobrevivência e
de como melhorar os processos de tomada de decisão de
sua empresa.
Para ler um pouco mais sobre o assunto consulte o link. Disponível em:
<https://pt.wikipedia.org/wiki/Cadeias_de_Markov>. Acesso em: 4 set.
2016. Recomendamos também o capítulo 17 do livro: TAHA, Hamdy A.
Pesquisa operacional. 8. ed. São Paulo: Pearson-Prentice Hall, 2008.
U2
1. A duração das baterias dos equipamentos de dada empresa

é mostrada pela tabela a seguir:
K (anos) 0 1 2 3 4
NK 250 200 125 50 0
Em que K é dado em anos e Nk é o número de baterias

funcionando na idade K. Se a empresa utiliza 60 dessas
baterias, sabendo que o preço de cada bateria é de R$ 300,00,
determine:
a) Quantas baterias deverão ser repostas até o final do terceiro

ano.
b) O custo médio de reposição anual das baterias.
2. Uma fábrica de móveis resolveu realizar testes com duas

marcas diferentes de serra elétrica, A e B, para decidir qual
das marcas será colocada em sua linha de produção. As duas
possuem a mesma produtividade e apresentam os seguintes
perfis de sobrevivência:
Marca A
K (anos) 0 1 2 3 4
NK 140 120 80 25 0
Marca B
K (anos) 0 1 2 3
NK 50 40 10 0
O preço unitário das serras A e B são, respectivamente, R$

5.000,00 e R$ 4.600,00. Determine qual das serras será mais
viável economicamente para a fábrica, sabendo que deverão
ser compradas 20 unidades.
U2
As cadeias de Markov permitem realizar análises de longo

prazo e previsões. Será que podemos usar essas análises
como auxiliares na tomada de decisão? Como seria isso?
Nesta unidade você aprendeu a fundamentação básica sobre

cadeias de Markov e sua utilização na prática, incluindo modelos
baseados em custo. Foi realizada a aplicação a curvas de
sobrevivência, com aplicações em engenharia.
Nesta unidade você aprendeu a analisar um processo estocástico

especial, chamado de cadeias de Markov. Esse processo é
importante, pois permite a realização de previsões de maneira
simples. No entanto, os processos que obedecem à cadeia de
Markov devem sempre apresentar a propriedade Markoviana de
ausência de memória.
1. Em uma cidade, 90% de todos os dias ensolarados são

seguidos por outro dia ensolarado, e 75% de todos os dias
nublados são seguidos por outro dia nublado. A probabilidade
de um dia ser ensolarado em longo prazo é (WINSTON, 2004):
U2
a) 29%.
b) 47%.
c) 71%.
d) 87%.
e) 95%.
2. Consideremos uma análise de falha de um certo

componente de uma amostra inicial de 90 unidades:
Dias Unidades
0 90
3 74
6 59
9 38
12 24
15 13
18 0
Esperamos, então, que para 1.000 unidades instaladas,

tenhamos um número médio de substituições por período:
a) 300.
b) 400.
c) 500.
d) 250.
e) 130.
3. No início de cada ano, o carro de Pedro está em boas

condições, em condições razoáveis ou quebrado. Um carro
em boas condições estará em boas condições no próximo
ano, com probabilidade de 0,85; condição razoável com
probabilidade de 0,10; e quebrado, com probabilidade de
0,05. Um carro em condições razoáveis estará em condições
razoáveis no início do próximo ano, com probabilidade de 0,7
ou quebrado, com probabilidade de 0,3. Custa R$ 6.000,00
para comprar um bom carro, R$ 2.000,00 para comprar um
carro em condições razoáveis e um veículo quebrado não
tem nenhum valor e deve ser substituído por um carro em
boas condições. Custa R$ 1.000,00 por ano a manutenção
de um carro em boas condições e custa R$ 1.500,00 por ano
a manutenção de um carro em condições razoáveis. O que
Pedro deverá fazer?
U2
a) Deverá esperar até o carro quebrar.

b) Nunca deverá trocar.
c) Deverá trocar quando se tornar razoável.
d) Deverá trocar quando estiver em boas condições.
e) Não é possível determinar a melhor solução.
4. Considere dois títulos do governo. O Título 1 sempre é

vendido por R$ 1,00 ou R$ 20,00. Se o Título 1 é vendido por
R$ 10,00 hoje, existe uma probabilidade de 0,8 de ser vendido
amanhã por R$ 10,00. Se estiver sendo vendido por R$ 20,00
hoje, então há uma probabilidade de 0,9 de ser vendido por
R$ 20,00 amanhã. O Título 2 sempre é vendido por R$ 10,00
ou R$ 25,00. Se o Título 2 for vendido por R$ 10,00 hoje,
então existe uma probabilidade de 0,9 de que ele seja vendido
amanhã por R$ 10,00. Se for vendido hoje por R$ 25,00, então
existe uma probabilidade de 0,85 de ser vendido amanhã por
R$ 25,00. Podemos afirmar que (TAHA, 2008):
a) Em longo prazo, o Título 2 será vendido por um preço mais

alto.
b) Em longo prazo, o Título 1 será vendido por um preço mais
alto.
c) Em longo prazo, os dois títulos serão vendidos pelo mesmo
preço.
d) O sistema não pode ser calculado para longo prazo.
e) Em curto prazo, o Título 1 será vendido por um preço mais
baixo.
5. Consideremos um modelo simplificado de previsão do

tempo em que a previsão do tempo amanhã depende
unicamente do tempo de hoje e de ontem. Assim, temos
(WINSTON, 2004):
I. Se ontem choveu e hoje está sol, a probabilidade de chover

1
amanhã é de .
3
II. Se ontem choveu e hoje está chovendo, então a
2
probabilidade de chover amanhã é de .
3
III. Se ontem fez sol e hoje está chovendo, então a probabilidade
3
de chover amanhã é de .
4
IV. Se ontem fez sol e hoje está sol, então a probabilidade de
estar sol amanhã é de 1 .
2
U2
Se sabemos que ontem choveu e hoje está chovendo, então

podemos afirmar que:
1
a) A probabilidade de chover daqui a dois dias é de .
2
b) A probabilidade de fazer sol daqui a dois dias é de 2 .
1 9
c) A probabilidade de chover daqui a dois dias é de .
3
d) A probabilidade de fazer sol daqui a dois dias é de 4 .
9
e) A probabilidade de chover daqui a dois dias é zero.
U2
Referências
HILLIER, Frederick S; LIEBERMAN, Gerald J. Introdução à pesquisa operacional. 8. ed.

WINSTON, Wayne L. Operations research. 4. ed. São Paulo: Thomson Brooks-Cole,
2004.
Unidade 3
Processos de Poisson
Fernando Mori
Nesta unidade estudaremos a definição de processo nascimento-morte
e de um processo de Poisson. Iremos já considerar algumas aplicações
feitas em filas , que será o assunto da próxima unidade.
Seção 1 | Processos de Markov em tempo contínuo

Nesta seção iremos considerar apenas os processos de Markov em
tempo contínuo.
Seção 2 | Processos nascimento-morte

Nesta seção iremos considerar onde todas as transições são realizadas
apenas entre estados vizinhos, anterior ou posterior.
Seção 3 | Processos de Poisson

Nesta seção iremos analisar os processos de Poisson com aplicações
direcionadas aos processos de filas.
U3
Na Seção 1 consideraremos os processos estocásticos em tempo contínuo,

que são muito semelhantes aos processos estocásticos em tempo discreto.
Discutiremos as diferenças, pois com tempo contínuo em cada instante infinitesimal
pode ocorrer uma transição.
Na Seção 2 trabalharemos os processos de nascimento-morte, que são

caracterizados como um processo de Markov no qual todas as transições são para
o estado imediatamente acima ou imediatamente abaixo. Algumas aplicações
serão consideradas.
Na Seção 3 estudaremos o processo de Poisson e suas aplicações em teoria

das filas.
Processos de Poisson 91
U3
92 Processos de Poisson
U3
Seção 1
Processos de Markov em tempo contínuo

Os processos estocásticos de tempo contínuo são muito semelhantes aos

processos estocásticos com tempo discreto.
1.1 Processos de Markov no tempo continuo
No entanto, algumas modificações devem ser feitas, pois em cada instante

infinitesimal pode ocorrer uma transição. Nessa situação, não tem muito sentido
o conceito de matriz de transição de um passo ou etapa, porque o tempo não é
medido em passos. Consideremos um exemplo para melhor compreensão.
Exemplo 1
Consideremos uma máquina de operação automática que funciona sem

intervenção de um operador. Ocasionalmente, pode ocorrer uma falha na operação
e um operador deve corrigir o defeito, colocando o equipamento novamente em
operação. Dessa maneira, o equipamento poderá estar em um dos dois estados:
0: o equipamento está parado e o operador está tentando repará-lo.
1: o equipamento está em funcionamento normal e o operador está ocioso.
Uma forma de analisar esse problema por meio de um modelo, seria descrever
os tempos de operação e reparo como variáveis aleatórias contínuas tendo alguma
distribuição em particular.
Seja Pij(t) a probabilidade de que o sistema esteja no estado j, no instante t, dado
que estava no instante i no instante 0.
Como há dois estados, então existem quatro funções, a saber:
p00 (t ), p01 (t ), p10 (t ), p11 (t )
O desenvolvimento das equações que determinam as funções pode ser
simplificado usando as seguintes hipóteses:
I. O processo satisfaz a propriedade de Markov.
U3
II. O processo é estacionário.

III. A probabilidade de transição de 0 para 1 (reparo) ou de 1 para 0 (quebra) em
um pequeno intervalo ∆t é proporcional a ∆t.
IV. A probabilidade de duas ou mais mudanças de estado em um pequeno

intervalo ∆t é zero.
Quando supomos que o processo satisfaz a propriedade de Markov, queremos

dizer que em qualquer instante sabemos que a máquina ou está operando ou está
parada, podemos determinar todas as probabilidades associadas com o processo
desse instante em diante.
Não nos interessa a sequência de estados que se sucederam antes do atual e
quanto tempo o processo passou em cada um desses estados ou mesmo quanto
demora o estado atual.
Essa propriedade é conhecida como ausência de memória.
O processo será estacionário se as paradas e os tempos de reparo não dependerem
do particular instante do dia. Não será estacionário se o operador executar mais
vagarosamente em certos períodos de tempo durante o dia.
No nosso exemplo vamos considerar a hipótese da proporcionalidade, levando
em conta os seguintes valores:
p01 (∆t ) = 4∆t
p10 (∆ t ) = 3∆t
Podemos interpretar essas constantes de proporcionalidade como taxa de reparo

e taxa de falha.
Considerando que o valor da função P01(t + ∆t) seja a probabilidade de a máquina

estar no estado 1 no instante t + ∆t, dado que estava no estado 0 no instante 0.
Nesse caso, ou a máquina estava sendo reparada no instante t e foi colocada

em operação durante o intervalo ∆t ou estava operando no instante t e continuou a
operar no pequeno intervalo ∆t.
A equação a seguir é um caso especial das equações de Chapman-Kolmogorov

para o caso de tempo contínuo:
p01 (t + t ) = p00 (t ) p01 ( t ) + p01 (t ) p11 ( t )

Essa equação requer a hipótese de Markov para que se possam multiplicar as
probabilidades referentes aos eventos durante t e aos eventos durante ∆t. É necessário
também que o processo seja estacionário para que se possa usar as mesmas funções
de probabilidade para o intervalo t e, posteriormente, para o intervalo ∆t.
U3
Substituindo as aproximações lineares para P01(∆t) e para P11(∆t) temos:

p01 (t + t ) = p00 (t ).4 t + p01 (t )(1 − 3 t )
Usando p11 ( t ) = 1 − p10 ( t )
Temos:
p01 (t + t ) = 4 p00 (t ) t + p01 (t ) − 3 p01 (t ) t
p01 (t + t ) − p01 (t ) = 4 p00 (t ) t − 3 p01 (t ) t
Dividindo por ∆t ficamos com:
p01 (t + t ) − p01 (t )
= 4 p00 (t ) − 3 p01 (t )
t
Fazendo o limite de ambos os lados temos:
p01 (t + t ) − p01 (t )
lim = lim [ 4 p00 (t ) − 3 p01 (t ) ]
t →0 t t →0
Assim, temos a equação diferencial:
dp01 (t )
= 4 p00 (t ) − 3 p01 (t )
dt
Com raciocínio análogo para as outras três funções de transição, as derivadas

são:
 dp00 (t )
 dt = −4 p00 (t ) + 3 p01 (t )

 dp10 (t )
 = −4 p10 (t ) + 3 p11 (t )
 dt
 dp11 (t )
= 4 p10 (t ) − 3 p11 (t )
 dt
Temos assim um sistema de equações diferenciais de primeira ordem com

coeficientes constantes. Usando as condições iniciais:
pij (0) = 0 para i ≠ j

pij (0) = 1 para i = j
U3
Obtemos as soluções do sistema de equações diferenciais:
 3 4 −7 t
 p00 (t )= + e
7 7

 p (t )= 4 4 −7 t
− e
 01 7 7

 p (t )= 3 3 −7 t
− e
 10 7 7
 4 3 −7 t
 p11 (t )= + e
 7 7
Devemos observar que essas funções se comportam de forma adequada para

representar probabilidades.
Elas estão todas no interior do intervalo [0,1] para todos os valores de t ≥ 0, a

soma sobre o segundo índice iguala a 1 para todos os valores de t ≥ 0 e as condições
iniciais são satisfeitas.
O limite de cada função, à medida que t → ∞, tem um valor bem definido e as

funções com o mesmo segundo índice convergem para o mesmo valor.
A solução está completa, porém não temos ainda uma interpretação para as
taxas que seja suficiente para que possamos obter as taxas em uma situação real.
Consideremos, do exemplo, apenas o processo de reparo isoladamente.
Imagine que o processo começa com um reparo no instante t = 0 e fica no

estado 0 até que o reparo seja executado, e então muda e permanece no estado 1.
Não existem quebras nessa versão modificada do processo.
Usando o método de derivação como anteriormente, temos:
p00 (t + t ) = p00 (t ) p00 ( t )

p00 (t + t ) = p00 (t ) [1 − 4 t ]
p00 (t + t ) − p00 (t ) = 4 tp00 (t )
p00 (t + t ) − p00 (t )
= −4 p00 (t )
t
dp00 (t )
= −4 p00 (t )
dt
U3
Essa equação diferencial tem solução imediata desde que tenhamos a condição
inicial P00(o) = 1. Assim:
p00 (t ) = e −4t
Portanto, essa solução nos dá a probabilidade do equipamento não estar

funcionando no instante zero, e de que não esteja operando até o instante t.
Desde que não se permitam quebras, esse evento pode ser descrito como o
tempo de reparo excede t.
Desse modo, a probabilidade de que o tempo de reparo seja menor ou igual a t

é 1 – e–4t.
Essa é a expressão da função de distribuição exponencial.
As suposições feitas anteriormente implicam, então, que a distribuição de tempo

de reparo seja exponencial. Nenhuma outra distribuição de tempo de reparo satisfaz
essas suposições.
De forma análoga, podemos deduzir que os tempos de operação têm a função

de distribuição dada por 1 – e–3t.
Para a variável aleatória, tendo a função de distribuição dada por 1 – e–λt , mostra-
se que o valor esperado é 1 .
λ
No nosso exemplo, a distribuição de tempo de reparo tinha λ = 4, de forma que
1
o tempo médio de reparo seria .
4
A distribuição do tempo de operação tinha λ = 3, de maneira que o tempo médio
de operação seria 1 .
3
Definição: processo contínuo
Processo estocástico com tempo contínuo ou simplesmente tempo contínuo,

é uma família infinita de variáveis aleatórias indexadas pela variável contínua real t.
Para qualquer t fixo, X(t) é uma variável aleatória e a coleção de todas essas
variáveis aleatórias é um processo estocástico.
Se para todos tn, tn – 1, ........ , t0 satisfazendo tn > tn – 1 > ........ > t0 tivermos:
jn / X ( tn −1 ) j=
P  X (tn ) == n −1 ,..... X (t0= [ X (tn ) jn / X (tn−1 ) = jn−1 ]
) j0  P=
Dizemos que é um processo de Markov tempo contínuo.
U3
Essa é uma propriedade de independência.
Desse modo, se interpretarmos o presente com tn –1 e qualquer instante futuro

como tn e os instantes t0, t1, ..... tn – 2 como quaisquer índices do passado, podemos
dizer que o futuro de um processo de Markov depende somente do presente e não
do passado.
É por isso que um processo de Markov não tem memória.
Definição: processo de Markov estacionário
Um processo de Markov é chamado de estacionário ou homogêneo no tempo

se:
( X (t2 ) j=
P= t1 ) i ) P ( X =
/ X (= / X ( 0) i )
(t2 − t1 ) j=
Para todo i, j e tal que t1 < t2.
O processo é estacionário se as probabilidades condicionais dependem somente

do intervalo de tempo entre os eventos e não do tempo absoluto.
Note que o estado do processo muda com o tempo.
Um processo estacionário de Markov está totalmente descrito pelas suas funções

de probabilidade de transição que são representadas por Pij(t) sendo:
( X ( t ) j=
pij (t ) = P= / X ( 0) i )
Com base nisso, pode-se obter a equação fundamental para os processos de
Markov estacionários, conhecida como a equação de Chapman-Kolmogorov.
pij (t + s ) = Σ pik (t ) pkj ( s )

k
Podemos, portanto, afirmar que P(t +∆t) = P(t) P(∆t).
Para o cálculo de P(∆t) usaremos a expansão em série de Taylor:
1
Pij(∆t) = Pij(0) + P`ij(0) ∆t + P’’ij(0)(∆t)2 + ...
2
Pij(∆t) = Pij(0) + P`ij(0) ∆t + O(∆t2)
O(∆t2) → 0
Os termos de segunda ordem e superiores vão a zero para ∆t → 0.
U3
Como:
0, i ≠ j
pij (0) = 
1, i = j
Então, podemos ter a aproximação linear:
λij = p 'ij (0)

p 'ij ( t ) = λij t
pij ( t ) = λij ( t ) + O ( t 2 )
Pode-se entender a expressão anterior como uma aproximação linear para Pij(t),
sendo uma boa aproximação à medida que ∆t torna-se pequeno.
Chamamos λij de taxa de transição de i para j. Essa terminologia é consistente,

pois λij é a derivada em relação ao tempo da função de transição.
Considerando a equação de Chapman-Kolmogorov com as aproximações

anteriores, temos:
dpij (t )
= Σ pik (t )λkj
dt k
O resultado é uma equação diferencial de primeira ordem com coeficientes

constantes λki. Reconhecendo essa somatória como uma multiplicação matricial,
podemos expressar todas as equações diferenciais na forma matricial:
dP(t )
= P(t )Λ
dt
dP (t )
Em que é a matriz cujo elemento (i, j) é dpij (t ) ,P(t) é a matriz cujo elemento
dt dt
(i, j) é Pij(t) e Λ é matriz cujo elemento (i, j) é λij.
A soma dos elementos de cada linha de Λ deve ser zero.
Pode-se mostrar que cada elemento da diagonal principal é não negativo, o

elemento da diagonal principal λii é igual em módulo e, portanto, de sinal oposto à
soma dos outros elementos na mesma linha, ou seja:
λii = −Σ λij
j ≠i
U3
Se você lembrar agora do exemplo 1 desta seção, as equações diferenciais

poderiam ser obtidas novamente de forma mais rápida, pois naquele caso tínhamos
λ01 = 4 e λ10 = 3. Nesse caso, a matriz Λ será dada por:
 −4 4 
Λ = 
 3 −3
E as quatro equações diferenciais seriam obtidas da equação diferencial dada na
forma matricial obtida anteriormente.
Vemos, então, que os elementos λij para i ≠ j podem ser interpretados e assim
medidos como os parâmetros de distribuições exponenciais.
Para um particular λij, a distribuição a que nos referimos é a do tempo gasto no

estado i quando j é o próximo estado.
Sendo assim, as hipóteses de Markov e do processo serem estacionárias implicam

que os tempos entre os eventos precisam ter distribuição exponencial.
Os parâmetros dessas distribuições, os λij, precisam ser dependentes do estado

ocupado i e do próximo estado j, porém todas as distribuições precisam ter a forma
exponencial.
Nenhuma outra família de distribuições pode ser considerada como candidata

para descrever os tempos entre os eventos.
Devemos lembrar que em muitas aplicações os tempos podem ser melhor

analisados se as funções de distribuição forem a Gama ou a Weibull.
Ao se utilizar o modelo exponencial, adota-se que os tempos próximos de zero

são os mais prováveis e que os tempos muito longos são cada vez menos prováveis.
Se porventura essa característica for incompatível com o problema que está

sendo analisado, talvez deva ser escolhido outro modelo, pois o exponencial não
pode ser usado neste caso.
Uma outra característica da distribuição exponencial que precisa ser lembrada é

a ausência de memória, para isso, considere o exemplo 2:
Exemplo 2
Suponha que desejamos representar um processo no qual o tempo entre a

mudança de estado corresponde ao tempo de vida de um pneu de automóvel.

U3
O estado muda quando o pneu falha. Existem dois tipos de falha para os pneus.
Se estivermos pensando no tipo de falha devido a um evento infeliz na rodovia

(encontrar um prego, por exemplo), então a distribuição pode ser tomada como a
exponencial. Não existe conexão entre o evento encontrar um prego na estrada e a
idade do pneu. Desse modo o fato de um pneu estourar ou não, não estaria ligado
ao tempo de vida deste, mas sim à possibilidade de encontrar um prego. Neste
caso a distribuição do tempo de vida é esquecida, porém a única distribuição sem
memória é a exponencial. Por outro lado, se você está interessado nas falhas por
desgaste, então o processo não seria sem memória. Quanto mais o pneu for usado,
isso influenciará na nossa estimativa de vida restante. Nessa situação talvez o modelo
de Markov não possa ser utilizado.
Em quais outras situações parecidas com a do exemplo o

modelo de Markov não pode ser usado? Pense em alguns
acontecimentos envolvendo manutenção de equipamentos.
Leia sobre os processos de Markov em tempo contínuo no texto indicado.

Disponível em: <https://en.wikipedia.org/wiki/Markov_chain> . Acesso
em: 15 set. 2016. Consulte também o capítulo 20 do livro: WINSTON,
Wayne L. Operations resarch. 4. ed. São Paulo: Thomson Brooks-Cole,
2004.

U3
1. Usando o que foi desenvolvido nesta seção, suponha um

processo de Markov contínuo com a seguinte matriz de
transição:
 −λ λ 
Λ=
µ − µ 
Calcule uma expressão para P00(t).
2. Usando a análise efetuada no exercício anterior, suponha

um processo de Markov contínuo com a seguinte matriz de
transição:
 −5 5 
Λ = 
 7 −7 

Determine P01(t).

U3
Seção 2
Processos nascimento-morte
Na maior parte dos casos em que temos vários estados, as equações diferenciais
que fornecem os Pij(t) podem ser resolvidas facilmente. Porém, seus valores limites
podem ser encontrados indiretamente. Em muitas situações práticas isso será
suficiente.
Como no caso do tempo discreto, os estados precisam ser ergódicos. Toda a
terminologia desenvolvida para o caso discreto aplica-se ao tempo contínuo com uma
exceção: não tem sentido falar de estados periódicos quando o tempo é contínuo.
2.1 Processo nascimento morte e exemplos

Supondo então que o processo analisado é irredutível e que todos os estados
são ergódicos, podemos obter um conjunto de equações lineares determinando as
probabilidades do estado estacionário.
Essas probabilidades são definidas da seguinte maneira:
π j = lim pij (t )
t →∞
Como sabemos que:
dpij (t )
lim = lim Σ pik (t )λkj
t →∞ dt t →∞
k
d
( )
lim pij (t ) = Σ pik (t )λkj
dt t →∞ k
d
dt
( ) = Σ λkj
k
0 = Σ π k λkj
k
Na forma matricial temos que:

ΠΛ = 0

U3
Em que 0 é o vetor linha de zeros, Π é o vetor linha das probabilidades de estado

estacionário e Λ é a matriz das taxas de transição.
A equação adicional para determinar uma solução única é como no caso discreto:
Σπj
j =1
Exemplo 3
Considerando novamente o exemplo 1 da seção anterior, podemos encontrar as
probabilidades de estado estacionário a partir de sua matriz de transição:
 −4 4 
Λ = 
 3 −3
Usando a equação Π . Λ = 0 temos
 −4 4 
[π 0 π1 ]   = [ 0 0]
 3 −3
Assim:
−4π 0 + 3π 1 = 0

4π 0 − 3π 1 = 0
Como essas equações são linearmente dependentes, usaremos uma delas e a

equação fundamental para encontrar uma solução:
−4π 0 + 3π 1 = 0

π 0 + π 1 = 1
Que será:
3
π0 =
7
4
π1 =
7
Todos os casos simples de teoria das filas a serem considerados na próxima
unidade são casos especiais do processo nascimento-morte.

U3
Um processo nascimento-morte é caracterizado como um processo de Markov

no qual todas as transições são para o estado imediatamente acima (um nascimento)
ou imediatamente abaixo (uma morte) ou, ainda, a permanência no próprio estado.
O diagrama de transição para o processo nascimento-morte tem o aspecto dado
na Figura 3.1.
Figura 3.1 | Processo nascimento-morte

λ0 λ1 λ2 λn- 1 λn λn + 1
0 1 2 ..... n n+1 .....
µ1 µ2 µ0 µn µn + 1 µ
Uma aplicação particular muito importante desse diagrama de transição está na

representação da transição de estados em um modelo de filas.
Se tivermos um sistema com os seguintes estados: ocioso (estado 0) ou operando
(estado 1) e existirem probabilidades finitas para estar em um estado ou no outro,
então o diagrama de transição será o da Figura 3.2.
Figura 3.2 | Diagrama de transição para um sistema de filas
0 1
µ
Em que λ é a taxa média de serviços chegando e µ é a taxa média de serviços

executados na mesma unidade de tempo. Como na situação de equilíbrio, o que
chega deve ser igual ao que sai ou a frequência do sistema indo de desocupado a
operando é a mesma que indo de operando para ocioso, devemos ter P0λ = P1µ em
que P0 e P1 são as probabilidades de estar nos estados 0 e 1, respectivamente.

U3
Considerando novamente o problema de nascimento-morte temos a seguinte

matriz de transição:
λ00 λ01 
λ λ11 λ12 0 
 10 
 λ21 λ22 λ23 
 
 λ32 λ33 λ34 
 λ43 λ44 λ45 
 
 . . . 
 . . . 
 
 0 . . . 
 . . .
 
 . . 
No processo de nascimento-morte as transições possíveis de um estado i são

apenas três:
I. Do estado i para o estado i – 1.
II. Do estado i para o estado i + 1.
III. Permanecia no estado i.
No caso de i = 0 temos apenas duas possibilidades. Como os saltos são proibidos
λij = 0 exceto quando |i – j| ≤ 1 .
Isso implica que a matriz Λ é tridiagonal. Além disso, devemos ter:
λii = − ( λi ,i −1 + λi ,i +1 )
Portanto, a forma final de nossa matriz de transição será:

λ00 λ01 
λ − ( λ10 + λ12 ) λ12 0 
 10 
 λ21 − ( λ21 + λ23 ) λ23 
 
 λ32 − ( λ32 + λ34 ) λ34 
 λ43 − ( λ43 + λ45 ) λ45 
 
 . . . 
 . . . 
 
 0 . . . 
 . . .
 
 . . 

U3
Podemos ter um número finito ou infinito de estados e os valores específicos

para as taxas de transição são arbitrários.
É conveniente em muitas situações simplificar a notação usando λi para taxa de
nascimento ou geração λi, i +1 . Para a taxa de morte λi, i –1 usa-se µi.
As equações do estado estacionário do processo de nascimento-morte serão:
0 = − 01 0 + 10 1

0 01 0 ( λ10 + λ12 ) 1 + 21 2

0 = 12 1 − ( λ21 + λ23 ) 2 + 32 3
.............

.........

Você pode imaginar um processo nascimento-morte?

Como uma fila pode ser considerada um processo
nascimento-morte? Quais seriam os estados e as transições?
Leia sobre os processos de nascimento-morte no texto indicado.

Disponível em: <https://en.wikipedia.org/wiki/Birth-death_process>.
Acesso em: 15 set. 2016. Consulte também o capítulo 20 do livro:
WINSTON, Wayne L. Operations resarch. 4. ed. São Paulo: Thomson
Brooks-Cole, 2004.

U3
1. Um caminhão tem quatro rodas sobre um eixo, duas de cada

lado. Cada pneu está sujeito, independentemente, a uma taxa
de falha a cada 20.000 km em média. Supondo que o processo
de falha é Markoviano e represente com P(q) a probabilidade
de que nenhum pneu tenha falhado após q quilômetros, então
a expressão de P(q) será:
a) P(q) =1.
b) P(q) = e5q.
c) P(q) =1 – 3e–2q.
d) P(q) =e–4q.
e) P(q) =e–8q.
2. Considerando o problema anterior é razoável a suposição

de Markov para esse problema?

U3
Seção 3
Processos de Poisson
O processo de Poisson é um caso especial do processo nascimento-morte que
vimos na seção anterior.
3.1 Definição de processos de Poisson e exemplos

Poderíamos de forma mais clara nomear esse processo como processo de
nascimento (ou geração puro), desde que as taxas µi sejam todas nulas.
As taxas de nascimento λi são todas iguais a um valor constante λ.
Dessa forma, o comportamento de um processo de Poisson é governado por
um único parâmetro λ e a estrutura é tal que o índice do estado só pode crescer.
Figura 3.3 – Diagrama de transição para o processo de Poisson
λ λ λ λ
0 1 2 3
O processo de Poisson é geralmente usado como modelo para aquelas situações

em que se faz a contagem do número de ocorrências no tempo dado.
Assim, é usado para representar as chegadas dos clientes a um setor de atendimento.
A matriz de taxas de transição Λ será:
 −λ λ 
 −λ λ 0 
 
 −λ λ 
 
 −λ λ 
 −λ λ 
Λ = 
 . . 
 . . 
 
 0 . . 
 . .
 
 . 

U3
Desde que as aplicações normalmente envolvam a contagem de ocorrências e

a contagem comece normalmente no zero, assumimos que o estado inicial é zero.
As equações diferenciais que determinam os Poj(t) são:
 dp00 (t )
 dt = −λ p00 (t )

 dp
=01 (t )
λ p00 (t ) − λ p01 (t )
 dt

 dp02 (t ) = λ p (t ) − λ p (t )
 dt 01 02

.
 dp (t )
= 0j
λ p0, j −1 (t ) − λ p0 j (t )
 dt
.

A primeira equação diferencial tem como solução:
p00 (t ) = e − λt
Substituindo esse resultado na segunda equação diferencial temos:
dp01 (t )
= λ e − λt − λ p01 (t )
dt
Cuja solução será:
p01 (t ) = λt.e − λt
Esse resultado substituído na terceira equação diferencial dá como solução:
( λt )
2
p02 (t ) = e − λt
2
Continuando esse processo chega-se à equação que expressa a solução geral:
( λt )
j
p0 j (t ) = e − λt para j = 0,1, 2, 3,.........

j!

U3
Essa é a distribuição de Poisson.

Então o conjunto {P00(t), P01(t), P02(t), ..................} dará a distribuição de probabilidade
do estado em um t fixo. Essa distribuição foi identificada como sendo a distribuição
de Poisson.
Em termos do número de ocorrências, diremos que o número de ocorrências no
intervalo fixo de tempo t distribuiu-se segundo Poisson, com parâmetro λt.
Além disso, como a média de uma distribuição de Poisson é igual ao parâmetro
λt, este pode ser interpretado como o número de ocorrências no tempo t.
Exemplo 4
Suponha que você esteja analisando o processo de chegada e saída em uma
balada qualquer.
No local cabem 200 pessoas, elas sempre chegam sozinhas, mas podem sair
em pares ou eventualmente sozinhas, se não tiverem encontrado nenhum par
interessante.
O estado é o número de pessoas no local.
As pessoas chegam à balada e existe uma chegada a cada 3 minutos, em média.

Após ficarem um tempo na balada, se conhecerem alguém interessante deixam o
local em pares. Um par deixa o local da balada a cada 5/3 de minutos, em média.
As pessoas que não conhecem alguém interessante saem do local sozinhas e

isso ocorre a cada 5 minutos, em média.
A partida de um par de pessoas é uma transição simples.
A seguir temos o diagrama de transição, a matriz de transição e as equações

diferenciais que descrevem o estado no instante t.
Figura 3.4 | Diagrama nascimento-morte para o exemplo 4
1/3 1/3 1/3 1/3 1/3 1/3

0 1 2 3 200
1/5 1/5 3/5 1/5 1/5
1/5
3/5

U3
Como chega uma pessoa a cada 3 minutos, temos:
1
λi ,i +1
= =para i 0,1, 2,,.....,199
3
Como sai uma pessoa sozinha a cada 5 minutos, temos:
1
=λi +1,i =para i 0,1, 2,.......199
5
Como a cada 5/3 de minutos parte um par , temos:
3
λi + 2,i
= =para i 0,1, 2,......,198
5
A matriz de transição terá 200 linhas e 200 colunas e apresentará a forma:
 1 1 
− 3 3 
 
 1 8 1 
−
 5 15 3 
 
 3 1 17 1 
−
 5 5 5 3 
 . . . 
 
 . . . 
 . . . 
 
 
 
 
 1 17 1 
 − 
 5 5 3 
 3 1 4
− 
 5 5 5
As equações diferenciais construídas com base na definição da equação de

Chapman-Kolmogorov com os coeficientes i = 0,1,2,3,4,.........,200 ficam:


U3
 dpi 0 (t ) 1 1 3
 dt = − 3 pi 0 (t ) + 5 pi1 (t ) + 5 pi 2 (t )

 dpi1 (t ) = 1 p (t ) − 8 p (t ) + 1 p (t ) + 3 p (t )
 dt 3
i0
15
i1
5
i2
5
i3

 dpij (t ) = 1 p (t ) − 17 p (t ) + 1 p (t ) + 3 p (t ) para 2 ≤ j ≤ 198
 dt 3
i , j −1
15
ij
5
i , j +1
5
i, j +2
.

.

.
 dp (t ) 1 17 1
 i ,199 = pi ,198 (t ) − pi ,199 (t ) + pi ,200 (t )
 dt 3 15 5
 dp (t ) 1 4
 i ,200 = pi ,199 (t ) − pi ,200 (t )
 dt 3 5
Um processo de nascimento-morte é um processo contínuo de Markov em

que somente transições entre estados adjacentes podem acontecer. As transições
ocorrem de acordo com o processo de Poisson. Quando o processo está no
estado n, a taxa de nascimento é λn e a taxa de morte é µn.
Na próxima unidade analisaremos os processos de filas em várias situações. Um

sistema de filas é um processo de nascimento-morte em que:
I. Quando o sistema está no estado n, usuários chegam de acordo com um

processo de Poisson com taxa λn.
II. Tempos de chegada sucessivos são variáveis aleatórias que obedecem

a uma distribuição exponencial. Quando o sistema está no estado n, a variável
aleatória exponencial tem parâmetro λn.
III. Tempos de atendimento são variáveis aleatórias que obedecem à

distribuição exponencial.

U3
A matriz de transição para o processo de nascimento-morte será:
 −λ0 λ0 0 0 0 0 0 . . . 
µ
 1 −( µ1 + λ1 ) λ1 0 0 0 0 . . . 
 0 µ2 −( µ2 + λ2 ) λ2 0 0 0 . . . 
 
 0 0 µ3 −( µ3 + λ3 ) λ3 0 0 . . . 
 . . . . . . . . . 
Λ= .
 . . . . 
 . . . . 
 
 
 
 
 
As probabilidades do estado estacionário são obtidas resolvendo a equação

matricial:
Π.Λ = 0
Π = [ p0 , p1 , p2 ,...., pn ]
Essa equação matricial nos dá o sistema de equações:
−λ0 p0 + µ1 p1 = 0

λ0 p0 − ( µ1 + λ1 ) p1 + µ2 p2 = 0
λ p − ( µ + λ ) p + µ p = 0
 1 1 2 2 2 3 3
λ p
 2 2 − ( µ 3 + λ 3 ) p3 + µ 4 p4 = 0

.
.

.
.

Essas equações são chamadas de equações de balanço, pois elas mostram o
balanço entre as taxas médias de entrada e saída para cada estado. O sistema é
equivalente ao seguinte sistema de equações lineares:

U3
−λ0 p0 + µ1 p1 = 0
 −λ p + µ p = 0
 1 1 2 2
−λ2 p2 + µ3 p3 = 0

−λ3 p3 + µ4 p4 = 0
.

.
Usamos esse sistema para encontrar as probabilidades do estado estacionário

como função de P0.
Isolando os termos e substituindo, obtemos:
λ0
p1 = p0
µ1
λ λλ
p2 = 1 p1 = 0 1 p0
µ2 µ1µ2
λ λ λλ
p3 = 2 p2 = 0 1 2 p0
µ3 µ1µ2 µ3
.
.
.
λ λ λ λ .......λn −1
pn = n −1 pn −1 = 0 1 2 p0
µn µ1µ2 µ3 .......µn
Usando a equação fundamental ou normalização: P0 + P1 + P2 + ........ = 1

determinamos P0.
O que é um processo de Poisson? Pense em situações em

que o processo pode ser caracterizado como um processo
de Poisson. Um processo de fila pode ser caracterizado como
um processo de Poisson?

U3
Leia sobre os processos de Markov em tempo contínuo no link. Disponível

em: <https://pt.wikipedia.org/wiki/Processo_de_Poisson>. Acesso em: 16
ago. 2016. Consulte também o capítulo 20 do livro: WINSTON, Wayne L.
Operations resarch. 4. ed. São Paulo: Thomson Brooks-Cole, 2004.
1. Um processo de nascimento-morte finito é definido

conforme a figura a seguir.
Diagrama de transição do exercício 1
5 4 2
0 1 2 3
4 5 10
O valor de P0 será:
a) 0.0501.
b) 0.2898.
c) 0.7356.
d) 0.2198.
e) 0.3987.
2. Considerando o enunciado do exercício anterior, a

probabilidade P3 será de:
a) 0.0579.
b) 0.0987.
c) 0.7432.
d) 0.9913.
e) 0.1379.

U3
Você aprendeu sobre processos de Markov em tempo contínuo,

em particular os processos de nascimento-morte e processos de
Poisson. Vários exemplos foram considerados envolvendo esses
processos.
Na Unidade 3 foram apresentadas as características básicas de

alguns processos de Markov muito especiais. Tais processos
serão usados na unidade seguinte quando estudarmos a teoria
das filas.
1. Considere um processo nascimento-morte em que

λi = 20, i = 0, 1, 2, 3..... e µi = 25 i =1, 2, 3, .... . A probabilidade
estacionária para o estado 3 será de:
a) 0.2
12
b)
35
64
c)
625
32
d)
525
64
e)
325

U3
2. Considere um processo de nascimento-morte em que

λi = 10, e i = 0, 1, 2, 3,.... e µi = 20i, i = 1, 2, 3,.... . A probabilidade
estacionária para o estado 3 será de:
1 −1/ 2
a) p3 = e
8.3!
1 −3/ 2
b) p3 = e
8.4 !
1 −5/ 3
c) p3 = e
6.3!
1 −9 /10
d) p3 = e
3.4 !
1 −8/13
e) p3 = e
2.5!
3. Um sistema de filas com capacidade máxima de três

usuários pode ser modelado como um processo de
nascimento-morte conforme a figura a seguir.
Diagrama de transição exercício 3
6 4 2
0 1 2 3
2 5 10
Então, o número médio de usuários no sistema de fila será:
a) 2,456.
b) 5,895.
c) 8,345.
d) 0,348.
e) 1,343.

U3
4. Os usuários chegam a um sistema de filas com um

número infinito de posições de espera e um único servidor.
Supomos processo de Poisson para as chegadas e tempos
de serviços exponenciais com λ = 10 e µ = 11. Esse sistema
pode ser modelado como um processo nascimento-morte.
A probabilidade de que não tenhamos nenhum usuário no
sistema será:
a) 1/10.
b) 1/11.
c) 3/8.
d) 2/5.
e) 4/13.
5. Considere um processo nascimento-morte com a seguinte
matriz das taxas de transição:
 −λ0 λ0 0 
Λ =  µ1 − µ1 − λ1 λ1 
 0 µ2 − µ2 
Usando a equação de Chapman-Kolmogorov podemos

determinar P01(t):
− ( λ0 + λ1 + µ1 ) t
a) p01 (t ) = e
λ1
b) p01 (t ) = e − λ0t
λ1 + µ1
c) p01 (t ) = e − )λ0 + λ1 + µ1)t

) 1)
) 1)
d) p01 (t ) = − e − )λ0 + λ1 + µ1)t

1 1
µ1
e) p01 (t ) = e − λ0t
λ0 + λ1 + µ1

U3

U3
Referências

2004.

Unidade 4
Teoria da renovação e
aplicações à teoria das filas
Fernando Mori
Nesta unidade estudaremos a definição da teoria da renovação e como
aplicá-la a sistemas de filas, de modo a usar a teoria das cadeias de Markov
para obter modelos de filas que permitem realizar previsões de maneira
bastante simples.
Seção 1 | Teoria da renovação

Nesta seção estudaremos de forma simplificada a teoria da renovação
com alguns exemplos de aplicação.
Seção 2 | Teoria das filas e aplicações

Apresentaremos nesta seção a aplicação da teoria da renovação aos
processos de filas. Usaremos os fundamentos das cadeias de Markov para
obter resultados de modelos de filas que podem ser aplicados em várias
situações de interesse a engenheiros ou gestores/administradores.
U4
124 Teoria da renovação e aplicações à teoria das filas

U4
Trataremos das aplicações da teoria dos processos estocásticos a modelos de

filas. Com isso, construiremos um modelo de filas simples que nos permitirá obter
previsões para um número muito grande de situações reais.
Teoria da renovação e aplicações à teoria das filas 125

U4

U4
Seção 1
Teoria da renovação
Nesta seção aprenderemos sobre a definição matemática da teoria da renovação
e algumas aplicações.
1.1 Definição formal

Definição 1: um processo estocástico {N(t), t ≥ 0} é chamado de um processo
de contagem se N(t) representa o número total de eventos que ocorreram até o
instante t.
Se X1. X2, ... forem os intervalos de tempo entre os eventos (chegadas), e
Sn = X1 + .... + Xn o instante do enésimo evento.
Essa definição implica que:
I. N(t) ≥ 0.
II. N(t) é um número inteiro.
III. se s < t, então N(s) ≤ N(t).
IV. Para s < t, N(t) – N(s) é o número de eventos em [s, t].
Definição 2: um processo de contagem {N(t), t ≥ 0} com intervalos de tempo

entre chegadas identicamente distribuídas é chamado de um processo de renovação.
Se X1, X2, .... forem tempos entre chegadas com uma distribuição comum F:
µ = E [ X n ], n ≥ 1
O modelo básico dá origem a vários processos aleatórios que são inter-relacionados:

a sequência de tempos de chegadas, a sequência de tempos entre chegadas e o
processo de contagem. Todos estes podem ser considerados como processos de
renovação.

U4
Tempos entre chegadas: seja X1 o instante da primeira chegada e Xi o tempo entre

a chegada (i – 1) e a chegada i. Nossa hipótese básica é que a sequência dos tempos
entre chegadas X = (X1, X2, .....) é independente e identicamente distribuída de variáveis
aleatórias. Seja u = E [X] a média dos intervalos de tempo entre chegadas, também
chamada em estatística de Esperança Matemática; seja ainda F a função de distribuição
dos intervalos de tempo entre chegadas, tal que:
F ( x) = P( X ≤ x)
A função de distribuição F é de fundamental importância para o estudo do processo

de renovação.
Tempos de chegadas: seja
n
Tn = Σ X i , n∈ N
i =1
A sequência T = (T0, T1, ....) é nomeada de processos de tempo de chegadas.

Chamamos esse processo de um processo de renovação porque ele começa
novamente, independentemente do passado, em cada instante de chegada.
Figura 4.1 | Diagrama de tempos de chegada
X1 X2 X3 X4
t
0 T1 T2 T3 T4
A sequência T é a soma parcial dos processos associada com a sequência

identicamente distribuída e independente dos tempos entre chegadas.
Processo de contagem: Para T ≥ 0, seja Nt o número de chegadas no intervalo [0,t]
∞
N t = Σ 1(Tn ≤ t )
n =1
O processo aleatório N = (N, : t ≥ 0) como sendo o processo de contagem. O

processo é uma função degrau para valores distintos (T1,T2, ....), o tamanho de um
degrau em um instante de chegada é o número de chegadas naquele instante.

U4
Figura 4.2 | Diagrama do processo de contagem
O processo de Poisson é o mais importante de todos os processos de renovação.

O processo de contagem {N(t), t ≥ 0} é chamado um processo de Poisson com
taxa λ, se X1, X2, .... são independentes e têm em comum a distribuição exponencial:

P ( X n ≤ x ) = − e−λ x , ≥
Os tempos entre chagadas obedecem a uma distribuição exponencial com
parâmetro r. O tempo médio entre chegadas é λ = 1/r. A distribuição exponencial é
a única com a propriedade de ausência de memória. O processo de contagem tem
incrementos independentes e estacionários e Nt tem a distribuição de Poisson com
parâmetro rt para t ∈ [ 0 ,∞ ].
Exemplo: suponha que temos um processo de renovação cujo valor médio da
função é dado por m(t) = 2t, qual a distribuição do número de renovações ocorrendo
no instante 10?
Solução: desde que m(t) = 2t é o valor médio de uma função de um processo
de Poisson com taxa 2, segue que N(10) tem uma distribuição de Poisson com
parâmetro 20:

20n
P { N (10) = n} e −20 ,n 0
n!

U4
O que seria um processo de renovação? Um processo de filas

é um processo de renovação?
A teoria da renovação é um assunto difícil. Para se ter ideia do que é

tratado hoje nessa teoria consulte o link indicado. Disponível em: <https://
en.wikipedia.org/wiki/Renewal_theory>. Acesso em: 24 ago. 2016. Leia
também o capítulo 15 do livro: TAHA, Hamdy A. Pesquisa operacional.
8. ed. São Paulo: Pearson-Prentice Hall, 2008.
1. Consideremos um caixa de banco ao qual os clientes chegam

de acordo com um processo de Poisson λ. Um usuário entra
no banco se o caixa estiver disponível. Em caso contrário, o
usuário vai embora. O tempo de serviço tem distribuição G.
a) Qual é a taxa com que os usuários entram no banco?

b).Quais proporções de usuários em potencial entram
realmente no banco?
2. Dos processos a seguir, assinale aquele que pode ser

classificado como processo de renovação.
a) Processo de nascimento de plantas em uma floresta.

b) Tempos de vida das lâmpadas.
c).Transição do estado em que uma máquina que está
funcionando pare de funcionar.
d) Otimização do estoque de uma empresa.
e) Número de falhas de componentes.

U4
Seção 2
Teoria das filas e aplicações

Trataremos da aplicação dos modelos de Markov à criação de um modelo de filas
que nos permite obter resultados importantes com base em cálculos simples.
2.1 Definição de processos de filas

Um processo de filas pode ser definido esquematicamente com alguns elementos,
conforme Figura 4.3.
Figura 4.3 – Modelo de um sistema de filas
Fonte de Clientes Sistema de Clientes

chegadas Fila  serviço Servidos Partidas
Sistema de filas
Um modelo ou sistema de filas pode ser descrito da seguinte maneira: usuários

chegam para receber um certo serviço e em virtude da indisponibilidade de
atendimento imediato formam uma fila de espera. Os termos usuários e serviço são
usados em sentido amplo, podemos estar nos referindo a veículos que chegam a um
posto de pedágio, máquinas que esperam para serem consertadas, peças que seguem
em uma linha de montagem ou mensagens que são transmitidas pelos canais de
comunicação. Uma rede de filas é formada por várias filas que se interconectam entre
si, de modo que o usuário ao sair de uma fila pode dirigir-se a outra. Nas redes abertas
há fluxo de fregueses entrando e saindo do sistema. Por outro lado, há redes fechadas
nas quais o número de usuários permanece inalterado, ou seja, não há movimentação
de usuários para dentro ou fora do sistema. Um serviço de manutenção de máquinas
pode ser visto como uma rede fechada em que M máquinas se alternam entre os
centros de manutenção e de operação.

U4
Os elementos de um sistema de filas são:
Padrões de chegada
O padrão de chegada dos clientes é especificado pelo intervalo de tempo entre
chegadas consecutivas de clientes ao local de prestação de serviços.
Padrões de serviço
O padrão de serviço é específico pelo tempo de serviço, tempo necessário para
um atendimento do cliente.
Capacidade do sistema
A capacidade do sistema é o número máximo de clientes (incluindo tanto os que
estão sendo atendidos como os que aguardam na fila de espera) permitidos no local
de prestação de serviços ao mesmo tempo.
Um sistema que não tenha limite no número permitido de clientes dentro do
estabelecimento tem uma capacidade infinita, um sistema com um limite tem
capacidade finita.
Disciplina das filas de espera

A disciplina da fila é a ordem pela qual os clientes são atendidos, e pode ser:
PCPS: primeiro a chegar, primeiro a sair.
UCPS: último a chegar, primeiro a sair.
SOA: serviço em ordem aleatória.
SPSA: sistema por prioridade.
Notação de Kendall:
Para o estudo de teoria das filas devemos analisar seis fatores:
(a / b / c) : (d / e / f )
a: como são as chegadas ou distribuição de chegadas.
b: tempo de atendimento.
c: número de atendentes.
d: disciplina de atendimento.
e: espaço para espera.
f: população que usa o sistema.

U4
As características de operação dos sistemas de filas são determinadas por duas

propriedades estatísticas: a distribuição de probabilidade dos tempos entre chegadas
e a distribuição de probabilidades dos tempos de serviço. Para sistemas de filas
reais, essas distribuições podem assumir praticamente qualquer forma (só não
podem ocorrer valores negativos). Entretanto, para a formulação de um modelo de
teoria das filas como representação de um sistema real, é necessário especificar a
forma assumida de cada uma dessas distribuições. Para ser útil, a forma assumida
deveria ser suficientemente realista para que o modelo forneça previsões razoáveis,
enquanto, ao mesmo tempo, fosse suficientemente simples para que o modelo seja
matematicamente tratável. Assim, a distribuição de probabilidades mais importante na
teoria das filas é a distribuição exponencial.
Suponhamos que a variável aleatória T represente o tempo entre chegadas ou o

tempo de serviço. Quais são as implicações de supormos que T tenha uma distribuição
exponencial para um modelo de filas? Para analisar isso precisamos discutir cinco
propriedades-chave da distribuição exponencial.
1) A função de distribuição de probabilidade é estritamente crescente. Uma

consequência dessa propriedade é que:
P ( 0 ≤ T ≤ ∆t ) > P ( t ≤ T ≤ t + ∆ t )
Para quaisquer valores estritamente positivos de ∆t e t. Isto decorre do fato de que

essas probabilidades são a área sob a curva fT (t ) dentro do intervalo de comprimento
∆t indicado, e de que a altura média da curva é menor para a segunda probabilidade
do que para a primeira.
2) Falta de memória
Essa propriedade pode ser definida matematicamente como:
P (T > t + ∆t / T > ∆t )

A distribuição de probabilidade do tempo restante até a próxima chegada ou
conclusão do serviço é sempre a mesma, independentemente de quanto tempo ∆t
já tenha se passado. Com efeito, o processo esquece sua história e esse fenômeno
ocorre com a distribuição exponencial, pois:
P (T > ∆t , T > t + ∆t ) P (T > t + ∆t ) e −α (t +∆t )

P (T > t + ∆t / T > ∆t ) = = = −α∆t = e −α t
P (T > ∆t) P (T > ∆t ) e
Para tempos entre chegadas, essa propriedade descreve a situação comum em
que o tempo até a chegada seguinte não é influenciado por quando tenha ocorrido a
última chegada.

U4
3) O mínimo de diversas variáveis aleatórias independentes exponenciais tem

uma distribuição exponencial.
4) Relação com a distribuição de Poisson.

Supor que o tempo entre ocorrências consecutivas de algum tipo de incidente
particular (por exemplo, chegadas ou conclusão de serviços por um servidor
continuamente ocupado) tenha uma distribuição exponencial com parâmetro α.
A propriedade tem a ver com a implicação resultante quanto à distribuição de
probabilidade do número de vezes em que esse tipo de incidente ocorre dentro de
um espaço de tempo específico. Em particular, fazendo que X(t) seja o número de
ocorrências no tempo t (t > 0), em que o tempo 0 indica o instante em que se começa
a contar. Temos que:
(a t )
n
e −a t
P ( X (t ) = n ) = , para n = 0,1, 2,...
n!
Isto é, X(t) tem uma distribuição de Poisson com parâmetro αt. Por exemplo, com
n = 0,
P ( X (t ) − 0 ) = e −a t
O qual é exatamente a probabilidade da distribuição exponencial de que o primeiro

incidente ocorra depois do tempo t. A média dessa distribuição de Poisson é:
E ( X (t ) ) = a t
De modo que o número esperado de incidentes por tempo unitário é α. Assim,

dizemos ser a taxa média com a qual os incidentes ocorrem. Quando os incidentes
são contados em uma base contínua, o processo de contagem {X(t) / t > o} é chamado
de processo de Poisson com parâmetro α (a taxa média).
5) Para todos os valores positivos de t, P(T ≤ t + ∆t / T > t) ≈ ∆t para ∆t pequeno.
Conforme já foi dito anteriormente, T pode representar tanto tempos entre
chegadas quanto tempos de serviços nos modelos de filas. Por isso, essa propriedade
oferece uma aproximação conveniente da probabilidade de que o incidente em
questão (chegada ou conclusão do serviço) ocorra no intervalo ∆t de tempo pequeno
seguinte. A propriedade também mostra que essa probabilidade é essencialmente
proporcional a ∆t para valores pequenos de ∆t.

U4
2.2 Filas Markovianas

Os modelos discutidos a seguir são modelos Markovianos de filas.
1) Modelos com um único servidor: (M / M / 1) (PCPS / ∞ / ∞)
2) Modelos com S servidores: (M / M / S) (PCPS / ∞ / ∞)
2.2.1 Modelo (M / M / 1) (PCPS / ∞ / ∞)

Este é o modelo de filas mais simples e tem as seguintes características:
• Tamanho permitido para a fila infinito.
• Chegadas seguindo a distribuição de Poisson.
• Duração de serviços seguindo a distribuição exponencial.
• Fila única com disciplina de atendimento FIFO.
• Uma estação de serviço.
Figura 4.4 | Modelo de sistema de filas com um servidor
Chegadas Poisson Sala de espera infinita Serviço Partidas

Exponencial
− ∝t
Sejam A(t ) = 1 − e e B (t ) = 1 − e as distribuições do intervalo entre chegadas e
− λt
de duração do serviço, respectivamente. Os parâmetros λ e µ são referidos como taxas

indicando o número médio de usuários que chegam ou são servidos por unidade de
tempo.
Denotando por N(t) o número de usuários no sistema no instante t, pode-se
demonstrar que {N(t); t ≥ 0} é um processo de Markov em tempo contínuo com o
espaço de estados, sendo os inteiros não negativos.
O tempo de espera para fazer uma transição só depende do estado presente
e, se o sistema contém pelo menos um usuário, terá distribuição exponencial com
parâmetro (λ + µ) correspondente ao mínimo entre duas exponenciais independentes
(serviço e chegadas). No caso de não haver nenhum usuário no sistema, o tempo para
uma transição terá distribuição exponencial de parâmetro λ.

U4
O processo de Markov N(t) é de fato um processo de nascimento-morte com taxas

independentes do estado do sistema. Para n > 0, a transição do estado n a n+1 se dá
com taxa λ e entre n e n – 1 com taxa µ. Quando n = 0, só pode haver chegadas.
Assim, chegadas correspondem a nascimentos e o fim do serviço a uma morte. A
Figura 4.5 apresenta um diagrama com taxas de mudança de processo.
Figura 4.5 | Processo nascimento-morte
λ0 λ1 λ2 λn- 1 λn λn + 1
0 1 2 ..... n n+1 .....
µ1 µ2 µ0 µn µn + 1 µ
A condição básica para que um sistema de filas seja estável é que a taxa de chegada
λ
seja menor do que a taxa de serviço, ou seja, tem que ser menor que 1. Essa fração
µ
será denominada de fator de utilização da fila e será denotado por ρ.
Seja Pn(t) = P(N(t) = n) a distribuição de probabilidade do número no sistema no
instante t; sua respectiva distribuição estacionária será Pn.
Vamos escrever as equações de equilíbrio do sistema usando o procedimento
conhecido como balanço de fluxo e, com base nelas, obter a distribuição estacionária.
Definimos o fluxo como o produto da probabilidade estacionária pela taxa de
transição. Vamos admitir que em regime estacionário o sistema permanece uma fração
do tempo Pn no estado n. Dessa maneira, se chegam λ usuários por unidade de tempo,
a taxa de fluxo médio que entra em n + 1 proveniente do estado n é λPn. Se condições
de equilíbrio existem, então para cada estado e fluxo que sai deve ser igual ao fluxo que
entra nesse estado. Para determinar o total que sai do estado n, notamos que o sistema
vai a n + 1 se uma chegada ocorre e a n – 1 se acontece o fim do serviço. O fluxo total
que entra no estado n vem a partir de n + 1 com um fim de serviço ou, então, a partir de
n – 1 pela ocorrência de uma chegada, enquanto o fluxo que entra vem do estado 1 por
causa do fim do serviço. As equações de balanço são as seguintes:
λ Pn + µ Pn = µ Pn +1 + λ Pn −1
λ P0 = µ P1
Esse sistema de equações é chamado de equações de balanço global e será

resolvido por indução matemática.

U4
Resolvendo as equações para n = 0,1,2,3,.... temos:
λ
P1 = P0
µ
λ
P2 = 2 P0
µ
λ
P3 = 3P0
µ
λ
Pk = kP0
µ
Então:
n n −1
λ λ
(λ + µ )   P0 = µ Pn +1 + λ   P0
µ µ
Temos:
n +1
λ
Pn +1 =   P0 → Pn +1 = ρ n +1 P0
µ
Utilizando a condição de que a soma das probabilidades estacionárias seja igual a

1, calculamos P0:
n
∞ ∞
λ ∞
1
Σ Pn = 1 → Σ   0
n =0  µ 
P = 1 → Σ ρ n P0 = 1 → P0 = ∞
n =0 n =0
Σρ
n =0
n
A soma realizada é a série geométrica de razão ρ que converge se |ρ| < 1. Como
λ e µ são estritamente positivos, essa condição equivale a 0 < ρ < 1. Note que nessa
condição a taxa média de serviço por unidade de tempo é maior do que a taxa média
que os fregueses estão chegando. Portanto, independentemente do quanto crescer a
fila, se esvazia de tempos em tempos e o processo de Markov será recorrente positivo
com uma única distribuição de equilíbrio. Efetuando a soma da série anterior ficamos
com:
Pn ρ n (1 − ρ )
=

U4
Com base nos cálculos dos valores esperados obtemos:

a) Pn é a probabilidade de termos v clientes no sistema.
Pn ρ n (1 − ρ ) = ρ n P0
=

b) E(Ls)é o número médio de clientes no sistema.
λ
Ls =
µ −λ

c) E ( L f ) é o número médio na fila.

λ2
Lf =
(µ − λ )µ
d) E(Ws) é o tempo médio no sistema.

1
Ws =
µ −λ
e) E (W f ) é o tempo médio na fila.

λ
Wf =
(µ − λ )µ
Exemplos
1) Suponhamos que o tráfego de 1.500 veículos/hora que se aproxima de um
túnel divide-se igualmente para passar pelos postos de pedágio (existem três) que estão
na entrada do túnel. Cada posto tem uma capacidade de serviço máxima de 600
veículos/hora. Nessas condições, ou seja, quando o fluxo é igualmente dividido entre
os três postos de atendimento, podemos considerar cada posto como uma única
estação de serviço. Sob a suposição de que as chegadas seguem a lei de Poisson e os
tempos de serviços a lei exponencial, ache para um único posto (WINSTON, 2004):
a) Qual é a probabilidade do atendente estar ocioso?
b) Qual é a probabilidade de ter fila?
c) Qual é o número médio de clientes no sistema?
d) Qual é o número médio de clientes na fila?
e) Qual é o tempo médio gasto por um veículo para deixar o sistema?
f) Qual é o tempo médio gasto por um veículo na fila?

U4
Para um único posto temos λ = 500 ve/hora

Taxa média de atendimento µ = 600 ve/hora
λ 500
ρ= = = 0,833
µ 600
a) A probabilidade do atendente estar ocioso é:
P0 = 1 – ρ = 1 – 0,833 = 0,167
b) A probabilidade de ter fila = 1 – probabilidade de não ter fila.
Não temos fila quando temos apenas 1 ou 0 clientes no sistema.
P1 = ρ1 (1 – ρ) = 0,139
P0 = 0,167
P(fila) = 1 – [ 0,167 + 0,139] = 0694
c)
c) Número
n˙ mero mÈdio médiononosistema sistema:
c) n˙ mero λmÈdio no500 sistema
E ( Ls ) = = =5
c) n˙ mero λ 500
mÈdio no sistema
E ( Ls ) = µ − λ = 600 − 500 = 5
d)
c) n˙ mero
meroµ λ−mÈdio
λ 600 na500−
fila500
E (n˙
d) Ls ) = mÈdio
Número = nona
médio sistema
fila: = 5
d) n˙ mero µ λ−mÈdio
λλ2 600 na500fila
− 5005002
E ( Lsf ))== 2= = =5 = 4,17
d) n˙ mero λ )na fila
mÈdio 5002− 500)
E ( L f ) = µµ−( µλ − λ600 =− 600500 (600 = 4,17
d) n˙ mero
e) temp o µmÈdio
µλ −2 λgasto
(mÈdio 600
)na fila no(600500−2 500)
sistema
E(Lf ) = = = 4,17
e) tempo µmÈdio (1µλ 2− λgasto
) 600 1no(sistema
600
5002− 500)
E (W
e) L fs ) = médio
Tempo = gasto
= 1 no sistema: = 0, 01h = 36 4,17segundos
e) temp
E (W ) = (1−µλ− =λgasto
o µmÈdio )600600 −no500sistema
(600 = −0,500
01h) = 36 segundos
s
f)
e) tempo
temp
E (W o µmÈdio
1 λ gasto
− na600 500
fila−1no sistema
= 0, 01h = 36 segundos
s) = =
f) tempo µ mÈdio
−
1λ λ na fila
600 1− 500 500
E (Wsf ))== = = = 0, 01h = = 360,,segu h = 29, 8 segundos
ndos
0083
f)
E (tempo µ−( µλλ− λ
W f ) = µmÈdio na) =fila−
600 600500 500
(600 − 500) = 0,, 0083h = 29, 8 segundos
f) Tempoµmédio ( µλ− λna)na fila600(600
fila. 500− 500)
f) tempo mÈdio
E (W f ) = = = 0,, 0083h = 29, 8 segundos
µ ( µλ− λ ) 600(600 500− 500)
E (W f ) = = = 0,, 0083h = 29, 8 segundos
µ ( µ − λ ) 600(600 − 500)
2) A seção masculina de uma grande loja emprega um alfaiate para consertar

roupas compradas pelos clientes. O número de clientes cujas roupas necessitam de
consertos segue uma distribuição de Poisson com uma taxa média de chegada de
24 por hora. Os clientes são atendidos por ordem de chegada, estando dispostos a
esperar pelo atendimento do alfaiate, já que os consertos são gratuitos. O tempo gasto
para atender um cliente é exponencialmente distribuído com média de 2 minutos
(WINSTON, 2004):

U4
a) Qual é o número médio de clientes na sala de consertos?

b) Quanto tempo deve um cliente esperar gastar na sala de consertos?
c) Qual a porcentagem de tempo livre do alfaiate?
Esse é um sistema M/M/1

taxa de chegada λ = 24 clientes/hora
1 cliente
taxa de atendimento µ = 0,5 clientes/minuto
2 minutos
a base de tempo deve ser a mesma, por isso, devemos converter minuto para hora.
0.5 clientes
µ = 30 clientes/hora
1 hora
60
a) Número médio no sistema:

λ 24
E(Ls) = = = 4 clientes
µ–λ 30 – 24
b) Tempo de espera:
1 1
E(Ws) = = = 1 h = 10 minutos
µ–λ 30 – 24 6
c) O alfaiate estará livre se não houve ninguém no sistema:

λ
P0 = 1 – = 1 – 0,8 = 0,2
µ
O alfaiate estará livre em 20% do tempo.
2.2.2 Modelo (M/M/s)(PCPS/∞/∞)
Este é um modelo de filas com s atendentes em que a fila é infinita e a população

de origem dos usuários também é infinita.
1) λ é a taxa média de chegada → (número de clientes por unidade de tempo).
2) µ é a taxa média de atendimento por atendente → (número de clientes ou
unidades por unidade de tempo).
3) µt é o tempo médio de atendimento → (unidade de tempo por número de

U4
clientes ou unidades).
1
µt =
µ
4) S ≥ 2 é o número de atendentes.
λ
5) Definindo: ρ = , então chamamos de fator de utilização da fila a quantidade:
µ
λ
γ=
Sµ
6) P0 é a probabilidade de não ter ninguém no sistema:

1
P0 =
 S −1  n  ρs  1  
ρ

Σ 
 n!
+
  S!
 .
  1− γ 
 
 n =0    
7) Pn é probabilidade de ter n clientes ou unidades no sistema.
 ρn 
Pn =   .P0 ⇒ n ″ S
 n! 
 
Pn = γ (
n−s)  ρ 
.   .P0 ⇒ n ≥ S
 S! 
8) L f é o número médio na fila:
ρ S µλ P0
Lf =
( S − 1)!( S .µ − λ ) 2 
9) LS é o número médio no sistema: L=

S Lf + ρ
LS
10) WS é o tempo médio gasto por um cliente no sistema: WS =
λ
Lf
11) W f é o tempo médio gasto por um cliente na fila: W f =
λ
Exemplos
1) Suponhamos que o tráfego de 1.500 veículos/hora se aproxima de um túnel

no qual temos três postos de pedágio em que cada um deles atende em média 600
veículos/hora. Sabendo que as chegadas seguem a lei de Poisson e os tempos de
serviço a lei exponencial, calcular (WINSTON, 2004):
a) a probabilidade de ocorrer ociosidade total?

U4
b) A probabilidade de ter fila.

c) O número médio de veículos na fila.
d) O número médio de veículos no sistema.
e) O tempo médio gasto por veículo na fila.
f) O tempo médio no sistema.
λ = 1500 veículos/hora
µ = 600 veículos/hora
λ 1500
ρ= = = 2,5
µ 600
S=3
λ 1500
γ= = = 0,833
S.µ 3.(600)
a) A probabilidade de não ter ninguém no sistema:
P0 = 1 = 1
Σ
S–1
ρn ρs 1 (2,5)0 (2,5)1 (2,5)2 (2,5)3 1
+ . + + +
n! S! 1–γ 0! 1! 2! 3! 1 – 0,833
n–0
P0 = 0,0449
b) Probabilidade de ter fila:
P(fila) = 1 – (P0 + P1 + P2 + P3)

ρn
Pn = P
n! 0
P0 = 0,0449
2,51
P1 = . 0,0449 = 0,1124
1!
(2,5)2
P2 = . 0,0449 = 0,1404
2!
(2,5)3
P3 = . 0,0449 = 0,1170
3!
P(fila) = 1 – (0,0449 + 0,1124 + 0,1404 + 0,1170) = 0,5853

U4
c) Número médio de veiculos na fila:
ρs µ λ P0 (2,5)3 . 600 . 1500.0,0449

E(Lf) = = = 3,5078 veículos
(S – 1) ! (Sµ – λ)2
2!(1800 – 1500) 2
d) Número médio de veículos no sistema:
E(Ls) = E(Lf) + ρ
E(Ls) = 3,5078 + 2,5 = 6,0078 veículos
e) Tempo médio na fila:
E(Lf) 3,5078
E(Wf) = = = 0,0023h = 8,4188 segundos
λ 1500
f) Tempo médio no sistema:
E(Ls) 6,0078
E(Ws) = = = 0,0040h = 14,418 segundos
λ 1500
2) O departamento de estradas tem três equipes que são chamadas

constantemente e cujo trabalho é analisar as condições das estradas nas
proximidades de cada acidente fatal. As equipes são igualmente eficientes,
cada uma trabalha em média dois dias para investigar um acidente e produzir o
respectivo relatório, sendo o tempo exponencialmente distribuído. O número de
acidentes fatais nas estradas segue um processo de Poisson com uma taxa média
de 300 por ano. Determine:
a) Qual é o intervalo de tempo entre um acidente fatal e o início de sua

investigação?
b) Quanto tempo é gasto, em média, para o departamento completar seu

trabalho após a ocorrência de um acidente?

U4
300 acidentes
λ=
1 ano
1 relatório 1 relatório
µ= = = 182.5 relatório/ano
2 dias 1
ano
365
C =3
λ 300
ρ= = = 1.644
µ 182.5
λ 300
γ= = = 0.548
cµ 3(182.5)
1
P0 = = 0.1775
(1.644)1 (1.644)2 (1.644)3 1
1+ + +
1! 2! 3! (1 – 0.548)
a) Tempo médio na fila:
Lf
Wf =
λ
(1.644)3 (182.5)300(0.1775)
Lf = = 0.35244
(3 − 1)!(3(182.5) − 300) 2 
0.35244
=Wf = 0.0011748(365)(24) = 10.29h
300
b) Tempo gasto no sistema:
Ls
Ws =
λ
L=
s L
= f +ρ 0.35244 + 1.644 = 1.9964
1.9964
Ws
= = 0.006654(365)(24) = 58.29h
300
3) Um setor de atendimento está considerando as seguintes opções para

melhorar o atendimento às pessoas: Opção 1: temos três atendentes que realizam

U4
o atendimento a partir de uma única fila. Cada atendente preenche o formulário na

frente da pessoa. O tempo médio do processamento dessa atividade é 10 minutos,
sendo que o tempo entre chegadas obedece a uma distribuição exponencial; Opção
2: cada pessoa preenche seu formulário sem a ajuda do atendente. O tempo que as
pessoas levam na execução dessa tarefa é exponencialmente distribuído com média
de 8 minutos. Quando a pessoa preencheu seu formulário ela se junta a uma fila e
espera por um dos atendentes conferir seu formulário. O atendente leva uma média
de 3 minutos (exponencialmente distribuídos) para realizar essa tarefa. O tempo entre
chegadas das pessoas obedece a uma distribuição exponencial com média de 3,8
pessoas por hora. Qual opção permite que as pessoas gastem o menor tempo possível
no setor?
Opção 1:
1 pessoa 1
µ= = = 6 pessoas/hora
10 minutos 10 1
60
λ = 3.8 pessoas/hora
3.8
ρ= = 0.633
6
3.8
γ= = 0.2111
3(6)
1
P0 = = 0.5083
(0.633)  (0.633)3  
2
1 
1 + 0.633 + +  
2!  3!   1 − 0.2111 
Tempo médio no sistema:

Ls
Ws =
λ
L=
s L f +ρ
(0.633)3 6(3.8)(0.5083)
Lf = = 0.00728
 2 !(3(6) − 3.8) 2 
=Ls 0.00728 + 0.633 = 0.64028
0.64028
=Ws = 0.1684h = 10.109 min
3.8

U4
Opção 2:
pessoas
λ = 3.8
hora
1 pessoa 1
µ= = = 20 pessoas/hora
3 minutos 3 1
60
λ 3.8
ρ= = = 0.19
µ 20
3.8
γ= = 0.0633
3(20)
1
P0 = = 0.8052
(0.19)  (0.19)3  
2
1 
1 + 0.19 + +  
2!  6   1 − 0.0633 
(0.19)3 20(3.8)(0.8052)
Lf = = 0.00006644
 2 !(3(20) − 3.8) 2 
Ls = L f + ρ = 0.19 + 0.00006644 = 0.19006644
Ls 0.19006644
Ws = = = 0.05001h = 3.001 min
λ 3.8
t = 8 + 3.001 = 11.0
001
A opção 1 é melhor.
Como você usaria a teoria das filas no seu dia a dia?

Você consegue imaginar aplicações dos modelos aqui
desenvolvidos em seu trabalho? Como você poderia melhorar
alguma fila que já existe usando o que aprendeu até aqui?

U4
Recomendamos o link para você assimilar um pouco mais sobre a teoria

das filas e também as referências que lá se encontram. Disponível em:
<https://pt.wikipedia.org/wiki/Teoria_das_filas>. Acesso em: 12 set. 2016.
Consulte, ainda, o capítulo 17 do livro: WINSTON, Wayne L. Operations
research. 4. ed. São Paulo: Thomson Brooks-Cole, 2004.
1. Uma empresa A que vende máquinas oferece um serviço

de consultoria com um engenheiro especializado. Em
uma operação normal, 2,5 clientes chegam a cada hora. O
engenheiro fornece recomendações sobre os equipamentos
e leva um tempo médio de 10 minutos por cliente. Todos os
tempos obedecem às distribuições exponenciais.
a) O gerente quer que o cliente não espere mais do que 5

minutos pelo atendimento. Essa meta será alcançada?
b) Se o engenheiro diminuir o tempo médio de atendimento
por cliente para 8 minutos, essa meta será alcançada?
2. Com referência ao enunciado da questão 1, a empresa quer

analisar duas alternativas:
I. Usar um engenheiro com tempo médio de 8 minutos por

cliente.
II. Usar dois engenheiros, cada um gastando tempo médio de
serviço de 10 minutos por cliente.
Se a empresa paga ao engenheiro $16,00 por hora e o tempo
esperado antes do atendimento implica um custo estimado de
$25,00 por hora, deve a empresa usar dois engenheiros?

U4
Nesta unidade tratamos da definição da teoria da renovação e da

obtenção de uma formulação para os modelos de filas. Analisamos
algumas aplicações dos modelos de filas a situações simples.
Estudamos os elementos básicos de teoria das filas. Em disciplinas

posteriores você aprenderá a tratar modelos de filas usando
outras técnicas mais gerais, como a simulação de Monte Carlo.
1. Em uma cabine telefônica as chegadas das pessoas que

fazem ligações obedecem a uma distribuição exponencial
com média de 6 chegadas por hora. A duração do telefonema
obedece a uma distribuição exponencial com taxa média de
serviço de 3 minutos. Determine a probabilidade de uma
pessoa chegar à cabine e ter de esperar (TAHA, 2008).
a) 9%.
b) 17%.
c) 4%.
d) 34%.
e) 28%.
2. Uma rede partilha uma impressora. As requisições chegam

a uma taxa média de 2 por minuto, conforme um processo
de Poisson. A impressora imprime 10 páginas por minuto e

U4
o número médio de páginas por requisição é quatro. Existe

um tempo de 3 segundos de intervalo entre o fim de uma
impressão e o início da próxima. O tempo de serviço obedece
a uma distribuição exponencial. Determine a porcentagem de
tempo que a impressora está disponível.
a) 90%.
b) 10%.
c) 50%.
d) 35%.
e) 70%.
3. Uma empresa A que vende máquinas oferece um serviço

de consultoria com um engenheiro especializado. Em
uma operação normal, 2,5 clientes chegam a cada hora. O
engenheiro fornece recomendações sobre os equipamentos
e leva um tempo médio de 10 minutos por cliente. Todos os
tempos obedecem às distribuições exponenciais. Determine
o tempo médio que o cliente espera para ser atendido.
a) 9,12 min.
b) 12,45 min.
c) 45 min.
d) 7,14 min.
e) 29,1 min.
4. Tendo como referência o exercício 3, se o engenheiro diminuir

o tempo médio de atendimento por cliente para 8 minutos, qual
será o novo tempo médio de espera pelo atendimento?
a) 7 min.
b) 5min.
c) 10 min.
d) 28 min.
e) 4 min.
5. Ainda com referência ao exercício 3. Usar 2 engenheiros

cada um gastando tempo médio de serviço de 10 minutos
por cliente. Determine nesta situação o número médio de
pessoas aguardando na empresa para serem atendidas.
a) 0,5152.
b) 0,7893.
c) 1,8738.
d) 0,4356.
e) 3,7653.

U4
6. Os caminhões de uma empresa de transportes chegam à

estação de serviço da empresa de acordo com um processo
de Poisson, com uma taxa média de 10 por dia. A estação
de serviço pode atender apenas um caminhão de cada vez,
sendo o tempo de serviço exponencialmente distribuído com
média de 1/12 por dia. O custo de funcionamento da estação
de serviço é $200,00 para a empresa, estimando-se que o
custo de imobilização de um caminhão na estação de serviço
durante um dia seja de $50,00.Pode-se reduzir o tempo de
serviço médio para 1/15 por dia, com a compra de um novo
equipamento, o que acarretará um aumento no custo diário
de funcionamento da estação de serviço para $245,00. Qual
é o menor custo (HILLIER; LIEBERMAN, 2006)
a) $675,00.
b) $235,00.
c) $345,00.
d) $890,00.
e) $975,00.
7. Uma empresa deseja contratar um reparador para efetuar

manutenção em suas máquinas que param a um ritmo de 3
falhas por hora. Para isso, possui duas opções: um reparador
lento que é capaz de consertar a um ritmo de 4 falhas por hora
ou um reparador rápido que é capaz de consertar a um ritmo
médio de 6 falhas por hora. O salário médio do reparador
lento é $3,00 por hora e o do reparador rápido é $5,00 por
hora. Qual contratação deve ser efetuada para que o custo
total seja mínimo? Sabe-se que uma máquina parada implica
um custo horário de $5,00. O custo mínimo da contratação
será (HILLIER; LIEBERMAN, 2006):
a) $10,00.
b) $18,00.
c) $5,00.
d) $14,00.
e) $20,00.

U4
Referências

2004.

Ferramentas

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ferramentas

Enviado por

Direitos autorais:

Formatos disponíveis

Processos estocásticos

Vice-Presidente Acadêmico de Graduação

Dados Internacionais de Catalogação na Publicação (CIP)

1. Processos estocásticos. II. Título.

Unidade 1 | Processos estocásticos 7

Seção 1 - Processos estocásticos 11

Seção 2 - Definições formais e exemplos 21

Seção 3 - Exemplos de processos estocásticos 29

Unidade 2 | Cadeias de Markov 43

Seção 1 - Cadeias de Markov 47

Seção 2 - Probabilidade de estado em fase de regime ou estacionárias 61

Seção 3 - Exemplos de aplicações 67

Seção 4 - Aplicação a curvas de sobrevivência 77

Unidade 3 | Processos de Poisson 89

Seção 2 - Processos nascimento-morte 103

Seção 3 - Processos de Poisson 109

Seção 2 - Teoria das filas e aplicações 131

A disciplina de Processos Estocásticos é de fundamental importância para o

Introdução aos processos

Nesta unidade pretendemos estudar a definição de um processo estocástico,

Seção 1 | Processos estocásticos

Seção 2 | Definições formais e exemplos

Seção 3 | Exemplos de processos estocásticos

Em muitas situações, as variáveis de um sistema se alteram aleatoriamente

Trataremos de maneira resumida, nesta seção, as principais características dos

1.1 Introdução e primeira definição de processo estocástico

Entenderemos por processo aleatório aquele cuja evolução no tempo não é

1) Se inicialmente um funcionário for designado para a distribuição, qual a

2) Se inicialmente um funcionário começar na geração, quantos semestres

3) Se um funcionário conseguir permanecer cinco anos na empresa, quantas

4) Em longo prazo, qual a porcentagem de designações será para a geração?

Algumas dessas questões terão probabilidades como resposta e, outras, valores

Dessa maneira, a nova designação ocorre em intervalos fixos de um semestre, a

Iniciando em um instante arbitrário, representamos o intervalo, particular de seis

A primeira nova designação ocorrerá no fim daquele intervalo de modo que o

A designação de número n, ou seja, a n-ésima designação ocorre no início do

Se especificarmos um particular intervalo no futuro e perguntarmos em que setor

Mas, geralmente, a probabilidade de um processo estar em determinado estado,

As principais propriedades distinguidas entre os processos estocásticos observados

I. A frequência ou periodicidade com a qual as observações são feitas no tempo.

II. O conjunto de todos os valores observados, ou seja, de todas as possíveis

III. As fontes ou formas da aleatoriedade presentes, incluindo a natureza da

IV. O número de cópias do processo disponível (somente uma ou várias), as

As observações de um processo estocástico são feitas no tempo. Se essas

Assim, inicialmente é importante notar:

I. Se os estados são dados em pontos no tempo.

II. Os eventos ou a mudança de estado em um instante temporal particular.

III. Os instantes dos eventos.

Considere os exemplos a seguir:

Exemplo 1 – Quando um economista mede a taxa mensal de desemprego, o

Conforme observamos anteriormente, esses dois processos ocorrem em tempo

Uma resposta é armazenada quando um evento específico de interesse ocorre. No

Em um ponto qualquer no tempo, um processo está em algum estado. Isto é

O conjunto de todos os possíveis estados observáveis é chamado de espaço de

Uma resposta categórica se refere a um conjunto finito de estados possíveis

Um vetor yt é necessário quando existem variáveis endógenas, ou seja, que são

Distribuições de probabilidades multivariadas (TAHA, 2008) fornecem a estrutura

É importante observar que embora um processo possa não ser estacionário,

O conceito de ergodicidade está relacionado de maneira muito próxima ao

Ao se estudar um processo estocástico, duas maneiras de obter informações

I. Uma série para um período longo o suficiente, se for razoavelmente estável.

II.Várias pequenas replicações do processo, se elas forem razoavelmente

Uma classe importante de processos simples assume forte hipótese sobre a