Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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
Mori, Fernando
M152p Processos estocásticos / Fernando Mori. – Londrina:
Editora e Distribuidora Educacional S.A., 2017.
152 p.
ISBN 978-85-8482-530-1
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
Objetivos de aprendizagem:
8 Processos estocásticos
U1
Introdução à unidade
Processos estocásticos 9
U1
10 Processos estocásticos
U1
Seção 1
Processos estocásticos
Introdução à seção
Processos estocásticos 11
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:
Essas perguntas são interessantes para avaliar sua satisfação pessoal com a posição
na empresa.
12 Processos estocásticos
U1
Processos estocásticos 13
U1
14 Processos estocásticos
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.
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.
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.
Processos estocásticos 15
U1
16 Processos estocásticos
U1
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.
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
Processos estocásticos 17
U1
forma da distribuição condicional f(yt / yt−1) não muda com o passar do tempo.
18 Processos estocásticos
U1
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.
Processos estocásticos 19
U1
20 Processos estocásticos
U1
Seção 2
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.
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
Processos estocásticos 21
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:
1.5
1.0
0.5
0 2 4 6 8 10 t
Fonte: elaborado pelo autor.
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.
22 Processos estocásticos
U1
0 2 4 6 8 10
t
Fonte: elaborado pelo autor.
Exemplo 4:
Processos estocásticos 23
U1
30
20
10
0
–2 –1 0 1 2
Exemplo 5:
24 Processos estocásticos
U1
Figura 1.1 | Diagrama representando o experimento do exemplo 5
0 1
0 1 2 3 4 5
Processos estocásticos 25
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.
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.
26 Processos estocásticos
U1
Processos estocásticos 27
U1
28 Processos estocásticos
U1
Seção
Seção1.3
3
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.
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.
Processos estocásticos 29
U1
rt = a(t) + ruído
Neste caso, rt se torna uma variável aleatória indexada no tempo t.
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
30 Processos estocásticos
U1
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.
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.
‘Xt’ = {0, 1, 2, 3, 4}
Processos estocásticos 31
U1
X2 = 4
p
p X1 = 3 X4 = 3
p
X0 = 2 1–p
X2 = 2
p
1–p
1–p
X1 = 1
X4 = 1
1–p
X2 = 0
1
p p p
1 0 1 2 3 4
1–p 1–p 1–p
32 Processos estocásticos
U1
Chamando por
1 – estabilidade
2 – instabilidade
temos que:
Cu seja:
P = 0,92 0,08
0,03 0,97
Estável
0,92
0,03 Estável Estável
Instável
0,97 Instável Estável
0,03
Processos estocásticos 33
U1
1- eliminado
2- um aprendiz teórico
3- um aprendiz prático
4- supervisor
1 0 0 0
0,4 0 0,6 0
P = 0,2 0 0,1 0,7
0 0 0 1
2 4
1 3
34 Processos estocásticos
U1
Processos estocásticos 35
U1
36 Processos estocásticos
U1
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
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
Processos estocásticos 37
U1
38 Processos estocásticos
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
Processos estocásticos 39
U1
40 Processos estocásticos
U1
Referências
Processos estocásticos 41
Unidade 2
Cadeias de Markov
Fernando Mori
Objetivos de aprendizagem:
44 Cadeias de Markov
U2
Introdução à unidade
Cadeias de Markov 45
U2
46 Cadeias de Markov
U2
Seção 1
Cadeias de Markov
Introdução à seção
Cadeias de Markov 47
U2
Definição 1:
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.
= ( X t +1 j / X t = i )
pij P=
( X t +n j / X t = i )
pij ( n ) P=
=
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:
48 Cadeias de Markov
U2
Σp
j =0
ij
(n)
= 1 para todo i;n=0,1,2,......
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:
Cadeias de Markov 49
U2
Probabilidade de transição:
0 ≤ Pij(k) ≤ 1;
e para todo estado i e instante de tempo k:
50 Cadeias de Markov
U2
ou escolhendo=se u = k + n – 1, tem-se:
Definição 2:
Cadeias de Markov 51
U2
Exemplo 2:
Considere uma máquina que pode estar em um dos dois estados: up e down.
Dessa maneira, temos uma cadeia estocástica, em que o estado da máquina está
na k-ésima hora de observação.
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
52 Cadeias de Markov
U2
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.
( 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) =
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.
p01 = a: o telefone fica ocupado se uma nova chamada chega no time slot.
Cadeias de Markov 53
U2
p10 = β. (1 – α): o telefone fica livre se uma chamada é completada e não chega
nenhuma 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
II) Um estado j é acessível a partir do estado i se existir uma trajetória que leva
i para j.
54 Cadeias de Markov
U2
Exemplo 4:
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
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
Cadeias de Markov 55
U2
Vimos que:
56 Cadeias de Markov
U2
X(n) = [ p , p , p ...]
1 2 3
X(n+1) = X(n) . P
Exemplo 4:
Cadeias de Markov 57
U2
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 =
X (1) = X ( 0) .P
X (1) = . 0 92 0 08
0 03 0 85
X (1) = 0, 92 0, 08
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
58 Cadeias de Markov
U2
Cadeias de Markov 59
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
60 Cadeias de Markov
U2
Seção 2
Cadeias de Markov 61
U2
Verifica-se, portanto, que o processo atinge uma fase de regime com as seguintes
características:
Π j = lim p j ( n ) = lim P ( X n = j )
n →∞ n→∞
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:
0, 3 0, 2 0, 5
P = 0,1 0, 8 0,1
0, 6 0 0, 4
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
62 Cadeias de Markov
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
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
Fonte: elaborada pelo autor.
Cadeias de Markov 63
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.
64 Cadeias de Markov
U2
Cadeias de Markov 65
U2
66 Cadeias de Markov
U2
Seção 3
Exemplos de aplicação
Introdução à seção
Nesta seção iremos considerar uma série de aplicações da teoria vista nas seções
anteriores.
0,85
0,15
Fonte: elaborada pelo autor.
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
Cadeias de Markov 67
U2
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
68 Cadeias de Markov
U2
0.8
0.9
Tipo 1 Tipo 2
P= Tipo 1 Tipo 2
Cadeias de Markov 69
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, 90,10,1
[ ]
X((11)) ==[00 1]1.00.,,29 00, 8,1
X
X = [ 0 1]. 0, 20, 20, 80, 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
70 Cadeias de Markov
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
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%.
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
Fonte: elaborada pelo autor.
72 Cadeias de Markov
U2
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
Cadeias de Markov 73
U2
0.5
0.3
B M
0.7
F F
B M
B 0,5 0,5 0
M 0,7 0,3 0
F 0,1 0 0,9
0.9
Fonte: elaborada pelo autor.
Primeira
0,88 0,12
estratégia:
0,88 0,12
P=
0,12 0,88 clientes não clientes
0,88
0,12
74 Cadeias de Markov
U2
0,1 0,9
0,6
0,88 0,12 0,4
P=
0,21 0,79
Cadeias de Markov 75
U2
76 Cadeias de Markov
U2
Seção 4
t
Fonte: elaborada pelo autor.
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
Cadeias de Markov 77
U2
Assim:
Pij ≥ 0 se j = 0 e j = i + 1
Pij = 0 se j ≠ 0 e j ≠ i + 1
Exemplo 6:
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
78 Cadeias de Markov
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
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
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
E3 → funciona 3 meses
E4 → funciona 4 meses
E5 → funciona 4 meses
Fonte: elaborada pelo autor.
Cadeias de Markov 79
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
80 Cadeias de Markov
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.
µT = 1 = 3,375 meses
π0
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.
Cadeias de Markov 81
U2
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
82 Cadeias de Markov
U2
Cadeias de Markov 83
U2
a) 29%.
b) 47%.
c) 71%.
d) 87%.
e) 95%.
Dias Unidades
0 90
3 74
6 59
9 38
12 24
15 13
18 0
a) 300.
b) 400.
c) 500.
d) 250.
e) 130.
84 Cadeias de Markov
U2
Cadeias de Markov 85
U2
86 Cadeias de Markov
U2
Referências
Cadeias de Markov 87
Unidade 3
Processos de Poisson
Fernando Mori
Objetivos de aprendizagem:
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.
Introdução à unidade
Processos de Poisson 91
U3
92 Processos de Poisson
U3
Seção 1
Exemplo 1
Processos de Poisson 93
U3
94 Processos de Poisson
U3
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
p01 (t + t ) − p01 (t )
= 4 p00 (t ) − 3 p01 (t )
t
p01 (t + t ) − p01 (t )
lim = lim [ 4 p00 (t ) − 3 p01 (t ) ]
t →0 t t →0
dp01 (t )
= 4 p00 (t ) − 3 p01 (t )
dt
Processos de Poisson 95
U3
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
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.
96 Processos de Poisson
U3
Essa equação diferencial tem solução imediata desde que tenhamos a condição
inicial P00(o) = 1. Assim:
p00 (t ) = e −4t
Desde que não se permitam quebras, esse evento pode ser descrito como o
tempo de reparo excede t.
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
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=
Processos de Poisson 97
U3
( 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.
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
98 Processos de Poisson
U3
Como:
0, i ≠ j
pij (0) =
1, i = j
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.
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.
λii = −Σ λij
j ≠i
Processos de Poisson 99
U3
−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.
Exemplo 2
O estado muda quando o pneu falha. Existem dois tipos de falha para os pneus.
Determine P01(t).
Seção 2
Processos nascimento-morte
Introdução à seção
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.
π j = lim pij (t )
t →∞
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
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
−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.
µ1 µ2 µ0 µn µn + 1 µ
0 1
µ
λ00 λ01
λ λ11 λ12 0
10
λ21 λ22 λ23
λ32 λ33 λ34
λ43 λ44 λ45
. . .
. . .
0 . . .
. . .
. .
λii = − ( λi ,i −1 + λi ,i +1 )
0 = − 01 0 + 10 1
0 01 0 ( λ10 + λ12 ) 1 + 21 2
0 = 12 1 − ( λ21 + λ23 ) 2 + 32 3
.............
.........
a) P(q) =1.
b) P(q) = e5q.
c) P(q) =1 – 3e–2q.
d) P(q) =e–4q.
e) P(q) =e–8q.
Seção 3
Processos de Poisson
Introdução à seção
O processo de Poisson é um caso especial do processo nascimento-morte que
vimos na seção anterior.
λ λ λ λ
0 1 2 3
Fonte: elaborada pelo autor.
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
.
p00 (t ) = e − λt
dp01 (t )
= λ e − λt − λ p01 (t )
dt
p01 (t ) = λt.e − λt
( λt )
2
p02 (t ) = e − λt
2
Continuando esse processo chega-se à equação que expressa a solução geral:
( λt )
j
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.
1
λi ,i +1
= =para i 0,1, 2,,.....,199
3
1
=λi +1,i =para i 0,1, 2,.......199
5
3
λi + 2,i
= =para i 0,1, 2,......,198
5
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
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
−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= .
. . . .
. . . .
−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:
−λ0 p0 + µ1 p1 = 0
−λ p + µ p = 0
1 1 2 2
−λ2 p2 + µ3 p3 = 0
−λ3 p3 + µ4 p4 = 0
.
.
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
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.
a) 0.0579.
b) 0.0987.
c) 0.7432.
d) 0.9913.
e) 0.1379.
a) 0.2
12
b)
35
64
c)
625
32
d)
525
64
e)
325
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!
6 4 2
0 1 2 3
2 5 10
a) 2,456.
b) 5,895.
c) 8,345.
d) 0,348.
e) 1,343.
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
− ( λ0 + λ1 + µ1 ) t
a) p01 (t ) = e
λ1
b) p01 (t ) = e − λ0t
λ1 + µ1
µ1
e) p01 (t ) = e − λ0t
λ0 + λ1 + µ1
Referências
Teoria da renovação e
aplicações à teoria das filas
Fernando Mori
Objetivos de aprendizagem:
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.
Introdução à unidade
Seção 1
Teoria da renovação
Introdução à seção
Nesta seção aprenderemos sobre a definição matemática da teoria da renovação
e algumas aplicações.
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].
µ = E [ X n ], n ≥ 1
F ( x) = P( X ≤ x)
X1 X2 X3 X4
t
0 T1 T2 T3 T4
∞
N t = Σ 1(Tn ≤ t )
n =1
Seção 2
Sistema de filas
Fonte: elaborada pelo autor.
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.
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.
P ( 0 ≤ T ≤ ∆t ) > P ( t ≤ T ≤ t + ∆ t )
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:
(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
E ( X (t ) ) = a t
− ∝t
Sejam A(t ) = 1 − e e B (t ) = 1 − e as distribuições do intervalo entre chegadas e
− λt
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
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
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 )
=
Pn ρ n (1 − ρ ) = ρ n P0
=
b) E(Ls)é o número médio de clientes no sistema.
λ
Ls =
µ −λ
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?
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.
P1 = ρ1 (1 – ρ) = 0,139
P0 = 0,167
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)
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
b) Tempo de espera:
1 1
E(Ws) = = = 1 h = 10 minutos
µ–λ 30 – 24 6
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
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
Exemplos
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)
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
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
E(Ls) = E(Lf) + ρ
E(Lf) 3,5078
E(Wf) = = = 0,0023h = 8,4188 segundos
λ 1500
E(Ls) 6,0078
E(Ws) = = = 0,0040h = 14,418 segundos
λ 1500
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)
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
Ls
Ws =
λ
L=
s L
= f +ρ 0.35244 + 1.644 = 1.9964
1.9964
Ws
= = 0.006654(365)(24) = 58.29h
300
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
(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
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.
a) 9%.
b) 17%.
c) 4%.
d) 34%.
e) 28%.
a) 7 min.
b) 5min.
c) 10 min.
d) 28 min.
e) 4 min.
a) $675,00.
b) $235,00.
c) $345,00.
d) $890,00.
e) $975,00.
a) $10,00.
b) $18,00.
c) $5,00.
d) $14,00.
e) $20,00.
Referências