Baixe o app para aproveitar ainda mais
Prévia do material em texto
Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Vamos admitir que o tempo de atendimento (tempo de serviço) de clientes diferentes são variáveis aleatórias independentes e que o atendimento de cada consumidor é dado por uma variável S tendo função densidade s(t). Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Vamos denominar 1/µ o tempo médio de atendimento de um cliente. Tem-se, então que: A variável 1/µ será medida em horas por cliente, de modo que µ será medida em clientes por hora. ∫=µ ∞ 0 dt)t(ts 1 Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Por esse motivo µµµµ será denominada de taxa de serviço. Por exemplo µµµµ = 5, significa que se sempre existirem clientes, o atendente poderá atender a 5 clientes por hora, em média, e o tempo médio de serviço (atendimento) para cada consumidor será de 1/5 hora. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Na notação de Kendall, uma fila é descrita por: A/B/C/Z/K/m Ou mais resumidamente por A/B/C, onde é assumido que Z = FIFO, K = ∞, m = ∞. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção David George Kendall (1918, 2007) estatístico britânico professor das universidades de Oxford e Cambridge. Foi um dos maiores especialistas em Probabilidade e Análise de Dados. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção A/B/C/Z/K/m M: são iid tendo uma distribuição exponencial; G: são iid tendo uma distribuição genérica; D: são iid e determinísticos; Er,k: são iid com distribuição de Erlang de parâmetros: r e k. Os tempos entre chegadas: Valores de A mais comuns. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção A/B/C/Z/K/m M: são iid tendo uma distribuição exponencial; G: são iid tendo uma distribuição genérica; D: são iid e determinísticos; Er,k: são iid com distribuição de Erlang de parâmetros: r e k. Os tempos de serviço: Valores de B mais comuns. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção A/B/C/Z/K/m Número de servidores A terceira característica (C) representa o número de servidores que atuam em paralelo. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção A/B/C/Z/K/m Disciplina do serviço. Z será omitido quando a disciplina for FIFO. FIFO = First In, First Out ou FCFS = First Come, First Served; LIFO = Last In, First Out ou LCFS = Last Come, First Served; SIRO = Service In Random Order; GD = Disciplina Genérica. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção A/B/C/Z/K/m Número máximo de clientes no sistema. K é omitido quando for infinito. O número de clientes incluem os que estão na fila e os em atendimento. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção A/B/C/Z/K/m Tamanho da população. m é omitido quando for infinito. A menos que o número de clientes seja o mesmo que o de servidores a população é considerada infinita. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção A notação utilizada na teoria das filas é variada mas, em geral, as seguintes são comuns: λλλλ = número médio de clientes que entram no sistema por unidade de tempo; µµµµ = número médio de clientes atendidos (que saem do sistema) por unidade de tempo; L = número médio de clientes no sistema; Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Lq = número médio de clientes na fila; Ls = número médio de clientes sendo atendidos; W = tempo médio que o cliente fica no sistema; Wq = tempo médio que o cliente fica na fila; Ws = tempo médio que um cliente leva para ser atendido. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Wq(t) = FDA do tempo de espera na fila; wq(t) = fdp to tempo de espera na fila; W(t) = FDA do tempo de permanência no sistema; T = tempo gasto no sistema. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Um dos objetivos do estudo das filas é determinar o tempo que um cliente fica no sistema. Assim se um sistema de filas está em estado estacionário, tem-se (Leis de Little): L = λλλλW Lq =λλλλWq Ls = λλλλWs Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção David John Dutton Conant Little (1928 - ) graduado em Física pelo MIT, em 1948, Foi o primeiro doutor em PO, obtendo o título em 1955. É professor do MIT desde 1962, tendo trabalhado anteriormente na GE. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Lembrar que L é espresso em termos de número de clientes, λλλλ é expresso em termos de clientes por hora e W é expresso em horas. Assim λλλλW tem a mesma unidade (clientes) de L. As três equações anteriores são válidas para qualquer sistema de filas. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Representando por pk a probabilidade de que o sistema contenha k membros (ou esteja no estado Ek ) em um momento t futuro, tem- se: Para que o sistema esteja em equilíbrio é necessário que em algum momento: 1p 0k k =∑ ∞ = Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Fluxo de Entrada: Ek = λλλλk-1pk-1 + µµµµk+1pk+1 Fluxo de Saída: Ek = (λλλλk + µµµµk)pk Em equilíbrio os dois fluxos devem ser iguais e então: Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção λλλλk-1pk-1 + µµµµk+1pk+1 = (λλλλk + µµµµk)pk A solução dessa equação pode ser obtida considerando inicialmente k = 0, que leva a: Então: pp 0 0 0 1 µ λ = p ... ... p 0 k21 1k10 k µµµ λλλ = − Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção e A relação pk para k = 0, 1, 2, ... é a principal equação da teoria das filas. Para estudar a existência das probabilidades de estados estacionários (steady-state) pk define-se: ∏ µ λ = − = + 1k 0i 1i i 0k pp ∑ ∏ µ λ+ = ∞ = − = +1k 1k 0i 1i i 0 1 1 p Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção e Diz-se, então, que um processo será: Ergódico se: S1 < ∞ e S2 → ∞; Recorrente Nulo se: S1 → ∞ e S2 → ∞; Transiente se: S1 → ∞ e S2 < ∞; ∑ ∏ µ λ = ∞ = − = +0k 1k 0i 1i i 1S ∑ ∏ µ λλ= ∞ = − = +0k 1k 0i 1i i k2 /1S Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção É o caso Ergódico (S1 < ∞ e S2 → ∞) que fornece probabilidades de equilíbrio pk e esse é o que interessa estudar. Pode-se notar que a condição de Ergodicidade é satisfeita sempre que a seqüência λλλλk/µµµµk é menor do que a unidade para algum k em diante, isto é, se existe algum k0 tal que para k ≥ k0 tem-se: λλλλk/µµµµk < 1. Prof. Lorí Viali, Dr.– PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Lembrar que um sistema M/M/1/GD/∞/∞ tem um tempo de inter chegadas exponencial (a taxa de chegadas por unidade de tempo é λλλλκκκκ = λλλλ para k = 0, 1, 2 …) e um único servidor com tempo de atendimento também exponencial (a taxa de atendimento será assumida como sendo µµµµκκκκ = µµµµ para k = 0, 1, 2, …). Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Assim: A condição para que o sistema seja ergódico (e assim tenha uma solução de equilíbrio pk > 0) é que S1 < ∞ e S2 → ∞. Nesse caso a primeira condição, torna-se: 0k para pppp k 0 1k 0i 0 1k 0i 1i i 0k ≥ µ λ =∏ µ λ =∏ µ λ = − = − = + Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Essa série irá convergir se e somente se (λλλλ/µµµµ) < 1 ou λλλλ < µµµµ. A segunda condição de Ergodicidade torna-se: ∞<∑ µ λ =∑= ∞ = ∞ = 0k k 0k 0 k 1 p p S ∞= λ µ ∑ λ =∑ λ = ∞ = ∞ = k 0k0k 0k 2 1 )pp( 1 S Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Esta condição será satisfeita se (λλλλ/µµµµ) < 1, assim a condição necessária e suficiente de ergodicidade do sistema M/M/1 é que λ < µλ < µλ < µλ < µ. Para resolver as equações em relação a p0 partimos de: ∑ µ λ + = ∑ ∏ µ λ+ = ∞ = ∞ = − = + 1k k 1k 1k 0i 1i i 0 1 1 1 1 p Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Essa soma converge se λ < µλ < µλ < µλ < µ e então: Fazendo λ/µ = ρλ/µ = ρλ/µ = ρλ/µ = ρ segue que: pk = (1 – ρρρρ) ρρρρk para k = 0, 1, 2, .... Assim o número de usuários no sistema segue uma distribuição geométrica de parâmetro 1 – ρρρρ. µ λ −= µλ− µλ + = 1 1 1 1 p0 Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Uma medida básica de um sistema de filas é o número esperado de clientes no sistema que é dado por: ρ− ρ =∑ ρρ−=∑== ∞ = ∞ = 1 k)1(pkNL 0k k 0k k Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção De forma similar pode-se determinar a variância e o desvio padrão do número de clientes no sistema que é dado por: Assim o desvio padrão é dado por: )1( )Nk(p 2 0k 2 k 2 N ρ− ρ =∑ −=σ ∞ = σ2N σN ρ− ρ =σ 1N Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Define-se ρρρρ = λ/µλ/µλ/µλ/µ como a intensidade de trânsito de um sistema de filas ou fator de utilização ou ainda taxa de utilização do sistema. Para o sistema atingir um estado estacionário é necessário que 0 ≤ ρ ρ ρ ρ < 1. Se ρ ρ ρ ρ ≥ 1 é fácil de ver que o estado estacionário não será alcançado. Quando ρρρρ = 1, o sistema torna-se instável. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Assim, por exemplo, se λ = λ = λ = λ = 6 clientes por hora e µ = 4µ = 4µ = 4µ = 4 clientes por hora. Se o servidor trabalhar todo o tempo ele só poderá atender em média a 4 pessoas por hora. Assim o número médio de clientes por hora irá aumentar de 6 – 4 = 2 clientes por hora. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Dessa forma a fila aumentaria sem limites e não existe uma distribuição do estado estacionário. Se ρ = 1, então a não existência de um estado estacionário não é óbvia, mas a uma análise mais aprofundada indica que ele não existe. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Derivação de L De agora em diante será assumido que ρρρρ < 1, assegurando que a distribuição de probabilidade do estado estacionário pk = ρρρρk(1 - ρρρρ) existe. Assumindo que o estado estacionário tenha sido alcançado, o número médio de consumidores no sistema é dado por: Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Definindo: Tem-se: ρρρρS = ρρρρ2222 + 2ρρρρ3333 + 3ρρρρ4444 + ... Subtraindo ρρρρS de S vem: ∑ ρ∑ ρ−=ρ−ρ=∑= ∞ = ∞ = ∞ = 0j k 0k k 0k k k)1()1(kpkL ...32kS 32 0k k +ρ+ρ+ρ=∑ ρ= ∞ = Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção S - ρρρρS = ρρρρ + ρρρρ2222 + ρρρρ3333 + ... = ρρρρ/(1 – ρρρρ) Assim: S = ρρρρ/(1 – ρρρρ)2 = V(N) Então L = (1 – ρρρρ)S = (1 – ρρρρ)[ρρρρ/(1 – ρρρρ)2] L = ρρρρ/(1 – ρρρρ) = (λλλλ/µµµµ)/[1 – (λλλλ/µµµµ)] = λλλλ/(µµµµ – λλλλ) Portanto: L = λλλλ/(µµµµ – λλλλ) = número médio de clientes no sistema. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Derivação de Lq Em algumas situações existe interesse em saber o número médio de pessoas esperando na fila. Esse valor será representado por Lq. Note que nenhum ou apenas um cliente estiver no sistema então ninguém estará esperando na fila. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Se k pessoas estiverem no sistema (k ≥ 1), então k – 1 estarão esperando na fila. Assim se o sistema estiver em estado estacionário: Assim Lq = L – (1 – p0) = L – ρρρρ Lq = ρρρρ2/(1 – ρρρρ) = λλλλ2/µµµµ(µµµµ – λλλλ) ∑−∑=∑ −= ∞ = ∞ = ∞ = 1k k 1k k 1k kq ppkp)1k(L Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Então: Lq = λλλλ2/µµµµ(µµµµ – λλλλ) Utilizando esses resultados mais o Teorema um podemos determinar outras relações: Tem-se: L = ρ/(1 ρ/(1 ρ/(1 ρ/(1 – ρ)ρ)ρ)ρ) e L = λλλλW. Assim W = L/λλλλ, então W = 1/(µµµµ – λλλλ) Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção O valor de Ls é também de interesse, isto é, o número médio de clientes sendo atendidos: Ls = 1 – p0 = 1 – ( 1- ρρρρ) = ρρρρ Assim Lq = L – Ls = ρ/(ρ/(ρ/(ρ/(1- ρ)ρ)ρ)ρ) – ρρρρ = = ρρρρ2/(1 – ρρρρ) Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Também Lq = λλλλ2/[µµµµ(µµµµ – λλλλ)] e Wq = Lq /λ,λ,λ,λ, então: Wq = λλλλ/[µµµµ(µµµµ – λλλλ)] = ρρρρ/(µµµµ −−−− λλλλ) Observe que a medida que ρ se aproxima de 1, tanto W quanto Wq tornam-se muito grandes. Se ρρρρ se aproxima de zero, W se aproxima de zero e Wq se aproxima de 1/µµµµ que é a taxa média de serviço. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Outro resultado de interesse é a probabilidade de que exista pelo menos k clientes no sistema: ρ=∑ ρρ−=∑=≥ ∞ = ∞ = k ki i ki i )1(p)kN(P Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Pode-se ver assim que a probabilidade de existirem mais do que k clientes no sistema é uma função geometricamente decrescente do número k que decresce rapidamente. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Aplicando a lei de Little podemos obter outra expressão para o tempo médio gasto no sistema, isto é: ρ− µ = λ ρ− ρ = λ == 1 /11 1 NTW Prof.Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Função de distribuição acumulada do tempo de espera na fila Seja Wq(t) a função de distribuição acumulada de Tq = tempo que um usuário espera na fila. Então: Wq(t) = P(Tq ≤ t). Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Tem-se Wq(0) = P(Tq ≤ 0) = P(N = 0) = 1 – ρρρρ e para t > 0, tem-se: Daí segue que: Wq(t) = 1 – ρe-(µ – λ)t t) tempo o até atendidos sistema no usuários k(P)t(W k q ∑= ∞ =0 Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Função densidade do tempo de espera na fila Assim wq(t) = ρ(µ – λ)e-(µ – λ)t e)( dt e(d dt )t(Wd )t(w t)( t)(q q λ−µ− λ−µ− λ−µρ=ρ−== 1 Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Função de distribuição acumulada do tempo de permanência no sistema De forma análoga ao caso anterior a função acumulada do tempo T de permanência no sistema W(t) é dada por: W(t) = P(T ≤ t) = 1 – e-µ(1µ(1µ(1µ(1−−−−ρρρρ)t Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Assim, pode-se perceber que a VAC T = tempo gasto no sistema, segue uma distribuição exponencial de parâmetro µ(1−ρ). O valor esperado dessa variável é : E(T) = λ−µ = ρ−µ 1 1 1 )( Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção O valor esperado (média) dessa variável é : λ−µ ρ = λ−µµ λ = )( =∫ λ−µρ=∫== λ−µ−∞∞ dte)(tdt)t(wt)T(EW t)(qqq 00 Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Probabilidade do tempo de espera na fila ser maior do que t > 0 P(Tq > t) = 1 – Wq(t) = ρe-(µ−λ)t Probabilidade de que o tempo no sistema seja maior do que t > 0 P(T> t) = 1 – W(t) = e-µ(1µ(1µ(1µ(1−−−−ρρρρ)t Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Um média de 10 carros por hora chegam a a um drive-thru de um único funcionário. O atendente leva em média 4 minutos para atender cada cliente. Tanto as chegadas quanto o atendimento seguem uma distribuição exponencial. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção 1. Qual é a probabilidade de que o atendente esteja livre? 2. Qual é o número médio de carros esperando para ser atendidos (um carro que está sendo atendido não é contado na fila? Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção 3. Qual o tempo médio total que um cliente gasta para ser servido? 4. Na média, quantos consumidores serão servidos no período de uma hora? Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção Por hipótese estamos lidando com um sistema M/M/1 para o qual λλλλ = 10 carros por hora e µµµµ = 15 carros por hora. Assim ρρρρ = 10/15 = 2/3. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção 1. Tem-se p0 = 1 – ρ = 1 – 2/3 = 1/3. Assim o atendente estará livre 1/3 do tempo. 2. Lq = ρ2/(1 – ρ) = (2/3)2/[1 – (2/3)] = 4/3 = 1,33 carros. 3. W = L/λ. Tem-se L = ρ/(1 – ρ) = = (2/3)/[1 – (2/3)] = 2 consumidores. Assim W = 2/10 = 0,2 horas = 12 minutos. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção 4. Se o atendente estivesse sempre ocupado ele atenderia uma média de µ = 15 consumidores por hora. Como ele está ocupado apenas 2/3 do tempo então ele atenderá (2/3)15 = 10 consumidores. Prof. Lorí Viali, Dr. – PUCRS – FAMAT: Departamento de Estatística Curso: Engenharia de Produção GRIMMETT, G. R., SITRZAKER, D. R. Probability and Random Processes. Oxford (London): Oxford University Press, 1991. KLEINROCK, Leonard. Queueing Systems: v. 1: Theory. New York: John Wiley, 1975. WISTON, Wayne L. Operations Research: Applications and Algorithms. 3 ed. Belmont (CA): Duxbury Press, 1994.
Compartilhar