Baixe o app para aproveitar ainda mais
Prévia do material em texto
2 - João Carlos Teixeira dos Santos O Objetivos Este capítulo intenciona apresentar de maneira compacta, porém coerente, da prática da Teoria das Filas na tentativa de desvencilhá-la um pouco do seu intrínseco universo teórico. Para tanto, estudaremos as distribuições de probabilidades binomial, de Poisson e exponencial como seus pressupostos estatísticos. Em seguida, os modelos de filas onde há apenas chegadas, filas com apenas saídas, filas com 1 única estação de trabalho e filas com k estações de trabalho. Para justificar algumas de suas fórmulas, usaremos planilhas de simulação no Ms Excel que comprovarão seus resultados no mundo concreto. Estas confirmações compensam a ausência de suas demonstrações formais, o que exigiria conhecimentos avançados de equações diferenciais. Além disso, vamos usar este mesmo programa para efetuar todos os seus cálculos, sobretudo no modelo com k estações de trabalho. Teoria das Filas - 3 Aleatório é algo que não se pode prever exatamente, mas se pode atribuir uma probabilidade, uma chance, para que ocorra em determinadas condições. No primeiro caso, a administração das filas poderá ajudar no seu controle. No segundo, indicam-se o treinamento e a otimização dos processos. Através das médias dos números de clientes que chegam e dos que são atendidos em cada caixa, podemos obter teoricamente estes resultados, utilizando o modelo de teoria de filas para k estações. Por exemplo, existem lojas com muitos vendedores que garantem a prontidão no atendimento de todos os clientes que chegam, mas o administrador deverá julgar se poderia oferecer o serviço com menos pessoal e talvez com alguma espera de clientes. Para tanto, usaremos o Ms Excel ao longo de nossas exposições. CONSIDERAÇÕES INICIAIS Em qualquer lugar onde se prestam serviços, é bastante provável a formação de filas porque os serviços são solicitados e executados em intervalos de tempos aleatórios. Estas filas, se não administradas, poderão crescer indefinidamente e implicar no descontentamento dos clientes ou na baixa produtividade devido ao longo tempo de espera, além da sobrecarga de trabalhos dos funcionários. O administrador poderá utilizar esta técnica de PO com duas finalidades complementares: 1ª) conhecer o seu sistema, compreendendo a formação de filas e quais são seus parâmetros numéricos relevantes; 2ª) saber que medidas tomar para controlar as filas dentro de níveis ideais ou aceitáveis. Uma administração centrada no bem estar de seus clientes preza pelo controle das filas para que aqueles não percam muito tempo esperando para serem atendidos nem percam tempo sendo atendidos de forma muito lenta. Exemplo A Numa agência bancária, em certo dia do mês e num determinado horário, o administrador chegou à conclusão de que a média dos tempos (em minutos) de espera dos clientes em fila depende substancialmente dos números de caixas atendentes chegando aos seguintes valores: caixas 10 11 12 13 minutos 64 9 2 <1 Desta forma, poderá destinar, para esta circunstância, um número exato de funcionários para os caixas, de modo a garantir um bom funcionamento da sua agência e a satisfação de seus clientes. Por exemplo, se no momento estiverem trabalhando 10 caixas, o gerente poderá obter uma melhoria muito significativa se colocasse mais um de seus funcionários no caixa, reduzindo o tempo médio de espera de mais de 1 hora para 9 minutos. Muito tempo para ser atendido em filas grandes ou que crescem continuamente constituem um sério risco para o progresso de qualquer negócio. Por outro lado, a ausência total de filas é igualmente preocupante, porque sinaliza desperdício de tempo e dinheiro na forma de mão de obra ociosa. Desta forma, através da Teoria das Filas, o administrador poderá chegar a um ponto de equilíbrio entre a ociosidade das estações de trabalho (como os caixas de um supermercado) e a espera dos clientes na fila. Seu modelo matemático, no entanto, apresenta relativa complexidade conceitual e operacional. Conceitualmente, parte de 2 pressupostos: o de que os clientes chegam em números por unidade de tempo com distribuição de Poisson e que são atendidos em durações de tempos distribuídos exponencialmente. Desta forma, um razoável conhecimento de Estatística é desejável, razão que nos levou a apresentar as distribuições de probabilidade envolvidas antes dos seus modelos. Operacionalmente, suas fórmulas e procedimentos sugerem fortemente o uso do computador para que sejam obtidos mais rapidamente, liberando a mente para uma compreensão mais ampla das inúmeras relações entre os seus elementos. 4 - João Carlos Teixeira dos Santos Em Estatística, chamamos aleatória a qualquer variável cujos valores possíveis de serem assumidos possam ser associados a chances ou probabilidades. Assim, o número de meninas neste grupo com 10 crianças de sexos desconhecidos é uma variável aleatória e veremos agora como associar cada um de seus possíveis valores (0, 1, 2, ..., 10) a probabilidades respectivas. Utilizamos a letra a para sinalizar menina e a letra o para menino. Veja que a possibilidade ooa é diferente de oao, pois, apesar de ambos os resultados terem 1 única menina, no primeiro, temos a menina como a filha caçula e, no segundo, como a filha do meio. X é a variável aleatória número de meninas. Assim, X poderá ser 0, 1, 2 ou 3, valores associados às probabilidades obtidas na contagem do espaço amostral. Obviamente, esta fórmula pode ser demonstrada utilizando-se árvore de probabilidades e análise combinatória. Além disso, não é aplicada apenas para sexos desconhecidos de crianças, mas para todos os fenômenos que puderem ser modelados da mesma maneira: probabilidade de x sucessos em n tentativas, onde f é a chance em cada uma delas. A origem do termo binomial está associada às duas possibilidades, sucesso ou insucesso, em cada uma das n tentativas. A DISTRIBUIÇÃO BINOMIAL Considere 10 crianças de sexos desconhecidos sorteadas aleatoriamente de um grupo muito grande com igual número de meninas e meninos. Qual será o número de meninas? Obviamente, tal resposta não poderá ser dada com 100% de certeza. Porém, podemos, praticamente descartar as respostas 0 e 10 meninas, pois estes valores seriam bastante improváveis. Teremos, com certeza, bem mais chances em acertar se afirmarmos 4, 5 ou 6 meninas. Assim, o número de meninas neste grupo é uma variável aleatória, pois poderá assumir os valores 0, 1, 2, 3, ..., 4, 5, ..., 9, 10, cada um deles com uma determinada probabilidade. Exemplo B Um casal tem 3 crianças de sexos desconhecidos. Quais são as probabilidades de que sejam 0, 1, 2 e 3 meninas? = {ooo, ooa, oao, oaa, aoo, aoa, aao, aaa} O espaço amostral é o conjunto de todas as possibilidades quanto ao sexo das 3 crianças. Fazendo a contagem e considerando que todos os resultados são igualmente prováveis, temos que cada resultado terá a probabilidade de 1/8 = 0,1250. Assim, a função de probabilidade p(x), número de meninas, será dada por: x 0 1 2 3 p(x) 1/8 3/8 3/8 1/8 Isso explica porque é mais comum termos valores centrais de meninas, isto é, números próximos entre meninos e meninas em N crianças. As probabilidades encontradas na última tabela poderão também ser obtidas a partir de uma fórmula especialmente desenvolvida para isso. Esta dispensa a determinação do espaço amostral bem como a contagem que foi feita sobre os resultados do mesmo e a coloca sob a forma do número n ( ) x : − = − x n xnp(x) f (1 f) x onde: p(x) é a probabilidadede haver x meninas; n é o número de crianças de sexos desconhecidos; f é a probabilidade de cada criança ser uma menina. O valor entre parênteses é chamado número binomial e serve para realizar a contagem das combinações de n elementos tomados x a x. Para obtê-lo, podemos usar a fórmula seguinte ou o Triângulo de Pascal: = − n n! x (n x)! x! Teoria das Filas - 5 Para n e x pequenos, podemos utilizar o Triângulo de Pascal para calcular os números binomiais, onde o primeiro e o último números em cada linha são iguais a 1 e os intermediários são obtidos a partir da soma de 2 números: o imediatamente acima e o anterior a este: 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 1 6 15 20 15 6 1 1 7 21 35 35 21 7 1 Veja que 1 3 3 1 (4ª linha) são exatamente as contagens dos casos para 0, 1, 2 e 3 meninas! Podemos fazer uma analogia a 20 crianças desconhecidas, onde desejamos que 3 tenham um fator genético que aparece em apenas 7% das pessoas. = − = = − = = n n! x (n x)! x! 20 20! 20 19 18 17! 3 (20 3)! 3! 17! 3! 20 20 19 18 1.140 3 6 Aqui, o número binomial foi calculado por sua fórmula, ao contrário do exemplo anterior, onde os binomiais foram obtidos diretamente do triângulo de Pascal. Veja que o símbolo fatorial ("!") indica o produto do número por todos os seus antecessores até se chegar ao número 1. Definições especiais para 0! = 1! := 1. Por exemplo, a chance de os 20 carros serem roubados é 7,98 x 10-24, um número muito próximo a zero. Exemplo C Obtenha os resultados do exemplo anterior usando a fórmula apresentada, considerando f igual a 0,50, isto é, a probabilidade individual de uma criança ser menina: − − − − − = − = − = = = − = = = − = = = − = = x n x 0 3 0 3 1 3 1 2 2 3 2 2 3 3 3 3 n p(x) f (1 f) x 3 p(0) 0,5 (1 0,5) 1 1 0,5 0,125 0 3 p(1) 0,5 (1 0,5) 3 0,5 0,5 0,375 1 3 p(2) 0,5 (1 0,5) 3 0,5 0,5 0,375 2 3 p(3) 0,5 (1 0,5) 1 0,5 1 3 0,125 Verifique como tais resultados concordam rigorosamente com os obtidos no exemplo anterior. Como f era igual a 50%, as probabilidades de 0, 1, 2 e 3 meninas dependeram unicamente da força dos números binomiais. Exemplo D Uma empresa de seguros conhece a probabilidade de 7% que um tipo de carro tem de ser roubado ao longo de um ano. Considerando agora 20 carros deste mesmo tipo, qual será a chance de que 3 sejam roubados? − − = = = = − = − = = x n x 3 20 3 3 17 n 20 x 3 f 0,07 n p(x) f (1 f) x 20 p(3) 0,07 (1 0,07) 3 1140 0,07 0,93 0,1139 Assim, a probabilidade de que 3 dentre 20 carros deste tipo sejam roubados é de 11,39%. O cálculo do número binomial foi feito à parte, na coluna auxiliar para não carregar o quadro acima. Este resultado, 0,1139, integra a função de probabilidade de X, número de carros roubados dentre 20. Esta tabela pode ser facilmente obtida com o auxílio da função DISTRBINOM() corretamente parametrizada do Ms Excel: Veja que, para x 8, a probabilidade p(x) é expressa como 0,0000, o que não significa impossível, mas pouco provável de ocorrer. 6 - João Carlos Teixeira dos Santos Dica 01: a probabilidade de Alfredo vencer uma partida foi obtida a partir do número partidas vencidas por Alfredo dividido pelo número total de partidas disputadas pelos dois. Deve-se considerar que esta probabilidade (0,70) não será afetada pelo fato de Alfredo ter vencido ou perdido a partida anterior. Dica 02: a probabilidade individual de manutenção num dia será 3/25. Para obter (c) e (d), não é necessário utilizar a fórmula da distribuição binomial novamente. Dica 06: o problema cairá numa equação do 2º grau. Para resolvê-la, use a fórmula de Bhaskara − −= 2b b 4ac x 2a . Dica 07: o problema cairá numa equação cúbica. Para resolvê-la, use o método de Newton: sucessivos cálculos da função = −(x) x f(x) / f'(x) onde x deverá ser tomado igual ao resultado anterior de (x). EXERCÍCIOS 01) Alfredo e Bruno disputarão cinco partidas de tênis onde não há empates. Sabemos que Alfredo possui uma chance de vencer cada partida igual a 0,70 e Bruno, 0,30. Qual a probabilidade de: a) Alfredo perder todas as partidas? b) Alfredo vencer todas as partidas? c) Bruno vencer apenas 2 partidas? d) Alfredo vencer mais partidas do que Bruno? Pode-se concluir que a repetição de partidas para se definir o campeão prejudica ou beneficia o favorito? 02) Um operador de máquinas verificou que, a cada 25 dias de trabalho, em 3 há a necessidade de parada na produção para manutenção dos equipamentos. Assim, considerando um período de 7 dias, qual é a chance: a) de não haver manutenção? b) de haver manutenção em apenas um dia? c) de haver manutenção, no máximo, de um dia? d) de haver mais de um dia de manutenção? 03) Numa faculdade, apenas 65% dos alunos que nela ingressam conseguem concluir o curso. Num grupo de 8 amigos calouros, qual é a probabilidade de que: a) nenhum conclua; b) todos concluam. c) Com que probabilidade pode-se afirmar que, pelo menos, uma pessoa do grupo não concluirá o curso? 04) Uma máquina produz uma média de 95 peças perfeitas para cada 100 peças fabricadas. Numa amostra de 10 peças, qual é a probabilidade de que no máximo 2 sejam defeituosas? 05) Um fabricante de radiadores para automóveis sabe que 0,5% do que fabrica apresenta incorreções para o perfeito encaixe às demais peças de um automóvel. Um teste com 25 radiadores será feito por uma montadora de veículos e, caso todos estes radiadores estejam perfeitos, tais radiadores passarão a compor sua linha de montagem. Quais as chances para o negócio ser fechado? EXERCÍCIOS AVANÇADOS 06) Em dois tiros, a chance de um atirador errar um deles é de 8/25. Assim, qual é a chance de que acerte um tiro, se o fato de acertar ou errar o 1º não influenciar sobre a chance de acertar ou errar o 2º, sabendo que o atirador acerta mais do que erra? 07) A probabilidade de um gene estar presente em 2 dentre 3 pessoas foi calculada em 0,140625. Qual é a probabilidade de que esteja presente numa única pessoa escolhida aleatoriamente? Teoria das Filas - 7 Na ocasião, as motos não foram consideradas, mas, se tivessem sido, acredita-se que as conclusões seriam as mesmas, apesar de os números serem diferentes. Em www.pagina10.com.br, encontra-se a planilha com os dados originais desta apuração. Assim, em 136 intervalos de 30 segundos, não houve veículos passando em frente de sua casa; em 83 intervalos de 30 segundos, apenas 1 veículo; em 19 intervalos, 2 veículos e, em 2 intervalos de 30 segundos, 3 veículos. O quadro ao lado também nos mostra estas frequências em percentuais. Esta é a probabilidade de sucesso de, num segundo qualquer, 1 veículo passar em frente da casa do autor. A probabilidade teórica de passarem 4 carros no intervalo de 30 segundos é de 0,0017. Porém, na prática, isso não ocorreu na observação de 240 intervalos de 30 segundos. Obviamente, existirão as probabilidades teóricas de passarem também 5, 6, ..., 30 carros, sendo que nenhum destes fatos ocorreu na sua observação. Isso porque os clientes chegam ao sistema com a mesma aleatoriedade com que os carros passam nas ruas. OBSERVANDO AUTOMÓVEIS Exemplo E Quando o autor iniciou seus estudos sobre a Teoria das Filas, não estava muito convencido sobre um de seus pressupostos básicos: a de que o número de clientes que chegampor intervalo de tempo é uma variável aleatória com distribuição binomial. Assim, para por isso à prova, ficou no portão de sua casa anotando os momentos em que automóveis passavam exatamente em frente dela durante 2 horas. Isso porque, em geral, num sistema de filas, os clientes chegam de modo aleatório da mesma maneira que os carros passam numa rua. No total, observou que 127 carros passaram em frente à sua casa durante estas 2 horas, distribuídos em 240 intervalos de 30 segundos da seguinte maneira: Veículos Frequência % 0 136 56,67% 1 83 34,58 2 19 7,92% 3 2 0,83% Total 240 100,00% Estas frequências empíricas percentuais assim obtidas deveriam corresponder às probabilidades distribuídas binominalmente, pois, considerando-se um segundo qualquer, teremos a chance de um veículo passar ou não passar em frente à casa do autor. Assim, esta chance pode ser calculada como: = 127 veículos f 0,0176 7.200 segundos Adotando agora o modelo binomial e considerando que os carros passam em instantes espaçados de, no mínimo, 1 segundo, em 30 segundos, poderemos ter de 0 a 30 carros passando em frente da sua casa: x carros − = − x n xnp(x) f (1 f) x 0 = = 0 3030p(0) 0,0176 0,9824 0,5870 0 1 = = 1 2930p(1) 0,0176 0,9824 0,3155 1 2 = = 2 2830p(2) 0,0176 0,9824 0,0820 2 3 = = 3 2730p(3) 0,0176 0,98224 0,0137 3 4 = = 4 2630p(4) 0,0176 0,9824 0,0017 4 Total 0,9999 Observe como as probabilidades teóricas do modelo binomial espelham, aproximadamente, às frequências práticas de passagens de 0, 1, 2 e 3 veículos. Fatos como este permitiram aos estudiosos a utilização das probabilidades teóricas que exigem, em seus cálculos, apenas a frequência individual de chegar um novo cliente no sistema. 8 - João Carlos Teixeira dos Santos Assim, por exemplo, se a chance de um veículo ser roubado é de 2%, considerando-se 1.000 destes veículos, teremos, em média de 1.000 x 2% = 20 veículos roubados. Para todos os casos em que f é uma probabilidade de algo ocorrer por unidade de tempo, podemos ignorar esta exigência de n grande e f pequeno utilizando a consideração do seguinte exemplo. Quando f = 30% por hora e n = 10 horas, f não é tão pequeno nem n é tão grande. No entanto, poderemos recalcular n e f da seguinte forma: 30% por hora implicam 0,5% por minuto e n ficará igual a 10 x 60 = 600 minutos (logo, f ficou pequeno e n, grande). Portanto, = 600 x 0,5% = 10 x 30% = média de 3 "coisas" em 10 horas ou 600 minutos. Assim, = 0,5280 é a esperança do número de carros que passará em cada um dos intervalos de 30 segundos. A Distribuição Binomial apresenta o incômodo de calcular números binomiais e, dependendo das circunstâncias, podem ser inviáveis, mesmo utilizando-se calculadoras científicas. Felizmente, o matemático francês Siméon Denis Poisson (1781−1840), observou como a fórmula da distribuição binomial poderá ser aproximada por outra fórmula muito mais simples em casos onde n é grande e f é pequeno o suficiente, o que veremos no item a seguir. A DISTRIBUIÇÃO DE POISSON Se a chance de algo acontecer é de f e fizermos esta experiência por n vezes, podemos esperar a seguinte média de ocorrência: nf. Esta é a fórmula da esperança da variável aleatória de distribuição binomial, conforme pode ser constatado no livro "compreendendo a Estatística" do mesmo autor. Esta esperança ou média recebe o nome de (lâmbda, letra l grega minúscula) e, assim: = n f Considerando a distribuição binomial, Poisson demonstrou que, para n grandes e f pequenos o suficiente, a probabilidade de x sucessos poderá ser obtida a partir da fórmula: − = x p(x) e x! onde: p(x) é a probabilidade de x sucessos; é o produto do número de tentativas (n) pela chance individual de sucesso (f) em cada uma delas; e e é o número de Euler e vale, aproximadamente, 2,7 1828 1828 Exemplo F Os cálculos das probabilidades da experiência da seção anterior poderão ser refeitos utilizando-se agora a distribuição de Poisson. Para tanto, vamos inicialmente calcular a média , observando-se que n era igual a 30 e f igual a 0,0176: = = =n f 30 0,0176 0,5280 O número 0,5280 pode ser interpretado como o número de carros que, em média, passarão em 30 segundos. Como é um número fracionário, podemos interpretá-lo melhor como o número de carros que passarão em 60 segundos multiplicando-o por 2: 1,056 ou aproximadamente, 1 carro. Utilizando agora o valor de no modelo de Poisson, teremos: Teoria das Filas - 9 Localize em sua calculadora científica a tecla ex. Veja como estes valores são praticamente os mesmos obtidos considerando-se a distribuição binomial que, por sua vez, espelhavam as frequências práticas da experiência. Assim, ao invés da distribuição binomial, a partir de agora, vamos utilizar a de Poisson, pois, como vimos, para f igual à média de coisas que ocorrem por unidade de tempo e n este tempo, podemos fazer f tão pequeno quanto se queira (mudando-se a unidade de tempo), que leva n a ser tão grande quanto se queira, mas será constante em todos os casos. Exceto em situações explicadas por fatores muito fortes e específicos, na prática, o número de clientes por minuto se distribui conforme Poisson, o que justifica a utilização de sua fórmula. A probabilidade de x ser igual à média (no caso, x = 2) não será ultrapassada por nenhuma outra, o que confirma a expectativa de bom senso. Mais de duas pessoas significa 3 ou 4 ou 5 ou ..., o indicativo de soma destas probabilidades. Mas, apesar de infinita, tal soma poderá ser obtida a partir do seu complementar. x carros − = ( ) x p x e x! 0 −= = 0 0,5280 0,5280p(0) e 0,5898 0! 1 −= = 1 0,5280 0,5280p(1) e 0,3114 1! 2 −= = 2 0,5280 0,5280p(2) e 0,0822 2! 3 −= = 3 0,5280 0,5280p(3) e 0,0145 3! 4 −= = 4 0,5280 0,5280p(4) e 0,0019 4! Total 0,9998 Exemplo G Durante certo período do dia, a média de clientes que chegam à fila de um caixa eletrônico é a de 2 pessoas por minuto. O número de clientes que chegam por minuto é uma variável aleatória com distribuição de Poisson. Qual é a probabilidade de que chegue(m), num minuto qualquer: a) nenhuma pessoa? b) uma única pessoa? c) duas pessoas? d) mais de duas pessoas? Como o número de clientes que chegam por minuto x é uma variável aleatória com distribuição de Poisson, as chances de x serem 0, 1, 2, etc poderão ser obtidas a partir da fórmula apresentada, onde = 2, a média de clientes que chegam por minuto: a) p(0) = ? −= = = 0 2 2 1p(0) e 0,1353 0,1353 0! 1 b) p(1) = ? −= = = 1 2 2 2p(1) e 0,1353 0,2707 1! 1 c) p(2) = ? −= = = 2 2 2 4p(2) e 0,1353 0,2707 2! 2 d) p(3) + p(4) + p(5) + p(6) + ... = 1 − [p(0) + p(1) + p(2)] − − − =1 0,1303 0,2707 0,2707 0,3283 10 - João Carlos Teixeira dos Santos Dica 8: utilizando a calculadora científica, calcule e− uma única vez para obter o item (a) e, em seguida, faça as multiplicações necessárias para obter os itens (b), (c), (d) e (e). Dica 9: utilize a proporcionalidade entre o número de aviões e o tempo para obter a nova média deste exercício. Dica 16: para os itens (b) e (c), use o método de Newton: sucessivos cálculos da função = −(x) x f(x) / f'(x) onde x deverá ser tomado igual ao resultado anterior de (x).EXERCÍCIOS O enunciado a seguir se refere aos exercícios de 08 a 12. Num aeroporto, a cada 10 minutos, em média, 3 aviões solicitam autorização para pousar. 08) Considerando os próximos 10 minutos, qual será a probabilidade de que solicite(m) autorização: a) nenhum avião; b) um avião; c) dois aviões; d) três aviões; e) quatro aviões; f) mais de quatro aviões. 09) Considerando os próximos 5 minutos, qual será a probabilidade de que solicite(m) autorização: a) nenhum avião; b) um avião; c) dois aviões; d) mais de dois aviões. 10) A chance de nenhum avião solicitar autorização em 5 minutos foi maior do que em 10 minutos. Isso confirma o esperado pelo senso comum? Justifique. 11) Como você correlacionaria os percentuais obtidos em 08f e 09d? 12) Adaptando agora 3 aviões em 10 minutos para f aviões em 1 segundo, a) calcule f; b) para usar a distribuição binomial para resolver o exercício 08 usando f calculado no item anterior, qual seria o valor de n? c) Encontre os resultados dos itens 08a, 08b e 08c usando a distribuição binomial. O seguinte enunciado refere-se às questões 13 a 16. Uma empresa disponibiliza uma linha 0800 para receber reclamações e/ou sugestões de seus clientes e uma única telefonista para atendê-los. Em 8 horas de serviços, foram recebidas 36 ligações. 13) Considerando os próximos 30 minutos, quais são as chances de receber: a) nenhuma ligação; b) uma ligação; c) duas ligações; d) três ligações. 14) O fato de a probabilidade ter alcançado um pico em duas ligações já era esperado? Justifique. 15) Considerando o tempo de 1 hora, qual será a chance de receber mais de uma ligação? EXERCÍCIO AVANÇADO 16) Numa central 0800, em quatro momentos diferentes descritos a seguir, qual é a média de ligações por hora quando: a) a probabilidade de que não ocorram ligações em 1 hora é de 0,006097? b) a probabilidade de que ocorra única ligação em 1 hora é de 0,130439? c) a probabilidade de que ocorram 4 ligações em 1 hora é de 0,168031? d) a probabilidade de que ocorra uma ou mais ligações em 1 hora é de 0,899741? Teoria das Filas - 11 Veja que, quanto maior o número de carros que passam em intervalos de 30 segundos, menores serão as diferenças de tempos entre a passagem de 2 carros. Além disso, estas diferenças dependerão unicamente deste número de carros. Logo, a distribuição das diferenças de tempos é inversa à distribuição do número de carros em 30 segundos. Esta argumentação é útil para justificar que a distribuição exponencial é a inversa da de Poisson. A equação da curva exponencial pontilhada é −= fx 1 y e f , onde f é a média de carros por segundo e 1/f é a média dos segundos por carro, isto é, a média dos intervalos entre as passagens de dois carros. Assim, passa uma média de 0,5280 carro a cada 30 segundos e a média de intervalos entre duas passagens é de 1,8939 x 30 segundos, ou 56,69 segundos. A DISTRIBUIÇÃO EXPONENCIAL Vimos, na experiência do autor, que o número de carros nos intervalos de 30 segundos é uma variável aleatória que se distribui conforme Poisson. Agora, mostraremos que as diferenças de tempos entre a passagem de dois veículos é outra variável aleatória e se distribui conforme a distribuição exponencial. Exemplo H A tabela seguinte mostra as diferenças de tempos entre a passagem de 2 automóveis agrupadas em intervalos de 30 segundos, informações obtidas a partir da planilha com os dados originais: Intervalo xi Freq. absoluta 01 a 30 15 44 31 a 60 45 35 61 a 90 75 28 91 a 120 105 8 121 a 150 135 4 151 a 180 165 3 181 a 210 195 4 211 a 240 225 1 Total 127 Colocando estes valores num gráfico cartesiano, evidenciamos o comportamento de queda exponencial para estas diferenças de tempos: 30 60 90 120 150 180 210 10 20 30 40 50 frequências segundos Calculando agora a média destas diferenças de tempo a partir da planilha original, obtemos o valor de 57,26 segundos/carro. Este valor é bastante próximo do inverso da média de carros por segundo: = 127 carros carro f 0,0176 7.200 segundos segundo = 1 7.200 segundos segundos 56,69 f 127 carros carro Agrupando agora em períodos de 30 segundos, vamos obter: = = carro n f 30 0,0176 =0,5280 30 segundos = = 1 1 30 segundos 30 segundos . 1,8939 0,5280 carro carro 12 - João Carlos Teixeira dos Santos A equação da curva exponencial pontilhada é x n y e−= . Função de probabilidade é utilizada para variáveis discretas, onde, por exemplo, seus valores assumem apenas números inteiros. Ao contrário, função densidade de probabilidade (fdp) é usada para variáveis contínuas. Por exemplo, o número x de carros que passam no intervalo de 30 segundos é uma variável discreta (não podemos ter 1,5 carro, por exemplo). No entanto, a variável y diferença de tempo entre a passagem de 2 carros é contínua (poderíamos ter 1,5 períodos de 30 segundos, isto é 45 segundos, etc). Enquanto que a função de probabilidade possibilita o cálculo da probabilidade de um x qualquer, a fdp necessita ser integrada num intervalo para avaliar a probabilidade do mesmo. Assim, a integral definida desta fdp(y) de 0 a T nos dará a probabilidade de encontrarmos diferenças de tempo entre 0 e T: − − − − − − = = = − = − = − = − = − − = − = − T x 0 T x u 0 T u u x 0 T 0 0 T T p(0 x T) e dx du e dx e e du e e e e e e 1 e Observe uma boa, mas não exata, aproximação entre os valores práticos e teóricos previstos pela distribuição exponencial. Isso porque, se de 0 a T, a probabilidade é de 1 − e−T, então, após T, a probabilidade será a complementar 1 − (1 − e−T) = e−T. 1 2 3 4 5 6 7 10 20 30 40 50 frequências intervalos de 30 segundos A partir de Estatística Superior, demonstra-se que, se uma variável X tem distribuição de Poisson com média , então, a variável inversa Y = 1/X terá distribuição exponencial. Desta forma, vimos que a variável X definida como o número de carros que passará num intervalo específico de 30 segundos terá a distribuição de Poisson. Com isso, a variável Y = 1/X , o número de segundos entre a passagem de dois carros terá a distribuição exponencial. Sua função densidade de probabilidade (coluna auxiliar) será: −= yfdp(y) e onde y é a diferença de tempos entre 2 carros cuja média é igual a 1/. Para obtermos o cálculo da probabilidade do intervalo de diferenças de tempo de 0 a T, podemos usar a seguinte fórmula demonstrada na coluna auxiliar: Tp(0 x T) 1 e− = − Podemos utilizar esta fórmula para confrontar seus resultados teóricos com as frequências acumuladas práticas obtidas para a variável Y, diferença de tempos entre a passagem de 2 carros consecutivos: Intervalo Frequência Frequência acumulada Freqûencia Acumulada relativa p (0 ≤ y ≤ T) 01 a 30 44 44 0,3465 0,5280 11 e 0,4102− − = 31 a 60 35 79 0,6220 0,5280 21 e 0,6522− − = 61 a 90 28 107 0,8425 0,5280 31 e 0,7948− − = 91 a 120 8 115 0,9055 0,5280 41 e 0,8790− − = 121 a 150 4 119 0,9370 0,5280 51 e 0,9286− − = 151 a 180 3 122 0,9606 0,5280 61 e 0,9579− − = 181 a 210 4 126 0,9921 0,5280 71 e 0,9752− − = 211 a 240 1 127 1,0000 0,5280 81 e 0,9854− − = Decorre da fórmula anterior a probabilidade de que o intervalo de tempo entre a passagem de 2 carros ser superior a T: Tp(x T) e− = Esta fórmula será muito usada no modelo de filas a ser apresentado na próxima seção. Teoria das Filas - 13Podemos entender aqui que estas 1.000 horas será a média com que 2 lâmpadas diferentes serão utilizadas e, portanto, 1 lâmpada nova a cada 1.000 horas fornece = 0,001 lâmpada/hora. Dica 17: em (a), 1 minuto representa a fração 1/10 do período da média de 3 aviões em 10 minutos. Proceda de modo análogo para os demais itens. Exemplo I Uma lâmpada incandescente apresenta duração em horas Y variável aleatória contínua com distribuição exponencial e média de 1.000 horas. a) Qual será a fdp(y) desta distribuição exponencial? b) Qual será a probabilidade de a lâmpada durar até 300 horas? c) Qual será a probabilidade de a lâmpada durar até 1.000 horas? d) Qual será a probabilidade de a lâmpada durar mais de 1.000 horas? a) Se a média de duração da lâmpada é de 1.000 horas, então, 1.000 será igual a 1/, isto é: − − = → = = = → = y 0,001y 1 1 1000 0,001 1.000 fdp(y) e fdp(y) 0,001 e Para os demais itens (b), (c) e (d), basta utilizar a fórmula desenvolvida nesta seção: − − = − = = − = = − = 0,001 300 0,001 1000 p(0 y 300) 1 e 0,2592 p(0 y 1.000) 1 e 0,6321 p(y 1.000) 1 0,6321 0,3679 EXERCÍCIOS O enunciado a seguir se refere às questões de 17 a 18. Num grande aeroporto, a cada 10 minutos, em média, 3 aviões solicitam autorização para pousar. 17) Qual é a probabilidade de, após ser feita uma solicitação, a seguinte ocorrer em até: a) 1 minuto; b) 2 minutos; c) 3 minutos; d) 5 minutos; e) 10 minutos; f) mais de 10 minutos. 18) Qual será a média das diferenças de tempo entre duas solicitações? O enunciado a seguir se refere às questões de 19 a 20. Uma empresa disponibiliza uma linha 0800 para receber reclamações e/ou sugestões de seus clientes e uma única telefonista para atendê-los. Em 8 horas de serviços, foram recebidas 36 ligações. 19) Após o início de uma ligação, qual é a chance que a segunda ocorra: a) em até 15 minutos? b) em até 20 minutos? c) após 15 minutos? d) após 20 minutos? 20) Prove que os valores anteriores independem da escolha do período de . 21) Um eletrodoméstico tem durabilidade Y horas distribuídas exponencialmente com média de 5.000 horas de utilização. Qual é a chance de que tenha durabilidade superior a 10.000 horas? 14 - João Carlos Teixeira dos Santos As fórmulas deste modelo são as mesmas estudadas anteriormente nas distribuições de Poisson e exponencial. Chegar, no máximo, 1 pessoa significa não chegar ninguém (x = 0) ou chegar uma única pessoa (x = 1). Utilizando-se, então, a distribuição de Poisson para efetuar os cálculos, obtivemos 0,1353 e 0,2707, respectivamente, que deverão ser somados para se chegar à resposta correta. Considerando-se os próximos 3 minutos, alteramos a média de 2 pessoas/min para 6 pessoas/3min. Assim, em 3 minutos, será 6. Para chegarem mais de 2 pessoas, consideramos o complementar da soma p(0) + p(1) + p(2) que significa chegarem, no máximo, 2 pessoas. A chance de a próxima pessoa chegar em até 40 segundos é dada pela distribuição exponencial conforme o quadro ao lado. Observe atentamente o cálculo de T: 40 segundos = 2/3 min. Esta chance também poderia ser obtida a partir da distribuição de Poisson, considerando-se o complementar da probabilidade de não chegar ninguém nos próximos 40 segundos. Veja que, para tanto, alteramos proporcionalmente . MODELO PURO DE CHEGADAS Este modelo da Teoria de Filas é usado para descrever sistemas onde apenas chegadas ocorrem. Por exemplo, a fila que se forma no lado de fora para a compra de ingressos de um show antes de a bilheteria abrir. Se as diferenças entre os tempos de chegadas ocorrem conforme uma distribuição exponencial, o número de clientes que chegam num determinado tempo se distribui conforme Poisson. Exemplo J As bilheterias para a venda de ingressos de um show musical abrirão somente às 9 horas, mas os interessados formaram uma enorme fila única nos arredores das mesmas desde às 4 horas da manhã e chegam a uma média de 2 pessoas por minuto, agora por volta das 7h30. Assim, considerando: a) o próximo minuto, qual é a chance de chegar, no máximo, 1 pessoa? b) os próximos 3 minutos, qual é a chance de chegarem mais de 2 pessoas? c) Qual é a chance de a próxima pessoa chegar em até 40 segundos? a) − − − = = = = → = = + = 0 2 x 1 2 pessoas 2 min 2 p(0) e 0,1353 0! p(x) e x! 2 p(1) e 0,2707 1! p(0) p(1) 0,4060 b) − − − − = = = = = → = = = = + + = → + + = − = 0 6 x 1 6 2 6 pessoas pessoas 2 6 min 3min 6 p(0) e 0,0025 0! 6 p(x) e p(1) e 0,0149 x! 1! 6 p(2) e 0,0446 2! p(0) p(1) p(2) 0,0620 p(3) p(4) ... 1 0,0620 0,9380 c) − − − − − = = = = − = − = − = = = = = = = = − = 2 4 2 T 3 3 4x 0 3 pessoas 40 2 2 e T min min min 60 3 p(0 y 2 / 3) 1 e 1 e 1 e 0,7364 ou pessoas pessoas 4 pessoas 2 2 min 60seg 3 40seg (4 / 3) p(0) e e 0,2636 x! 0! p 1 p(0) 0,7364 Teoria das Filas - 15 Veja que a primeira fórmula não poderá ser usada para calcular a probabilidade de não haver clientes no sistema, p(0), que deverá ser obtida pelo complementar da soma das demais. A média de 4 minutos por cliente implica em 0,25 cliente por minuto ou 2,5 clientes a cada 10 minutos. Veja que a probabilidade de haver 0 cliente é a maior de todas. Alteramos proporcionalmente a média de saída de clientes para 1,25 cliente em cada 5 minutos. Observe como a probabilidade de saírem 3 clientes, isto é, sistema com 0 cliente, p(0) é muito menor agora se comparado ao exemplo anterior, pois definimos um intervalo de tempo menor. Assim, haverá apenas 13,16% de chance de que, após 5 minutos, ninguém permaneça no sistema, isto é, todos os 3 clientes já tenham sido atendidos. MODELO PURO DE SAÍDAS Este modelo da Teoria de Filas é usado para descrever sistemas onde apenas saídas ocorrem. Por exemplo, a fila numa agência bancária após as 16 horas. As durações de atendimento de clientes ou os intervalos entre as saídas de dois clientes continuarão a ser distribuídos no tempo conforme a distribuição exponencial. Porém, devido à limitação do número de clientes N que serão atendidos, as probabilidades de haverem no sistema de 0 a N clientes num tempo específico se distribuirão conforme a distribuição truncada de Poisson: −− = = = − = − N x N x 1 p(x) e , x 1, 2, ..., N (N x)! p(0) 1 p(x) Exemplo K Numa agência bancária, após as 16 horas, existem 2 clientes na fila e um iniciando seu atendimento por um único caixa. Este demora em média 4 minutos para atender cada um dos clientes. Então, considerando os próximos 10 minutos, qual é a chance de que sejam atendidos: a) nenhum cliente? b) apenas um cliente? c) dois clientes? d) três clientes? Para que, em 10 minutos, nenhum cliente ainda tenha sido atendido, é necessário que o sistema ainda esteja com x = 3 clientes. Assim, para obter esta probabilidade, devemos calcular p(3) e assim por diante: − − − − − − = → = = = = − = = − = = − = − + + = 3 3 2,5 3 2 2,5 3 1 2,5 1 minutos cliente clientes 4 0,25 2,5 cliente minuto 10minutos 2,5 a) p(3) e 0,0821 (3 3)! 2,5 b) p(2) e 0,2052 (3 2)! 2,5 c) p(1) e 0,2565 (3 1)! d) p(0) 1 [p(1) p(2) p(3)] 0,4562 Exemplo L Usando o exemplo anterior, refaça todos os cálculos considerando-se agora os próximos 5 minutos. − − − − − − = → = = = = − = = − = = − = − + + = 3 1 1,25 3 2 1,25 3 3 1,25 1 minutoscliente cliente 4 0,25 1,25 cliente minuto 5minutos 1,25 a) p(1) e 0,2238 (3 1)! 1,25 b) p(2) e 0,3581 (3 2)! 1,25 c) p(3) e 0,2865 (3 3)! d) p(0) 1 [p(1) p(2) p(3)] 0,1316 16 - João Carlos Teixeira dos Santos Dica 32: utilize o método de Newton para resolver a equação em , média em pessoas/minuto. Em seguida, converta para pessoas/(15seg) e calcule os itens (a) e (b). EXERCÍCIOS 22) Os aposentados chegam a uma agência bancária, antes de abrir, a uma taxa de 5 por minuto em intervalos de tempo que se distribuem exponencialmente. Encontre a probabilidade de: a) não chegar nenhum aposentado nos próximos 3 minutos; b) não chegar nenhum aposentado nos próximos 12 segundos; c) chegar um ou mais aposentados nos próximos 30 segundos; d) chegarem 2 aposentados nos próximos 2 minutos. 23) Considerando a questão anterior, calcule a chance de o próximo aposentado chegar em até 1 minuto utilizando: a) a distribuição de Poisson; b) a distribuição exponencial. 24) Numa fila, a probabilidade de que nenhuma pessoa chegue nos próximos 50 segundos é de 44,93%. Assim, qual será a probabilidade de que nenhuma pessoa chegue no próximo minuto? 25) Numa fila, a probabilidade de que uma ou mais pessoas cheguem no próximo minuto é de 85,04%. Assim, qual é a probabilidade de que duas ou mais pessoas cheguem no próximo minuto? 26) Um médico precisará atender 5 pacientes em seu consultório. Se iniciar agora seus atendimentos e estes tiverem a duração média de 25 minutos, qual é a chance de que atenda todos eles em até 2 horas? 27) Considerando-se a questão anterior, qual é a chance de atender todos os 5 pacientes em até 1h 10 minutos? 28) Um estudante precisa ler 3 livros e, em média, lê 1 livro em 6 horas. Qual é a chance de que gaste até 15 horas para ler estes livros? 29) Um eletrotécnico precisa consertar 4 tvs e gasta, em média, 45 minutos para consertar cada um. Após 2 horas de trabalho, qual é a chance de que ainda tenha terminado o conserto de apenas um? 30) Um motoboy precisa entregar 5 pizzas e gasta, em média, 17 minutos para entregar cada uma. Qual é a chance de entregar todas em até 1 hora? 31) Num modelo puro de saídas, existem 10 clientes e a probabilidade de que nos próximos 15 minutos não saia ninguém é de 54,88%. Assim, qual é a probabilidade de não sair ninguém nos próximos 5 minutos? EXERCÍCIO AVANÇADO 32) Numa fila, a probabilidade de que uma pessoa chegue no próximo minuto é de 35,95%. Qual será a probabilidade de que uma pessoa chegue: a) nos próximos 15 segundos? b) em até 15 segundos? Teoria das Filas - 17 Isso é equivalente a dizer que duas chegadas consecutivas e cada atendimento de um cliente ocorrerão em intervalos de tempos aleatórios distribuídos exponencialmente. A única estação de trabalho é o único caixa eletrônico. Isso porque o fato de 1 pessoa chegar a cada minuto, em média, não significa a impossibilidade de chegarem, por exemplo, 5 pessoas num mesmo minuto e nenhuma pessoa nos minutos seguintes. O mesmo dizer para a média de atendimentos: o fato de 1,25 pessoa por minuto ser atendida, em média, não significa que não haverá minutos em que nenhuma pessoa seja totalmente atendida. Caso fosse maior ou igual a , seria maior ou igual a 1 e a fila cresceria indefinidamente e todas estas características ao lado não poderiam ser facilmente determinadas. SISTEMA COM UMA ÚNICA ESTAÇÃO DE TRABALHO Neste terceiro modelo de filas, ocorrerão chegadas e saídas, constituindo, portanto, uma combinação dos outros dois puros vistos nas seções anteriores. Assim, os números de clientes que chegam à fila e que são atendidos serão variáveis aleatórias com distribuição de Poisson com médias e respectivamente. Outra característica deste modelo é a única estação de trabalho para atender os clientes e estes são atendidos com a qualidade FIFO (first in first out), isto é, o primeiro a chegar na fila é o primeiro a sair dela. Exemplo M Considere um caixa eletrônico de um banco instalado dentro de uma empresa. Em determinado dia e horário, o número de pessoas que chegam por minuto está distribuído conforme Poisson com média de 1 pessoa. Assim, vamos representar a média de chegadas na fila por : = pessoa 1 minuto Suponha agora que o caixa eletrônico as pessoas utilizam o caixa em intervalos de tempo distribuídos exponencialmente com média de 48 segundos. Podemos, assim, calcular a média de atendimentos, representada por , da seguinte forma: = → = = = 1 segundos 1 pessoa 60 pessoa pessoa 48 1,25 pessoa 48 segundo 48 60 segundos minuto Desta maneira, percebemos que, em média, podem sair mais pessoas do que chegam. Se estas chegadas e estas saídas se dessem em intervalos de tempos regulares, isto é, se não representassem variáveis aleatórias, se iniciarmos o sistema sem filas, estas jamais ocorreriam. Porém, como as chegadas e as saídas ocorrerão em instantes aleatórios, em alguns intervalos de tempo, não haverá nem fila nem pessoas utilizando o terminal; em outros, pessoas sozinhas no caixa; em outros, pessoas no caixa e pessoas na fila. A razão entre e é definida como fator de utilização (letra r minúscula grega, rô) e apresenta diversos significados e utilizações em outras fórmulas: = O modelo de filas a ser apresentado nesta seção é válido somente quando < , o que implica em 0 < < 1, ocasião em que poderemos prever diversas características do nosso sistema, como o tamanho médio da fila, o tempo médio de espera na fila, a probabilidade de haver n pessoas no sistema, a chance de um cliente em particular esperar mais do que um tempo específico, etc. 18 - João Carlos Teixeira dos Santos Para sistemas com mais de uma estação de trabalho, estas interpretações sofrerão modificações, mas poderão ser expressas também em função de . Este resultado nos diz que, ao longo de um tempo relativamente longo, a frequência com que haverá n pessoas no sistema, Pn, será igual à frequência com que haverá n−1 pessoas vezes . Com isso, a probabilidade de haver n pessoas no sistema passa a depender somente de n e de . Dizemos que a variável aleatória n clientes tem distribuição geométrica de probabilidades. Para obter os símbolos , , e , digite, respectivamente nas células l, m, r e S e depois use a fonte SYMBOL. Como a probabilidade de haver nenhuma pessoa no sistema é de 20%, então, segue que a probabilidade de haver, pelo menos, 1 pessoa será de 80%, o que é igual ao fator de utilização . Veja que as probabilidades decrescem com o aumento de pessoas, o que é bastante intuitivo, sendo praticamente, nula para mais do que 37 pessoas. Na célula B4, temos a fórmula '=B2/B3'. Em G3, digitamos '=1−B4' e, em G4, digitamos '=B4*G3' ou, alternativamente, em G3, digitamos '=B$4^F3*(1−B$4)', clicamos e arrastamos. No nosso exemplo M, o valor de será igual a / = 1 / 1,25 = 0,80, sendo, portanto, adimensional por se tratar da divisão de duas médias de mesmas naturezas (média de número de clientes que chegam por unidade de tempo e média de número de clientes que são atendidos por unidade de tempo). Para sistemas com uma única estação de trabalho, o fator de utilização poderá ser interpretado fisicamente como: a) a probabilidade de o sistema estar ocupado é igual a (e a de estar desocupado será, portanto, 1 − ); b) o número médio de clientes sendo atendidos, sendo, por isso, também chamado de intensidade de tráfego ou índice de congestionamento.Podemos demonstrar que a probabilidade de haver n clientes no sistema (1 sendo atendido e n−1 na fila) é dada pela seguinte fórmula: −= n n 1P P Esta fórmula pode ser obtida a partir de situação de equilíbrio no diagrama de transição e sua obtenção será estimulada através de um exercício avançado. Desta maneira, poderemos recursivamente obter a probabilidade ou frequência de haver n pessoas no sistema da seguinte forma: − = − = = − = = − = − = = − = − = = = − 0 1 0 2 2 1 2 3 3 2 n n n 1 P 1 P P (1 ) P P [ (1 )] (1 ) P P [ (1 )] (1 ) ... P P ... (1 ) Considerando as informações do exemplo M, podemos utilizar o Ms Excel para obter as seguintes probabilidades: Teoria das Filas - 19 Para tanto, utilizamos a função predefinida do Excel SOMARPRODUTO() corretamente parametrizada. Este resultado é igual à esperança da variável aleatória número de clientes no sistema. Representamos esta média de clientes por Ls (length system, comprimento do sistema). Assim, ainda que a média de atendimentos seja maior do que a de chegadas , o sistema, em média, terá 4 pessoas, 1 no caixa e 3 na fila. O número médio de clientes sendo atendidos é o fator de utilização com a unidade clientes em vez de adimensional. Em inglês, fila é queue, daí, Lq significando (length queue, comprimento da fila). Para obtermos os resultados da ilustração, informamos a média de chegadas e a média de atendimentos por minuto. Em seguida, calculamos o fator de utilização através da sua fórmula de definição. Montamos as 3 tabelas laterais utilizando uma das fórmulas para Pn apresentada ou desenvolvida. Na coluna auxiliar, temos detalhes destes procedimentos. Através da função SOMA(), obtemos a soma de todas estas probabilidades, o que deverá resultar em 100,00% e também a soma específica P1 + P2 + ... + P46 que deverá resultar em 80,00%, igual ao fator de utilização . Encarando Pn como a frequência com que haverá n clientes no sistema, podemos obter a média de clientes no sistema multiplicando-se cada valor de n por seu respectivo Pn e, em seguida, somando todos estes produtos. A rigor, serão infinitos, pois sempre existirá a chance teórica de haver, como no exemplo M, mais que 46 clientes, mas, na prática, podemos considerar nula tal chance. Este cálculo foi feito e está exibido na ilustração anterior. Mostraremos, em exercício avançado, que este número médio de clientes no sistema pode ser obtido a partir da fórmula seguinte: = − sL 1 No exemplo, o número médio de clientes no sistema será de: = = = − s 0,80 0,80 L 4 clientes 1 0,80 0,20 O número médio de clientes sendo atendidos pode ser obtido a partir da 2ª interpretação do fator de utilização , isto é: = aL Para o exemplo 1M, teremos: = =aL 0,80 cliente O número médio de clientes na fila poderá ser obtido, logicamente, através da diferença entre o número de clientes no sistema (fila + atendimento) e o número médio de clientes no atendimento: − + = − = − = = − − − 2 2 q s aL L L 1 1 1 Para o exemplo M, teremos: = − = − =q s aL L L 4 0,80 3,2 clientes ou = = = − 2 2 q 0,80 L 3,2 clientes 1 0,20 20 - João Carlos Teixeira dos Santos Este resultado está nitidamente relacionado ao fato de as distribuições dos intervalos de tempo entre duas chegadas e dos intervalos de tempo de entre dois atendimentos serem exponenciais. Desta forma, existe uma chance de apenas 6,57% de uma pessoa esperar na fila mais do que 10 minutos para utilizar o caixa eletrônico. Assim, quanto maior o tamanho da fila Lq maior será o tempo médio de espera e quanto mais pessoas chegarem por unidade de tempo para aquele tamanho específico de fila, menor será o tempo de espera. Isso porque um alto indicaria alta mobilidade da fila. Este tempo de atendimento médio, inclusive, foi utilizado para obtermos a média de pessoas atendidas por minuto. Pode-se provar que a probabilidade de o tempo de espera na fila ser superior a t minutos será igual a: − − = ( )tqP(t t) e Assim, a probabilidade de uma pessoa esperar, por exemplo, mais que 10 minutos na fila do exemplo M será: − − − = = =(1,25 1)10 2,5qP(t 10) 0,80 e 0,80 e 0,0657 Em média, uma pessoa esperará na fila: = = − 2 q q L T (1 ) Neste exemplo M, o tempo médio de espera na fila será: = = q q L 4 clientes T = 4 minutos 1 cliente/min Vimos que o tempo médio de atendimento será dado por: a 1 T = No exemplo M, temos que: = = =a 1 minuto segundos T 0,80 48 1,25 clientes/minuto cliente cliente Veja como este resultado concorda com o enunciado do problema de que, em média, os clientes são atendidos em 48 segundos. Finalmente, o tempo médio de um cliente no sistema será, logicamente, a soma do tempo médio na fila mais o tempo médio no atendimento: = +s q aT T T No exemplo 1M, temos: = + = + =s q aT T T 4min 48s 4min48segundos ************** Os exercícios seguintes trarão outros contextos diferentes, além de explorarem outras possibilidades de manipulação para as fórmulas apresentadas, inclusive suas demonstrações. Teoria das Filas - 21 EXERCÍCIOS 33) Uma sorveteria apresenta apenas um funcionário para atender seus clientes que chegam a uma taxa média de 42 por hora. Todos os clientes que chegam estão dispostos a esperar. O atendente gasta, em média, 1 minuto e 15 segundos com cada cliente. Encontre: a) as médias e por minuto; b) o fator de utilização ; c) a probabilidade de o atendente estar desocupado; d) a probabilidade de haver 5 clientes na sorveteria; e) a probabilidade de a fila estar com 7 clientes; f) o número médio de clientes no sistema; g) o número médio de clientes sendo atendidos; h) o número médio de pessoas na fila; i) a chance de um cliente esperar mais de 5 minutos para ser atendido; j) a chance de um cliente esperar menos de 8 minutos para ser atendido; k) o tempo médio de espera na fila; l) o tempo médio gasto no sistema. 34) Duas pessoas chegam a uma cabine telefônica num intervalo médio de 8 minutos entre si. A duração das chamadas, em média, é de 4 minutos. Encontre: a) o fator de utilização do sistema; b) a probabilidade de uma pessoa, chegando à cabine, ter que esperar; c) o número médio de pessoas no sistema; d) o número médio de pessoas ao telefone; e) o número médio de pessoas na fila; f) o tempo médio de espera na fila; g) o tempo médio de espera no sistema; h) a chance de esperar 12 minutos ou mais até iniciar o telefonema; 35) Um sistema com 1 estação de trabalho apresenta probabilidade de estar sem clientes igual a 32%. Qual será a probabilidade de estar: a) com clientes; b) com uma única pessoa sendo atendida, sem fila; c) com quatro pessoas na fila. 36) Um sistema com 1 estação de trabalho apresenta, em média, 7 clientes. Se, em média, a cada 30/7 minutos chega 1 cliente, encontre: a) o tempo médio de atendimento em segundos; b) o tamanho médio da fila; c) a probabilidade de se esperar por mais de 10 minutos na fila. 37) Um sistema com 1 estação de trabalho apresenta uma fila com 7 clientes em média. Calcule aproximadamente seu fator de utilização . 38) Um sistema com 1 estação de trabalho é tal que um cliente chega a cada 2 minutos em média e o tempo médio de atendimento é de 1 minuto e 40 segundos. Sabendo que a chance de alguém esperar menos do quet minutos para ser atendido é de 77,29%, encontre o valor de t. 39) Um sistema com 1 estação de trabalho apresenta tempo médio de espera em fila de 15 minutos e média chegada de 5 clientes por minuto. Qual será a probabilidade de estar desocupado? 22 - João Carlos Teixeira dos Santos Em geral, chegarão mais clientes por unidade de tempo do que os clientes que são atendidos por unidade de tempo por cada caixa , isto é, > . A validade do modelo a ser explicado será para < k, isto é a quantidade de clientes que chegam deverá ser menor que a quantidade de clientes que poderão sair por unidade de tempo. EXERCÍCIOS AVANÇADOS 40) A probabilidade de uma pessoa esperar mais de 5 minutos em fila é de 32,53% num sistema com única estação. Se, em média, 54 clientes são atendidos por hora, qual será o fator de utilização? 41) Diagramas de Transição. O desenho ao lado pode ser usado para obter a probabilidade ou a frequência em que apenas um cliente está no sistema. Assim, o sistema estará com nenhum cliente (estado 0) quando a frequência de não haver clientes (P0) multiplicada por for igual à frequência de haver único cliente (P1) multiplicada por . Obtenha o valor de: a) P1, justificando esta equação; b) P2, considerando-se o equilíbrio no estado 1. c) Pn, considerando-se o equilíbrio no estado n−1. 42) Média de Clientes no Sistema. Concluímos que o número de clientes no sistema n é uma variável aleatória com distribuição geométrica de probabilidades dada por −nnP = (1 ) . A esperança desta variável, portanto, fornecerá a média de clientes no sistema. Calcule esta esperança, observando as progressões geométricas que se formarão, utilize suas fórmulas para simplificar e finalmente obter a expressão para Ls em termos de . SISTEMA COM K ESTAÇÕES DE TRABALHO A generalização do modelo desenvolvido na seção anterior de sistema com 1 estação para sistema com k estações de atendimento é feita através de considerações que fogem ao caráter introdutório deste trabalho. No entanto, como no caso anterior, procuraremos abordá-la através de um exemplo, explorando a herança de conceitos e resultados, procurando sempre que possível usar o bom senso e o raciocínio para apresentá-los. Exemplo N Considere agora k caixas eletrônicos em funcionamento na agência de um banco com fila única. Sejam também a média de clientes que chegam à agência e a média de clientes que são atendidos por caixa. De forma idêntica ao modelo de uma estação de trabalho, desenvolvido no exemplo da seção anterior, continuaremos definindo como a razão entre as médias e , apesar de não resultar mais na chance de o sistema estar ocupado: = A fórmula para o tempo médio de espera em fila Tq terá a mesma expressão do modelo de único caixa: = q q L T 0 1 Teoria das Filas - 23 O somatório presente no denominador desta fórmula deverá ser entendido como a soma das parcelas n/n! onde n varia de 0 até k−1. Veja que, por hora e em média, chegam 150 clientes e podem ser atendidos 5 x 30,2 = 151 clientes, por hora e em média, isto é, < k, o que permite a aplicação do nosso modelo. Notamos uma tabela que somará as parcelas n/n! com n variando de 0 até k−1. No problema, k = 5 e, portanto, conforme indica o somatório, entrarão as parcelas de n = 0 até n = 5−1 = 4. Para isso, basta calcular a parcela caso n seja menor que k e isto é obtido com a função predefinida SE() parametrizada conforme a ilustração. Na linha 14, temos a soma de todas estas parcela, o que é obtido com 'SOMA(F3:F13)'. Assim, o resultado de P0 será 0,03%, isto é, uma muito pequena chance de o sistema estar sem ninguém. Veja que o fator de utilização é quase igual ao número de estações k. Por outro lado, o número de pessoas na fila será, média, 147, um número absurdamente alto. Finalmente, o tempo de espera em fila, Tq, em minutos será, em média, um pouco mais que 59. Porém, a expressão para Lq, tamanho médio da fila, será bem mais complexa: + = − k 1 q 02 L P k k!(1 / k) Por sua vez, P0, a probabilidade de o sistema estar vazio, é dada por: − = = + − 0 k nk 1 n 0 1 P k!(1 / k) n! As complexidades envolvidas nestas expressões poderão ser amenizadas com a utilização do software Ms Excel para realizar os cálculos. Vamos, a seguir, ilustrar estes cálculos considerando: = = = 150 clientes/hora 30,2 clientes/hora k 5 caixas Para obtermos a probabilidade de não haver clientes no sistema, isto é, P0, necessitamos desta soma além da fração de numerador k e denominador k!.(1 − /k): 24 - João Carlos Teixeira dos Santos Ocorre o que chamamos de efeito da estação adicional: o tamanho da fila tenderá a decrescer com o tempo para aproximadamente 3 clientes, e, depois desta estabilização, o tempo de espera passará de 59 para pouco mais de 1 minuto. No entanto, no período de transição, ainda poderá haver filas grandes e tempo de espera elevado. Pn é a probabilidade de haver n clientes no sistema e terá duas fórmulas de cálculo, conforme o valor de n se comparado ao número de estações k. O número de clientes sendo atendidos é , enquanto, que, no sistema será Lq + La. O tempo médio de espera na fila Tq será, analogamente ao sistema de uma única estação, Lq/. O tempo médio no sistema será o tempo médio de espera na fila mais o tempo médio de atendimento 1/. As probabilidades de o tempo de espera na fila e no sistema serem superiores a um tempo T em minutos será dada pela expressão de P(Tq > T) e de P(Ts >T), respectivamente. Finalmente, o número de estações de trabalho vazias, em média, será dado pela diferença entre k e . Assim, para que a fórmula não ficasse muito grande no Excel, calculamos estes termos separadamente e, em seguida, calculamos P0. O tamanho médio da fila Lq bem como o tempo médio de espera na fila Tq estão igualmente calculados conforme as fórmulas no Excel ilustradas que seguem as expressões matemáticas apresentadas no início deste exemplo. Através dos resultados numéricos desta planilha, chegamos à conclusão de que o sistema terá uma longa fila, com muita espera, e que, portanto, precisa ser modificado. Experimente alterar apenas k para 6 caixas e veja o que ocorrerá: A seguir, vamos listar algumas outras fórmulas importantes para o sistema de fila única com k estações de trabalho. − − − − − − = = = = + = + = = + = + = − − = + − − = − n n 1 n n 1 a s q a q q q s q a q Tk k (1 /k) 60 q 0 T kT k 60 60 s 0 P P para 1 n k n P P para n k k L L L L L L T 1 T T T T P(T T) P e k!(1 / k) 1 e P(T T) e 1 P k k!(1 / k) 1 onde 1 k = − vk k Os exercícios que se seguirão explorarão também habilidades para invertê-las, o que sempre exige uma boa compreensão de matemática, além da capacidade de obter uma delas a partir de outras, o que será explorado nos exercícios avançados. Teoria das Filas - 25 EXERCÍCIOS 43) Oito vendedoras cuidam do atendimento aos clientes em uma perfumaria, sendo que o tempo médio de atendimento de cada cliente é de 30 minutos. Em horários de pico, os clientes chegam a uma taxa média de doze por hora. Determinar: a) a média de clientes atendidos por hora por cada vendedora; b) o número médio de clientes esperando; c) o número médio de clientes na loja; d) a probabilidade de um cliente que chegou ter queesperar; e) a probabilidade de um cliente esperar mais de 7 minutos para ser atendido; f) o tempo médio gasto no sistema; g) o número médio de vendedoras desocupadas. h) a variação percentual do tempo de espera na fila se a perfumaria demitisse uma vendedora e ficasse com apenas 7? i) a variação percentual do tempo em espera na fila se for contratada mais uma vendedora, ficando com 9. 44) Vimos que a fórmula para o número médio de clientes no sistema Ls foi desenvolvida a partir da esperança da variável aleatória número de clientes no sistema que tem distribuição geométrica para o modelo de 1 estação de trabalho (exercício 42). Utilizando o Excel e o exercício anterior, mostre que Ls para sistemas com k estações também poderá ser obtido desta forma, através da função predefinida 'SOMARPRODUTO()'. A partir de que valor para n considerado, haverá a concordância com 2 casas decimais? 45) Num sistema de 2 estações, em 5,00% de um longo tempo observado, não houve clientes. Encontre: a) o fator de utilização ; b) o tamanho médio da fila; c) a probabilidade de um cliente que chegou ter que esperar; d) a probabilidade de um cliente esperar mais que 10 minutos na fila, se chegam 57 clientes por hora em média; e) o número médio de clientes no sistema. EXERCÍCIOS AVANÇADOS 46) Num sistema de 3 estações com probabilidade P0 de não haver clientes, a) mostre que o fator de utilização é dado por: = − + − − 2 0 0 0 0 1 10P 2P 1 2P 1 P b) calcule se a probabilidade de não haver clientes for de 3,00%. 47) Num sistema de 4 estações, a probabilidade de não haver clientes é de 2,00%. Encontre: a) o fator de utilização ; b) o tamanho médio da fila; c) a probabilidade de um cliente que chegou ter que esperar; 26 - João Carlos Teixeira dos Santos Assim, haverá uma chance de 44,93% de nenhum cliente chegar num minutos específico. Esta chance foi calculada a partir da distribuição de Poisson conforme a fórmula indicada ao lado e leva em conta a média e o número x de clientes desejado. Veja como o limite inferior é feito igual ao superior do x anterior, enquanto que o superior atual é o inferior mais a probabilidade de Poisson. 48) Mostre que, num sistema de k estações, o tempo médio de espera em fila também será dado por: = − k q 02 T P k k! (1 / k) 49) Mostre que, num sistema de k estações de trabalho, as probabilidades de haver n clientes no sistema também serão dadas por: − = = n n 0 n n 0n k P P para 1 n k n! P P para n k k! k 50) Mostre que, num sistema de k estações de trabalho, a probabilidade de um cliente que chegou ter que esperar é dada por: = − k q 0P(T 0) P k!(1 / k) SIMULAÇÕES DE FILAS Exemplo O Vamos considerar o sistema com única estação de trabalho (k = 1). Utilizamos a função predefinida POISSON() corretamente parametrizada para calcular as frequências ou probabilidades com que chegam e com que são atendidos clientes a partir do fornecimento das médias de chegada e de atendimento . Definimos um intervalo de tamanho Poisson para que nossa simulação possa ser coerente com a chance associada a cada valor x de clientes que chegarão em 1 minuto: As células da coluna H dependerão de um número aleatório entre 0 e 1 gerado pelo Excel a partir da função ALEATÓRIO(). Conforme o valor deste número, a planilha simulará quantos clientes estarão chegando num minuto específico: Teoria das Filas - 27 A fórmula em I2, por receber seu conteúdo anterior, é considerada uma referência circular. Para que funcione corretamente no Excel, você deverá acessar FERRAMENTAS >> OPÇÕES >> CÁLCULO e habilitar a caixa iterações e preencher com o número máximo igual a 1. Em seguida, toda vez que a tecla F9 for pressionada, haverá a geração de outro aleatório, o que simula o que ocorrerá no próximo minuto. O relógio também é uma referência circular pois terá o número total de minutos simulados. Em cada um deles, haverá dois números aleatórios relacionados ao número de clientes que chegam e que são atendidos. As três fórmulas relacionam o tamanho da fila conforme chegam e são atendidos os clientes. Em X11, temos outra fórmula com referência circular que irá somar o tamanho de todas as filas para que seja calculada a média destes tamanhos e, mais importante, comparada à média teórica prevista pela fórmula Lq. Assim, se o tamanho da fila for igual ou maior do que o valor da escala, o Excel irá preencher a célula com o número 1. Caso contrário, a deixará em branco, conforme sugere as aspas sem conteúdo da fórmula SE(). Aqui, selecionamos todas as células da escala e clicamos em FORMATAR >> FORMATAÇÃO CONDICIONAL... Para a cor de preenchimento das células, utilize a mesma da fonte o conteúdo das células (números 1). Este procedimento ocultará estes números e mostrará apenas a barra colorida. Finalmente, as colunas I e J contarão as frequências obtidas na simulação para a confirmação das fórmulas de Poisson: Analogamente, procedemos para o número de atendimentos em 1 minuto na dependência da média a ser fornecida. A tecla F9 é capaz de simular o que ocorrerá no próximo minuto, mas uma macro criada e acessada com as teclas CTRL M simula 10.000 minutos seguintes, ocasião em que percebemos as frequências se aproximarem muito das teóricas de Poisson. Isso já era esperado devido à forma como definimos os intervalos. Para fazer com que as células que tenham referências circulares sejam zeradas, posicione o fóco sobre elas e digite F2. As fórmulas seguintes relacionam o tamanho da fila gerado a partir do número de clientes que chegam e que são atendidos a cada um dos minutos simulado. O truque da formatação condicional faz com que os tamanhos de filas sejam mostrados visualmente em barras. Para tanto, as células corresponderão a uma escala de valores e a função lógica SE() corretamente parametrizada irá atribuir o conteúdo 1 quando o tamanho da fila for maior ou igual ao valor da escala, conforme nos mostra a ilustração seguinte. Assim, substituímos visualmente a sequência de números 1 pela célula preenchida na mesma cor da fonte, através da formatação condicional: 28 - João Carlos Teixeira dos Santos RESPOSTAS 01) a) p(0) = 0,0024 b) p(5) = 0,1681 c) p(3) = 0,3087 d) p(3) + p(4) + p(5) = 0,8370. A repetição de partidas beneficia o favorito. 02) 03) a) p(0) = 0,4087 a) p(0) = 0,0002 b) p(1) = 0,3901 b) p(8) = 0,0319 c) p(0) + p(1) = 0,7988 c) 1 − p(8) = 0,9681 d) 1 − [p(0) + p(1)] = 0,2012 04) p(8) + p(9) + p(10) = 0,9884 05) p(0) = 0,6853 06) 0,8 07) 0,25 08) 09) a) p(0) = 0,0498 a) p(0) = 0,2231 b) p(1) = 0,1494 b) p(1) = 0,3347 c) p(2) = 0,2240 c) 0,2510 d) p(3) = 0,2240 d) 0,1912 e) p(4) = 0,1680 f) 0,1848 10) Sim. A chance de qualquer coisa não ocorrer aumenta quando diminuímos o tempo de observação. 11) 08f: 18,48% e 09d: 19,12%. São próximos porque, ao reduzirmos o tempo de observação à metade (de 10 para 5 minutos), as chances de aparecerem 2 em vez de 4 aviões deverão ser próximas porque houve redução proporcional de tempo e de número de aviões a serem observados. 12) 13) a) f = 0,005 a) p(0) = 0,1054 b) n = 600 b) p(1) = 0,2371 c) p(0) = 0,0494; p(1) = 0,1499 e p(2) = 0,2242. c) p(2) = 0,2668 d) p(3) = 0,2001 14) Sim, porque 2 ligações é o número que mais se aproxima da média de = 2,25 ligações em 30 minutos. 15) 1 − [p(0) + p(1)] = 0,9389 16) a)5,1 ligações/hora b) 3,2 ligações/hora c) 3,0 ligações/hora d) 2,3 ligações/hora Teoria das Filas - 29 17) 18) 3 min 20 segundos a) p(0 y 1/10) = 0,2592 b) p(0 y 2/10) = 0,4512 c) p(0 y 3/10) = 0,5934 d) p(0 y 5/10) = 0,7769 e) p(0 y 10/10) = 0,9502 f) p(y > 10/10) = 1 − 0,9502 = 0,0498 19) a) p(0 y 1/4) = 0,6753 b) p(0 y 1/3) = 0,7769 c) p(y > 1/4) = 0,3247 d) p(y > 1/3) = 0,2231 20) Basta observar que e T são inversamente proporcionais de modo que T, o expoente variável no cálculo de p, fica constante. 21) p(y > 10.000) = 0,1353 22) a) 0,0000003 b) 0,3679 c) 0,9179 d) 0,0023 23) a) A chance de o próximo aposentado chegar em até 1 minuto é o complementar da chance de nenhum aposentado chegar em 1 minuto: 0 5 51 e 0,9933. 0! −− = b) p(0 y 1) = 0,9933. 24) 0,3829 25) 0,5662 26) 0,5238 27) 0,1523 28) 0,4562 29) 0,1853 30) 0,2801 31) 0,8187 32) 33) a) 0,1637 a) = 0,7 e = 0,8. b) 0,1813 b) = 0,875 c) 0,125 d) 0,0641 e) 0,0430 f) 7 clientes g) 0,875 cliente h) 6,125 clientes i) 0,5307 j) 0,6068 k) 8 min 45 segundos l) 10 min 30 - João Carlos Teixeira dos Santos 34) 35) a) = 0,50 a) 0,6800 b) 0,5000 b) 0,2176 c) 1 pessoa c) 0,0465 d) 0,5 pessoa e) 0,5 pessoa f) 4 minutos g) 8 minutos h) 0,1116 36) 37) = 0,8875 a) 3 min 45 segundos b) 6,125 clientes c) 0,6270 38) 1 min 18 segundos 39) 1/76 40) = 0,8000 43) a) 2 clientes/hora b) 1,07 cliente c) 7,07 clientes d) 0,3569 e) 0,2239 f) 35 min 21 segundos g) 2 vendedoras h) % = + 244% i) % = − 63% 44) n = 34 45) a) = 38/21 b) Lq = 8,17 clientes c) 0,8595 d) 0,3162 e) 9,98 clientes Teoria das Filas - 31 32 - João Carlos Teixeira dos Santos B Bibliografia Teoria das Filas - 33 ACKOFF, R. L. & SASIENI, M. W. Pesquisa Operacional. Rio de Janeiro: Livros Técnicos e Científicos, 1977. BOYER, CARL B. História da Matemática. São Paulo: Edgard Blücher Ltda, 2001. BUSSAB, W. O. & MORETTIN, P. A. Estatística Básica. 4ª edição. São Paulo: Atual editora, 1987. CONTADOR, J. C. Alguns Modelos da Pesquisa Operacional. São Paulo: apostila pessoal, 2002. DOWNING, D e CLARK, J. Estatística aplicada. São Paulo: editora Saraiva,1990. DUCKWORTH, E. Guia à Pesquisa Operacional. São Paulo: editora Atlas, 1972. RUGGIERO, M. A. G. & LOPES, V. L. R. Cálculo Numérico. 2ª edição. São Paulo: Makron Books, 1988. SANTOS, J.C. Estatística Básica. Mairinque: Editora Página 10, 2003. SPIEGEL, M. R. Estatística - Coleção Schaum. São Paulo: editora McGraw- Hill do Brasil, 1977. TAHA, H. A. Pesquisa Operacional. 8ª edição. São Paulo: Pearson − Prentice Hall, 2008. 34 - João Carlos Teixeira dos Santos R Resoluções Teoria das Filas - 35 36 - João Carlos Teixeira dos Santos Teoria das Filas - 37 38 - João Carlos Teixeira dos Santos Teoria das Filas - 39 40 - João Carlos Teixeira dos Santos Teoria das Filas - 41 42 - João Carlos Teixeira dos Santos Teoria das Filas - 43 44 - João Carlos Teixeira dos Santos Teoria das Filas - 45 46 - João Carlos Teixeira dos Santos Teoria das Filas - 47 48 - João Carlos Teixeira dos Santos Teoria das Filas - 49 50 - João Carlos Teixeira dos Santos Teoria das Filas - 51 52 - João Carlos Teixeira dos Santos Teoria das Filas - 53 54 - João Carlos Teixeira dos Santos Teoria das Filas - 55 56 - João Carlos Teixeira dos Santos Teoria das Filas - 57 58 - João Carlos Teixeira dos Santos Teoria das Filas - 59 60 - João Carlos Teixeira dos Santos Teoria das Filas - 61 62 - João Carlos Teixeira dos Santos Teoria das Filas - 63 64 - João Carlos Teixeira dos Santos Teoria das Filas - 65 66 - João Carlos Teixeira dos Santos Teoria das Filas - 67 68 - João Carlos Teixeira dos Santos Teoria das Filas - 69 70 - João Carlos Teixeira dos Santos Teoria das Filas - 71 72 - João Carlos Teixeira dos Santos Teoria das Filas - 73 74 - João Carlos Teixeira dos Santos Teoria das Filas - 75 76 - João Carlos Teixeira dos Santos Teoria das Filas - 77 78 - João Carlos Teixeira dos Santos Teoria das Filas - 79 80 - João Carlos Teixeira dos Santos Teoria das Filas - 81 82 - João Carlos Teixeira dos Santos Teoria das Filas - 83 84 - João Carlos Teixeira dos Santos Teoria das Filas - 85 86 - João Carlos Teixeira dos Santos Teoria das Filas - 87 88 - João Carlos Teixeira dos Santos
Compartilhar