Filas Apresentação Mai-2021

Teoria de Filas
Prof. Dr. Claudio Barbieri da Cunha

Prof. Dr. Nicolau D. F. Gualda
Escola Politécnica da Universidade de São Paulo
Departamento de Engenharia de Transportes
Filas fazem parte do nosso cotidiano!!
Embarque no transporte
público
Supermercado
Vacina contra a gripe
Agência bancária
Elevador no trabalho
Agência bancária drive thru
pedágio
Supermercado
navios aguardando para
atracar
descarga no porto
Parque de diversão
Six Flags
Fila para decolagem!
https://www.theguardian.com/fashion/2018/jul/02/wimbledon-fun-queue-streetwear-brands-
instagram
Representação de um sistema de filas
atendente único
múltiplos atendentes (canais)
múltiplos atendentes com filas independentes
Características das Filas
• As Filas Não São Simpáticas
– Segundo a “Lei de Murphy”:
• a fila que anda é a outra, mas não adianta trocar de fila pois a fila
que anda é a outra”
• Resultados teóricos referem-se ao regime estacionário do

sistema.
– Comportamento de longo prazo, sem influência de condições iniciais.
– O comportamento transiente, de curto prazo, é de difícil análise e
quase sempre estudado somente por simulação.
• Alguns aspectos Comportamentais

– Recusa a entrar na fila (“Balk”)
– Desistência quando na fila (“Renege”)
– Troca de fila (“Jockeying”)
Alguns fatos
• “horrible” 50-minute wait in which they felt treated as cattle
• As the nation’s 13th busiest airport, Orlando International would be the only
large airport in the nation to switch from federal to private security
screeners
• As a result of the robust growth of passenger traffic at Orlando International
Airport, it is staff’s prediction that screening will continue the trend of
increasing wait times and customer anxiety over the time of the screening
process
• Orlando’s airport processed 21.4 million fliers with 26 security lanes
• Newark had 21 million fliers and 50 lanes
• Las Vegas handled 22 million with 47 lanes
• Miami routed 21.5 million through 52 lanes.
Fonte: http://www.orlandosentinel.com/news/os-orlando-airport-tsa-vote-20180217-story.html
Fonte: https://dilbert.com/
Observando a dinâmica de uma fila
Em período de meia hora foi observada a chegada de 12 pessoas e o
intervalo entre as mesmas (gerados aleatoriamente)
Chegada
Cliente Intervalo Instante
1 2
2 3
3 3
4 3
5 5
6 0
7 1
8 5
9 1
10 4
11 1
12 2
média 2.5
Observando a dinâmica de uma fila....
• Primeiro calculam-se os horários de chegada,
– a partir dos intervalos entre chegadas, que são dados
Chegada
Cliente Intervalo Instante
1 2 2
2 3 5
3 3 8
4 3 11
5 5 16
6 0 16
7 1 17
8 5 22
9 1 23
10 4 27
11 1 28
12 2 30
média 2.5
Também são gerados aleatoriamente os tempos de atendimento
Chegada Tempo
Cliente Intervalo Instante Atend
1 2 2 1
2 3 5 2
3 3 8 1
4 3 11 1
5 5 16 3
6 0 16 2
7 1 17 1
8 5 22 4
9 1 23 2
10 4 27 3
11 1 28 1
12 2 30 3
média 2.5 2
• Com base nos horários de chegada e nos tempos de atendimento é
possível determinar os horários de início e término de atendimento
Chegada Tempo Atendimento Tempo

Cliente Intervalo Instante Atend Espera? Inicio Término Fila
1 2 2 1 N 2 3 0
2 3 5 2
3 3 8 1
4 3 11 1
5 5 16 3
6 0 16 2
7 1 17 1
8 5 22 4
9 1 23 2
10 4 27 3
11 1 28 1
12 2 30 3
média 2.5 2 0.00
• Com base nos horários de chegada e tempos de atendimento é

1 2 2 1 N 2 3 0
2 3 5 2 N 5 7 0
3 3 8 1
4 3 11 1
5 5 16 3
6 0 16 2
7 1 17 1
8 5 22 4
9 1 23 2
10 4 27 3
11 1 28 1
12 2 30 3
média 2.5 2 0.00

1 2 2 1 N 2 3 0
2 3 5 2 N 5 7 0
3 3 8 1 N 8 9 0
4 3 11 1
5 5 16 3
6 0 16 2
7 1 17 1
8 5 22 4
9 1 23 2
10 4 27 3
11 1 28 1
12 2 30 3
média 2.5 2 0.00

1 2 2 1 N 2 3 0
2 3 5 2 N 5 7 0
3 3 8 1 N 8 9 0
4 3 11 1 N 11 12 0
5 5 16 3 N
6 0 16 2 N
7 1 17 1 N
8 5 22 4 N
9 1 23 2 N
10 4 27 3 N
11 1 28 1 N
12 2 30 3 N
média 2.5 2 0.00

1 2 2 1 N 2 3 0
2 3 5 2 N 5 7 0
3 3 8 1 N 8 9 0
4 3 11 1 N 11 12 0
5 5 16 3 N 16 19 0
6 0 16 2
7 1 17 1
8 5 22 4
9 1 23 2
10 4 27 3
11 1 28 1
12 2 30 3
média 2.5 2 0.00

1 2 2 1 N 2 3 0
2 3 5 2 N 5 7 0
3 3 8 1 N 8 9 0
4 3 11 1 N 11 12 0
5 5 16 3 N 16 19 0
6 0 16 2 S 19 21 3
7 1 17 1
8 5 22 4
9 1 23 2
10 4 27 3
11 1 28 1
12 2 30 3
média 2.5 2 0.50

1 2 2 1 N 2 3 0
2 3 5 2 N 5 7 0
3 3 8 1 N 8 9 0
4 3 11 1 N 11 12 0
5 5 16 3 N 16 19 0
6 0 16 2 S 19 21 3
7 1 17 1 S 21 22 4
8 5 22 4
9 1 23 2
10 4 27 3
11 1 28 1
12 2 30 3
média 2.5 2 1.00

1 2 2 1 N 2 3 0
2 3 5 2 N 5 7 0
3 3 8 1 N 8 9 0
4 3 11 1 N 11 12 0
5 5 16 3 N 16 19 0
6 0 16 2 S 19 21 3
7 1 17 1 S 21 22 4
8 5 22 4 N 22 26 0
9 1 23 2 S 26 28 3
10 4 27 3 S 28 31 1
11 1 28 1 S 31 32 3
12 2 30 3 S 32 35 2
média 2.5 2 1.33
Quais as condições para a não ocorrência de filas?
• Chegadas regularmente espaçadas

• Intervalos entre chegadas muito superiores aos tempos de atendimento
• Tempos de atendimento regulares
Exercício 1
Análise de fila Horário de Tempo de
Usuário Chegada atendimento (min)
• Considere as seguintes distribuições
de chegadas e de atendimento 1 11:00 3
mostradas na tabela ao lado 2 11:04 7
• Determinar: 3 11:07 5
a) Taxa de chegadas e intervalo médio 4 11:10 4
entre chegadas 5 11:15 6
b) Tempo médio de atendimento 6 11:18 5
c) Quantos usuários ficaram na fila 7 11:21 7
d) Qual foi a fila máxima 8 11:25 3
e) Comprimento médio da fila
9 11:30 4
f) Tempo médio dos usuários ficaram
10 11:32 2
em fila
11 11:38 5
12 11:41 3
13 11:44 6
14 11:52 8
15 11:58 3
Elementos de um sistema de filas
(a) Cliente (d) Processo de Atendimento

(b) Servidor (e) Número de Servidores
(c) Processo de chegada (f) Capacidade do sistema
(g) Disciplina de atendimento
Desistência
Disciplina
Processo de Configuração da Fila Saída
População de Chegada Processo de
da
origem Serviço
Fila
(g)
Balk
(b) Saída
do Sistema
(a) (c) (d,e,f)
Definições
 = taxa de chegadas (usuários por unidade de tempo)
 = taxa de atendimento (usuários por unidade de tempo)
s = número de servidores (ou atendentes) em paralelo
 = índice de utilização ou de intensidade de tráfego da fila

=
s
 1 implica fila tendendo ao infinito
 1 para que haja estabilidade do sistema de filas

 = taxa de atendimento (usuários por unidade de tempo por servidor)

Processo de Atendimento
 Define como se processa o atendimento aos clientes da fila
 Exemplo:
 Observando um atendente, podemos constatar que ele atende 6
veículos por hora ou que gasta 10 minutos para atender um veículo
 Podemos quantificar o processo de chegada através de sua

taxa média de atendimento (μ)
e/ou seu tempo ou duração médio de serviços (TA)
 μ = 6 clientes por hora
 TA = 1/μ = 1/6 hora por cliente = 10 minutos por cliente
Número de servidores
 Uma fila pode possuir um ou mais servidores (s)para atender

os clientes
 A qualidade do serviço pode ser melhorada adicionando

convenientemente novos servidores ao sistema
 Ex: fila de supermercado, banco, pedágio, check-in, etc.
𝑠=2
Disciplina da Fila
 Descreve como os clientes são escolhidos para entrar em um serviço

após a fila ser formada
 First-Come-First-Served (FCFS)
 FIFO
 Filas comuns onde o primeiro a chegar é o primeiro a ser atendido
 Last-Come-First-Served(LCFS)
 LIFO
 Aplicado em sistemas de controle de estoque e em filas de prioridades
 Filas com Prioridades

 Preemptivo
 O cliente com maior prioridade é servido imediatamente
 Não-preemptivo
 O cliente com maior prioridade entra na frente da fila, mas deve aguardar se algum
cliente já estiver em atendimento
Tempo Médio de Espera em Fila (𝑊𝑞 )
 𝑊𝑞 = média do tempo gasto por cada cliente desde o

momento em que chega na fila até o início de atendimento
 Principal causa de irritação dos clientes
 O ideal é que não exista tempo de espera

 Ex:
 Se entrarmos em uma fila com 10 pessoas à frente o tempo de
espera será igual ao somatório dos tempos de atendimento cada um
dos 10 clientes ou, possivelmente, será igual a 10 vezes a duração
média de atendimento
Tempo Médio Total no Sistema (𝑊)
 Média do tempo total gasto por cada cliente desde o
momento em que chega na fila até o término do seu
atendimento.
 Corresponde à soma do tempo médio na fila e do tempo

médio de atendimento:
 W = Wq + TA
 Ou, dado que TA = 1/ μ
 W = Wq + (1/ μ)
Os tempos de atendimento podem
apresentar variabilidade...
Tempo medido
Tempo medido
Tempo medido
Tempo medido
Tempo medido
Tempo medido
Qual a distribuição de probabilidades?
Tempo medido
Lançamento de dois
Função de densidade de probabilidade
7/36
6
Probabilidade
6/36 5 5
Probability
5/36
4 4
4/36 3 3
3/36 2 2
2/36 1 1
1/36
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Sumdos
Soma of outcomes
Resultados
Distribuição acumulada
Função de Distribuição acumulada F(x) =

probabilidade de obter até no máximo x.
x F(x)
2 1/36
3 3/36
4 6/36 P(X<7) = 15/36  0,42
F(6)
5 10/36
6 15/36
P(X>9) = 1 – 30/36 = 6/36  0,17
F(9)
7 21/36 P(4<X<9) = 26/36 – 6/36 = 20/36  0,56
8 26/36 F(8) - F(4)
9 30/36
10 33/36
11 35/36
12 36/36 59
Exemplo
⚫ O número de navios que chega a um porto em um dado dia é

uma variável aleatória representada por x.
A distribuição de probabilidades de x é:
x 10 11 12 13 14 aqui a função não é função de
P(x) .4 .2 .2 .1 .1
distribuição acumulada F(x), é
distribuição de probabilidade P(x),
então vc só soma msm
Determine a probabilidade que em um dado dia :

a. Cheguem exatamente 14 navios p(x=14)= .1
b. Cheguem pelo menos 12 navios p(x12)= (.2 + .1 +.1) = .4

c. Cheguem no máximo 11 navios p(x≤11)= (.4 +.2) = .6
Distribuições Markovianas
• Poisson: distribuição discreta
• Exponencial: distribuição contínua
✓ SEM MEMÓRIA
PX (t )  x / X (t0 ) = x0 , X (t1 ) = x1 , ... , X (t n ) = xn  = P X (t )  x / X (t n ) = xn 
Interpretação:
A probabilidade de um usuário chegar ao sistema em um dado intervalo de tempo
(por exemplo, nos próximos 2 minutos) independe de quanto tempo faz que ocorreu
a última chegada e independe também das anteriores
Chegadas Markovianas
DISTRIBUIÇÃO EXPONENCIAL
Uma variável contínua x, que tome todos os valores não-negativos,

terá uma distribuição exponencial com parâmetro λ > 0 (tempo médio),
se sua função de densidade de probabilidade for
f (t ) =  e −  t
Coeficiente de Variação
1
x
=  =1
var(x )
CV = =
E x  E x  1

Função densidade de probabilidade
Função distribuição acumulada
PROCESSO DE POISSON
É um processo Markoviano.
Para que exista um processo de Poisson é preciso que sejam as satisfeitas as

seguintes premissas:
✓ as chegadas devem ser independentes e as características probabilísticas do

sistema não devem se alterar com o tempo. Em particular,  deve
permanecer constante. = taxa de chegadas (usuários
por unidade de tempo)
✓ a probabilidade de mais de uma chegada no intervalo infinitesimal 𝑑𝑡 é
desprezível
DISTRIBUIÇÃO DE POISSON
− t
( t )
n
e
Pn ( t ) =
n!
n  1
CV = = =
En  
Exemplo:
 = 0,5
− t
( t )
n
e
Pn ( t ) = t=2
n! n=0 sem chamadas
A probabilidade de passar
mais de dois dias sem uma
chamada é de 36,79%
Ajuste de função de distribuição
#Chegadas
eventos Poisson
/hora
/dia Freqüência Acumulada % acumulada acumulada
0 4 4 0,133 0,139
1 6 10 0,333 0,414
2 13 23 0,767 0,685
3 4 27 0,900 0,862
4 2 29 0,967 0,950
5 0 29 0,967 0,984
6 0 29 0,967 0,996
7 1 30 1,000 0,999
Teste gráfico freqüência
1,2
0,8
% acumulada
0,4 Poisson
0
0 2 4 6 8
Distribuição de Erlang
 A Erlang de grau k=1 corresponde à distribuição exponencial
 À medida que o grau k cresce, a distribuição tende para a

normal
 Se o grau k tender ao infinito, a distribuição Erlang tende para

uma constante (TA), ou seja, quanto maior k mais constante se
torna o tempo de atendimento.
DISTRIBUIÇÃO DE ERLANG
K
f (t ) = t K − 1 e − t 0 t 
(K −1)!
Expectância de t é dada por:

sequência de distribuições
Et  =
K exponenciais com o mesmo
 parâmetro
Variância de t é dada por:

Soma de K variáveis independentes
Var t  =
K com distribuição exponencial
2
K
X  1
CV = = =
EX  K K

Distribuição normal
Notação de Fila
 Proposta em 1953 por Kendall
 é descrita por um série de símbolos, tais como, A/B/m/k/M/P
 A é a distribuição de inter-chegada de dos clientes
 B é padrão de serviço de acordo com um distribuição de
probabilidade para o tempo de serviço
 m é o número de canais serviços paralelos (servidores)
 k é a capacidade do sistema
 M é a disciplina de filas
 P é o tamanho da população
 Em muitas situações só os três primeiros símbolos são
utilizados, de maneira que, é assumido que o sistema tem
capacidade ilimitada, disciplina PEPS e população infinita
simbolo infinito PEPS = Primeiro a Entrar Primeiro a Sair
 Exemplo:
M/D/2/∞/PEPS
 Processo de filas com:

 intervalos entre chegadas exponencial (M)
 tempos de atendimento determinísticos (D)
 dois servidores em paralelo (2)
 capacidade ilimitada (∞)
 disciplina de fila PEPS
MEDIDAS DE DESEMPENHO DE SISTEMAS DE FILAS
Para uma fila no estado estacionário, as medidas de maior interesse são:
L = número médio de usuários no sistema
Lq = comprimento médio da fila
𝑊= tempo médio que um usuário permanece no sistema
𝑊𝑞 = tempo médio que um usuário permanece (ou espera) na fila

RELAÇÕES ÚTEIS
1
W = Wq + Tempo médio no sistema = tempo médio na fila +
 tempo de atendimento
Fórmulas de Little (se aplicam a todos os sistemas de fila)
L = W
Lq =  Wq
= Taxa efetiva de chegada no sistema. Difere de λ apenas quando

o sistema de filas tem capacidade máxima (no máximo no
sistema igual a K)
nesse caso:  
EQUAÇÃO DE POLLACZEK-KHINTCHINE
Para filas com chegadas regidas por processo de Poisson e apenas uma
posição de serviço é muito prática a equação de Pollaczek-Khintchine para
cálculo do tempo e espera na fila.
  2  1 + Cv ( S )2   2 + 2  T2
Lq =    ou L=+
1 −   2  2 (1 −  )
Essa equação vale para qualquer distribuição do tempo de atendimento,

desde que exista apenas uma posição de atendimento e as chegadas
constituam um processo de Poisson.
Cv (S ) = Coeficiente de variação da distribuição de probabilidades que representa os

tempos de atendimento.
É calculado como o quociente entre o desvio padrão e a média dessa
distribuição (seu valor é 1 para distribuições Markovianas, i.e. Poisson e
Exponencial)
Principais premissas para aplicação de Teoria de Filas
1. Regime permanente: taxas de chegada e de atendimento

constantes (não variam) por um período de tempo longo
2. Chegadas independentes
• cada chegada é independente de todas as demais; não
pode haver chegadas em grupos ou blocos (batch)
3. Fila única
4. Servidores em paralelo
Sem diferenciação de atendimento/serviço (fila expressa, pagamento em $)
5. Número fixo de servidores

• constante ao longo do tempo)
6. Servidores idênticos
• não há nenhuma diferença de desempenho entre unidades de
atendimento
7. Um único tipo de usuário:
• Não existe diferenciação de atendimento por tipo de usuário
(por exemplo, tempos diferentes de atendimento em pedágio
por tipo de veículo)
• Não existe diferenciação de taxas de chegadas
8. População Infinita
• Sempre chegam novo usuários (sistema aberto)
9. Chegadas Markovianas
• Taxa de chegadas segundo distribuição de Poisson
• OU
• Intervalo entre chegadas segundo distribuição Exponencial
10.Atendimentos Markovianos
• Exceto se o número de servidores s = 1
• M/M/1 M/G/1 M/M/1/K

• M/M/s M/M/s/K s = numero de servidores
K = capacidade do sistema
Genérica, para a
qual se conheça
média e desvio
padrão
Filas em série
FILAS M/M/1
 intervalos entre chegadas exponencial (M)

= tempos de atendimento exponencial (M)
s
1 canal de serviço (s = 1)
 = índice de utilização ou de intensidade de tráfego

 = taxa de atendimento (usuários por unidade de tempo)
s = 1 ( apenas um servidor/atendente)
FILAS M/M/1
Se  < 1, então as probabilidade de estado estacionário existem e são dadas por:
pn =  n (1 −  )
pn = probabilidade de haver n usuários no sistema
Se  >1, as chegadas têm uma taxa maior do que o atendente pode absorver:
o comprimento da fila aumenta sem limite e um estado estacionário não ocorre.
Uma situação semelhante acontece quando  = 1.
FILAS M/M/1,  = 

L=
1− 

2   2  1 + Cv ( S )2 
= Lq =   
L q
1−  1 −   2 
1
W=
 −

Wq =  −
W (t ) = e − t / W (t  0)
Wq (t ) = e −t / W
(t  0)
Taxa média de chegadas de usuários dentro do estabelecimento de prestação
de serviços:

 =  n pn
n=0
Em qualquer sistema de filas:

L =  n pn
n=0

Lq =  máxn − sn , 0 pn
n=0
Exemplo: Cabine telefônica
Suponhamos que as chegadas a uma cabine telefônica obedecem a distribuição de

Poisson, com taxa de 6 chegadas por hora. A duração média do telefonema é de 3
minutos e segue a distribuição exponencial. Pede-se:
1) Qual a probabilidade de uma pessoa chegar à cabine e não ter que esperar?
2) Qual o número médio de pessoas na fila?
3) Qual o tempo médio de espera na fila?
Fila é M/M/1
Exemplo: Cabine telefônica
Suponhamos que as chegadas a uma cabine telefônica obedecem a distribuição de

Poisson, com taxa de 6 chegadas por hora. A duração média do telefonema é de 3
minutos e segue a distribuição exponencial. Pede-se:
1) Qual a probabilidade de uma pessoa chegar à cabine e não ter que esperar?
Temos:
 = 6 chegadas/ hora. Portanto IC = 10 minutos;

1
TA = 3 minutos. Portanto,  = 20 chamadas/ hora. (𝑢 = ∗ 60)
20
taxa de chegada
 6 3
Solução: = = =
índice de s 1 20 10
utilização
taxa de atendimento
pn =  n (1 −  )
probabilidade de
 3 7
p0 =  (1 −  ) = 1(1 −  ) = 1 −  = = 70%
haver n usuários 0
no sistema
 10  10
➢ Exemplo: A Cabine telefônica
2) Qual o número médio de pessoas na fila?
  2  1 + Cv ( S ) 2   0.32  1 + 12  0.09
Lq =   =  = = 0.1285
1 −    2  1 − 0.3   2  0.7
comprimento
médio da fila
3) Qual o tempo médio de espera na fila?
0.1285 Lq
Lq =  Wq  Wq = = = 0.02142 horas = 1.29 min
 6
taxa de
tempo médio de
chegada do W = wait (esperar)
espera na fila
sistema L = length (comprimento)
o "q" significa queue (fila), sem ele é do sistema
FILAS M/M/s
✓ chegadas segundo distribuição de Poisson (M)

✓ tempos de atendimento exponencialmente distribuídos (M)
✓ s atendentes

=
s
s s  s +1 p0
Lq =
s!(1 −  )
2
𝑝0 = probabilidade de haver
zero usuários no sistema
−1
 s s  s +1
p0 =  +
s
(s ) 
n

 s!(1 −  ) n =0 n! 
FILAS M/M/1/K
✓ 1 atendente
✓ número máximo (K) de usuários permitidos no sistema
  (K + 1) K +1 (  1)
 −   n (1 −  )
1 −  1- K +1
 (  1)
L= pn =  1 −  K +1
 K
( = 1)  1
 K + 1 ( = 1)
 2

 =  (1 − p K ) Probabilidade de haver n
usuários no sistema
Filas com restrição de capacidade
• O sistema de filas (espera + atendimento) tem uma capacidade
limitada
• A capacidade total do sistema é dada por K

– K = número máximo de usuários no sistema, isto é, em fila + em atendimento
– Exemplo: s=2 e fila máxima = 3  K = 2 + 3 = 5
• Se o usuário chega e o sistema está lotado, isto é:

– o número total de elementos no sistema é K,
– com s usuários em atendimento e (K−s) usuários na fila
• o usuário simplesmente desiste e vai embora porque ele não pode
permanecer em fila pois a capacidade do sistema está esgotada
• Nesse caso, define-se a taxa efetiva de chegadas 

(isto é, desconsiderando os que desistem por capacidade esgotada
Filas com restrição de capacidade (K)
𝐾 =4+1=5
Filas com restrição de capacidade (K)
𝐾 =6+2=8
Filas com restrição de capacidade
• As fórmulas de Little
L = W
Lq =  Wq
• Consideram 
• No caso de K =
• Isto é, sistemas sem restrição de capacidade:
 =
FILAS M/M/s/K

✓ s atendentes
✓ capacidade (K) do sistema
s s  s +1
Lq = 1−  K −s
− (1 −  )( K − s ) K −s
p0
s!(1 −  )
2
( )
  s s  s +1 1 −  K − s s
( n −1
s ) 
 +  (  1)
 s!(1 −  ) n =0 n!  Probabilidade 𝑝0 de haver
p0 =  zero usuários no sistema
n −1
 s s s
s 
 s! (K − s ) +  n!  ( = 1)
 n =0 
FILAS M/M/s/K
Probabilidade 𝑝𝑛 de haver n
usuários no sistema
 (s )n
 p0 (n = 1, 2, ..., s)
 n!


pn =  s s  n
 p0 (n = s + 1, ..., K )
 s!

 0 (n = K + 1, K + 2, ...)
 1
RELAÇÃO ENTRE
OS TEMPOS DE ESPERA DAS FILAS M/M/s E M/D/s
𝐶𝑣 (𝑆) = 1 Wq( M ) s +1 1−  s
=
𝐶𝑣 (𝑆) = 0
Wq( D ) s 1−  s +1
Wq(M ) = tempo de espera médio para a fila M/M/s
Wq( D ) = tempo de espera médio para a fila M/D/s
Nota-se que, à medida que s cresce, a relação acima tende à unidade.

Para s = 25 e  = 0,945, tem-se Wq(M ) / Wq( D ) = 1,02
Esse resultado é bastante útil em algumas aplicações, pois mostra que a
distribuição dos tempos de atendimento não é tão importante para valores
grandes de s, podendo, nesses casos, empregar-se o modelo M/M/C sem
grande erro (e a favor da segurança).
Wq
=
T
Atividade 1
Atividade 1 (em grupo)
• Leia a reportagem
• Identifique os principais pontos da reportagem
• Priorize as ideias e sugestões em ordem decrescente de importância.
• Sugira outras medidas medida adicional para mitigar o efeito da espera em filas
https://edition.cnn.com/style/article/design-of-
waiting-lines/index.html
Exemplos de simulação
https://www.youtube.com/watch?v=O8PWoK1OSnc
• https://www.youtube.com/watch?v=JBh4Mpv6XLg
• https://www.youtube.com/watch?v=6EFPB0FUgCM
https://www.youtube.com/watch?v=cJ2OgT4z2co
• http://www.anylogic.com/video-tour
https://www.youtube.com/watch?v=MUTsHnf6ga8
• http://www.anylogic.com/video-tour
Exercício 2
Exercício 2 – Atendimento Pronto Socorro
• O problema
– Pacientes chegam ao PS segundo uma distribuição de Poisson com taxa de chegadas 
– Equivale ao intervalo entre chegadas ser 1/  e obedecer uma distribuição exponencial.
– O tempo de atendimento do médico para cada paciente segue uma distribuição
exponencial com média (1/ ), ou seja, a taxa de atendimento é 
– O sistema pode ser modelado como um modelo de filas do tipo M/M/s onde s = número
de médicos
pelo que eu percebi é sempre M/M
➢ Dados
  = 2 pacientes por hora
  = 3 pacientes por hora
❖ Perguntas
– Como as características do sistema são afetadas? (, Wq, W, Lq e L)
– A capacidade deve ser aumentada de 1 para 2 médicos? Justificar
G = genérico, Formulário
qualquer um
• Fila M/G/1/ 
  2  1 + Cv ( S )2 
Lq =   
1 −   2 
• Fila M/M/s/
−1
Lq =
s 
s s +1
p0  s 
p0 = 
s s +1
+
s
(s ) 
n

s!(1 −  )  s!(1 −  ) n =0 n! 
2
• Fórmulas de Little
 Lq =  Wq

 L = W
Atendimento com um médico
 2 2
= = =
s 1x3 3
Lq = 
2 2 ( )
 2 2
   1 + Cv ( S )   3  1 + 12  4 3 4
  =  2  = = = 1.33 pacientes
1 −    2  1 − 3   2  9 1 3
 
Lq 4
3 4 2
Lq =  Wq  Wq = = = = hora = 40 min
 2 6 3
1 2 1
W = Wq + = + = 1 hora
 3 3
L =  W = 2 1 = 2 pacientes
Atendimento com dois médicos
𝜆 2 2 1
𝜌= = = =
𝑠𝜇 2 × 3 6 3
𝑠 −1
𝑠 𝑠 𝜌 𝑠+1 𝑠𝜌 𝑛
𝑝0 = +෍
𝑠! 1 − 𝜌 𝑛!
𝑛=0
3 0 1 2 −1
1 1 1 1
22 2×3 2×3 2×3
𝑝0 = 3+ + + = 0,500
1 0! 1! 2!
2! 1 − 3
3
1
𝑠 𝑠 𝜌 𝑠+1 𝑝0 22 0,500 1
𝐿𝑞 = = 3 = = 0,083
𝑠! 1 − 𝜌 2 1 12
2! (1 − )
3
1
𝐿𝑞 ( ) 1 1
ҧ
𝐿𝑞 = 𝜆𝑊𝑞 ⇒ 𝑊𝑞 = = 12 = ℎ × 60 = 2,5 𝑚𝑖𝑛 𝑊 = 𝑊 + = 2,5 + 20 = 22,5
𝑞
𝜆ҧ 2 24 𝜇
Resultados
• Interpretação:
– Tempo na fila = tempo aguardando na sala de espera
– Tempo no sistema = tempo no PS (na fila ou em atendimento)
Parâmetro Um médico (s=1) Dois médicos (s=2)

 2/3 1/3
isso daqui n sei P0 1/3 1/2
de onde ele tirou
(1-P0) 2/3 1/2
Lq 4/3 pacientes 1/12 pacientes
L 2 pacientes 3/4 pacientes
Wq 2/3 h = 40 minutos 1/24 h = 2,5 minutos
W 1h 3/8 h = 22,5 minutos

Filas Apresentação Mai-2021

Enviado por

Dados do documento

Descrição original:

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

Filas Apresentação Mai-2021

Enviado por

Direitos autorais:

Formatos disponíveis

Teoria de Filas

Prof. Dr. Claudio Barbieri da Cunha

• Resultados teóricos referem-se ao regime estacionário do

• Alguns aspectos Comportamentais

Chegada Tempo Atendimento Tempo

Chegada Tempo Atendimento Tempo

Chegada Tempo Atendimento Tempo

Chegada Tempo Atendimento Tempo

Chegada Tempo Atendimento Tempo

Chegada Tempo Atendimento Tempo

Chegada Tempo Atendimento Tempo

Chegada Tempo Atendimento Tempo

• Chegadas regularmente espaçadas

(a) Cliente (d) Processo de Atendimento

 = taxa de atendimento (usuários por unidade de tempo)

s = número de servidores (ou atendentes) em paralelo

 = índice de utilização ou de intensidade de tráfego da fila

 1 implica fila tendendo ao infinito

 1 para que haja estabilidade do sistema de filas

 = taxa de atendimento (usuários por unidade de tempo por servidor)

 Podemos quantificar o processo de chegada através de sua

 Uma fila pode possuir um ou mais servidores (s)para atender

 A qualidade do serviço pode ser melhorada adicionando

 Descreve como os clientes são escolhidos para entrar em um serviço

 Filas com Prioridades

 𝑊𝑞 = média do tempo gasto por cada cliente desde o

 Principal causa de irritação dos clientes

 O ideal é que não exista tempo de espera

 Corresponde à soma do tempo médio na fila e do tempo

Função de densidade de probabilidade

Função de Distribuição acumulada F(x) =

⚫ O número de navios que chega a um porto em um dado dia é

x 10 11 12 13 14 aqui a função não é função de

Determine a probabilidade que em um dado dia :

b. Cheguem pelo menos 12 navios p(x12)= (.2 + .1 +.1) = .4

• Poisson: distribuição discreta

• Exponencial: distribuição contínua

PX (t )  x / X (t0 ) = x0 , X (t1 ) = x1 , ... , X (t n ) = xn  = P X (t )  x / X (t n ) = xn 

Uma variável contínua x, que tome todos os valores não-negativos,

Para que exista um processo de Poisson é preciso que sejam as satisfeitas as

✓ as chegadas devem ser independentes e as características probabilísticas do

 A Erlang de grau k=1 corresponde à distribuição exponencial

 À medida que o grau k cresce, a distribuição tende para a

 Se o grau k tender ao infinito, a distribuição Erlang tende para

Expectância de t é dada por:

Variância de t é dada por:

 Processo de filas com:

Para uma fila no estado estacionário, as medidas de maior interesse são:

L = número médio de usuários no sistema

Lq = comprimento médio da fila

𝑊= tempo médio que um usuário permanece no sistema

𝑊𝑞 = tempo médio que um usuário permanece (ou espera) na fila

Fórmulas de Little (se aplicam a todos os sistemas de fila)

= Taxa efetiva de chegada no sistema. Difere de λ apenas quando

Essa equação vale para qualquer distribuição do tempo de atendimento,

Cv (S ) = Coeficiente de variação da distribuição de probabilidades que representa os

1. Regime permanente: taxas de chegada e de atendimento

5. Número fixo de servidores

• M/M/1 M/G/1 M/M/1/K

 intervalos entre chegadas exponencial (M)

 = índice de utilização ou de intensidade de tráfego

 = taxa de chegadas (usuários por unidade de tempo)