Simulação e Tomada

de Decisão
 Material Teórico
Teoria das Filas: Modelos e Simulações

Responsável pelo Conteúdo:

Prof. Ms. Roberto Luiz Garcia Vickunsky

Revisão Textual:
Profa. Ms. Fátima Furlan
 Teoria das Filas: Modelos e Simulações

• Notação Kendall
• Postulados básicos e modelos de filas
• Ferramentas para Simulação

OBJETIVO DE APRENDIZADO
· Apresentar a notação Kendall utilizada para a classificação dos
modelos de fila, os tipos básicos de sistemas de filas e suas aplicações.
 Orientações de estudo
Para que o conteúdo desta Disciplina seja bem
aproveitado e haja uma maior aplicabilidade na sua
formação acadêmica e atuação profissional, siga
algumas recomendações básicas:
Conserve seu
material e local de
estudos sempre
organizados.
Aproveite as
Procure manter indicações
contato com seus de Material
colegas e tutores Complementar.
para trocar ideias!
Determine um Isso amplia a
horário fixo aprendizagem.
para estudar.

Mantenha o foco!
Evite se distrair com
as redes sociais.

Seja original!
Nunca plagie
trabalhos.

Não se esqueça
de se alimentar
Assim: e se manter
Organize seus estudos de maneira que passem a fazer parte hidratado.
da sua rotina. Por exemplo, você poderá determinar um dia e
horário fixos como o seu “momento do estudo”.

Procure se alimentar e se hidratar quando for estudar, lembre-se de que uma

alimentação saudável pode proporcionar melhor aproveitamento do estudo.

No material de cada Unidade, há leituras indicadas. Entre elas: artigos científicos, livros, vídeos e
sites para aprofundar os conhecimentos adquiridos ao longo da Unidade. Além disso, você também
encontrará sugestões de conteúdo extra no item Material Complementar, que ampliarão sua
interpretação e auxiliarão no pleno entendimento dos temas abordados.

Após o contato com o conteúdo proposto, participe dos debates mediados em fóruns de discussão,
pois irão auxiliar a verificar o quanto você absorveu de conhecimento, além de propiciar o contato
com seus colegas e tutores, o que se apresenta como rico espaço de troca de ideias e aprendizagem.
UNIDADE Teoria das Filas: Modelos e Simulações

Contextualização
Na maioria dos casos, a chegada de um novo cliente em um sistema de filas
é independente do tempo transcorrido entre esse evento e a chegada ocorrida
anteriormente, ou seja, as chegadas, geralmente, ocorrem de maneira aleatória,
como é o caso, por exemplo, das filas em uma agência bancária, onde a chegada
de um cliente não tem relação com a chegada anterior, ou das filas de máquinas
quebradas em um departamento de manutenção.

Da mesma forma, o tempo transcorrido entre o atendimento de um cliente e

outro em um sistema de filas ocorre de forma aleatória. Por exemplo, o atendimento
de um cliente no sistema de fila de uma agência bancária pode ser mais demorado
do que o atendimento do cliente anterior, o conserto de uma máquina no sistema
de fila do departamento de manutenção pode demorar mais do que o anterior.

Nesse contexto, modelos de filas que apresentam intervalos de tempos aleatórios

entre chegadas ou atendimentos, devem ser descritos quantitativamente por meio
da distribuição probabilística, que envolve conceitos complexos e vasto formulário.
Portanto, fica clara a importância do estudo dos modelos de filas para que possamos
reconhecer as características de cada sistema, o que nos permitirá aplicar as
ferramentas adequadas nas análises, determinação das medidas de desempenho e
simulações de modelos específicos de filas.

8
Notação Kendall
O matemático britânico David George Kendall, em seu artigo intitulado “Sto-
chastic Processes Occurring in the Theory of Queues and their Analysis by the
Method of the Imbedded Markov Chain” (Processos Estocásticos Ocorrentes na
Teoria das Filas e sua Análise pelo Método da Cadeia de Markov Integrada”), publi-
cado em 1953 no The Annals of Mathematical Statistics, propôs a utilização de
uma notação específica para descrever os processos de filas. Essa notação, que fi-
cou conhecida como “Notação de Kendall”, descreve um sistema de filas por meio
de seis parâmetros básicos identificados pelas letras A/B/c/K/m/Z. Esses parâ-
metros representam as características do sistema, conforme a seguinte estrutura:

Figura 1

Parâmetro A - Distribuição dos intervalos entre chegadas

Esse parâmetro representa o tipo de distribuição estatística referente aos inter-
valos de tempo entre as chegadas, podendo assumir um dos modelos apresentados
na Tabela 1, de acordo com o tipo de distribuição.

Parâmetro B - Distribuição dos intervalos entre chegadas

Esse parâmetro representa o tipo de distribuição estatística referente aos tempos
de serviço (atendimento). Assim como o parâmetro anterior, o parâmetro “B” pode
assumir um dos modelos apresentados na Tabela 1, de acordo com o tipo de
distribuição de probabilidade.
Tabela 1
Modelo Distribuição Descrição
M Markoviana Distribuição exponencial negativa ou distribuição de Poisson. Esse modelo é aplicado em sistemas
de fila onde a probabilidade da ocorrência de um evento independe de quando ocorreu o evento
anterior. É chamado também de modelo Memoryless (sem memória) pelo fato de expressar a
probabilidade de ocorrência de eventos aleatórios que não dependem das ocorrências anteriores.
Ek Erlang A distribuição Erlang é um caso especial da distribuição gama, geralmente aplicada em modelos
de filas para representar a distribuição de tempo de serviço de diversas tarefas. O parâmetro K
representa valores inteiros maiores que zero (quando K=1, a distribuição Erlang se torna uma
distribuição exponencial).
D Determinística É aplicada em modelos de filas onde os intervalos entre os eventos (chegadas ou atendimentos)
são constantes, ou seja, não existe variação de tempo entre os eventos.
G Geral Representa uma distribuição de probabilidade geral, onde os resultados podem ser considerados
em qualquer modelo de distribuição probabilística.

9
9
UNIDADE Teoria das Filas: Modelos e Simulações

Parâmetro c - Quantidade de atendentes

Esse parâmetro determina o número de canais de atendimento do sistema de fila.

Parâmetro K - Capacidade máxima do sistema

Representa o número máximo de clientes suportado pelo sistema. Caso esse
parâmetro seja omitido, ou seja, se ele não for referenciado na notação Kendall,
considera-se que o sistema tem capacidade infinita.

Parâmetro m - Tamanho da fonte

Representa o número de indivíduos (população) que utiliza o sistema. Caso esse
parâmetro seja omitido, ou seja, se ele não for referenciado na notação Kendall,
considera-se que a fonte é infinita.

Parâmetro Z - Disciplina da fila

Representa o tipo de modelo organizacional da fila de espera em relação ao
atendimento, podendo assumir um dos seguintes tipos: FIFO (First In, First Out -
primeiro que entra é o primeiro que sai), LIFO (Last In, First Out - último que entra
é o primeiro que sai), SIRO (Service In Random Order - atendimento em ordem
aleatória) e PRI (PRIority Service - atendimento prioritário). Caso esse parâmetro
seja omitido, ou seja, se ele não for referenciado na notação Kendall, considera-se
que a disciplina da fila é FIFO.

Exemplos
A seguir, são apresentados alguns modelos de filas representados em notação
Kendall, apenas com o intuito de exemplificar essa notação.

Exemplo 1: M/M/2/30/2000/FIFO
• Intervalo entre chegadas: segue a distribuição de Poisson (M);
• Tempo de serviço: exponencialmente distribuído (M);
• Quantidade de atendentes: 2;
• Capacidade máxima do sistema: 30 clientes;
• Tamanho da fonte (população): 2000 indivíduos;
• Disciplina da fila: FIFO.

Exemplo 2: M/M/3/500
• Intervalo entre chegadas: segue a distribuição de Poisson (M);
• Tempo de serviço: exponencialmente distribuído (M);
• Quantidade de atendentes: 3;

10
 • Capacidade máxima do sistema: 500 clientes;
• Tamanho da fonte: infinito (parâmetro omitido, portanto, considera-se o valor
padrão: ∞);
• Disciplina da fila: FIFO (parâmetro omitido, portanto, considera-se o valor
padrão: FIFO).

Exemplo 3: M/M/4
• Intervalo entre chegadas: segue a distribuição de Poisson (M);
• Tempo de serviço: exponencialmente distribuído (M);
• Quantidade de atendentes: 4;
• Capacidade máxima do sistema: infinita (parâmetro omitido, portanto,
considera-se o valor padrão: ∞);
• Tamanho da fonte: infinito (parâmetro omitido, portanto, considera-se o valor
padrão: ∞);
• Disciplina da fila: FIFO (parâmetro omitido, portanto, considera-se o valor
padrão: FIFO).

Exemplo 4: M/E2/5/∞/∞/SIRO
• Intervalo entre chegadas: segue a distribuição de Poisson (M);
• Tempo de serviço: segue a distribuição Erlang de ordem 2 (E2);
• Quantidade de atendentes: 5;
• Capacidade máxima do sistema: infinita (∞);
• Tamanho da fonte: infinito (∞);
• Disciplina da fila: SIRO (atendimento em ordem aleatória).

Postulados básicos e modelos de filas

Serão abordados agora alguns postulados básicos aplicados a quaisquer sistemas
de filas, e em seguida estudaremos os principais modelos de filas e suas equações
básicas referentes às medidas de desempenho e análise probabilística.

Postulados Básicos
Os postulados apresentados a seguir se aplicam a quaisquer modelos de filas
estáveis, ou seja, sistemas onde a taxa média de chegada (λ) é menor que o ritmo
médio de atendimento (µ).

11
11
UNIDADE Teoria das Filas: Modelos e Simulações

Postulado 1: Em qualquer modelo de fila estável, o fluxo de entrada (λE) é igual

ao fluxo de saída (λS).

Postulado 2: Em qualquer modelo de fila estável, o fluxo de entrada (λE1) se

mantém igual em todas as etapas do sistema desde que não existam junções ou
desdobramentos nessas etapas.

Postulado 3: Em qualquer modelo de fila estável, o fluxo de entrada (λE) se

mantém igual em todas as etapas do sistema, desde que não existam junções ou
desdobramentos nessas etapas.

Postulado 4: Em qualquer modelo de fila estável, os fluxos se desdobram

aritmeticamente.

No exemplo apresentado, podemos observar que o fluxo de entrada λE1, após

o processo de atendimento pelo servidor A, é desdobrado em duas filas que serão
atendidas pelos servidores B e C, sendo que o fluxo da primeira (λE2) corresponde
a 60% do fluxo de entrada, e o fluxo da segunda (λE3) corresponde a 40%. Dessa
forma, a soma das saídas λS1 e λS2 é igual à soma de λE2 e λE3, que representa
o fluxo da entrada λE1.

12
Principais Modelos de Filas
Modelo M/M/1
A notação M/M/1 é uma forma abreviada da notação Kendall, onde são
omitidos os parâmetros K (capacidade máxima do sistema), m (tamanho da fonte)
e Z (disciplina da fila). Portanto, considera-se para esses parâmetros os seus valores
padrões, sendo assim, o modelo M/M/1 possui as seguintes características:
• Intervalo entre chegadas: segue a distribuição de Poisson (M);
• Tempo de serviço: exponencialmente distribuído (M);
• Quantidade de atendentes: 1;
• Capacidade máxima do sistema: infinita (default - padrão);
• Tamanho da fonte: infinito (default - padrão);
• Disciplina da fila: FIFO (default - padrão).

A figura apresentada a seguir ilustra a estrutura do modelo de fila M/M/1.

Pela sua simplicidade, o M/M/1 é o modelo de fila mais utilizado nos estudos
teóricos. Nesse modelo markoviano de um único atendente, a taxa de chegada
segue o processo de Poisson, o ritmo de atendimento segue o modelo de distribuição
probabilística exponencial, e a capacidade de atendimento e o tamanho da fonte
são infinitos. Dessa forma, as medidas de desempenho podem ser facilmente
calculadas. A Tabela 2 mostra as equações básicas do modelo de fila M/M/1.

Tabela 2 – Equações do Modelo M/M/1

Equações Gerais
1
1 Intervalo médio entre chegadas. IC =
λ

1
2 Tempo médio de atendimento TA =
µ

λ
3 Taxa média de utilização do servidor. ρ=
µ

13
13
UNIDADE Teoria das Filas: Modelos e Simulações

Tabela 2 – Equações do Modelo M/M/1

Funções Estatísticas (Probabilidade)
n
λ µ−λ
4 Probabilidade de existirem “n” clientes no sistema. P(n) =   ⋅  
µ  µ 

r +1
Probabilidade de que a quantidade de clientes no λ
5 P(n > r ) =  
sistema seja maior que um dado valor “r”. µ

µ−λ
6 Probabilidade de que o sistema esteja ocioso. P (n = 0 ) =  
 µ 

Probabilidade de que o sistema esteja ocupado (é igual λ

7 à taxa média de utilização do servidor representada pela P (n > 0 ) = ρ =  
µ
letra grega ρ - rô).
Equações de Quantidades e Tempos
λ
8 Número médio de clientes no sistema. NS =
µ−λ

λ2
9 Número médio de clientes na fila de espera. NF =
µ (µ − λ )

λ
10 Tempo médio de espera na fila. TF =
µ (µ − λ )

1
11 Tempo médio em que o cliente permanece no sistema. TS =
µ−λ

Relacionamento Entre as Equações (Lei de Little)

Relação entre o número médio de clientes na fila de
12 NF = λ ⋅ TF
espera (NF) e tempo médio de espera na fila (TF).
Relação entre o número médio de clientes no sistema
13 (NS) e o tempo médio de permanência do cliente no NS = λ ⋅ TS
sistema (TS).
Relação entre o tempo médio de espera na fila (TF) e o TF = TS −
1
14
tempo médio de permanência no sistema (TS). µ

Relação entre o número médio de clientes na fila de NF = NS −

λ
15
espera (NF) e número médio de clientes no sistema (NS). µ

Exemplo prático de um modelo de fila M/M/1

No balcão de informações de um aeroporto, chegam em média 16 pessoas
por hora. Sabendo-se que o tempo médio de atendimento é de 3 minutos e que o
sistema é um modelo M/M/1, calcule os seguintes dados:
1. o número médio de pessoas esperando na fila;
2. o tempo médio que uma pessoa gasta no sistema;
3. o número médio de pessoas no sistema;
4. a probabilidade do balcão de atendimento estar livre;
5. a probabilidade de haver 5 pessoas no sistema;
6. a probabilidade de haver mais de 8 pessoas no sistema.

14
Dados conhecidos:
• λ = 16 (taxa de chegada = 16 pessoas/hora)
• TA = 3min = 3÷60 = 0,05h (tempo de atendimento 0,05 hora/pessoa)
• µ = 1÷TA = 1÷0.05 = 20 (ritmo de atendimento = 20 pessoas/hora)

Solução
1. Número médio de pessoas esperando na fila (NF):
λ2 16 2 256
NF =  = = = 3, 2pessoas.
µ ( µ − λ ) 20. ( 20 − 16 ) 80

2. Tempo médio que uma pessoa gasta no sistema (TS):

1 1
TS =  = = 0,25 hora ou 15 minutos
µ − λ 20 − 16

3. Número médio de pessoas no sistema (NS):

λ 16
NS =  = = 4 pessoas
µ − λ 20 − 16

ou pela fórmula de Little:

NS = λ ⋅ TS = 16 ⋅ ( 0, 25 )= 4 pessoas

4. Probabilidade do balcão de atendimento estar livre (P(0)):

n
 λ  µ−λ
P ( n ) =    . 
 µ   µ 

0
 16   20 − 16  4
P ( 0 ) =    .  = 1⋅ = 0, 2 = 20% de probabilidade.
 20   20  20

5. Probabilidade de haver 5 pessoas no sistema (P(5)):

n
 λ  µ−λ
P ( n ) =    ⋅ 
 µ   µ 
5
 16   20 − 16  4
P ( 5 ) =    .  = (0, 8)5 . = 0,065 = 6,5% de probabilidade.
 20   20  20

6. Probabilidade de haver mais de 8 pessoas no sistema (P(n>8)):

r +1
 λ 
P ( n > r ) =   
 µ 
8 +1
 16 
P ( n > 8 ) =    = (0, 8)9 = 0, 134 = 13, 4%deprobabilidade.
 20 

15
15
UNIDADE Teoria das Filas: Modelos e Simulações

Modelo M/M/c
O modelo M/M/c é uma variação do modelo M/M/1, com a diferença de que o
número de atendentes, definido pelo parâmetro “c”, é maior que 1. Portanto, esse
modelo possui as seguintes características:
• Intervalo entre chegadas: segue a distribuição de Poisson (M);
• Tempo de serviço: exponencialmente distribuído (M);
• Quantidade de atendentes: 2 ou mais (c);
• Capacidade máxima do sistema: infinita (default - padrão);
• Tamanho da fonte: infinito (default - padrão);
• Disciplina da fila: FIFO (default - padrão).

A figura apresentada a seguir ilustra a estrutura do modelo de fila M/M/c.

As equações do modelo M/M/c, diferentemente do modelo anterior M/M/1,

são bastante complexas, como você pode observar na Tabela 3. Por esse motivo,
geralmente são utilizados gráficos para se obter o número médio de clientes na
fila (NF) com base na taxa de utilização dos servidores, e em seguida, aplica-se as
fórmulas de Little para o cálculo das outras variáveis.

Equações do modelo M/M/c

Nome Descrição Fórmula
λ
ρ Taxa média de utilização do servidor. ρ=
c ⋅µ

Relação entre taxa de chegada (λ) e taxa de atendimento r=

λ
r
(µ) µ

P ( 0 ) cr c +1
NF Número médio de clientes na fila de espera. NF =
c !(c − r )
2

 r c +1 
NS Número médio de clientes no sistema. NS = r +   P (0)
 c ! ( c − r )2 
 

16
 Equações do modelo M/M/c
r cµ
TF Tempo médio de espera na fila. TF = P (0)
( c − 1) ! ( c µ − λ )
2

1  r cµ 
TS Tempo médio em que o cliente permanece no sistema. TS = +  P (0)
µ  ( c − 1) ! ( c µ − λ ) 
2
 

rn
P ( n) = P ( 0 )  1≤n≤ c
se

n!
P(n) Probabilidade de existirem “n” clientes no sistema. r n
P ( n ) = P ( 0 ) n− c  n≥c
se
c c!
−1
 c −1 r n cr c 
P(0) Probabilidade de que o sistema esteja ocioso. P (0) =  ∑ +
 n= 0 n ! c ! ( c − r ) 
 

Exemplo prático de um modelo de fila M/M/c

Em um aeroporto que possui duas pistas de pouso e decolagem, chegam 15
aviões por hora. Sabendo-se que o tempo médio de aterrissagem é de 3 minutos e
que o sistema é um modelo M/M/c, calcule os seguintes dados:
1. o ritmo médio de atendimento;
2. a taxa média de utilização dos servidores;
3. o número médio de aviões aguardando para pousar;
4. o tempo médio de espera para o pouso;
5. o tempo médio de permanência no sistema;

Dados conhecidos:
• λ = 15 (taxa de chegada = 15 aviões/hora)
• TA = 3min = 3÷60 = 0,05h (tempo de aterrissagem 0,05 hora/avião)
• c = 2 (número de servidores = 2 pistas de pouso)

Solução
1. Ritmo médio de atendimento (µ):
1 1
µ= = = 20 aviões/hora.
TA 0, 05

2. Taxa média de utilização dos servidores (ρ):

λ 15
ρ= = = 0, 375 = 37, 5%
c ⋅ µ 2 ⋅ ( 20 )

(cada pista apresenta ocupação de 37,5% do tempo)

17
17
UNIDADE Teoria das Filas: Modelos e Simulações

3. Número médio de aviões aguardando para pousar (NF):

Devemos achar a relação entre as taxas de chegada e atendimento (r):

λ 15
r= = = 0, 75
µ 20

Devemos encontrar a probabilidade de o sistema estar ocioso (P(0)):

−1 −1
 c −1 r n cr c   0, 750 0, 751 2 x 0,7 75 2 
P( 0 ) = ∑ + = + + = 0, 4545
 n= 0 n ! c ! ( c − r )   0! 1!

2 ! ( 2 − 0, 75 ) 
  

Agora basta calcular o número médio de aviões na fila (NF):

P( 0 ) cr c +1 0, 4545 x2 x0, 75 3

NF =  = = 0, 1227 avião emmédia
 
na fila
c !(c − r ) 2 ! ( 2 − 0, 75 )
2 2

4. Tempo médio de espera para o pouso (TF):

rcµ 0, 75 2 x20 
TF = P( 0 ) =  x 0, 4545 = 0, 0082 hora
( c − 1) ! ( cµ − λ ) ( 2 − 1) ! ( 2 x20 − 15 )
2 2

= 0,0082 * 60 = 0,49 minuto (tempo de espera na fila)

5. Tempo médio de permanência no sistema (TS)

1  rcµ 
TS = + P
µ  ( c − 1) ! ( cµ − λ )2  ( 0 )
 
1  2
0, 75 x20 
TS =  +   0,4545 = 0,0582 hora
20  ( 2 − 1) ! ( 2 x20 − 15 )  2
 

= 0,0582 * 60 = 3,5 minutos (tempo de permanência no sistema)

Modelo M/M/1/K
O modelo M/M/1/K é aplicado com bastante frequência na vida prática. Tra-
ta-se de um caso particular do modelo M/M/1, onde a capacidade máxima do
sistema, representada pelo parâmetro “K”, é limitada. Fato que também implica
na limitação da fonte de clientes (população). O modelo M/M/1/K possui as
seguintes características:
• Intervalo entre chegadas: segue a distribuição de Poisson (M);
• Tempo de serviço: exponencialmente distribuído (M);
• Quantidade de atendentes: 1;
• Capacidade máxima do sistema: finita (K);
• Disciplina da fila: FIFO (default - padrão).

18
 A Tabela 4 apresenta as equações desse modelo de fila.

Equações do modelo M/M/1/K

Nome Descrição Fórmula
λ
ρ Taxa média de utilização do servidor. ρ=
µ

K +1
ρ Kρ + ρ 
NF =  −  ρ ≠ 1
se

1 − ρ 1 − ρ K +1
NF Número médio de clientes na fila de espera. K ( K − 1) 
NF =   ρ ≠ 1
se

2 ( K + 1)

NS =
ρ
−
( K + 1) ρ K +1 se
→ ρ ≠ 1
1−ρ 1 − ρ K +1
NS Número médio de clientes no sistema.
K se
NS = → ρ = 1
2

ρ Kρ K se
TF = − → ρ ≠ 1
(
µ (1 − ρ ) µ 1 − ρ K
)
TF Tempo médio de espera na fila.
K − 1 se
TF = → ρ = 1
2ρµ

1 Kρ K se
TS = − → ρ ≠ 1
(
µ (1 − ρ ) µ 1 − ρ K
)
TS Tempo médio em que o cliente permanece no sistema.
K + 1 se
TS = → ρ = 1
2ρµ

1 − ρ se
P( 0 ) = → ρ ≠ 1
1 − ρ K +1
P(0) Probabilidade de que o sistema esteja ocioso. 1 se
P( 0 ) = → ρ = 1
K +1

Exemplo prático de um modelo de fila M/M/1/K

O departamento de usinagem de uma indústria possui 6 máquinas. Constatou-
se que em média, 3 máquinas por semana apresentam defeito. Sabendo-se que
o departamento de manutenção (servidor) tem capacidade para consertar em
média 6 máquinas por semana e que o sistema é um modelo M/M/1/K, calcule
os seguintes dados:
1. a taxa média de utilização do servidor;
2. a probabilidade do sistema estar ocioso;
3. o número médio de máquinas quebradas na fila;
4. o número médio de máquinas quebradas no sistema;
5. o tempo médio de espera na fila;
6. o tempo médio de permanência no sistema.

Dados conhecidos:
• λ = 3 (taxa de chegada = 3 máquinas/semana para conserto)
• K = µ = 6 (quantidade de máquinas = capacidade do sistema)
• c = 1 (número de atendentes = departamento de manutenção)

19
19
UNIDADE Teoria das Filas: Modelos e Simulações

Solução
1. Taxa média de utilização do servidor (ρ):
λ 3
ρ =  =  = 0, 5
µ 6

O servidor (departamento de manutenção) ficará ocupado 50% do tempo (ρ=0,5).

2. b) Probabilidade de o sistema estar ocioso (P(0)):

1 − ρ se
P( 0 ) = → ρ≠1
1 − ρ K +1
1 − 0, 5
P( 0 ) = = 0, 5039 
1 − 0, 56 +1

Probabilidade de o sistema estar ocioso = 0,5039 = 50,39%

3. Número médio de máquinas na fila (NF):

ρ KρK +1 + ρ se
NF =  − →ρ≠1
1 − ρ 1 − ρ K +1

NF = 
0, 5
−
(
6. 0, 56 +1 + 0, 5)= 0,4488 máquina em média na fila
1 − 0, 5 1 − 0, 56 +1

4. Número médio de máquinas no sistema (NS):

NS =
ρ
−
( K + 1) ρ K +1 se
→ ρ ≠ 1
1−ρ 1 − ρ K +1

NS =
0, 5
−
( 6 + 1) 0, 56 +1
= 0,9449 máquina em média no sistema
1 − 0, 5 1 − 0, 56 +1

5. Tempo médio de espera na fila (TF):

ρ Kρ K se
TF = − → ρ≠1
µ (1 − ρ ) µ 1 − ρK ( )
TF =
0, 5
−
6. 0, 56 (
= 0, 1508
)
6 (1 − 0, 5 ) 6 1 − 0, 56 ( )
= 0,1508 semana (tempo de espera na fila)

6. Tempo médio de permanência no sistema (TS)

1 Kρ K se
TS = − → ρ≠1
µ (1 − ρ ) µ 1 − ρK ( )
TS =
1
−
6. 0, 56 (
= 0, 3175
)
6 (1 − 0, 5 ) 6 1 − 0, 56 ( )
= 0,3175 semana (tempo de permanência no sistema)

20
Ferramentas para Simulação
A simulação é um processo experimental onde, a partir de um modelo tomado
como base, são feitas projeções de cenários diversos com o propósito de analisar
o comportamento e as respostas do sistema estudado nas mais variadas condições.

Antes do surgimento das ferramentas computacionais voltadas à experimentação

de modelos por meio de simulações, as técnicas para esse fim restringiam-se aos
processos manuais, onde as simulações eram feitas manualmente por meio da
exaustiva repetição de cálculos sobre o modelo estudado. Por esse motivo, as
simulações eram utilizadas como um último recurso.

Com o surgimento e popularização dos sistemas computacionais, diversas

ferramentas que podem ser utilizadas para simulações foram desenvolvidas. Essas
ferramentas são classificadas em três categorias: linguagens de programação,
aplicativos de uso geral e softwares específicos.

As linguagens de programação são ferramentas que permitem a criação de

aplicações (programas). São ferramentas complexas que exigem do desenvolvedor
bons conhecimentos da linguagem e lógica de programação. Como exemplos
de linguagens de programação, podemos citar: C, JAVA, BASIC, FORTRAN,
PASCAL, dentre outras.

Os aplicativos de uso geral, assim como as linguagens de programação, não

são voltados especificamente para simulações. Porém, eles permitem a realização
de experimentos sobre modelos de uma forma mais acessível ao usuário. Como
exemplos desses aplicativos, temos o EXCEL® (desenvolvido pela Microsoft
Corporation) e o MATLAB® (desenvolvido pela MathWorks, Inc.), dentre outros.

Os softwares específicos, por outro lado, são ferramentas desenvolvidas exclu-

sivamente para determinadas aplicações. São geralmente mais intuitivas e fáceis
de usar, pois, integram todos os recursos para a realização de um determinado
trabalho, sem a necessidade do usuário construir as fórmulas matemáticas ou os
algoritmos, basta introduzir os parâmetros e as variáveis do modelo. Como exem-
plos desses softwares, temos o PROMODEL® (desenvolvido pela Promodel Cor-
poration) e o ARENA® (desenvolvido pela Rockwell Automation), dentre outros.

A Rockwell Automation disponibiliza uma versão gratuita do software ARENA (versão

Explor

Student) na sua página oficial: www.arenasimulation.com

A Promodel Corporation disponibiliza uma versão gratuita do software PROMODEL (versão
Run-Time-Silver-Demo) na sua página oficial: https://goo.gl/RZjgCK

21
21
UNIDADE Teoria das Filas: Modelos e Simulações

Material Complementar
Indicações para saber mais sobre os assuntos abordados nesta Unidade:

Livros
Introdução à Pesquisa Operacional
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 9. ed.
Porto Alegre: Mc Graw-Whill, 2013. Capítulo 17.
Pesquisa Operacional
TAHA, Hamdy A. Pesquisa Operacional. 8.ed. Pearson, 2007. Capítulo 15

Leitura
Estudo sobre Modelagem e Simulação de Sistemas de Fila M/M/1 e M/M/2
https://goo.gl/jMHrOU
Análise do Fluxo de Pessoas no Sistema de Acesso em uma Universidade - Uma Aplicação da Teoria das Filas
Utilizando o PROMODEL
https://goo.gl/smavGW

22
Referências
ANDRADE, E. L. Introdução à Pesquisa Operacional: Métodos e Modelos Para a
Análise de Decisão. 4. ed. Rio de Janeiro: Ltc-Livros Técnicos e Científicos, 2011.

HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 9. ed.

Porto Alegre: Mc Graw-Whill, 2013.

TAHA, Hamdy A. Pesquisa Operacional. 8ª edição. Pearson, 2007.

23
23