Escolar Documentos
Profissional Documentos
Cultura Documentos
C S11
Clientes 6 4 4 4Fila
7 4 4 48 C S12 instalação de 6 44Fila
7 448 C s 21 instalação de
C C C C C C C S13 atendimento 1 C C C C C s 22 atendimento 2
C S14 C s 23
Clientes
Atendidos
Fernando Nogueira Teoria de Filas 3
Distribuição Exponencial
As variáveis aleatórias Tempo Entre Chegadas e Tempo de Atendimento são modeladas
geralmente pela Distribuição Exponencial. Seja t um v.a. com Distribuição Exponencial
com parâmetro λ, então:
pdf - Exponencial PDF - Exponencial
1
λ
f(t):densidade de probabilidade
0.8
λe − λt para t ≥ 0
f(t):probabilidade acumulada
f (t ) = T
0.2 (t ≥ 0)
0
0 E(T)=1/λ t t
var(T ) = 2
1
E(T ) =
1
λ λ
Fernando Nogueira Teoria de Filas 4
Perda de Memória
P{t > T + ∆t t > ∆t}= P{t > T}
P{t > T + ∆t , t > ∆t} P{t > T + ∆t} e −λ (T + ∆t )
P{t > T + ∆t t > ∆t}= = = −λ (∆t ) = e −λT = P{t > T}
P{t > ∆t} P{t > ∆t} e
Se agora são 8:20hs e a última chegada ocorreu 8:00hs, a probabilidade que a próxima
chegada irá ocorrer até 8:30hs é função apenas do intervalo entre 8:20hs e 8:30hs (T),
ou seja, é independente do intervalo entre 8:00hs (quando ocorreu a última chegada) e
8:20hs (∆t).
Exemplo:
Uma máquina quebra a cada 40 minutos em média com distribuição exponencial.
Assim, a taxa média de quebra é: λ = 60 = 1.5 quebra / hora
40
A função densidade é: f (t ) = 1.5e −1.5 t , t > 0
Se agora são 8:20hs, a probabilidade que a próxima quebra seja até 8:30hs é:
10
10 −1.5
P t ≤ = 1 − e 60 ≈ 0.22
60
Porém, se agora são 7:00hs, a probabilidade que a próxima quebra seja até 8:30hs é:
90
90 −1.5
P t ≤ = 1 − e 60 ≈ 0.89
Fernando Nogueira 60 Teoria de Filas 5
Processos de Nascimento e Morte: relação entre Poisson e Exponencial
Processo de Nascimento Puro ⇒ somente chegadas são permitidas. Ex: emissão de
certidão de nascimento.
Processo de Morte Puro ⇒ somente saídas são permitidas. Ex: retirada aleatória de
itens de um estoque.
Tempo entre Chegadas e Tempo entre Saídas possuem distribuição exponencial com
parâmetros λn e µn, respectivamente ⇒ Cadeia de Markov em Tempo Contínuo.
Processo de Nascimento Puro
Seja p0(T) a probabilidade de nenhuma chegada durante um período T. Dado que o
Tempo entre Chegadas t é exponencial e que a taxa de chegada é λ clientes por unidade
( )
de tempo, então: p 0 (T ) = P{t ≥ T} = 1 − P{t ≤ T} = 1 − 1 − e − λT = e − λT
Expandindo p0(T) em Taylor, para um intervalo de tempo h > 0 , porém pequeno, fica:
p 0 (h ) = e −λh = 1 − λh +
(λ h )2
− ... = 1 − λh + O(h 2 )
2!
Considerando que em um intervalo pequeno, no máximo um evento pode ocorrer, então
para h → 0:
p1 (h ) = 1 − p 0 (h ) ≈ 1 − (1 − λh ) = λh
Fernando Nogueira Teoria de Filas 6
Este resultado mostra que a probabilidade de uma chegada durante h é diretamente
proporcional à h com taxa de chegada λ (constante de proporcionalidade).
A distribuição do número de chegadas pn(T) durante um período T, pode ser deduzida
por: p n (T + h ) ≈ p n (T ).p 0 (h ) + p n −1 (T ).p1 (h ) = p n (T )(
. 1 − λh ) + p n −1 (T )(
. λh ), n > 0
p 0 (T + h ) ≈ p 0 (T ).p 0 (h ) = p 0 (T )(
. 1 − λh ), n = 0
Na primeira equação, n chegadas serão percebidas durante T + h se há n chegadas
durante T e nenhuma chegada durante h, ou n-1 chegadas durante T e uma chegada
durante h. Todas as outras combinações são impossíveis para a distribuição exponencial
(no máximo um evento pode ocorrer para um intervalo de tempo pequeno). Uma vez
que chegadas são eventos independentes, o produto das probabilidades pode ser
aplicado no lado direito das 2 equações acima. Na segunda equação, zero chegadas
durante T + h podem ocorrer somente se nenhuma chegada ocorrer durante T e h. As
derivadas das 2 equações dadas acima são:
′ p n (T + h ) − p n (T )
p n (T ) = lim h →0 h
= −λp n (T ) + λp n −1 (T ), n > 0
p′ (T ) = lim p 0 (T + h ) − p 0 (T )
0 h →0 = −λp 0 (T ), n = 0
h
Fernando Nogueira Teoria de Filas 7
A solução do sistema de equações diferenciais resulta em:
p n (T ) =
(λ T ) e − λT
n
, n = 0,1,2,...
n!
que é a distribuição de Poisson com média E n T = λT chegadas durante T. A variância { }
{ }
é var n T = λT. O resultado mostra que se o Tempo entre Chegadas é Exponencial com
média 1/λ então o número de chegadas durante T é Poisson com média λT.
Funçao de Probabilidade:Poisson - Lambda = 3 Funçao Distribuiçao de Probabilidade:Poisson - Lambda = 3
0.25 1
0.9
0.2 0.8
0.7
Probabilidade Acumulada
0.15 0.6
Probabilidade
0.5
0.1 0.4
0.3
0.05 0.2
0.1
0 0
1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 7 8 9 10 11
n - numero de chegadas no periodo T = 1 n - numero de chegadas no periodo T = 1
p n (T ) =
(µT )
(N − n ) −µT
e
, n = 1,2,..., N
N
p 0 (T ) = 1 − ∑ p n (T )
(N − n )! n =1
Exemplo:
Uma loja de flores recebe 18 buquês de rosas no começo de cada semana. Em média, a
loja vende 3 buquês de rosas por dia sendo que tal demanda possui distribuição de
Poisson. Sempre que o nível do estoque alcança 5 buquês de rosas, um novo pedido de
18 buquês de rosas é feito para ser entregue no começo da próxima semana. Todo o
estoque no fim da semana (sobra) é perdido.
= p 0 (T ) + ∑
5
(3t )
(18− n ) −3T
e
, T = 1,2,...,7
n =1 (18 − n )!
n =0
∑p
n =0
n =1
p 1 + p 2 + p 3 = (2 + 4 + 8 )
1
≈ 0 . 255
55
e o número esperado de caixas ociosos é:
Relações entre L, W, Lq e Wq
L = λW ⇒ Fórmula de Little W = Wq +
1
L q = λWq µ
1 λ λ
Wλ = Wq + λ ⇒ Wλ = Wq λ + ⇒ L = L q +
obs: se λ n ≠ cte utiliza − se λ µ µ µ
número médio de λ s
s = L − L = ρ =
µ
servidores ocupados q
s
Fernando Nogueira Teoria de Filas 17
Notação (a/b/c):(d/e/f)
a: distribuição do tempo entre chegada (M, D, Ek, G, GI);
b: distribuição do tempo de atendimento (M, D, Ek, G, GI);
c: número de servidores (canais de atendimento);
d: disciplina da fila (FIFO, FCFS, LIFO, Randômica, Prioridade, Qualquer, ...)
e: número máximo de clientes no sistema (finito ou infinito);
f: tamanho da fonte de entrada (finito ou infinito).
onde:
M: Markoviano (Exponencial (tempo) ↔ Poisson (taxa));
D: Determinístico (tempo constante);
Ek: Distribuição de Erlang ou Gama ↔ soma de distrib. exponenciais independentes
G: distribuição geral (não se sabe nada sobre os tempos de chegada/serviço);
GI: distribuição geral em que os tempos de chegada/serviço são i.i.d..
Exemplos: (M/M/1):(Fifo/∞/∞), (M/D/10):(Rand/20/∞)
Fernando Nogueira Teoria de Filas 18
Exemplo 2:
A taxa de chegada de carros é 6 carros/h com distribuição de Poisson em um
estacionamento que possui 5 vagas. O intervalo de tempo que os carros ficam
estacionados é distribuído exponencialmente com média de 30 min. Os carros que não
encontram uma vaga disponível, podem esperar em uma área provisória até que algum
carro estacionado deixe o estacionamento. Esta área pode suportar até 3 carros. Demais
carros que não conseguem estacionar nem aguardar na área provisória vão embora.
a) a probabilidade, pn, de ter n carros no sistema:
s=5
3n
λ n = 6 carros / h, n = 0,1,...,8 p0 , n = 1,2,...,5
( )
n!
pn = n
n 60 = 2n carros / h, n = 1,2,...,5
3 p , n = 6,7,8
( )
µn = 30
5!5n−5 0
5 30 = 10 carros / h, n = 6,7,8
60
3 32 33 34 35 36 37 38
p0 + p1 + ... + p8 = 1 ⇒ p0 + p0 + + + + + + 2 + 3 = 1
1! 2! 3! 4! 5! 5!5 5!5 5!5
n 0 1 2 3 4 5 6 7 8
pn .04812 .14436 .21654 .21654 .16240 .09744 .05847 .03508 .02105
Se 8 carros já estão no estacionamento, então um outro carro não poderá entrar, assim a
proporção de carros que não entrarão é p8.
λlost = λp8 = 6x0.02105= 0.1263carro/ h e λeff = λ − λlost = 6 − 0.1263= 5.8737carro/ h
c) O número médio de carros no estacionamento e na área provisória é:
L = 0p0 +1p1 + ... + 8p8 = 3.1286carros
d) O tempo médio que um carro aguarda na área provisória (Wq) é:
L 3.1286 1 1
W= = = .53265hora Wq = W − = .53265− = .03265hora
λeff 5.8737 µ 2
e) O número médio de vagas ocupadas (servidores ocupados) é:
λeff 5.8737
s = L − Lq = = = 2.9386vagas
µ 2
f) O fator de utilização do estacionamento:
s 2.9368 λ eff 5.8737
ρ= = = .58737 ou ρ = = = .58737
s 5 sµ 5* 2
Fernando Nogueira Teoria de Filas 20
∞/∞
Modelo (M/M/s):(qq/∞ ∞)
nµ, n < s
λeff = λ ⇒ fila (buffer) infinita λ n = λ, n ≥ 0 n sµ, n ≥ s µ =
(n−s ) −1
λ n
λn
(λ µ)
n
(λ µ) (λ µ) λ
p0 = ∑
s −1 n s ∞
p0 = n p0 = p0 , 0 ≤ n < s + ∑ =
µ(2µ)(3µ)...(nµ) n!µ n! n=0 n! s! n=s sµ
pn = λn λn ( λ µ)
n
−1
s p0 = (n−s) n p0 = (n−s) p0 , n ≥ s
= ∑
s−1
(λ µ) + (λ µ) 1 , λ < 1
n s
∏iµ(sµ) s!s µ s !s 1− λ (sµ) sµ
i=1 n = 0 n! s!
∞ ∞
Lq = ∑(n −s)pn =∑kpk+s = ∑k
∞
( λ µ) k
s
ρ p0 =
(λ µ)
s
ρp0∑
∞
( )
d ρk
= L=L +λ Lq L
Wq = W =
s! s! k=0 dρ λ
µ
q
n=s k=0 k=0
λ
(λ µ)s ρp d ∞ ρk = (λ µ)s ρp d 1 = (λ µ)sρp0
s!
0 ∑
dρ k=0 s!
0
dρ1−ρ s!(1−ρ)2
s−1
1+ p0 (λ µ) 1− e p{ωq = 0}= ∑ pn
−µT(s−1−λ µ )
s
p{ω > T}= (1− p{ω = 0})e−sµ(1−ρ)T
p{ω > T}= e−µT
( )
q q
s! 1 − ρ s − 1 − λ µ
n =0
se s −1− λ µ = 0 ⇒ 1 − e−µT(s−1−λ µ) s −1 − λ µ = µT
De posse dos resultados acima, o hospital entendeu que o tempo aguardado esperado na
fila para um único médico (Wq= 2/3 horas = 40 min.) é grande, fato que justifica a
contratação de mais médico plantonista.
Para
λ
=1 L=
(λ µ) (N−s)(N−s +1)
s
p
sµ q
2s!
0
λeff Lq λ eff
Lq = L − Wq = W=
L
ρ=
µ λeff λeff sµ
Fernando Nogueira Teoria de Filas 25
Exemplo:
Uma companhia possui 22 máquinas. Cada máquina quebra, em média, a cada 2 horas,
sendo gastos 12 minutos, em média, para realizar o reparo. O tempo entre quebras e o
tempo de reparo são distribuídos Exponencialmente. Analisar a produtividade da
companhia em função do número de pessoas encarregadas de dar manutenção.
λ= 0.5, µ = 5
ade máquinasdisponivei
produtivid s − máquinasquebradas 22− L
máquinas = =
máquinasdisponivei
s 22
ETC
cus tos
Níve l de
ETC(x ) = EOC(x) + EWC(x ) s e rviço
onde: EOC ótimo
x = (µ ou s) nível de serviço EWC
ETC = custo total esperado níve l de s e rviço
EOC= custo de operação do sistema esperado
EWC= custo de aguardar por unidade de tempo esperado
Geralmente utiliza-se:
EOC(x ) = C1x
EWC(x) = C2L
onde:
C1 = custo por unidade de x por unidade de tempo
C2 = custo por aguardar por unidade de tempo por cliente
Fernando Nogueira Teoria de Filas 28
Exemplo:
Uma gráfica necessita comprar uma copiadora. Existem 4 modelos de copiadoras no
mercado com suas características dada na tabela abaixo. Os Jobs chegam com
distribuição Poisson com média de 4 jobs/dia. O tamanho de cada job é em média de
10000 folhas. Contratos com os clientes da gráfica estipula uma penalidade de $80,00
por job/dia de atraso. Qual copiadora a gráfica deve comprar?
Modelo custo de velocidade i = 1,2,3,4 ⇒ modelo i
operação ($/h) (cópias/min)
1 15 30 ETCi = EOCi + EWCi
2 20 36 ETCi = C1i × 24 + C2i × Li
3 24 50
4 27 66 ETCi = 24C1i + 80Lsi
Os valores de C1i são os custos de operação dados na tabela acima. Para fins práticos,
cada copiadora pode ser tratada como um modelo (M/M/1):(qq/∞/∞). A taxa de
chegada é λ = 4 jobs/dia e a taxa de atendimento µi (jobs/dia) é:
Modelo i λi µi Lsi EOCi($) EWCi($) ETCi($)
1 4 24/[(10000/30).(1/60)] = 4.32 12.50 360,00 1000,00 1360,00
2 4 24/[(10000/36).(1/60)] = 5.18 3.39 480,00 271,20 751,20
3 4 24/[(10000/50).(1/60)] = 7.20 1.25 576,00 100,00 676,00
4 4 24/[(10000/66).(1/60)] = 9.50 0.73 648,00 58,40 706,40
Fernando Nogueira Teoria de Filas 29