Teoria de Filas

Trabalho da Disciplina MI625 - Processos Estoc

asticos
Beatriz Castro Dias Cuyabano - RA: 031391
Karen Maria Jung - RA: 089311
Prof
a
: Nancy Lopes Garcia
26/Novembro/2009
Departamento de Estatstica - IMECC/UNICAMP
Sumario
1 Introducao 2
2 Elementos do Processo de Filas 3
3 Filas Markovianas 4
3.1 M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.1.1 Distribuicao Estacionaria da Fila M/M/1 . . . . . . . . . . . . . . . . . . . 4
3.1.2 Valor Esperado do N umero de Clientes . . . . . . . . . . . . . . . . . . . . . 7
3.1.3 Distribuicao no Instante de Sada . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.4 Teorema de Burke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.5 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.1.6 M
[X]
/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.7 M/M
[X]
/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1.8 Inferencia para las M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 M/M/c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Distribuicao Estacionaria da Fila M/M/c . . . . . . . . . . . . . . . . . . . 21
3.2.2 Valor Esperado do N umero de Clientes . . . . . . . . . . . . . . . . . . . . . 23
3.2.3 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 M/M/ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.1 Distribuicao Estacionaria da Fila M/M/ . . . . . . . . . . . . . . . . . . 25
3.4 M/M/c/K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4.1 Distribuicao Estacionaria da Fila M/M/c/K . . . . . . . . . . . . . . . . . 28
3.4.2 Valor Esperado do N umero de Clientes . . . . . . . . . . . . . . . . . . . . . 31
4 Consideracoes Finais 34
5 Referencias 35
1
1 Introducao
A teoria de las e um amplo campo de estudos. Mas, o que nos leva a estudar tal teoria? O
que nos interessa estudar sobre las? Elas estao presentes em nosso cotidiano, no supermercado,
no banco, no transito, em qualquer situa cao em que precisamos esperar por um servi co ou oportu-
nidade. O problema da congestao de linhas telefonicas foi um dos primeiros motivos a se estudar
las e foi uma das principais aplicacoes da teoria de las ate meados de 1950. A partir da, a
literatura comecou a expandir e diversas areas comecaram a utilizar os resultados dessa teoria.
Alguns exemplos que adotam essa teoria sao: controle de trafego aereo, transporte e sistemas
de estocagem, sistemas de comunica cao (telefonia) e sistemas de processamento de informacoes.
Um sistema de las pode ser interpretado da seguinte forma: clientes chegam para serem aten-
didos mas, quando nao ha um atendimento imediato, e necessario formar uma la de espera. Os
clientes referidos acima podem ser pessoas que esperam um atendimento, mensagens que esperam
ser transmitidas pelos canais de comunicacao, carros que esperam num semaforo. E, depois quando
chegam, esperam e sao atendidos pelos servidores a partir de alguma disciplina, ou seja, sera pri-
meiro atendido aquele que chega primeiro, disciplina conhecida como rst in rst out - FIFO, ou,
sera atendido primeiro o que chega por ultimo, conhecida como rst in last out - FILO. A primeira
disciplina e geralmente utilizada em nosso dia-a-dia, ja a segunda tem como um exemplo a busca
em discos rgidos.
Para descrever uma la e utilizada a nota cao A/B/c, em que A representa a distribui cao com
que os clientes chegam no sistema, B representa a distribuicao do tempo de servico e c representa
o n umero de servidores. A disciplina utilizada geralmente e FIFO.
O principal motivo de se estudar las e a melhoria do sistema, o que caracteriza uma melhor
utilizacao dos servicos disponveis, menor tempo de espera e maior rapidez no atendimento.
Neste trabalho serao apresentadas as las mais conhecidas, tais como, M/M/1, M/M/c e
M/M/. Tambem serao citadas algumas las que apresentam outros comportamentos de che-
gada e/ou sada, tais como, M
[X]
/M/1 e M/M
[X]
/1, que possuem caractersticas particulares na
distribui cao da chegada ou sada dos clientes. Tambem serao apresentados alguns exemplos, ao
longo do detalhamento dos modelos, para tornar mais claro o estudo e aplica cao de tais las.
2
2 Elementos do Processo de Filas
No estudo de um processo de las, as tres principais perguntas que pretende-se responder sao:
1. Quando o processo de las e Markoviano?
2. Quando esse processo tem distribui cao limite?
3. Quando o processo explode?
Para responder `a essas perguntas, serao introduzidos alguns elementos e suposicoes que auxi-
liarao nas deni coes, estudo e compreensao dos processos de las.
N (t) = n umero de clientes na la no instante t
T
i
= tempo de chegada do i-esimo cliente `a la
X
n
= T
n
T
n1
e o tempo entre as chegadas dos clientes
X
1
, X
2
, X
3
, ... sao independentes e identicamente distribudas F
X
S
1
, S
2
, S
3
, ... tempos de servi co, sao independentes e identicamente distribudas F
S
O tempo entre as chegadas e o tempo de servico sao independentes (X
i
S
j
, i, j = 1, 2, 3, ...)
Alem disso, sera considerado tambem que as las a serem estudadas nesse trabalho se compor-
tam de acordo com a disciplina FIFO, por ser a mais comum dentre os processos observados. Ou
seja, sera sempre considerado que a ordem de chegada `a la sera a mesma ordem de atendimento.
Outra consideracao importante, e que sera trabalhado sempre o caso homogeneo, ou seja, as
transicoes de estados dependem apenas do comprimento dos intervalos observados e assim dene-se,
P
xy
(t) = P (N (s +t) = y|N (s) = x) = P (N (t) = y|N (0) = x) (1)
Outro elemento importante sao as equacoes para frente (forward equations) e para tras (backwards
equations). Considerando
x
como sendo a taxa de chegada de pessoas quando a la estiver com
x clientes e
x
a taxa de sada de pessoas quando a la estives com x clientes, dene-se
forward equation: P

xy
(t) = (
y
+
y
) P
xy
(t) +
y1
P
x,y1
(t) +
y+1
P
x,y+1
(t) (2)
backwards equation: P

xy
(t) = (
x
+
x
) P
xy
(t) +
x
P
x+1,y
(t) +
x
P
x1,y
(t) (3)
3
3 Filas Markovianas
3.1 M/M/1
Uma la M/M/1 e o modelo mais simples dentre os existentes em teoria de las, no entanto e
um dos modelos mais estudados, e sera portanto o mais amplamente abordado neste trabalho. Esse
tipo de la congura um processo de nascimento e morte, no qual as chegadas em um intervalo
de tempo (0, T] seguem um processo de Poisson com taxa , e os tempos de servi co, seguem uma
distribui cao exponencial de parametro , ou seja
P (N (t) = k) = e
t
(t)
k
k!
I
{0,1,2,...}
(k) (4)
E as distribuicoes do tempo entre as chegadas e do tempo de servi co, respectivamente
f (x) = e
x
I
(0,)
(x) (5)
f (s) = e
s
I
(0,)
(s) (6)
O processo de uma la pode ser considerado tambem em dois estados que serao abordados
em analises das las, mais a frente: estado ocupado, quando o servidor estiver continuamente em
atendimento, e o estado vazio, quando nao houver clientes na la.
3.1.1 Distribuicao Estacionaria da Fila M/M/1
Seja p
n
(t) = P (N (t) = n), a forward equation e dada por
_
_
_
dpn(t)
dt
= ( +)p
n
(t) +p
n+1
(t) +p
n1
(t), n 1;
dp0(t)
dt
= p
0
(t) +p
1
(t), .
(7)
O sistema encontra-se em condicao de equilbrio quando observamos que em qualquer estado,
o uxo de clientes que sai dele e o mesmo que entra nele. Para vericarmos o uxo de clientes que
saem do estado n, observamos que o sistema vai para n + 1 se ha uma chegada e a n 1 se ha
uma sada. Entao, o uxo total que entra no estado n vem de n +1 (quando ha uma atendimento
e o cliente sai) ou a partir de n 1 (quando ocorre uma chegada). Quando n = 0, o uxo que sai
corresponde ha uma chegada, enquanto o uxo que entra, vem do estado 1 quando ha uma sada.
Isso ilustra a equacao (7).
No estado de equilbrio, p
n
independe do tempo, ja que nao ha varia cao entre os estados, entao
p

n
(t) e p

0
(t) sao iguais a zero. Assim, resolvendo (7) encontraremos a distribui cao estacionaria do
4
sistema.
Dessa forma, podemos reescrever (7) como
_
_
_
0 = ( +)p
n
+p
n+1
+p
n1
, n 1;
0 = p
0
+p
1
,
(8)
ou _
_
_
p
n+1
=
(+)

p
n

p
n1
, n 1;
p
1
=

p
0
(9)
Provaremos por inducao a equacao dada em (9). Para n = 1 temos
p
2
=
+

p
1

p
0
=
+

p
0
_

p
0
=

p
0
_
+

1
_
=

p
0
_
+

_
=

p
0
_

_
.
=
_

_
2
p
0
(10)
Para n = 2
p
3
=
+

p
2

p
1
=
+

_
_

_
2
p
0
_

p
0
_
=
+

_
_

_
2
p
0
_

_
2
p
0
=
_

_
2
p
0
_
+

1
_
=
_

_
2
p
0
_
+

_
=
_

_
2
p
0
_

_
.
=
_

_
3
p
0
(11)

E razoavel considerarmos que

p
n
=
_

_
n
p
0
. (12)
5
Vericamos que ela vale para 1, 2 e 3. Entao, consideremos que a expressao vale para n 1 e
n e mostremos que vale para n + 1. Utilizando a equacao (9) e a equacao (12) temos que
p
n+1
=
+

__

_
n
p
0
_

_
_

_
n1
p
0
_
=
+

__

_
n
p
0
_

_
n
p
0
=
_

_
n
p
0
_
+

1
_
=
_

_
n
p
0
_
+

_
=
_

_
n
p
0
_

_
=
_

_
n+1
p
0
(13)
Portanto, a equacao (12) vale para todo n 1. Agora, precisamos encontrar uma expressao
para p
0
. Notemos primeiro que p
n
e uma distribuicao estacionaria, entao

n=1
p
n
= 1.
Portanto

n=1
p
n
= 1

n=1
_

_
n
p
0
.
Antes de continuarmos, vamos denir
=

.
Este termo e conhecido como sendo a intensidade de trafego, pois essa expressao pode ser interpre-
tada como sendo o produto do n umero esperado de chegadas () pelo tempo medio de servico (1/).
Continuando o calculo de p
0
temos que

n=0
_

_
n
p
0
= 1

n=0

n
p
0
= 1 p
0
= 1/

n=0

n
Agora,

n=0

n
e uma serie geometrica que converge se e so se || < 1. Como e sao
estritamente positivos entao 0 < < 1. Nessas condi coes, a taxa media de chegada sera menor
que a taxa media de sada, portanto, de tempos em tempos a la se esvaziara e o processo sera
recorrente positivo.
Dessa maneira,

n=0

n
=
1
1
< 1,
6
e entao
p
0
= 1 .
Assim, a solu cao para p
n
sera
p
n
=
n
(1 ), n 0 e 0 < < 1. (14)
3.1.2 Valor Esperado do N umero de Clientes
A distribuicao estacionaria obtida em (14) e interpretada como sendo a fracao do tempo em
que o sistema permanece em cada estado, ou seja, indica a proporcao do tempo total em que o
sistema tem n usuarios presentes. A partir dessa distribuicao, podemos calcular o n umero medio de
usuarios na la e no sistema. Consideremos N como sendo o n umero total de usuarios no sistema
(estacionario) e L a sua media. Portanto
L = E(N) =

n=0
np
n
=

n=0
n
n
(1 ) = (1 )

n=0
n
n
= (1 )

n=1
n
n1
.
Observamos que a derivada de
n
em rela cao a e dada por n
n1
. Assim, satisfeitas as
condicoes para inverter somatorio e derivada, obtemos que
L = (1 )

n=1
n
n1
= (1 )

n=0
d
d

n
= (1 )
d
d

n=0
= (1 )
d
d
_
1
1
_
= (1 )
1
(1 )
2
=

(1 )
=
/
(1 /)
=

( )
. (15)
Agora, seja N
q
o n umero de usuarios na la e L
q
seu valor esperado, entao
L
q
= E(N
q
) = 0p
0
+

n=1
(n 1)p
n
=

n=1
np
n

n=1
p
n
= L (1 p
0
) =

2
(1 )
=
(/)
2
(1 /)
=

2

2
1
(1 /)
=

( )
(16)
Podemos observar que o valor esperado de usuarios na la depende da intensidade de trafego
do sistema.
O que tambem pode ser considerado e a medida de desempenho do sistema, ou seja, podemos
relacionar o n umero medio de usuarios (L ou L
q
) com o tempo medio de espera na la, considerado
7
como W ou W
q
, respectivamente. Essas relacoes, que foram apresentadas por Little em 1961, sao
dadas pelas seguintes expressoes:
L = W
L
q
= W
q
.
Intuitivamente, podemos explicar a relacao L = W da seguinte forma: um usuario que chega
no sistema espera em media W para sair. Suponha, que ao sair do sistema, ele olhe para tras
e observa quantos usuarios caram no sistema. Ele deve avistar em media L usuarios presentes,
aqueles que chegaram durante seu tempo de servico e de espera na la. Os L usuarios levaram em
media 1/ para chegar e, portanto, temos
L(1/) = W L = W
3.1.3 Distribuicao no Instante de Sada
Mostraremos agora, que as sadas de uma la M/M/1 conguram tambem um processo de
Poisson. Considerando T
0
, T
1
, T
2
, ... os instantes em que o i-esimo atendimento e nalizado (isto
e, o instante que o i-esimo cliente atendido deixa o sistema). Seja N
i
= N
_
T
+
i
_
o total de clientes
na la no instante imediato que segue T
i
, ou seja, logo apos a i-esima sada do sistema.
Seja T
i
T
i1
o intervalo entre duas sadas, ele dependera somente de N
i1
. Quando N
i1
> 0,
T
i
T
i1
tera distribuicao exponencial com parametro , e quando N
i1
= 0, T
i
T
i1
sera o
tempo para uma chegada na la apos a (i 1)-esima sada mais o tempo de servico, e sera dis-
tribudo pela convolu cao de duas exponenciais independentes, com parametros e .
N
i
dependera do n umero de clientes que chegaram na la apos a ultima sada, e sendo a chegada
de clientes um processo de Poisson com taxa , N
i
depende apenas de e de T
i
T
i1
.
Assim, a transi cao Q
xy
(t) = P (N
i
= y, T
i
T
i1
t|X
i1
= x), x, y = 0, 1, 2, ... representa
cada elemento da matriz Q(t), que sera o n ucleo do processo {(N
n
, T
n
) , n 0}.
Vamos considerar agora

Q(s) a transformada de Laplace de Q(t) (logo,

Q
xy
(t) sera a trans-
formada de Q
xy
(t)),

A(s) = / ( +s) a transformada da exponencial de parametro e

H (s) =
( +) / ( + +s) a transformada da exponencial de parametro ( +).

E importante relem-
brar que a transformada da convolu cao de variaveis aleatorias independentes e o produto de suas
transformadas.
8
Como P (chegada) =

(+)
e P (sada) =

(+)
, chegamos `as seguintes equacoes

Q
0y
(s) =

A(s)
_

( +)
_
y

H
y
(s)

+

H (s)
=

( +s)
_

( +)
_
y
_
( +)
( + +s)
_
y

( +)
( +)
( + +s)
=

( +s)
_

( + +s)
_
y

( + +s)
, y 0 (17)

Q
xy
(s) =
_

( +)
_
yx+1

H
yx+1
(s)

( +)

H (s)
=
_

( +)
_
yx+1
_
( +)
( + +s)
_
yx+1

( +)
( +)
( + +s)
=
_

( + +s)
_
yx+1

+ +s
, x > 0, y x 1 (18)
Em que Q
0y
(t) representa probabilidade de, estando a la sem clientes, ocorrer uma chegada
que ocupara o servidor, e durante o servico ocorrerem mais y chegadas antes que o primeiro cliente
que chegou acabe de ser atendido, e Q
xy
(t) representa a probabilidade de haver x clientes na la,
e ocorrerem y x + 1 chegadas antes do m de um atendimento. Como estamos analisando os
instantes de sada do sistema, as demais transi coes serao nulas, pois a sada da la e um a um
(pois ha apenas um ponto de servico), e portanto o processo nao permite, por exemplo, a sada de
dois clientes num mesmo perodo de servico. Assim, a matriz de Transformada e dada por

Q(s) =
_

(+s)(++s)

(+s)(++s)
2

(+s)(++s)
3

(+s)(++s)
4

(++s)

(++s)
2

(++s)
3

(++s)
4

0

(++s)

(++s)
2

(++s)
3

0 0

(++s)

(++s)
2

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_

_
3.1.4 Teorema de Burke
Mostraremos que o processo {(N
n
, T
n
) , n 0} equivale a um processo de renova cao exponen-
cial com parametro . Para isso, enunciaremos a seguinte proposi cao:
Proposicao: Um processo de renovacao Y com n ucleo G(t) e equivalente a outro processo de
renova cao X com n ucleo F (t) se uma das condicoes seguintes e satisfeita:
(i)
d
G(t) = F (t)
d
(ii) G(t) e = eF (t)
9
Em que = [p
0
p
1
p
2
. . .]

e a distribuicao estacionaria do processo X

Portanto, para provarmos a equivalencia que desejamos, basta provar que
d
Q(t) = A(t)
d
,
ou, utilizando a transformada de Laplace,
d

Q(s) =

A(s)
d
=

(+s)

d
.
_

d

Q(t)
_
n
= p
d
0

n+1

( +s) ( + +s)
n+1
+
n+1

k=1
p
d
k

nk+1

( + +s)
nk+2
= (1 )

n+1

( +s) ( + +s)
n+1


n

n
+
n+1

k=1
(1 )
k

nk+1

( + +s)
nk+2


nk+1

nk+1
= (1 )

n+1
( +s) ( + +s)
n+1

n
+
n+1

k=1
(1 )
k

nk+2
( + +s)
nk+2

nk+1
= (1 )
n

( +s)
_

( + +s)
_
n+1
+
(1 )
n+1
_

( + +s)
_
n+2

n+1

k=1
_
( + +s)

_
k
(19)
Como

n
r=1
a
r
=
a(a
n
1)
a1
, a real, entao temos que
n+1

k=1
_
( + +s)

_
k
=
_
(++s)

_
_
_
(++s)

_
n+1
1
_
_
(++s)

_
1
=
_
(++s)

_
_
_
(++s)

_
n+1
1
_
_
(++s)

_
=
( + +s)

_
_
( + +s)

_
n+1
1
_

( +s)
(20)
10
E substitundo o resultado de (20) em (19) temos que
_

d

Q(t)
_
n
= (1 )
n

( +s)
_

( + +s)
_
n+1
+
(1 )
n+1
_

( + +s)
_
n+2
( + +s)

_
_
( + +s)

_
n+1
1
_

( +s)
= (1 )
n

( +s)
_

( + +s)
_
n+1
+
(1 )
n
_

( + +s)
_
n+1
_
_
( + +s)

_
n+1
1
_

( +s)

= (1 )
n

( +s)
_

( + +s)
_
n+1
+
(1 )
n
_
1
_

( + +s)
_
n+1
_

( +s)

= (1 )
n

( +s)
_

( + +s)
_
n+1
+ (1 )
n

( +s)

(1 )
n

( +s)
_

( + +s)
_
n+1
= (1 )
n

( +s)
=

( +s)
p
d
n
=

A(s) p
d
n
(21)
Portanto,
d

Q(s) =

A(s)
d
e assim, o processo {(N
n
, T
n
) , n 0} e equivalente a um processo
de renovacao exponencial com parametro , e congura entao um processo de Poisson.
Sabendo que as chegadas e sadas de uma la M/M/1 sao processos de Poisson, conclumos
entao que esse modelo de la e de fato um modelo Markoviano, uma vez que o processo de Poisson
e Markoviano.
3.1.5 Exemplo
Seja um aeroporto com uma unica pista de pouso/decolagem. Os avioes chegam a uma taxa de
15/hora , e levam em media 3 minutos para aterrisar. Assumindo que as chegadas sao um processo
de Poisson, e o tempo de aterrisagem e distribudo por uma exponencial:
= 15/hora
=
60
3
/hora = 20/hora
11
intensidade de trafego: =

=
3
4
= 0.75
n umero medio de avioes aguardando para pousar: L
q
=

2
(1 )
=
(0.75)
2
0.25
= 2.25
tempo medio de espera para o pouso: W
q
=

( )
=
15
20 (20 15)
=
3
20
= 9 minutos
3.1.6 M
[X]
/M/1
Ate este momento, todas as las apresentadas consistiam em chegadas em que cada cliente
chegava sozinho, ou seja, um usuario por vez entrava no sistema. Porem, agora, vamos apresen-
tar a la em que mais de um cliente entra, por vez, no sistema. Ou seja, a chegada e dada em grupos.
Consideremos entao, que clientes chegam em grupos de tamanho X, onde X e uma variavel
aleat oria que assume valores maiores que zero. Da mesma forma que nas demais las, cada grupo
chega de acordo com um processo de Poisson com razao e seu tempo de servico tem distribuicao
exponencial de razao .
Seja d
k
= P(X = k), k = 1, 2, . . . a distribuicao do tamanho do grupo que chega ao sistema.
O tamanho do grupo independe de qualquer caracterstica do sistema. Seja Q(t) o n umero de
clientes no sistema ate o tempo t. Entao, Q(t) aumenta de acordo com o tamanho do grupo que
chega ate o tempo t, assim Q(t) tambem sera um processo de nascimento e morte, na qual o au-
mento do n umero de clientes ocorre num espaco de estados de acordo com pelo menos uma chegada.
Considerando que o sistema esta em equilbrio, a equa cao para frente sera
_
_
_
0 = ( +)p
n
+p
n+1
+

k
d
k
p
nk
, n 1;
0 = p
0
+p
1
.
(22)
O termo

k
d
k
p
nk
vem do fato de que um total de n pessoas no sistema, ate o tempo t +t,
aparece de n k presentes ate o tempo t, ja que um grupo de tamanho k chega no intervalo
subsequente t.
Para resolver (22), utilizamos a funcao geradora de probabilidade. Denimos,
P(z) =

n=0
z
n
p
n
(z) =

k=1
z
k
d
k
,
para |z| 1.
12
Multiplicando a primeira equa cao dada em (22) por

n=1
z
n
temos
p
0
= p
1
( +)

n=1
z
n
p
n
=

n=1
z
n
p
n+1
+

n=1
z
n

k
d
k
p
nk
Rearranjando os termos e fazendo algumas simplicacoes, obtemos
( +)P(z) p
0
=

k=1
d
k
z
k

n=k
z
nk
p
nk
+

n=0
z
n
p
n
+ 1
= (z)P(z) +

z

m=1
z
m
p
m
= (z)P(z) +

z
[P(z) p
0
],
o que resulta em
P(z) =
p
0
(1 z)
(1 z) z[1 (z)]
. (23)
Para determinar p
0
consideramos que

n
p
n
= 1 e observamos que lim
z1
P(z) = 1. Assim,
considerando o limite da equacao (23) e usando a Regra de lHopital, obtemos
lim
z1
P(z) =
lim
z1
p
0
(1 z)
lim
z1
[(1 z) z[1 (z)]]
1 =
p
0
+(1

(1))
p
0
= 1

(1)

. (24)
Notemos que

(1) = lim
z1

k=1
kd
k
z
k1
= E(X) = d.
Sendo a media do tamanho do grupo igual a d, podemos observar tambem que
d

= e a
intensidade de trafego. O que nos leva a concluir que
p
0
= 1 (25)
e
P(z) =
(1 z)(1 )
(1 z) z(1 (z))
, |z| 1. (26)
Utilizando a equa cao (26) podemos calcular o valor medio de Q quando t . Note que
E(Q) = lim
z1
P

(z). Agora, usando novamente a Regra de lHopital e aplicando o limite em

P

(z), temos
E(Q) = lim
z1
P

(z) =
2 +

(1)
2(1 )
. (27)
13
Observemos que

(z) = E(x
2
) E(X). Como d e a media do tamanho do grupo, resultamos
em
L = E(Q) =
+

E(X
2
)
2(1 )
. (28)
Um exemplo de la M
[X]
/M/1 e formada em restaurantes, onde os clientes chegam em grupos
de tamanho aleatorio, e sao atendidos um a um, como por exemplo em uma la de Fast Food.
3.1.7 M/M
[X]
/1
A la M/M
[X]
/1 congura uma la em que as entradas sao um a um, mas as sadas sao em
grupos. Duas situa coes podem ocorrer: O servidor aguarda um grupo de tamanho K se formar
para iniciar o atendimento, ou quando o primeiro cliente chega, o servidor inicia o atendimento
e os demais clientes que chegam se juntam `a esse cliente durante o atendimento, e tambem sao
atendidos em grupos de no maximo K. Por questoes algebricas, sera considerado que o servidor
aguarda um grupo de K clientes se formar para entao come car o atendimento. A taxas de chegada
e servico sao e respectivamente.
A forward equation e dada por
_

_
dp0(t)
dt
= p
0
(t) +p
K
(t)
dpn(t)
dt
= p
n
+p
n1
+p
n+K
, n = 1, 2, ..., K 1;
dpn(t)
dt
= ( +) p
n
+p
n1
+p
n+K
, n K;
(29)
Considerando o estado de equilbrio, reescrevemos (29) como
_

_
0 = p
0
+p
K
0 = p
n
+p
n1
+p
n+K
, n = 1, 2, ..., K 1;
0 = ( +) p
n
+p
n1
+p
n+K
, n K;
(30)
e reescrevendo as equacoes de (30)
p
0
= p
K
(31)
p
n
= p
n1
+p
n+K
, n = 1, 2, ..., K 1 (32)
( +) p
n
= p
n1
+p
n+K
, n K (33)
A solu cao dessas equacoes utiliza-se da fun cao geradora de probabilidade, P (z) =

n=0
p
n
z
n
.
14
Utilizando a equa cao (32)
p
n
= p
n1
+p
n+K
p
n
z
n
= p
n1
z
n
+p
n+K
z
n
K1

n=1
p
n
z
n
=
K1

n=1
p
n1
z
n
+
K1

n=1
p
n+K
z
n

K1

n=1
p
n
z
n
=
K1

n=1
p
n1
z
n
+
K1

n=1
p
n+K
z
n
(34)
e a equa cao (33)
( +) p
n
= p
n1
+p
n+K
( +) p
n
z
n
= p
n1
z
n
+p
n+K
z
n

n=K
( +) p
n
z
n
=

n=K
p
n1
z
n
+

n=K
p
n+K
z
n
( +)

n=K
p
n
z
n
=

n=K
p
n1
z
n
+

n=K
p
n+K
z
n
(35)
Somamos entao as equacoes (31), (34) e (35)
p
0
+
K1

n=1
p
n
z
n
+ ( +)

n=K
p
n
z
n
=
p
K
+
K1

n=1
p
n1
z
n
+
K1

n=1
p
n+K
z
n
+

n=K
p
n1
z
n
+

n=K
p
n+K
z
n
(36)
Rearranjando os termos, temos que
( +) P (z)
K1

n=0
p
n
z
n
=
_

z
K
+z
_
P (z)

z
K
K1

n=0
p
n
z
n
_
+

z
K
z
_
P (z) =
K1

n=0
p
n
z
n

z
K
K1

n=0
p
n
z
n
_
z
K
+z
K
z
K+1
_
P (z) = z
K
K1

n=0
p
n
z
n

K1

n=0
p
n
z
n
_
z
K+1
+ ( +) z
K

P (z) =
_
1 z
K
_
K1

n=0
p
n
z
n
__

_
z
K+1

+ 1
_
z
K
1
_
P (z) =
_
1 z
K
_
K1

n=0
p
n
z
n
P (z) =
_
1 z
K
_
K1
n=0
p
n
z
n
__

_
z
K+1

+ 1
_
z
K
1
_ (37)
Agora, para a determina cao efetiva de P (z), e necessario denir z e

K1
n=0
p
n
z
n
. Para que
P (z) congure de fato uma funcao geradora de probabilidade, ela deve convergir no crculo unitario.
15
Considerando o denominador de (37) como uma fun cao, ela tera K+1 zeros, e o numerador devera
zerar tambem nesses pontos.

E possvel vericar que z = 1 e zero da fun cao determinada pelo
denominador, e tambem que z = 1 fara com que o numerador seja nulo. Fazendo uso do teorema
de Rouche para variaveis complexas, e omitindo detalhes, uma vez que fogem do objetivo deste
trabalho, e possvel ver que ha K 1 zeros da fun cao determinada pelo denominador dentro do
crculo unitario, e sendo z = 1 tambem zero dessa funcao, havera uma unica raiz z
0
> 1.
Ao dividirmos
__

_
z
K+1

+ 1
_
z
K
1
_
por (z 1) (z z
0
), chegamos em um polinomio
com K1 razes dentro do crculo unitario, e como

K1
n=0
p
n
z
n
tambem tem razes apenas dentro
do crculo unitario, considerando C como uma constante, a igualdade a seguir e verdadeira:
K1

n=0
p
n
z
n
= C
__

_
z
K+1

+ 1
_
z
K
1
_
(z 1) (z z
0
)
(38)
Portanto, de (37) e (38), conclumos que
P (z) =
C
_
1 z
K
_
(z 1) (z z
0
)
=
C
z
0
z
K1

n=0
z
n
(39)
Determinando z = 1, e considerando que P (1) = 1, conclumos que C =
z01
K
, e assim
P (z) =
(z
0
1)
K (z
0
z)
K1

n=0
z
n
(40)
E a partir de uma expansao em series de potencia
P (z) =
(z
0
1)
Kz
0
_
K1

s=0
z
s
__

r=0
_
z
z
0
_
r
_
(41)
E entao
p
n
=
_
_
_
(z01)
Kz0

n
r=0
_
1
z0
_
r
, n < K;
(z01)
Kz
nK+1
0

K1
r=0
_
1
z0
_
r
, n K;
(42)
Agora, lembrando que z
0
> 1, entao 0 <
1
z0
< 1, entao
C

n=0
_
1
z
0
_
n
=
_
1
_
1
z0
_
n+1
_
_
1
_
1
z0
__
Finalmente
p
n
=
_
_
_
(z
n+1
0
1)
Kz
n+1
0
, n < K;
(z
K
0
1)
Kz
n+1
0
, n K;
(43)
Um exemplo de las do tipo M/M
[X]
/1 pode ser encontrado em parques de diversao, se con-
siderarmos que as entradas sao um a um. Uma atracao, como por exemplo uma montanha-russa,
so e iniciada quando ha pessoas o suciente para completar o carrinho.
16
3.1.8 Inferencia para las M/M/1
Seja o modelo M/M/1 no estado de equilbrio, conforme descrito anteriormente, em que e a
taxa de chegada e a taxa de atendimento. Seja tambem = /. A la e observada no intervalo
de tempo [0, T), contendo n
0
clientes no instante zero.
As seguintes suposi coes e elementos sao necessarios:
P (X (t +s) = x + 1|X (t) = x) =

+
P (X (t +s) = x 1|X (t) = x) =

+
T
b
= tempo total em que a la permanece no estado ocupado
T
b
exp ( +)
T T
b
= tempo total em que a la permanece vazia
Se a la esta vazia, o intervalo de tempo ate a proxima chegada tem distribui cao exp()
Assumindo o estado de equilbrio, N
0
Ge ()
n
e
e o total de chegadas quando a la esta vazia
n
b
e o total de chegadas quando a la esta ocupada
n = n
e
+n
b
e o total de chegadas no intervalo [0, T)
m e o total de sadas no intervalo [0, T)
O perodo entre a ultima mudanca de estado ate o tempo T tem comprimento x

A medida de probabilidade de x

e proporcional a e
(+)x

x
i
sao os intervalos de tempo no estado i, i = 0, 1, 2, ..., n
b
+m
x
j
sao os intervalos de tempo que a la permanece vazia, j = 0, 1, 2, ..., n
e
Assim, a verrosimilhan ca e construda a partir dos elementos e suposicoes feitas, e sera
f (, )
_
1

__

_
n0
_
_
n
b
+m
n
b
_
_
_

+
_
n
b
_

+
_
m
e
(+)x

n
b
+m

i=1
( +) e
(+)xi

ne

j=1
e
xj
(44)
Rearranjando os termos, a verossimilhanca e simplicada e reescrita como
f (, )
_

__

_
n0

m
e
T
e
T
b
(45)
E a log-verrosimilhan ca sera
(, ) = log f (, )
= log ( ) log +n
0
(log log ) +nlog +mlog T T
b
(46)
17
Dessa forma, para obter os estimadores de maxima verossimilhanca

e , basta solucionar o
sistema resultante de

(, ) = 0 (47)

(, ) = 0 (48)
Assim, resolvendo as derivadas,

(, ) =
1
( )
+
n
0

+
n

T
= + ( ) (n +n
0
) ( ) T
= + ( ) (n +n
0
T) (49)

(, ) =
1
( )

1

n
0

+
m

T
b
= + ( ) (mn
0
1) ( ) T
b
= +m n
0
m +n
0
+ + ( ) T
b
= + (mn
0
) (mn
0
) + ( ) T
b
= ( ) (mn
0
) + ( ) T
b
= ( ) (mn
0
T
b
) (50)
Igualando (47) a (49) e (48) a (50), obtem-se as equacoes

=
_

__
n +n
0

T
_
(51)

=
_

_
(mn
0
T
b
) (52)
Como o sistema formado e nao linear, nao e possvel obter os estimadores de maxima verossi-
milhanca

e atraves de metodos diretos. Porem, como =

/ , entao

= , e as equa coes
sao reescritas como
= ( ) (n +n
0
T)
= (1 ) (n +n
0
T)
= (1 ) (n +n
0
T) (53)
= ( ) (mn
0
T
b
)
= ( 1) (mn
0
T
b
)
= (1 ) (m+n
0
+ T
b
) (54)
18
E igualando (53) a (54), e possvel encontrar uma expressao para os estimadores e

=
em funcao de .
n +n
0
T = m+n
0
+ T
b
n T = m+ T
b
n +m = ( T +T
b
)
Portanto
=
(n +m)
( T +T
b
)
(55)

=
(n +m)
( T +T
b
)
(56)
Dessa forma, basta encontrar o estimador de maxima verossimilhanca , e por invariancia dos
estimadores de maxima verossimilhanca substitu-lo nas equacoes (55) e (56).
Isolando na equacao (53)

(1 )
= n +n
0
T
T = n +n
0

(1 )
T =
(1 ) (n +n
0
)
(1 )
=
(1 ) (n +n
0
)
(1 ) T
(57)
E na equa cao (54)

(1 )
= m+n
0
+ T
b
T
b
= mn
0
+

(1 )
T
b
=
(1 ) (mn
0
) +
(1 )
=
(1 ) (mn
0
) +
(1 ) T
b
(58)
19
Agora, igualando a equa cao (57) a (58)
(1 ) (n +n
0
)
T
=
(1 ) (mn
0
) +
T
b
(1 ) (n +n
0
) T
b
T
b
= (1 ) (mn
0
) T +
2
T
(n +n
0
) T
b
(n +n
0
) T
b
T
b
= (mn
0
) T (mn
0
) T
2
+T
2
(n +n
0
) T
b
(n +n
0
+ 1) T
b
= (mn
0
) T (mn
0
1) T
2
(mn
0
1) T
2
[(mn
0
) T + (n +n
0
+ 1) T
b
] + (n +n
0
) T
b
= 0
Portanto, o estimador de maxima verossimilhanca sera a raiz da funcao
f ( ) = (mn
0
1) T
2
[(mn
0
) T + (n +n
0
+ 1) T
b
] + (n +n
0
) T
b
(59)
Sendo esta uma fun cao quadratica, possuira 2 razes. No entanto, relembrando que no estado
de equilbrio, temos que N
0
Ge (), as razes da funcao so serao admissveis quando pertencerem
ao intervalo [0, 1]. Em geral, essa solu cao sera unica, mas no caso de haver 2 razes que satisfa cam
o estado de equilbrio, toma-se por estimador aquela que maximizar a funcao de verossimilhan ca.

E possvel tambem vericar que sempre havera uma raiz pertencente ao intervalo [0, 1], pois
f (0) = (n +n
0
) T
b
> 0 e f (1) = (T +T
b
) < 0.
Portanto, seja
1
[0, 1] raiz de f,

1
=
(n+m)
( 1T+T
b
)

1
e
1
=
(n+m)
( 1T+T
b
)
sao os estimadores de
maxima verossimilhan ca para e taxas de chegada e atendimento, respectivamente.
EXEMPLO: Considere uma bilheteria de cinema, com um unico atendente. A la dessa bi-
lheteria e observada durante um perodo T = 30minutos. Durante esse tempo, foi observado:
2 de clientes no instante zero (n
0
= 2)
75 novos clientes chegaram durante os 30 minutos (n = 75)
70 clientes foram atendidos durante os 30 minutos (m = 70)
O caixa cou ocupado por um tempo total de 25 minutos durante os 30 minutos (T
b
= 25)
Assim, retomando a funcao em (59), ao substituir os valores observados, chega-se em
f ( ) = 30 (70 2 1)
2
[(70 2) 30 + (75 + 2 + 1) 25] + (75 + 2) 25
= 2010
2
3990 + 1925 (60)
As razes dessa funcao serao
1
= 0.827 e
2
= 1.158, e como
2
> 1,
1
sera a unica solucao
admissvel. Finalmente, usando as equa coes (55) e (56), obtem-se

= 2.407 e = 2.911.
20
3.2 M/M/c
A la M/M/c e uma extensao da la M/M/1, apresentando a mesma distribuicao de chegada,
a mesma disciplina e a mesma distribui cao do tempo de servi co. Mas, o que difere ambas e
a quantidade de servidores, agora considerado um sistema com c servidores. Novamente, esta
la pode ser considerada com um processo de nascimento e morte, com as respectivas razoes de
chegadas e sadas dadas por

n
= n 0

n
=
_
_
_
n, 0 n < c;
c, n c.
3.2.1 Distribuicao Estacionaria da Fila M/M/c
Para obtermos a distribui cao estacionaria, primeiro consideramos que neste caso, nossa inten-
sidade de trafego e dada por
=

c
, n c.
Dessa forma, a equacao (12) sera
p
n
=
_
_
_
_

_
n
p
0
, 0 n < c;
_

c
_
n
p
0
, n c.
(61)
Para resolvermos (61) iniciamos com o fato do estado encontrar-se em equilbrio, assim, a
forward equation sera
_
_
_
0 = (
n
+
n
)p
n
+
n+1
p
n+1
+
n1
p
n1
, n < c;
0 = p
0
+p
1
.
(62)
Segue que,
_
_
_
(
n
+
n
)p
n
=
n+1
p
n+1
+
n1
p
n1
, n < c;
p
0
= p
1
,
(63)
Agora, considerando somente a primeira equa cao temos
(
n
+
n
)p
n
=
n+1
p
n+1
+
n
p
n1

n
p
n
+
n
p
n
=
n1
p
n1
+
n+1
p
n+1

n+1
p
n+1

n
p
n
=
n
p
n

n1
p
n1

n+1
p
n+1

n
p
n
= 0.
A ultima passagem e valida devido ao processo ser homogeneo. Portanto,

n+1
p
n+1
=
n
p
n
p
n+1
=

n

n+1
p
n
,
21
que podemos denir como
p
x
=

0

x1

1

x
p
0
=
x
p
0
, x 1. (64)
Utilizando (64), vamos resolver (61).
Para o caso 0 n < c:
p
n
=
_

0

n1

1

n
_
p
0
=
_

n
12 n
_
p
0
=
1
n!
_

_
n
p
0
(65)
Para o caso n c:
p
n
=
_

0

n1

1

n
_
p
0
=
_

0

c

n

1

c

n
_
p
0
=
_

n
12 c n
_
p
0
=
_

n

n
c!c
nc
_
p
0
=
1
c!c
nc
_

_
n
p
0
.
Agora, precisamos encontrar p
0
. Para tanto, sabemos que

n=0
p
n
= 1, entao

n=0
p
n
= 1

n=0
_
1
n!
_

_
n
p
0
+
1
c!c
nc
_

_
n
p
0
_
= 1
c1

n=0
1
n!
_

_
n
p
0
+

n=c
1
c!c
nc
_

_
n
p
0
= 1
_
c1

n=0
1
n!
_

_
n
+

n=c
1
c!c
nc
_

_
n
_
1
= p
0

_
c1

n=0
1
n!
_

_
n
+
1
c!
c
c

n=c
_

c
_
n
_
1
= p
0

_
c1

n=0
1
n!
_

_
n
+
1
c!
c
c
_
(/c)
c
1 /c
_
_
1
= p
0

_
c1

n=0
1
n!
_

_
n
+
1
c!
_

_
c
_
1

c
_
1
_
1
= p
0
. (66)
22
Temos entao que a distribuicao estacionaria sera
p
n
=
_
_
_
1
n!
_

_
n
p
0
, 0 n < c;
1
c!c
nc
_

_
n
p
0
, n c.
(67)
Nesta la tambem temos que < c, neste caso o processo tambem sera recorrente positivo
com uma unica distribui cao dada em (61).
3.2.2 Valor Esperado do N umero de Clientes
Com a distribuicao encontrada, podemos calcular algumas medidas desse processo, tais como
o valor esperado do n umero de pessoas na la (L
q
), e o valor esperado do n umero de pessoas no
sistema (L). Dessa forma, temos que
L
q
=

n=c
(n c)p
n
=

n=c
(n c)
1
c!c
nc
_

_
n
p
0
=
1
c!
_

_
c
p
0

n=c
(n c)
_

c
_
nc
=
1
c!
_

_
c
p
0

k=1
k
k
=
1
c!
_

_
c
p
0

k=1
k
k1
=
1
c!
_

_
c
p
0

k=1
d
d

k
=
1
c!
_

_
c
p
0

d
d

k=1

k
=
1
c!
_

_
c
p
0

d
d
_

1
_
=
1
c!
_

_
c
p
0

_
1
1
_
2
.
(68)
Admitindo que vale a troca de ordem entre somatorio e derivada, temos que
L
q
=
1
c!
_

_
c
p
0

c
_
c
c
_
2
=
1
c!
_

_
c
p
0

c
(c )
2
=
1
(c 1)!
_

_
c
p
0

(c )
2
. (69)
Utilizando a rela cao de Little, obtemos que
W
q
=
L
q

=
1
(c 1)!
_

_
c
p
0

(c )
2
. (70)
Para calcular L e W, podemos considerar uma outra relacao apresentada por Little: o tempo
medio do espera no sistema e igual ao tempo medio de espera na la mais o tempo medio total no
sistema.
23
Partindo dessa rela cao, temos que
W = W
q
+
1

=
1

+
L
q

=
1
(c 1)!
_

_
c
p
0

(c )
2
, (71)
e entao
L = W =

+
1
(c 1)!
_

_
c
p
0

(c )
2
. (72)
3.2.3 Exemplo
Reconsiderando o exemplo utilizado para las M/M/1, seja um aeroporto, agora com 2 pistas
de pouso/decolagem. Novamente, os avioes chegam a uma taxa de 15/hora , e levam em media
3 minutos para aterrisar. Assumindo que as chegadas sao um processo de Poisson, e o tempo de
aterrisagem e distribudo por uma exponencial:
= 15/hora
=
60
3
/hora = 20/hora
n umero de servidores: c = 2
intensidade de trafego em cada pista: =

c
=
3
8
= 0.375
p
0
=
_
1

n=0
(/)
n
n!
+
(/)
c
c! (1 )
_
1
=
_
1 +
3
4
+
(3/4)
2
2
_
1
3
8
_
1
_
1
= 0.4545
n umero medio de avioes aguardando para pousar: L
q
=
(/)
c
p
0
c! (1 )
2
=
(3/8) (3/4)
2
0.4545
2 (5/8)
2
= 0.1227
tempo medio de espera para o pouso: W
q
=
(/)
c
p
0
c!c(1 )
2
=
(3/4)
2
0.4545
2 2 20
_
1
3
8
_
2
= 0.49 minuto
24
3.3 M/M/
Uma la M/M/ congura um processo de nascimento e morte em que as chegadas seguem
uma distribui cao de Poisson com taxa e as sadas uma distribuicao de Poisson com taxa n. Ou
seja, a taxa de sada varia de acordo com o n umero de clientes na la. Esse tipo de processo e
tido como um processo de nascimento e morte em que a morte e linear. Isso ocorre porque a la
M/M/ tem innitos servidores, e assim, todos os clientes que chegam `a la sao atendidos.
3.3.1 Distribuicao Estacionaria da Fila M/M/
De forma analoga a deducao feita na la M/M/1, chegaremos `a distribuicao estacionaria da
la M/M/. Seja p
n
(t) = P (N (t) = n), a forward equation e dada por
_
_
_
dpn(t)
dt
= ( +n)p
n
(t) + (n + 1) p
n+1
(t) +p
n1
(t), n 1;
dp0(t)
dt
= p
0
(t) +p
1
(t)
(73)
Considerando o estado de equilbrio, reescrevemos (73) como
_
_
_
0 = ( +n)p
n
(t) (n + 1) p
n+1
(t) +p
n1
(t), n 1;
0 = p
0
(t)p
1
(t)
(74)
ou
_
_
_
p
n+1
=
(+n)
(n+1)
p
n

(n+1)
p
n1
, n 1;
p
1
=

p
0
(75)
Assim pela equa cao (75), para n = 1
p
2
=
( +)
2
p
1

2
p
0
=
( +)
2

p
0

2
p
0
=

2
_
( +)

1
_
p
0
=
1
2
_

__
+

_
p
0
=
1
2
_

__

_
p
0
=
1
2
_

_
2
p
0
(76)
25
Para n = 2
p
3
=
( + 2)
3
p
2

3
p
1
=
( + 2)
3
1
2
_

_
2
p
0

p
0
=
1
3
_

_
2
_
( + 2)
2
1
_
p
0
=
1
3
_

_
2
_
( + 2 2)
2
_
p
0
=
1
3
_

_
2
_

2
_
p
0
=
1
3!
_

_
3
p
0
(77)
E e razoavel considerar que
p
n
=
1
n!
_

_
n
p
0
(78)
Assim, assumindo que (78) vale para n 1 e para n
p
n+1
=
( +n)
(n + 1)
p
n

(n + 1)
p
n1
=
( +n)
(n + 1)
1
n!
_

_
n
p
0

(n + 1)
1
(n 1)!
_

_
n1
p
0
=
( +n)

1
(n + 1)!
_

_
n
p
0

1
(n + 1)!
_

_
n1
p
0
=
1
(n + 1)!
_

_
n1
_
( +n)

_
p
0
=
1
(n + 1)!
_

_
n1
_

2
+n n

2
_
p
0
=
1
(n + 1)!
_

_
n1
_

2
_
p
0
=
1
(n + 1)!
_

_
n+1
p
0
(79)
E portanto, esta provado por indu cao que a equacao (78) vale para todo n 1.
Agora, sabendo que

n=0
p
n
= 1, entao

n=0
p
n
= 1

n=0
1
n!
_

_
n
p
0
= 1
p
0

n=0
1
n!
_

_
n
= 1

n=0
1
n!
_

_
n
=
1
p
0
e
/
=
1
p
0
(80)
26
Portanto p
0
= e
/
, e assim,
p
n
=
e
/
n!
_

_
n
, n 0 (81)
Para o modelo M/M/, nao ha sentido em se estudar o valor esperado do comprimento da
la, ou do tempo de espera, uma vez que havendo innitos servidores, os clientes serao atendidos
de imediato a chegada, e portanto, nao ha um n umero de clientes que aguarda para ser atendido,
e nem tempo de espera.
27
3.4 M/M/c/K
As las M/M/c/K sao las com um limite de tamanho, e ocorrem com mais freq uencia que
as las que podem atingir tamanho innito. Seja c o n umero de servidores, e K a capacidade
maxima do sistema, e logico pensarmos que K c, pois havendo c servidores, o sistema devera
comportar pelo menos esse n umero de pessoas. Assim, a la de espera tera tamanho maximo Kc.
Dessa forma, as taxas desse modelo sao denidas como

n
=
_
_
_
, n = 0, 1, ..., c, ..., K 1
0, n K

n
=
_

_
n, n = 0, 1, ..., c
c, n = c + 1, ..., K
0, n > K
3.4.1 Distribuicao Estacionaria da Fila M/M/c/K
De forma analoga aos modelos anteriores, seja p
n
(t) = P (N (t) = n), a forward equation e
dada por
_

_
dp0(t)
dt
= p
0
+p
1
dpn(t)
dt
= ( +n) p
n
+p
n1
+ (n + 1) p
n+1
, n = 1, ..., c 1
dpn(t)
dt
= ( +c) p
n
+p
n1
+cp
n+1
, n = c, ..., K 1
dp
K
(t)
dt
= cp
K
+p
K1
(82)
Considerando o estado de equilbrio, reescrevemos (82) como
_

_
0 = p
0
+p
1
0 = ( +n) p
n
+p
n1
+ (n + 1) p
n+1
, n = 1, ..., c 1
0 = ( +c) p
n
+p
n1
+cp
n+1
, n = c, ..., K 1
0 = cp
K
+p
K1
(83)
ou
_

_
p
1
=

p
0
p
n+1
=
(+n)
(n+1)
p
n

(n+1)
p
n1
, n = 1, ..., c 1
p
n+1
=
(+c)
c
p
n

c
p
n1
, n = c, ..., K 1
p
K
=

c
p
K1
(84)
28
Assim, pela equacao (84), para n = 1
p
2
=
( +)
2
p
1

2
p
0
=
( +)
2

p
0

2
p
0
=

2
_
( +)

1
_
p
0
=
1
2
_

__
+

_
p
0
=
1
2
_

__

_
p
0
=
1
2
_

_
2
p
0
(85)
Para n = 2
p
3
=
( + 2)
3
p
2

3
p
1
=
( + 2)
3
1
2
_

_
2
p
0

p
0
=
1
3
_

_
2
_
( + 2)
2
1
_
p
0
=
1
3
_

_
2
_
( + 2 2)
2
_
p
0
=
1
3
_

_
2
_

2
_
p
0
=
1
3!
_

_
3
p
0
(86)
E e razoavel considerar que
p
n
=
1
n!
_

_
n
p
0
, n = 1, ..., c 1 (87)
E assumindo que (87) vale para n e n 1
p
n+1
=
( +n)
(n + 1)
p
n

(n + 1)
p
n1
=
( +n)
(n + 1)
1
n!
_

_
n
p
0

(n + 1)
1
(n 1)!
_

_
n1
p
0
=
( +n)

1
(n + 1)!
_

_
n
p
0

1
(n + 1)!
_

_
n1
p
0
=
1
(n + 1)!
_

_
n1
_
( +n)

_
p
0
=
1
(n + 1)!
_

_
n1
_

2
+n n

2
_
p
0
=
1
(n + 1)!
_

_
n1
_

2
_
p
0
=
1
(n + 1)!
_

_
n+1
p
0
(88)
E portanto, esta provado por indu cao que a equacao (87) vale para todo n = 1, ..., c.
29
Agora, novamente pela equa cao (84), para n = c
p
c+1
=
( +c)
c
p
c

c
p
c1
=
( +c)
c
1
c!
_

_
c
p
0

c
1
(c 1)!
_

_
c1
p
0
=
1
c!
_

_
c
_
( +c)
c
1
_
p
0
=
1
c!
_

_
c
_
+c c
c
_
p
0
=
1
c!
_

_
c
_

c
_
p
0
(89)
Para n = c + 1
p
c+2
=
( +c)
c
p
c+1

c
p
c
=
( +c)
c
1
c!
_

_
c
_

c
_
p
0

c
1
c!
_

_
c
p
0
=
1
c!
_

_
c
_
( +c)
c
2

2


c
_
p
0
=
1
c!
_

_
c
_

2
+c c
c
2

2
_
p
0
=
1
c!
_

_
c
_

c
_
2
p
0
(90)
E e razoavel considerar que
p
n
=
1
c!
_

_
c
_

c
_
nc
p
0
, n = c, ..., K (91)
E assumindo que (91) vale para n e n 1
p
n+1
=
( +c)
c
p
n

c
p
n1
=
( +c)
c
1
c!
_

_
c
_

c
_
nc
p
0

c
1
(c 1)!
_

_
c1
_

c
_
nc+1
p
0
=
1
c!
_

_
c
_

c
_
nc
_
( +c)
c


c
_
p
0
=
1
c!
_

_
c
_

c
_
nc
(92)
E portanto, esta provado por indu cao que a equacao (91) vale para todo n = c, ..., K.
30
Agora, sabendo que

K
n=0
p
n
= 1, entao
K

n=0
p
n
= 1
c

r=0
p
r
+
K

s=c+1
p
s
= 1
c

r=0
1
r!
_

_
r
p
0
+
K

s=c+1
1
c!
_

_
c
_

c
_
sc
p
0
= 1
c

r=0
1
r!
_

_
r
+
K

s=c+1
1
c!
_

_
c
_

c
_
sc
=
1
p
0
(93)
Portanto,
p
0
=
_
c

r=0
1
r!
_

_
r
+
1
c!
_

_
c K

s=c+1
_

c
_
sc
_
1
(94)
3.4.2 Valor Esperado do N umero de Clientes
Agora, a partir da distribuicao de probabilidade obtida, e possvel calcular o n umero esperado
de pessoas na la (L
q
) e o n umero esperado de pessoas no sistema (L). Para isso, consideramos
que, havendo n pessoas no sistema, havera c pessoas sendo atendidas, e portanto, n c pessoas
na la. Como a la de espera se forma apenas quando n > c (caso contrario, todas as pessoas no
sistema estarao sendo atendidas e o n umero de pessoas na la sera zero), a expressao para L
q
e
dada por,
L
q
=
K

n=c
(n c) p
n
=
K

n=c
(n c)
1
c!
_

_
c
_

c
_
nc
p
0
=
1
c!
_

_
c
p
0
K

n=c
(n c)
_

c
_
nc
, z = n c
=
1
c!
_

_
c
p
0
Kc

z=0
z
_

c
_
z
, r =

c
=
1
c!
(cr)
c
p
0
Kc

z=0
zr
z
=
1
c!
(cr)
c
rp
0
Kc

z=0
zr
z1
=
1
c!
(cr)
c
rp
0
Kc

z=0

r
r
z
(95)
31
Admitindo que vale a troca de ordem entre somatorio e derivada, temos que
L
q
=
1
c!
(cr)
c
rp
0

r
Kc

z=0
r
z
=
1
c!
(cr)
c
rp
0

r
_
1 r
Kc+1
1 r
_
=
1
c!
(cr)
c
rp
0
_
1 r
Kc+1
(1 r) (K c + 1) r
Kc

(1 r)
2
=
(cr)
c
r
c! (1 r)
2
_
1 r
Kc+1
(1 r) (K c + 1) r
Kc

p
0
=
(cr)
c
r
c! (1 r)
2
_
1 r
Kc+1
(K c + 1) r
Kc
+r (K c + 1) r
Kc

p
0
=
(cr)
c
r
c! (1 r)
2
_
1 r
Kc+1
(K c + 1) r
Kc
+r (K c) r
Kc
+r
Kc+1

p
0
=
(cr)
c
r
c! (1 r)
2
_
1 [(K c + 1) r (K c)] r
Kc
_
p
0
=
(cr)
c
r
c! (1 r)
2
_
1 [(1 r) (K c) + 1] r
Kc
_
p
0
(96)
Agora,
L =
K

n=0
np
n
=
c1

n=0
np
n
+
K

n=c
np
n
=
c1

n=0
np
n
+
K

n=c
(n c +c) p
n
=
c1

n=0
np
n
+
K

n=c
(n c) p
n
+c
K

n=c
p
n
=
c1

n=0
np
n
+c
_
1
c1

n=0
p
n
_
+
K

n=c
(n c) p
n
= c +
c1

n=0
np
n
c
c1

n=0
p
n
+L
q
= c +L
q
+
c1

n=0
(n c) p
n
= c +L
q
+
c1

n=0
(n c)
1
n!
_

_
n
p
0
= c +L
q
+p
0
c1

n=0
(n c)
1
n!
_

_
n
(97)
32
Finalmente, pela relacao de Little, chegamos `as expressoes de W
q
e W, tempo medio de espera
na la e no sistema, respectivamente.
W
q
=
L
q
(1 p
K
)
(98)
W =
L
(1 p
K
)
(99)
Ou seja, W
q
= W
1

.
33
4 Considerac oes Finais
A partir deste trabalho, foi possvel estudar alguns dos modelos de las mais utilizados, que sao
os modelos Markovianos, e compreender seus comportamentos, a partir de analises da entrada e
sada de clientes nas las, intensidade de trafego e outras variaveis , como o tamanho esperado da
la e o tempo media de Espera. Tambem pode-se observar que a analise de las tem consideravel
importancia, uma vez que estao presentes em diversas situacoes do cotidiano.
Os modelos aqui abordados retratam apenas uma parcela de todos os modelos de las existentes;
ha tambem modelos que envolvem entradas e/ou sadas com distribui coes diferentes do processo
de Poisson, ou ate mesmo determinsticas, no entanto as las Markovianas foram o foco deste
trabalho, e portanto esses modelos nao foram abordados.
34
5 Referencias
GROSS, D., HARRIS. C.M. Fundamentals os Queueing Theory, Wiley series in Probability
and Mathematical Statistics, New York, 1974
MAGALH

AES, Marcos N. Introducao `a Rede de Filas, ABE, Sao Paulo, 1996

TAK

ACS, Lajos Introduction to the Theory of Queues, Oxford University Press, New York,
1962
SAATY, Thomas L. Elements of Queueing Theory With Applications, McGraw-Hill Book Com-
pany, New York, 1961
GNEDENKO, B.V., KOVALENKO, I.N. Introduction to Queueing Theory, Second Edition,
Birkhauser, Boston, 1989
BHAT, U. Narayan An Introduction to Queueing Theory, Modeling and Analysis in Applicati-
ons, Birkhauser, Boston, 2008
35