Baixe o app para aproveitar ainda mais
Prévia do material em texto
Fernando Nogueira Teoria de Filas 1 Teoria de FilasTeoria de Filas Agner Krarup Erlang (*1878, Lonborg, Dinamarca; �1929, Copenhagen, Dinamarca). Fernando Nogueira Teoria de Filas 2 Introdução O estudo de Teoria de Filas trata com o fenômeno de aguardar em fila usando medidas representativas da performance do sistema, tais como comprimento médio da fila, tempo médio de espera na fila, utilização média do sistema, entre outros. USA (2001)⇒ estimativa de 37.000.000.000 horas gastas em filas pela população/ano. Pesquisa realizada nos E.U.A. em 1988, com 6000 pessoas. Fonte: Fitzsimmons e Fitzsimmons (2000). Fernando Nogueira Teoria de Filas 3 Exemplo de como calcular com incertezas Dois trens vão ocupar um mesmo terminal de carga. Os horários de chegada, de saída e de permanência dos trens no terminal são tratados como variáveis aleatórias. 7 .6 8 .4 9 .2 1 0 1 0 .8 1 1 .6 1 2 .4 1 3 .2 1 4 1 4 .8 1 5 .6 1 6 .4 1 7 .2 1 2 G a n tt h o ra t e r m i n a l ( )( ) ( ) ( ) ττ−τ=∗ ∫ ∞ ∞− dtgftgf ( )( ) ( ) ( )∑ −=∗ n nmgnfmgf A soma de 2 variáveis aleatórias, f e g, é realizada pela convolução de f e g: Contínuo Discreto Fernando Nogueira Teoria de Filas 4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 1 chegar no terminal: Tc1=8.4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do periodo de terminal: Pt=4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 1 sair do terminal: Ts1 = Tc1 + Pt => Ts1 = conv(Tc1,Pt)=12.4 Fernando Nogueira Teoria de Filas 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 2 chegar no terminal: Tc2=12.4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do periodo de terminal: Pt=4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 2 sair do terminal: Ts2 = Tc2 + Pt => Ts2 = conv(Tc2,Pt)=16.4 Fernando Nogueira Teoria de Filas 6 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 1 sair do terminal: E(Ts1)=12.4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 2 chegar do terminal: E(Tc2)=12.4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.05 0.1 0.15 0.2 distribuição de probabilidade do horario de haver 2 trens (FILA) no terminal: P(fila)=0.37333 E(h.fila)=11.9482 Fernando Nogueira Teoria de Filas 7 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 1 sair do terminal: E(Ts1)=12.4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 2 chegar do terminal: E(Tc2)==12.4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do periodo de fila no terminal: E(Tempo.fila)=0.55533 Fernando Nogueira Teoria de Filas 8 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 2 sair do terminal (SEM FILA): Ts2 = Tc2 + Pt => Ts2 = conv(Tc2,Pt)=16.4 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do periodo de fila no terminal: E(Tempo.fila)=0.55533 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 distribuição de probabilidade do horario do trem 2 sair do terminal + FILA: TsF2 = Ts2 + f => TsF2 = conv(Ts2,f)=16.9553 Fernando Nogueira Teoria de Filas 9 Estrutura Básica de um Modelo de Fila Fonte de Entrada⇒ onde gera-se os clientes. 1)Tamanho da População: finita ou infinita. 2)Distribuição de Probabilidade que os clientes são gerados sobre o tempo (Poisson). 3)Distribuição de Probabilidade do tempo entre chegadas (Exponencial). obs: 2)⇔ 3) se 2) Poisson e 3) Exponencial Fonte de Entrada Fila Mecanismo de Atendimento Clientes Clientes Atendidos Sistema de Fila Disciplina da Fila Fernando Nogueira Teoria de Filas 10 Fila⇒ onde os clientes aguardam antes de serem atendidos. 1)Número máximo de clientes que a fila pode conter (buffer): finito ou infinito. Disciplina da Fila⇒ ordem que os clientes em fila são selecionados para atendimento. First In First Out (FIFO) = First Come First Served (FCFS), Last In First Out (LIFO), Randômica, Prioridade, entre outras. Mecanismos de Atendimento (Serviço)⇒ onde o cliente é atendido. 1)Número de instalações de atendimento em série (não necessariamente). 2)Numero de canais de atendimento (servidores) em paralelo para cada inst. de atend. 3)Distribuição de Probabilidade para cada servidor (Exponencial). instalação de atendimento 1 Clientes Clientes Atendidos Sistema de Fila 444 8444 76 Fila CCCCCC C C C C 14 13 12 11 S S S S 44 844 76 Fila CCCC instalação de atendimento 2 C C C 23 22 21 s s s Clientes Atendidos Fernando Nogueira Teoria de Filas 11 t f ( t ) : d e n s i d a d e d e p r o b a b i l i d a d e pdf - Exponencial λ 0 E(t)=1/ λ 0 0.2 0.4 0.6 0.8 1 t f ( t ) : p r o b a b i l i d a d e a c u m u l a d a PDF - Exponencial Distribuição Exponencial As variáveis aleatórias Tempo Entre Chegadas e Tempo de Atendimento são modeladas geralmente pela Distribuição Exponencial. Seja t um v.a. com Distribuição Exponencial com parâmetro λ, então: ( ) λ = 1 tE ( ) 21tvar λ= { } { } ( )0t edteTtP e1dteTtP T T t T T 0 t ≥ =λ=> −=λ=≤ λ− ∞ λ− λ−λ− ∫ ∫ ( ) < ≥λ = λ− 0tpara0 0tparae tf t Fernando Nogueira Teoria de Filas 12 Perda de Memória { } { } { } { }{ } { } { } ( ) ( ) { }TtPee e ttP tTtP ttP tttTtP tttTtP TtPtttTtP T t tT >=== ∆> ∆+> = ∆> ∆>∩∆+> =∆>∆+> >=∆>∆+> λ− ∆λ− ∆+λ− Se agora são 8:20hs e a última chegada ocorreu 8:00hs, a probabilidade que a próxima chegada irá ocorrer após 8:30hs é função apenas do intervalo entre 8:20hs e 8:30hs (T), ou seja, é independente do intervalo entre 8:00hs (quando ocorreu a última chegada) e 8:20hs (∆t). Exemplo: Uma máquina quebra a cada 40 minutos em média com distribuição exponencial. Assim, a taxa média de quebra é: A função densidade é: Se agora são 8:20hs, a probabilidade que a próxima quebra seja até 8:30hs é: Porém, se agora são 7:00hs, a probabilidade que a próxima quebra seja até 8:30hs é: hora/quebra5.1 40 60 ==λ( ) 0t,e5.1tf t5.1 >= − 22.0e1 60 10 tP 60 105.1 ≈−= ≤ − 89.0e1 60 90 tP 60 905.1 ≈−= ≤ − { } { }APBAP =∩⇒ B A = B contém A A ∆t Τ t t >∆t+T t >∆t t >∆t+T ∩ t >∆t Fernando Nogueira Teoria de Filas13 Processos de Nascimento e Morte: relação entre Poisson e Exponencial Processo de Nascimento Puro ⇒ somente chegadas são permitidas. Ex: emissão de certidão de nascimento. Processo de Morte Puro ⇒ somente saídas são permitidas. Ex: retirada aleatória de itens de um estoque. Tempo entre Chegadas e Tempo entre Saídas possuem distribuição exponencial com parâmetros λn e µn, respectivamente⇒ Cadeia de Markov em Tempo Contínuo. Processo de Nascimento Puro Seja p0(T) a probabilidade de nenhuma chegada durante um período T. Dado que o Tempo entre Chegadas t é exponencial e que a taxa de chegada é λ clientes por unidade de tempo, então: Expandindo p0(T) em Taylor, para um intervalo de tempo h > 0 , porém pequeno, fica: Considerando que em um intervalo pequeno, no máximo um evento pode ocorrer, então para h→ 0: ( ) { } { } ( ) TT0 ee11TtP1TtPTp λ−λ− =−−=≤−=≥= ( ) ( ) ( )22h0 hOh1...!2 hh1ehp +λ−=−λ+λ−== λ− ( ) ( ) h)h1(1hp1hp 01 λ=λ−−≈−= Fernando Nogueira Teoria de Filas 14 Este resultado mostra que a probabilidade de uma chegada durante h é diretamente proporcional à h com taxa de chegada λ (constante de proporcionalidade). A distribuição do número de chegadas pn(T) durante um período T, pode ser deduzida por: Na primeira equação, n chegadas serão percebidas durante T + h se há n chegadas durante T e nenhuma chegada durante h, ou n-1 chegadas durante T e uma chegada durante h. Todas as outras combinações são impossíveis para a distribuição exponencial (no máximo um evento pode ocorrer para um intervalo de tempo pequeno). Uma vez que chegadas são eventos independentes, o produto das probabilidades pode ser aplicado no lado direito das 2 equações acima. Na segunda equação, zero chegadas durante T + h podem ocorrer somente se nenhuma chegada ocorrer durante T e h. As derivadas das 2 equações dadas acima são: ( ) ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( ) ( ) ( ) ( )( ) 0n,h1.Tphp.TphTp 0n,h.Tph1.Tphp.Tphp.TphTp 0000 1nn11n0nn =λ−=≈+ >λ+λ−=+≈+ −− ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) =λ−=−+=′ >λ+λ−=−+=′ → −→ 0n,Tp h TphTplimTp 0n,TpTp h TphTplimTp 0 00 0h0 1nn nn 0hn Fernando Nogueira Teoria de Filas 15 A solução do sistema de equações diferenciais resulta em: que é a distribuição de Poisson com média chegadas durante T. A variância é . O resultado mostra que se o Tempo entre Chegadas é Exponencial com média 1/λ então o número de chegadas durante T é Poisson com média λT. ( ) ( ) ,...2,1,0n, !n eTTp Tn n = λ = λ− { } TTnE λ={ } TTnvar λ= 0 1 2 3 4 5 6 7 8 9 10 0 0.05 0.1 0.15 0.2 0.25 n - numero de chegadas no periodo T = 1 P r o b a b i l i d a d e Funçao de Probabilidade:Poisson - Lambda = 3 0 1 2 3 4 5 6 7 8 9 10 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 n - numero de chegadas no periodo T = 1 P r o b a b i l i d a d e A c u m u l a d a Funçao Distribuiçao de Probabilidade:Poisson - Lambda = 3 Fernando Nogueira Teoria de Filas 16 Exemplo: Um terminal de carga recebe caminhões a uma taxa de 1 caminhão a cada 12 minutos. O Tempo entre Chegadas é exponencialmente distribuído. a)O número médio de caminhões por dia é: b)O número médio de caminhões por ano é: c)A probabilidade de nenhum caminhão chegar em um dia é: d)A probabilidade de chegar 50 caminhões em 3 horas dado que 40 caminhões chegaram durante as 2 primeiras horas do período de 3 horas é: Processo de Morte Puro O sistema possui N clientes e nenhuma chegada é permitida. Atendimentos ocorrem em uma taxa µ clientes por unidade de tempo. A probabilidade pn(T) de n clientes permanecerem após T unidades de tempo é: dia/hoesminca12024* 12 60 ==λ ano/hoesminca43800365*120T ==λ ( ) ( ) 0 !0 e1*1201p 1*1200 0 ≈= − ( ) ( ) ( ) ( ) ( ) ( )( )( ) ( ) 018.0!10 e1*51p !4050 e23* 12 60 23p 1*510 10 1* 12 604050 4050 ≈== − − =− − − − − Fernando Nogueira Teoria de Filas 17 ( ) ( )( ) ( ) ( )( ) ( )( ) ( ) ( )( ) ( )( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )∑ = µ−− + + −== − µ = µ=′ <<µ+µ−=′ µ−=′ → µ+=+ <<µ+µ−=+ µ−=+ N 1n n0 TnN n 10 1nnn NN 100 1nnn NN Tp1TpN,...,2,1n, !nN eTTp TpTp Nn0,TpTpTp TpTp 0hCom h.Tp1.TphTp Nn0,h.Tph1.TphTp h1.TphTp A solução deste sistema de equações diferencias resulta na Distribuição de Poisson Truncada. Distribuição de Poisson Truncada Exemplo: Uma loja de flores recebe 18 buquês de rosas no começo de cada semana. Em média, a loja vende 3 buquês de rosas por dia sendo que tal demanda possui distribuição de Poisson. Sempre que o nível do estoque alcança 5 buquês de rosas, um novo pedido de 18 buquês de rosas é feito para ser entregue no começo da próxima semana. Todo o estoque no fim da semana (sobra) é perdido. ( ) ( )⇒µ ⇒µ− h h1 prob. de realizar 0 atendimentos em h prob. de realizar 1 atendimento em h Fernando Nogueira Teoria de Filas 18 a) Uma vez que o atendimento é realizado numa taxa µ = 3, a probabilidade de fazer um novo pedido (quando o estoque chega em 5 buquês) em qualquer dia da semana é: ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )∑ = − − ≤ = − += +++= 5 1n T3n18 0 5105n 7,...,2,1T, !n18 eT3Tp Tp...TpTpTp Gráficos para T = 3 Fernando Nogueira Teoria de Filas 19 b) O número médio de buquês de rosas que serão perdidos no fim de cada semana é: { } ( ) buquês664.7np7tnE 18 0n n∑ = ==≥ ( )7T7t =⇔≥ Gráficos para T = 7 Fernando Nogueira Teoria de Filas 20 Modelo de Fila de Poisson Generalizado �Processo de Nascimento e Morte combinados (Tempo entre Chegadas e Tempo entre Saídas possuem distribuição exponencial) �Modelo é baseado em situação do processo operando sobre condições de Estados Estavéis (Estados em Fase de Regime, Estados Estacionários). �O estado do sistema é o número n de clientes no Sistema de Fila. �Para n > 0 e h → 0, o estado n pode somente mudar para o estado n – 1 quando um atendimento ocorre na taxa µn ou para o estado n + 1 quando uma chegada ocorreu na taxa λn. Obs: estado 0 só pode mudar para o estado 1 quando uma chegada ocorre na taxa λ0. µ0 não é definido porque nenhum atendimento pode ocorrer para n = 0. �Probabilidades pn são obtidas através do Diagrama de Transição de Taxa: Fernando Nogueira Teoria de Filas 21 Em condições de Estados Estáveis, para n > 0, a taxa esperada de fluxo entrando e saindo do estado n precisa ser igual. Uma vez que o estado n pode mudar somente para o estado n – 1 ou n + 1, tem-se: 1n1n1n1n pp nestadonoentrando fluxodeesperadataxa ++−− µ+λ= ( ) nnn p nestadodosaindo fluxodeesperadataxa µ+λ= Igualando as 2 taxas, tem-se a seguinte equação de balanço: ( ) 0n,ppe,...2,1n,ppp 1100nnn1n1n1n1n =µ=λ=µ+λ=µ+λ ++−− Para n = 0, tem- se: 0 1 0 1 pp µ λ = Para n = 1, tem- se: ( ) 0 12 01 21112200 ppppp µµ λλ =⇒µ+λ=µ+λ Por indução: ,...2,1n,p ... ...p 0 11nn 02n1n n = µµµ λλλ = − −− p0 é determinado através de: 1p 0n n =∑ ∞ = Fernando Nogueira Teoria de Filas 22 Exemplo 1: Uma mercearia possui a seguinte regra para definir o número de caixas operando na loja dependendo do número de clientes: No de clientes na loja No de caixas operando 1 a 3 1 4 a 6 2 + de 6 3 A Taxa de Chegada, com distribuição Poisson, é 10 clientes/h e o Tempo de Atendimento, comdistribuição Exponencial, é 12 minutos/cliente. Determine a distribuição de probabilidade pn de n clientes no Sistema de Fila em condições de Estados Estáveis. == == == =µ ==λ=λ ,...8,7n,h/clientes155*3 6,5,4n,h/clientes105*2 3,2,1n,h/clientes512 60 ,...1,0n,h/clientes10 n n 00 3 4 00 3 3 00 2 2 001 p8p 10 10 5 10p p8p 5 10p p4p 5 10p p2p 5 10p = = = = = = = = ,...8,7n,p 3 28 p 15 10 10 10 5 10p p8p 10 10 5 10p p8p 10 10 5 10p 0 6n 0 6n33 n 00 33 6 00 23 5 = = = = = = = − − Fernando Nogueira Teoria de Filas 23 p0 é determinado por: 1... 3 2 3 21831p1... 3 28 3 28 3 28888842pp 2 0 32 00 = + + ++⇒= + + + +++++++ Usando a soma da série geométrica , tem-se:1x, x1 1 x 0i i < − =∑ ∞ = 55 1p1 3 21 1831p 00 =⇒= − + De posse de p0, pode-se calcular então qualquer probabilidade pn. Por exemplo, a probabilidade que somente um caixa esteja operando é dada por: ( ) 255.0 55 1842ppp 321 ≈++=++ e o número esperado de caixas ociosos é: ( ) ( ) ( ) caixa1...pp0ppp1ppp2p3 876543210 =+++++++++ Fernando Nogueira Teoria de Filas 24 Terminologia Fernando Nogueira Teoria de Filas 25 Em condições de Estados Estáveis (não transiente) Relações entre L, W, Lq e Wq Fórmula de Little obs: se ⇒λ= WL qq WL λ= λ−≠λ seutilizacten µ += 1WW q µ λ +=⇒ µ λ +λ=λ⇒λ µ +=λ qqq LLWW 1WW µ λ =−= qLLs número médio de servidores ocupados s s =ρ Fernando Nogueira Teoria de Filas 26 Exemplo 2: A taxa de chegada de carros é 6 carros/h com distribuição de Poisson em um estacionamento que possui 5 vagas. O intervalo de tempo que os carros ficam estacionados é distribuído exponencialmente com média de 30 min. Os carros que não encontram uma vaga disponível, podem esperar em uma área provisória até que algum carro estacionado deixe o estacionamento. Esta área pode suportar até 3 carros. Demais carros que não conseguem estacionar nem aguardar na área provisória vão embora. a) a probabilidade, pn, de ter n carros no sistema: ( ) ( ) == == =µ ==λ = 8,7,6n,h/carros1030 605 5,...,2,1n,h/carrosn230 60n 7,...,1,0n,h/carros6 5s n n = = = − 8,7,6n,p 5!5 3 5,...,2,1n,p !n 3 p 05n n 0 n n 1 5!5 3 5!5 3 5!5 3 !5 3 !4 3 !3 3 !2 3 !1 3pp1p...pp 3 8 2 765432 00810 = ++++++++⇒=+++ n 0 1 2 3 4 5 6 7 8 pn .04812 .14436 .21654 .21654 .16240 .09744 .05847 .03508 .02105 Fernando Nogueira Teoria de Filas 27 b) A taxa efetiva de chegada (λeff): Se 8 carros já estão no estacionamento, então um outro carro não poderá entrar, assim a proporção de carros que não entrarão é p8. c) O número médio de carros no estacionamento e na área provisória é: d) O tempo médio que um carro aguarda na área provisória (Wq) é: e) O número médio de vagas ocupadas (servidores ocupados) é: f) O fator de utilização do estacionamento: Fonte Sistema λ λeff λ lost � λ=λeff + λlost h/carro8737.51263.06eh/carro1263.002105.0x6p losteff8lost =−=λ−λ=λ==λ=λ carros1286.3p8...p1p0L 810 =+++= hora03265. 2 153265.1WWq =−=µ −=hora53265. 8737.5 1286.3LW eff == λ = vagas9386.2 2 8737.5LLs effq ==µ λ =−= 58737. 2*5 8737.5 s ou58737. 5 9368.2 s s eff == µ λ =ρ===ρ Fernando Nogueira Teoria de Filas 28 Notação (a/b/c):(d/e/f) a: distribuição do tempo entre chegada (M, D, Ek, G, GI); b: distribuição do tempo de atendimento (M, D, Ek, G, GI); c: número de servidores (canais de atendimento); d: disciplina da fila (FIFO, FCFS, LIFO, Randômica, Prioridade, Qualquer, ...) e: número máximo de clientes no sistema (finito ou infinito); f: tamanho da fonte de entrada (finito ou infinito). onde: M: Markoviano (Exponencial (tempo)↔ Poisson (taxa)); D: Determinístico (tempo constante); Ek: Distribuição de Erlang ou Gama↔ soma de distrib. exponenciais independentes G: distribuição geral (não se sabe nada sobre os tempos de chegada/serviço); GI: distribuição geral em que os tempos de chegada/serviço são i.i.d.. Exemplos: (M/M/1):(Fifo/∞/∞), (M/D/10):(Rand/20/∞) Fernando Nogueira Teoria de Filas 29 Modelo (M/M/s):(qq/∞∞∞∞/∞∞∞∞) λeff = λ ⇒ fila (buffer) infinita 0n,n ≥λ=λ ( )( ) ( ) ( ) ( ) ( ) ( ) ( ) ≥µλ= µ λ = µ µ λ <≤µλ= µ λ = µµµµ λ = −− = ∏ sn,p s!s p s!s p si sn0,p !n p !n p n...32 p 0sn n 0nsn n 0s 1i n 0 n 0n n 0 n n ≥µ <µ =µ sn,s sn,n n ( ) ( ) ( ) ( ) ( ) ( ) 1s,s1 1 !s!n s!s!n p 1 s1s 0n n 1 sn sns1s 0n n 0 < µ λ µλ− µλ + µλ = = µ λµλ + µλ = − − = − ∞ = − − = ∑ ∑∑ ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )2 0 s 0 s 0k k 0 s 0k k 0 s 0k 0k 0 k s sk sn nq 1!s p 1 1 d dp !sd dp !s d dp !s p !s kkppsnL ρ− ρµλ = ρ−ρ ρµλ= ρ ρ ρµλ = ρ ρρµλ=ρµλ==−= ∑ ∑∑ ∑∑ ∞ = ∞ = ∞ = ∞ = + ∞ = µ λ += qLL λ = q q L W λ = LW obs: (M/M/s) é um caso especifico do Modelo de Fila de Poisson Generalizado. Modelo de Fila de Poisson Generalizado → independente da disciplina de fila. { } ( )( ) ( ) µλ−− − ρ− µλ+ =>ω µλ−−µ− µ− 1s e1 1!s p1 eTp 1sTs 0T { } { }( ) ( )T1sqq e0p1Tp ρ−µ−=ω−=>ω { } ∑ − = ==ω 1s 0n nq p0p 01sse =µλ−− ( ) T1se1 1sT µ=µλ−−−⇒ µλ−−µ− s–1 e não s porque é a probabilidade de um cliente chegar e não ficar em fila. Se um cliente chegar, quando já houver s clientes, este ficará na fila. n=0 e não n=1 porque se nunca houver fila p{wq=0} = 1 e sem p0 a somatória não resulta em 1. Fernando Nogueira Teoria de Filas 30 Exemplo: Um hospital possui apenas um médico de plantão.Um estudo foi realizado para analisar a viabilidade de contratar mais um médico plantonista, sendo o intervalo entre chegadas estimado de 30 min. e o tempo de atendimento estimado de 20 min, ambos distribuídos exponencialmente. λ = 2, µ = 3. De posse dos resultados acima, o hospital entendeu que o tempo aguardado esperado na fila para um único médico (Wq= 2/3 horas = 40 min.) é grande, fato que justifica a contratação de mais médico plantonista. Fernando Nogueira Teoria de Filas 31 Modelo (M/M/s):(qq/N/∞∞∞∞), s ≤≤≤≤ N Difere do modelo (M/M/s):(qq/∞/∞) no número máximo de clientes no sistema que é finito e igual a N. O comprimento máximo da fila é Lq = N-s e λeff ≠ λ. ≥ <≤λ =λ Nn0 Nn0, n ≤≤µ <≤µ =µ Nns,s sn0,n n ( ) ( ) ( ) ≤≤µλ <≤µλ = − Nns,p s!s sn1,p !np 0sn n 0 n n ( ) ( ) ( ) 1s 0n N 1sn snsn 0 s!s!n p − = += − µ λµλ + µλ = ∑ ∑ ( ) ( )( ) ( )( ) ( ) ( ) ( ) µ λ − µ λ −− µ λ − µλ− µλµλ = −− s 1 s sN s 1 s1!s spL sNsN 2 s 0 q1 s Para ≠ µ λ ( ) ( )( ) 0 s q p!s2 1sNsNL +−−µλ= ( )λ−=λ−λ=λλ=λ NlosteffNlost p1ep µ λ += effqLL eff q q L W λ = eff LW λ = µ λ =ρ s eff 1 s Para = µ λ Mesmo quando (λ/sµ) ≥ 1 o sistema pode alcançar a condição de estados estáveis porque λn= 0 para n ≥ N. Fernando Nogueira Teoria de Filas 32 Exemplo: Uma companhia de entrega possui 4 caminhões. São observados em média 16 pedidos de entregas por hora com distribuição Poisson e o intervalo de tempo gasto por entrega é em média 12 minutos com distribuição Exponencial. Do ponto de vista de Teoria de Filas, os caminhões são os servidores e os pedidos de entregas são os clientes. A companhia está estudando a possibilidade de implementar (ou não) a seguinte política: advertir a pessoa que solicita um pedido de entrega de um potencial atraso excessivo toda vez que houver 6 pedidos de entrega na fila. Comparar os resultados do modelo sem e com a implantação da política citada. λ= 16, µ = 5 Cenário 1: (M/M/4):(qq/∞/∞)⇒ Sem política: Fila (Buffer) infiníta Cenário 2: (M/M/4):(qq/10/∞)⇒ Com política: Fila (Buffer) finíta, N = 4 + 6 = 10 Fernando Nogueira Teoria de Filas 33 Modelo (M/M/R):(qq/K/K), R ≤≤≤≤ K Aplicação típica: existem R pessoas para dar manutenção em K máquinas. λ é a taxa em que as máquinas quebram e µ é a taxa em que as máquinas são reparadas. Se todas as máquinas estão quebradas não há mais máquinas para quebrarem ⇒ Tamanho da População Finita: λn = (K – n)λ, 0 ≤ n ≤ K. ( ) ≥ <≤λ− =λ Kn0 Kn0,nK n ≤≤µ <<µ =µ KnR,R Rn0,n n ( ) ( ) ( ) ≤≤ µ λ − ≤≤ µ λ − = − KnR,p R!R!nK !K Rn0,p !n!nK !K p 0 n Rn 0 n n ( ) ( ) ( ) 1 R 0n K 1Rn n Rn n 0 .R!R!nK !K . !n!nK !Kp − = += − µ λ − + µ λ − = ∑ ∑ ∑ = = K 0n nnpL ( ){ } ( )LKnKEeff −λ=−λ=λ eff q q L W λ = eff LW λ = µ λ =ρ s eff µ λ −= eff q LL Fernando Nogueira Teoria de Filas 34 Exemplo: Uma companhia possui 22 máquinas. Cada máquina quebra, em média, a cada 2 horas, sendo gastos 12 minutos, em média, para realizar o reparo. O tempo entre quebras e o tempo de reparo são distribuídos Exponencialmente. Analisar a produtividade da companhia em função do número de pessoas encarregadas de dar manutenção. λ= 0.5, µ = 5 22 L22 sdisponiveimáquinas quebradasmáquinassdisponiveimáquinas máquinas adeprodutivid − = − = Fernando Nogueira Teoria de Filas 35 Modelo (M/G/1):(qq/∞∞∞∞/∞∞∞∞) Distribuição do tempo de atendimento é qualquer com média 1/µ e variância σ2. Para 1< µ λ =ρ ρ−=1p0 ( )ρ− ρ+σλ = 12 L 222 q λ = q q L Wµ += 1WW q pn é intratável analiticamente Exemplo: Um lava-jato recebe, em média, 4 carros por hora com distribuição Poisson e o tempo de atendimento é 10 minutos por carro com distribuição exponencial se a lavagem é realizada por um funcionário. Se a lavagem for realizada por uma máquina o tempo de atendimento é também 10 minutos, porém constante (determinístico ⇒ σ2 = 0). Comparar as medidas de performance do sistema operando com o funcionário e com a máquina. λ = 4, µ = 6. ρ+= qLL Fernando Nogueira Teoria de Filas 36 nível de serviço c u s t o s Modelo de Custos para Filas EOC EWC ETC Nível de serviço ótimo Modelos de Custos ( ) ( ) ( ) ( ) esperadotempodeunidadeporaguardardecustoEWC esperadosistemadooperaçãodecustoEOC esperadototalcustoETC serviçodenívelsoux :onde xEWCxEOCxETC = = = µ= += Geralmente utiliza-se: ( ) ( ) LCxEWC xCxEOC 2 1 = = clienteportempodeunidadeporaguardarporcustoC tempodeunidadeporxdeunidadeporcustoC :onde 2 1 = = Fernando Nogueira Teoria de Filas 37 Exemplo: Uma gráfica necessita comprar uma copiadora. Existem 4 modelos de copiadoras no mercado com suas características dada na tabela abaixo. Os Jobs chegam com distribuição Poisson com média de 4 jobs/dia. O tamanho de cada job é em média de 10000 folhas. Contratos com os clientes da gráfica estipula uma penalidade de $80,00 por job/dia de atraso. Qual copiadora a gráfica deve comprar? Os valores de C1i são os custos de operação dados na tabela acima. Para fins práticos, cada copiadora pode ser tratada como um modelo (M/M/1):(qq/∞/∞). A taxa de chegada é λ = 4 jobs/dia e a taxa de atendimento µi (jobs/dia) é: Modelo custo de operação ($/h) velocidade(cópias/min) 1 15 30 2 20 36 3 24 50 4 27 66 sii1i ii2i1i iii L80C24ETC LC24CETC EWCEOCETC ielomod4,3,2,1i += ×+×= += ⇒= Modelo i λλλλi µµµµi Lsi EOCi($) EWCi($) ETCi($) 1 4 30*60*24/10000 = 4.320 12.50 360,00 1000,00 1360,00 2 4 36*60*24/10000 = 5.184 3.39 480,00 271,20 751,20 3 4 50*60*24/10000 = 7.200 1.25 576,00 100,00 676,00 4 4 66*60*24/10000 =9.504 0.73 648,00 58,40 706,40
Compartilhar