Baixe o app para aproveitar ainda mais
Prévia do material em texto
PROCESSOS ESTOCÁSTICOSPROCESSOS ESTOCÁSTICOS 2014 - 1º Semestre2014 - 1º Semestre TEORIA DAS FILASTEORIA DAS FILAS Professor André Alves Gandolpho UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS Teoria das Filas: Um sistema de filas é composto de elementos que querem ser atendidos em um posto de serviço e que, eventualmente, devem esperar até que o posto esteja disponível. Diversos fatores condicionam a operação de um sistema, ou seja, podem interferir tanto que o desempenho do sistema passa a ser função deles. Esses fatores podem ser classificados em quatro categorias: Forma de atendimento; Modo de espera; Disciplina da fila; Estrutura do sistema. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 1-Forma de Atendimento: Existem diversos elementos passíveis de atuação por parte do administrados, com o objetivo de aprimorar o desempenho do sistema: Dimensionamento da capacidade; Treinamento dos atendentes; Rotinas administrativas; Sistemas de informações, etc.. O primeiro passo no estudo de um sistema de filas é o levantamento estatístico do número de clientes atendidos por unidade de tempo, ou do tempo gasto em cada atendimento. A partir deste levantamento é possível determinar a distribuição de probabilidades do número de atendimentos ou da duração de cada atendimento. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 2-Modo de Chegada: O modo de chegada também é chamado de processo de chegada. As chegadas de clientes a um sistema ocorrem, em geral, de modo aleatório. Também deve ser feito um levantamento estatístico para determinar a distribuição de probabilidades que identifica o processo de chegadas. No processo de entrada as chegadas são chamadas de clientes. 3-Disciplina da Fila: A disciplina de filas refere-se a maneira como os clientes são escolhidos para entrar em serviço após uma fila ser formada. A maioria das disciplinas comuns que podem ser observadas na vida diária é FIFO (First-In-First-Out), ou seja, o primeiro a chegar é o primeiro a ser servido. Entretanto, existem outras disciplinas, tais como, LIFO(Last-In-First-Out), aplicável em sistemas de controle de estoque onde o item mais recente é mais fácil de ser apanhado, e diversas outras disciplinas baseadas em esquemas de prioridade. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 4-Estrutura do Sistema: Os sistemas de filas podem ter estruturas muito variadas, e cada caso exige um estudo analítico variado. Exemplos: 1) Sistema de uma fila e um canal de atendimento; 2) Sistema de uma fila e três canais de atendimento; UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 5-Medidas da Efetividade de um Sistema: No estudo de um sistema de filas, podem ser determinadas várias medidas da efetividade do sistema, com a finalidade de indicar seu desempenho. Alguns exemplos são: O percentual de tempo em que o posto de atendimento permanece ocioso ou ocupado; O tempo médio que cada cliente gasta na fila de espera; O tempo médio gasto pelo cliente no sistema, ou seja, a média dos tempos computados desde o instante de entrada até o momento de saída; O número médio de clientes na fila, em uma unidade de tempo; A probabilidade de existir um número n de clientes no sistema. A escolha do parâmetro depende do objetivo do estudo. No dimensionamento de um pátio de estacionamento de um pátio poderá ser proporcional ao número médio de veículos no sistema. A probabilidade de haver um número maior que essa média é o risco que se corre de que o pátio não seja suficiente. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 6-Notação: A notação de processos de filas mais utilizada atualmente foi proposta por Kendall, em 1953, e é descrita por um série de símbolos, tais como, A/B/m/k/M, onde A indica a distribuição de interchegada dos clientes, B o padrão de serviço de acordo com uma distribuição de probabilidade para o tempo de serviço, m o número de canais de serviços paralelos (servidores), k a capacidade do sistema e M a disciplina de filas. Em muitas situações só os três primeiros símbolos são utilizados, de maneira que, é assumido que o sistema tem capacidade ilimitada e possui uma disciplina FIFO. Neste caso, M/D/2/∞/FIFO poderia ser indicado apenas por M/D/2. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 6-Notação: UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: Os modelos mais comuns de filas estocásticos assumem que os tempos de interchegada e serviço obedecem uma distribuição exponencial ou, equivalentemente, que a taxa de chegada e a taxa de serviço seguem uma distribuição de Poisson. Desse modo, nesta seção será dado ênfase ao Processo de Poisson, bem como, sua relação com a distribuição exponencial. Contudo, inicialmente será considerado um processo de chegada geral. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.1-Processo de Chegada: Assuma um sistema onde os clientes cheguem com intervalos de tempo aleatórios entre chegadas. Estas chegadas são eventos discretos assíncronos que dirigem o sistema, ou seja, o sistema só faz uma transição de um estado para outro no tempo que um evento ocorre. O primeiro cliente chega no tempo T1, o segundo no tempo T2, e assim por diante. Assume-se que os tempos de interchegada X1, X2, ... são variáveis aleatórias contínuas independentes com a mesma distribuição FX (IID). Esta propriedade é referida como estacionaridade do tempo. Para manter a trilha do estado do sistema, isto é, quantos clientes chegaram, poderia- se por exemplo definir: Sn = Números de chegadas até o tempo Tn. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.1-Processo de Chegada: Então {Sn : n = 1,2,...} é um processo estocástico de tempo discreto. Sob reflexão vê-se que Sn é igual a n para todo n, de modo que, este processo não é muito interessante, pois, ele apenas mantém-se incrementando por um a cada passo. Realmente, a informação interessante não é quantas chegadas tem existido, mas quando as chegadas ocorreram, implicando que um processo estocástico contínuo pode ser o modelo apropriado. Assim, define-se N(t) = Sn para todo Tn ≤ t < Tn+1 como número de chegadas até o tempo t>0. Chama-se {N(t) : t ≥ 0} um processo de contagem de chegada, ou um processo de chegada, ou um processo de contagem. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.2-O Processo de Poisson: O processo de Poisson tem muitas propriedades interessantes, as mais fundamentais são que os incrementos das chegadas são ambos independentes e de tempo estacionário. Incrementos independentes significa que para um tempo arbitrário t ≥ 0 e um intervalo de tempo ∆t ≥ 0, o número de chegadas no período de tempo (t, t + ∆t] é independente do número de chegadas até o tempo t. Quanto ao fato que as chegadas tem incrementos estacionários significa que a distribuição do número de chegadas não muda com o tempo, isto é, novamente para um tempo arbitrário t ≥ 0 e um intervalo de tempo ∆t ≥ 0. Resumo: O Número esperado de chegadas em um intervalo de tempo fixo é proporcional a taxa de chegada e o comprimento do intervalo de tempo, que é a razão porque o parâmetro λ é referido como a taxa do processo de chegada. UNIVERSIDADE CATÓLICADE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.3-Distribuição de Poisson: A distribuição de probabilidades de Poisson recebeu esse nome devido ao matemático francês Simeon Denis Poisson, representa uma das importantes distribuições de probabilidades de uma variável aleatória discreta e tem um grande número de aplicações. Essa distribuição é aplicável a ocorrências de um evento em um intervalo especificado. Por exemplo: • Clientes chegando ao caixa de um supermercado; • Acidentes com automóveis em uma determinada estrada; • No de carros que chegam a um posto de gasolina; • No de falhas em componentes por unidade de tempo; • No de peças defeituosas substituídas num veículo durante o 1o ano de vida; • Usuários de computador ligados à Internet; • No de requisições para um servidor em um intervalo de tempo t e etc. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.3-Distribuição de Poisson: Em todas estas situações, temos um conjunto de ocorrências que satisfazem as seguintes condições: • O No de ocorrências de um evento em um intervalo de tempo (espaço) é independente do No de ocorrências do evento em qualquer outro intervalo disjunto – ocorrências independentes umas das outras; • A probabilidade de duas ou mais ocorrências simultâneas é praticamente zero; • O No médio de ocorrências por unidade de tempo (espaço) é constante ao longo do tempo (espaço) – ocorrências distribuídas uniformemente sobre o intervalo considerado; • O No de ocorrências durante qualquer intervalo depende somente da duração ou tamanho do intervalo; quanto maior o intervalo, maior o No de ocorrências. Portanto, a variável aleatória X é o No de ocorrências do evento em um intervalo que pode ser o tempo, a distância, a área, o volume ou outra unidade análoga. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.3-Distribuição de Poisson: Condições para Aplicar a Distribuição de Probabilidades de Poisson: As três condições a seguir devem ser satisfeitas para que seja aplicada a distribuição de probabilidades de Poisson. 1. X deve ser uma variável aleatória discreta; 2. As ocorrências devem ser aleatórias; 3. As ocorrências devem ser independentes. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.3-Distribuição de Poisson: Na teoria da probabilidade e na estatística, a distribuição de Poisson é uma distribuição de probabilidade discreta. Ela expressa, por exemplo, a probabilidade de um certo número de eventos ocorrerem num dado período tempo, caso estes ocorram com uma taxa média conhecida e caso cada evento seja independente do tempo decorrido desde o último evento. onde: x é a probabilidade (freqüência relativa) de ocorrerem x chegadas na unidade de tempo, sendo que λ representa o ritmo médio de chegadas. Média = Variância = λ = n p Por exemplo para x = 2 tem-se: f(2) = 0,271. ! )( x exf x λλ − = UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.3-Distribuição de Poisson: Exemplo: Em uma fábrica chegam em média 7 pedidos por semana. Qual a probabilidade de ocorrer a chegada das quantidades de pedidos abaixo em uma mesma semana? a) zero pedidos; b) 7 pedidos; c) Até 7 pedidos; d) Acima de 7 pedidos. Solução: a) b) c) f(0) + f(1) + f(2) + f(3) + f(4) + f(5) + f(6) + f(7) = 0,598 d) 1 – (f(0) + f(1) + f(2) + f(3) + f(4) + f(5) + f(6) + f(7)) = 0,402 001,0 !0 7)0( 70 == −ef 149,0 !7 7)7( 77 == −ef UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.3-Distribuição de Poisson: Conforme vimos, a distribuição de Poisson está relacionada com ritmos. Pode-se demonstrar que a distribuição Exponencial Negativa é a correspondente da distribuição de Poisson quando nos referimos a intervalos entre chegadas. Isto significa dizer que quando um fenômeno segue Poisson ele também segue a Exponencial Negativa dependendo do que estamos medindo. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.3-Distribuição de Poisson: A fórmula matemática da Distribuição Exponencial negativa é: f(x) = λe- λX, onde f(x) é a função densidade sendo λ o ritmo de chegada e x representa o tempo. Para calcularmos a freqüência relativa de ocorrência de chegadas no intervalo t e t + ∆t devemos calcular a integral no mesmo intervalo. A integral de x = 0 até x = x é F(x) = 1 – e-λX UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.4-Distribuição Exponencial: A distribuição exponencial é uma distribuição contínua que pode ser aplicada em situações problemas nas empresas, como exemplo, na área de serviços prestados, ela também tem utilidade em problemas que envolvem fila de espera. Quando os serviços prestados por uma empresa para clientes externos ou internos são de duração variável, a distribuição exponencial é indicada para analisar esses experimentos; Por exemplo, a duração do atendimento do caixa de um banco ou de postos de saúde, o tempo de operação sem interrupção de um equipamento, tempo de chegadas a um lavajato, tempo de vida de aparelhos, tempo de espera em restaurantes, etc. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.4-Distribuição Exponencial: Na distribuição de Poisson, a variável aleatória é definida como o No de ocorrências em determinado período, sendo a média das ocorrências no período definida como λ. Na distribuição Exponencial a variável aleatória é definida como o tempo entre duas ocorrências, sendo a média de tempo entre ocorrências de 1/λ. Por exemplo, se a média de atendimentos no caixa bancário é de λ = 6/min, então o tempo médio entre atendimentos é 1/λ = 1/6 de min ou 10 seg. Condição de aplicação: a) o número de ocorrências deve seguir uma distribuição de Poisson. Se nós considerarmos a distribuição de Poisson como o modelo para o No de ocorrências de um evento no intervalo de [0,t] teremos: Nesse caso pode ser demonstrado que a distribuição dos intervalos entre ocorrências irá seguir o modelo Exponencial com parâmetro λ. ( ) ! ][ x etxP tx λλ − = UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.4-Distribuição Exponencial: A distribuição Exponencial acumulada vem dada por: Onde: Valor Esperado: E[T] = 1/λ Variância: var[T] = 1/λ2 A distribuição Exponencial é largamente utilizada no campo da confiabilidade, como um modelo para a distribuição dos tempos até a falha de componentes eletrônicos. Nessas aplicações o parâmetro λ representa a taxa de falha para o componente, e 1/λ é o tempo médio até a falha. 0,1][)( 0 ≥−==≤= −−∫ tedxetTPtF tt t λλλ UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.4-Distribuição Exponencial: Exemplo: Suponha que o tempo médio entre o pedido e o atendimento num grande restaurante seja de 10 minutos. Suponha ainda que esse tempo tenha distribuição exponencial. Determine a probabilidade de espera: a) Superior a 10 minutos; b) Não superior a 10 minutos; c) Não superior a 3 minutos; d) entre 3 e 10 minutos. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS7-Processo de Poisson e Distribuição Exponencial: 7.4-Distribuição Exponencial: Exemplo: Solução: Temos que o tempo médio entre o pedido e o atendimento é 1/λ = 10 minutos, e queremos calcular: a) A prob. de que a espera no restaurante seja mais que 10 minutos, ou seja, P (T ≥ b) = P (T ≥ 10) = e(-10/10) = e−1 = 0, 3679 ou 36,79% b) A prob. de que a espera no restaurante seja no máximo, 10 minutos, ou seja, P (T ≤ b) = P (T ≤ 10) = 1 − e (−10/10) = 1− e−1 = 1 − 0, 3679 = 0,6321 ou 63,21% c) A prob. de que a espera no restaurante seja no máximo, 3 minutos, ou seja, P (T ≤ b) = P (T ≤ 3) = 1 − e (−3/10) = 1 − e−0,3 = 0, 2592 ou 25, 92% d) A probabilidade de que a espera no restaurante seja entre 3 e 10 minutos, ou seja, o que se deseja é P (3 ≤ T ≤ 10) . Assim, podemos verificar facilmente que. P (3 ≤ T ≤ 10) = P (T ≤ 10) − P (T ≤ 3) = 0, 6321 − 0, 2592 = 0, 3729 ou 37, 29% UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.4-Distribuição Exponencial: Relação entre a Dist. de Poisson e a Dist. Exponencial A distribuição de Poisson mede o número de ocorrências de determinado evento por unidade de tempo, enquanto a distribuição exponencial indica o tempo decorrido entre duas ocorrências. Assim, quando o número de ocorrências de um determinado evento é explicado pela distribuição de Poisson com média λ, o intervalo entre duas ocorrências segue a distribuição exponencial com média 1/λ. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.5-Processos de Nascimento e Morte: Com relação aos modelos de filas que iremos tratar neste curso, eles podem ser classificados numa subárea conhecida por Processos de Nascimento e Morte. Definições: (a) Um Nascimento representa a entrada de um cliente no sistema; (b) Uma Morte representa a saída de um cliente no sistema; (c) λn = Taxa Média de Chegada quando há n clientes no sistema; (d) μ n =Taxa Média de Serviço quando há n clientes no sistema; UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.5-Processos de Nascimento e Morte: O diagrama abaixo representa as transições de estados sendo possível verificar que o fluxo de entrada em um estado é igual ao seu fluxo de saída. Assim, λi e μi serão chamados de taxas de nascimento e morte, no estado i, respectivamente. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.5-Processos de Nascimento e Morte: Com as condições apropriadas em μn e λn,uma solução de estado de equilibrio existe e as equações de balanço para o processo de nascimento e morte podem ser geradas como a seguir: λj-1 Pj-1 + μj+1 Pj+1 − (λj + μj) Pj = 0, para j ≥ 1 (I) μ1P1 − λ0P0 = 0 (II) Isolando Pj+1, em (I) ,temos: (III) Isolando P1, em (II) , temos: P1 = (λ0/μ1)P0 (IV) ( ) ( ) 1-j 1 1 j 1 11 1j PPP + − + + − + = j j j µ λ µ µλ UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.5-Processos de Nascimento e Morte: Fazendo j=1, em (III) e em seguida substituindo P1, pela equação (IV): Organizando mais um pouco temos: (V) Fazendo j = 2, em (III) , em seguida, substituindo P1, pela equação (IV) e P2, pela equação (V) : ( ) ( ) 0 2 0 0 1 0 2 11 20 2 0 1 2 11 2 PPP PPP µ λ µ λ µ µλ µ λ µ µλ − + =⇒− + = ( ) ( ) 21 001 2 21 001 21 001001 2 PP PPPP µµ λλ µµ λµ µµ λµλλ =⇒− + = ( ) ( ) 0 2 0 3 1 21 001 3 22 21 3 1 2 3 22 3 P PP PPP µ λ µ λ µµ λλ µ µλ µ λ µ µλ − + =⇒− + = UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.5-Processos de Nascimento e Morte: Organizando mais um pouco temos: Podemos perceber que há um padrão se estabelecendo, ou seja, sabemos que tem-se que ( ) PP PPPPP 123 0012 3 321 0012 21 001 321 00120012 3 µµµ λλλ µµµ λλµ µµ λλ µµµ λλµλλλ =⇒− + = ∏ = − − −− =≥= n i i i n nn nn n 1 1 0 11 0021 PP ainda,ou , 1)(n, PP µ λ µµµ λλλ 1P 0 =∑∞ =n n 1PP 1 0 =+ ∑∞ =n n UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 7-Processo de Poisson e Distribuição Exponencial: 7.5-Processos de Nascimento e Morte: Ou ainda: Portanto, temos que P0 é a proporção do tempo em que o sistema fica vazio, ou seja, os atendentes ficam ociosos, e sabemos que pela expressão de Pn é possível calcular os valores de probabilidade de ter n clientes no sistema. 1 1n 1 1 0 1n 1 1 0 1n 1 1 0 1n 1 1 00 1n 1 1 00 1P 1 1P 11P 1 PP 1PP − ∞ = = − ∞ = = − ∞ = = − ∞ = = − ∞ = = − += ⇒ + =⇒= + ⇒= +⇒= + ∑ ∏ ∑ ∏ ∑ ∏ ∑ ∏∑ ∏ n i i i n i i i n i i i n i i i n i i i µ λ µ λµ λ µ λ µ λ UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1 : Nesse item iremos estudar o modelo de sistema de um canal e uma fila com população infinita e suas devidas equações. As equações do modelo se baseiam nas características dos processos de chegada e de serviço (atendimento). Ele também é um dos principais modelos de filas conhecidas como Markovianas, ou seja, têm as chegadas e os atendimentos seguindo as distribuições de Poisson e Exponencial. Taxa média de chegada (Poisson): λn Taxa de serviço médio (Exponencial): μn Número de atendentes: 1 Disciplina de atendimento: FIFO. Obs.: Como não há limitações (na fila ou na fonte) as taxas de chegada e serviço independem do estado do sistema, isto é, λn = λ e μn = μ, n = 1, 2, 3, ... UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: O modelo M/M/1 é um modelo de filas onde tanto as chegadas quanto o atendimento são markovianas (é o mesmo que dizer que seguem a distribuição de Poisson ou a Exponencial Negativa) e que temos um único atendente. Tempos de interchegada, tanto quanto os tempos de serviço, são assumidos serem estatisticamente independentes. Clientes chegam a uma estação de Serviço, de um único canal de atendimento, de acordo com o processo de Poisson, à taxa λ. Tempo entre chegadas sucessivas: Variável independente, exponencialmente distribuída, com média λ; Cada cliente, na chegada, vai: Ser atendido, se o canal estiver livre; Para a fila, se o canal estiver ocupado. O tempo total de serviço é uma variável aleatória independente, exponencialmente distribuída, com média λ : Quando termina o serviço: O cliente atendido abandona o serviço; O 1o cliente da fila, se houver, entra no canal de serviço. UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Usando as expressões, deduzidas anteriormente, para P0 e Pn, tem-se: se (λ/μ) < 1. Onde: (ρ=λ/μ) é denominado fator de utilização da estação de serviço: Pn= (1- ρ) ρn. nn i i i n nn i = = −== = + = ∏ ∑∑ ∏ = − − ∞ = ∞ = = µ λ µ λ µ λ µ λ µ λ µ λ 0 1 1 0 1 1 0n1n 1 0 PPP , 111 1 1P UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Com as expressões de P0 e Pn pode-se obter: Assim, o No médio (esperado) de unidades no sistema é dado por L. Assim, o No médio (esperado) de unidades na fila é dado por Lq. ( ) )-()-(1 )-d(1)-(1 d )-(1 d)-(1n)-(1 )-n(1PnL 0n 0n0n 1 0n n 0n λµ λ ρ ρ ρ ρρρ ρ ρ ρρ ρ ρρρρρρρ === = ==== ∑ ∑∑∑∑ ∞ = ∞ = ∞ = − ∞ = ∞ = dd d n n n nn ( ) ( ) µλµ λ - )P-(1 LPPnP1-nL 2 0 0n0n n 0n q ==−== ∑∑∑ ∞ = ∞ = ∞ = nn UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Como, L = W (Fórmula de Little) tem-se: W = 1/(µ-λ), que nos fornece o tempo médio (esperado) que cada unidade permanece no sistema. E como, Lq = Wq (Fórmula de Little) tem-se Wq = λ/μ(μ− λ) que nos fornece o tempo médio (esperado) que cada unidade permanece na fila. Podemos ter ainda as seguintes relações entre as medidas básicas: UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Probabilidade do sistema estar ocioso: onde: = No médio de clientes em serviço. Condição de convergência: Probabilidade de haver n clientes no sistema: Número médio de clientes no sistema: Número médio de clientes na fila: Tempo médio de um cliente no sistema: Tempo médio de um cliente na fila: µ λ −= 1PO 1<µ λ −= µλµλ 1Pn n λµ λ − =N ( )λµµ λ − = 2 qN λµ − = 1T ( )λµµ λ − =qT UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Exemplo: 1) Uma disposição de serviços de equipamentos tem uma distribuição de chegada e taxas de serviço que seguem uma distribuição de probabilidade de Poisson e opera uma disciplina de filas por ordem de chegada. As solicitações de serviços tem média λ = 3 por dia. A instalação pode atender a uma média de µ = 6 máquinas por dia. Calcular: a)Fator de utilização; b)Tempo Médio no Sistema; c)Número Médio de pessoas no sistema; d)Tempo Médio de espera na fila (Tq); e)Probabilidade P de achar n = 2 máquinas no sistema; f)Número esperado de pessoas na fila (Nq); g)Porcentagem do tempo que a instalação do serviço está ociosa (%I). UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Exemplo: Resolução: a)u % = b)T dia c)N = = 1 máquina d)Tempo médio de espera: tempo médio no sistema – tempo de atendimento = e)Probabilidade de n = 2 máquinas no sistema: Pn = (prob.de nenhum outro)(prob. dos dois) = Nq = (No médio no sistema)(taxa média de chegada) = f) % de tempo ocioso = (total) – (% de utilização) = 100 - %u = (110 – 50) = 50% % 506 3 ==µ λ 3 11 = − = λµ 36 3 − = − λµ λ dia 6 1 6 1 36 1 )( 11 =− − = − =− − = λµµ λ λλµ 125,0 6 3 6 311 2 = −= − n µ λ µ λ ( ) ( ) = − = − = − − 2 1 366 322 λµµ λ µ λ λµ λ UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Exemplo: 2) Seja um pedágio instalado em uma rodovia secundária, onde há somente uma caixa fazendo o atendimento. Depois de uma análise dos dados observados, calcula-se que os carros chegam, em média, a uma taxa de 2 carros por minuto e o tempo médio de atendimento de cada carro por parte do operador da caixa é de 10 segundos. •Calcule: 1) tempo médio de permanência de cada cliente no sistema (fila + atendimento); 2) tempo médio de permanência na fila; 3) número médio de clientes no sistema; 4) número médio de clientes na fila; UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Exemplo: 2) Solução: A partir dos dados iniciais temos que: a) Número de servidores = 1 b) Taxa de chegada: = 2 carros a cada 60 segundos c) tempo de atendimento ou serviço = 10 segundos d) taxa média de serviço: a cada seg. são atendidos 0,1 carros: 0333,060 2 ==λ 1,010 1 ==µ UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 8-Modelo M/M/1: Exemplo: 2) Solução: a) T = 1 / ( µ - λ) = 15 segundos b) Tq = (λ /µ) * T = 1/3 * 15 = 5 segundos c) N = = 0,5 clientes d) Nq = (λ /µ) * N = 0,16 clientes − λµ λ UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 9-Modelo M/M/s: Probabilidade do sistema estar ocioso: Condição de Convergência Probabilidade de haver n clientes no sistema: No médio de clientes na fila: Tempo médio de um cliente na fila: No médio de clientes no sistema: Tempo médio de um cliente no sistema: Porcentagem de tempo ocioso: % utilização = 1 1 0 0 ! 1 ! 1 − − = − + = ∑ λµ µ µ λ µ λ s s sj P sjs j 1< µ λ s > ≤ = sn s! 1 s 1 sn ! 1 0s-n 0 P P nnP n n n µ λ λ ( ) 0 2 1 ! 1 P s N s s s q µ λ µ λ µ λ − = λ q q L T = µ λ += qNN λ LT = µ λ s UNIVERSIDADE CATÓLICA DE PETRÓPOLISUNIVERSIDADE CATÓLICA DE PETRÓPOLIS 9-Modelo M/M/s: Exemplo: 1) Um novo correio está sendo projetado com 6 balcões de atendimento. Durante as horas de maior afluência, espera-se que os clientes cheguem a uma taxa média (distribuição de Poisson) de 4 por minuto. O tempo de serviço é uma exponencial negativa, com alguns clientes levando poucos segundos e outros levando vários minutos; a média é 1 minuto e 12 segundos. Se todos os balcões de atendimento estiverem com assistentes pede-se: a)Qual é a utilização média da capacidade? b)Quantos clientes, em média, estarão na linha de espera? c)Qual o tempo médio de espera deles? d)Qual o tempo médio no correio? Slide 1 Slide 2 Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16 Slide 17 Slide 18 Slide 19 Slide 20 Slide 21 Slide 22 Slide 23 Slide 24 Slide 25 Slide 26 Slide 27 Slide 28 Slide 29 Slide 30 Slide 31 Slide 32 Slide 33 Slide 34 Slide 35 Slide 36 Slide 37 Slide 38 Slide 39 Slide 40 Slide 41 Slide 42 Slide 43 Slide 44
Compartilhar