Baixe o app para aproveitar ainda mais
Prévia do material em texto
CCE 0516 - Simulação da Produção e Teoria das Filas Professor: Carlos Roberto Silva Santos Pós graduado, bacharel em Engenharia Civil e em Ciências Contábeis pela UFES & Auditor. 2018/1 0 CCE 0516 - Simulação da Produção e Teoria das Filas Norteadores I. Frequência; II. Provas(AV1- Carlos; AV2-Estácio; AV3- Estácio) ; III. Exercício/Trabalho . 1 CCE 0516 - Simulação da Produção e Teoria das Filas Contextualização: • Oportunidade de introduzir o aluno ao mundo de aplicação da simulação como meio auxiliar a tomada de decisão. Objetivo geral: • Visão geral das técnicas e métodos associados à simulação. 2 CCE 0516- Simulação da Produção e Teoria das Filas Ementa 3 CCE 0516- Simulação da Produção e Teoria das Filas Ementa 4 Unidade 1 Processos Estocásticos O que é? Modelos de probabilidade para processos que evoluem no tempo de maneira probabilística. Um Processo Estocástico é definido como uma coleção de variáveis randômicas X(t) indexadas por um parâmetro t pertencente a um conjunto T. 5 Unidade 1 Processos Estocásticos O que é? Um Processo Estocástico é uma família/sequência de variáveis aleatórias X(t) que descreve a evolução de alguma característica X do processo sob análise ao longo do tempo, t. 6 Unidade 1 Processos Estocásticos Os processos com filas com tempos entre chegadas sucessivas (λ) e/ou de atendimento (µ) representados por variáveis aleatórias são processos denominados estocásticos (probabilísticos). Assim, neste capítulo são introduzidos alguns conceitos e características básicas de processos estocásticos (com ênfase nos processos markovianos*) necessários para o estudo da Teoria de Filas. *matemático russo Andrei Markov Fonte: Cap 3 do Livro Teoria de Filas, Fogliatti & Mattos 7 Unidade 1 Processos Estocásticos • Existem vários "tipos" de Processos Estocásticos, porém, nestas notas de aula será apenas abordado um tipo de Processo Estocástico denominado Processo Markoviano*. * a distribuição de probabilidade do próximo estado depende apenas do estado atual e não da sequência de eventos que precederam. 8 Unidade 1 Processos Estocásticos Traduzindo... Processos Estocásticos são de interesse para descrever o procedimento de um sistema operando sobre algum período de tempo, com isso, em termos formais, a variável randômica X(t) representa o estado do sistema no parâmetro t (geralmente tempo). Fenômeno que varia em algum grau, de forma imprevisível, à medida que o tempo passa, segundo Clarke e Disney. I) Para um maior aprofundamento no estudo dos processos estocásticos, são recomendados entre outros os livros de Clarke e Disney(1979), Ross(1996) e Trivedi (2002). 9 Unidade 1 Processos Estocásticos A imprevisibilidade, nesse caso, significa que se observou uma seqüência inteira do processo em várias ocasiões diferentes, sob condições presumivelmente idênticas; as seqüências em observação, resultantes, seriam, em geral, diferentes. 10 Teoria das Filas Variáveis Randômicas Fundamentais 11 Unidade 1 Processos Estocásticos Então.... O resultado da experiência aleatória é uma seqüência ou série de valores, uma função, e não apenas um único número. Por exemplo, a probabilidade de haver infratores, no sistema de rodízio implantado na cidade de São Paulo, nos diversos dias da semana, ou diversos períodos do dia, são diferentes. 12 Unidade 1 Processos Estocásticos Exemplificando: Nível de estoque de um produto no fim da semana; Variação minuto a minuto do índice IBOVESPA; Variação do tráfego em um cruzamento; Variação diária no tamanho do estoque de uma empresa. 13 Unidade 1 Processos Estocásticos Parâmetro do Processo Para analisar o processo estocástico é preciso especificar o período de tempo T envolvido: quando ele será observado. • Se T é contínuo (sequência), T={ t: 0 ≤ t <∞): Trata-se de um Processo Estocástico de Parâmetros Contínuos “ Se a variável aleatória X for contínua, a probabilidade para um dado valor Xi tenderá a zero.” A probabilidade para um dado valor da variável aleatória será igual ao número de vezes que ocorre esse dado valor, dividido pelo número total de valores da variável. Ora, o número total de valores da variável tende a infinito, e a divisão pelo seu valor tenderá a zero. Ex: A= P(Xi ≤ X ≤ Xj) ou pela área “A” do gráfico. 14 Unidade 1 Processos Estocásticos Parâmetro do Processo Para analisar o processo estocástico é preciso especificar o período de tempo T envolvido: quando ele será observado. • Se T é discreto, T={0,1,2,...,} (caso contrário, “finito/contável”): Trata-se de um Processo Estocástico de Parâmetros Discretos : “ Se uma dada variável aleatória X for discreta, ela assumirá apenas um número finito de valores Xi; a cada um desses valores podemos associar uma dada probabilidade de ocorrência P(Xi).” Ex: Séries Temporais em geral. (Xi) P(Xi) 15 Unidade 1 Processos Estocásticos Classificação: Os Processos Estocásticos podem ser classificados como: a) Em relação ao Estado Estado Discreto (contagem): X(t) é definido sobre um conjunto enumerável (infinito de inteiros) ou finito. Estado Contínuo (uma medida): X(t) caso contrário. (aparelho) 16 Unidade 1 Processos Estocásticos Classificação: b) Em relação ao Tempo (Parâmetro) Tempo Discreto: t é finito ou enumerável. Tempo Contínuo: t caso contrário. 17 Unidade 1 Processos Estocásticos Classificação: (Exemplos) • 1. Número de usuários em uma fila de banco em um determinado instante R:Estado Discreto e Tempo Contínuo. • 2. Índice pluviométrico diário R:Estado Contínuo e Tempo Discreto. • 3. Número de dias chuvosos: R: Estado Discreto e Tempo Discreto. 18 Unidade 1 Processos Estocásticos Revisão dos Conceitos de Álgebra Matricial • Definição; • Matriz quadrada; • Vetores; • Matriz Diagonal; • Matriz Identidade e Nula; • Operações com Matrizes; • Algumas Propriedades 19 Unidade 1 Processos Estocásticos Revisão dos Conceitos de Álgebra Matricial Relevante • Multiplicação de Matrizes A² = A . A , A³= A² . A , A⁴= A³ . A , .... , Aⁿ = Aⁿ⁻¹ . A • Vetor de Probabilidade Um vetor u = ( u1, u2, u3, .... , un ) é chamado vetor de probabilidade, se seus componentes são não negativos e somam 1. π = [ 0.30, 0.20, 0.50 ] A = [ 0.30, 0 , 0.70 ] 20 Unidade 1 Processos Estocásticos Revisão dos Conceitos de Álgebra Matricial Relevante • Multiplicação de Matrizes • m= ad +bg + cj; • n= ae+bh+ ck; • o= af+bi+ cl. 21 d e f g h i j k l a b c m n o Unidade 1 Processos Estocásticos m=0,575 e n=0,425 Revisão dos Conceitos de Álgebra Matricial Relevante • Vamos treinar? Multiplicação de Matrizes 22 0,9 0,1 0,0875 0,9125 0,6 0,4 m n Unidade 1 Processos Estocásticos • Matrizes Estocásticas Umamatriz quadrada P = pij é chamada matriz estocástica, se cada uma de suas linhas é um vetor de probabilidade, isto se cada entrada de p é não negativa, e a soma das entradas em cada linha é igual a 1. • Teorema: Se A e B são matrizes estocásticas, então o produto de AB é uma matriz estocástica. Conseqüentemente, todas as potências de Aⁿ são matrizes estocásticas. 23 Unidade 1 Processos Estocásticos • Matrizes Estocásticas Regulares Para que P seja matriz estocástica regular, é necessário que o vetor fixo de probabilidade tenha todos os elementos positivos, a soma igual a 1 e nenhuma componentes igual à zero Assim como, uma matriz estocástica P é considerada regular se todas as entradas de alguma potência de Pⁿ são positivas (≠ 0). 24 Unidade 1 Processos Estocásticos • Exemplo de Matriz Estocástica Regular Se t = (1/4; 0; 1/4; 0; 1/4; 1/4) é um vetor fixo da matriz estocástica P, então, P é regular? • Não. Para que P seja matriz estocástica regular, é necessário que o vetor fixo de probabilidade tenha todos os elementos positivos, a soma igual a 1 e nenhuma componentes igual à zero. Apesar de todos os elementos serem positivos e a soma igual a 1, temos componente zero no vetor, logo, P não é matriz estocástica regular. 25 Unidade 1 Processos Markovianos Um processo estocástico é denominado processo markoviano se dada uma sequência de tempos to<t1<t2<...<tn<t, a distribuição de probabilidade condicional de X(t) para dados valores de X(to), X(t1) ... X(tn) depende unicamente de X(tn), ou seja: P[X(t) <=x/X(tn) = xn,X(tn-1)= xn-1,..., X(to)= xo] = P[X(t)<= x/ X(tn)= Xn] 26 Unidade 1 Processos Estocásticos Processos Markovianos • A expressão pode ser "traduzida" por a probabilidade condicional de qualquer evento futuro, dado qualquer evento passado e o estado presente X(tk) = xk, é independente do evento passado e depende somente do estado presente. • Em termos mais resumidos: um Processo Estocástico é dito ser um Processo Markoviano se o estado futuro depende apenas do estado presente e não dos estados passados. 27 Unidade 1 Processos Markovianos Em outras palavras, dada a informação do presente, toda informação passada é irrelevante para a previsão da posição do processo no futuro. • Essa propriedade é denominada “ausência de memória” (Memoryless). • Este tipo de Processo Estocástico é também denominado de memoryless process (processo sem memória), uma vez que o passado é "esquecido" (desprezado). 28 Unidade 1 Processos Estocásticos Exemplo : O estado no ano de 1993 do uso da terra em uma cidade de 50 quilômetros quadrados de área é: • Tabela 1 - Estado do uso da terra em 1993. I uso residencial 30% II uso comercial 20% III uso industrial 50% 29 Unidade 1 Processos Estocásticos Exemplo : Memoryless Em análises anteriores indicam que a chegada de clientes em uma dada agência bancária segue uma distribuição exponencial com média de 20 chegadas por hora. Você, estagiário, está fazendo um levantamento nessa agência e na presente hora, já decorrido 15 minutos, já chegaram 10 clientes. Quantos clientes você espera que ainda cheguem na presente hora? 30 Unidade 1 Cadeias de Markov Chama-se cadeias de Markov um processo markoviano que possui o espaço de estados discreto e com as seguintes propriedades: • I ) Cada resultado pertence a um conjunto finito de resultados ( a1, a2 , a3 , ...., an ), chamado espaço dos estados do sistema; se o resultado da n-ésima tentativa é ai , dizemos que o sistema se encontra no estado ai no instante n. 31 Unidade 1 Processos Estocásticos Cadeias de Markov Chama-se cadeias de Markov um processo estocástico com as seguintes propriedades: • II ) O resultado de qualquer ensaio depende, no máximo, do resultado do ensaio imediatamente anterior e não de qualquer dos precedentes; a cada par de estados (ai, aj ) está associada à probabilidade Pij de que ocorra aj imediatamente após ter ocorrido ai. 32 Unidade 1 Processos Estocásticos Cadeias ou Processos de Markov São sequências de resultados em que a probabilidade de cada resultado depende do que aconteceu no momento imediatamente passado*. * pág. 335 do Livro Pesquisa Operacional ,curso introdutório ,de Daniel Augusto Moreira. 33 Unidade 1 Processos Estocásticos Cadeias de Markov Os valores atribuídos a pij correspondem às probabilidades de transição de um para outro estado, isto pode ser visto através da chamada matriz de transição P. 34 Unidade 1 Processos Estocásticos Cadeias de Markov Assim, a cada estado ai corresponde a iésima linha (pi1, pi2, ... , pij ) da matriz de transição P; se o sistema está no estado ai, então esse vetor linha representa as probabilidades de todos os possíveis resultados do próximo ensaio; por isso é um vetor de probabilidade. 35 Unidade 1 Processos Estocásticos Cadeias de Markov Teorema : A matriz de transição de uma Cadeia de Markov é uma matriz estocástica. 36 Unidade 1 Processos Estocásticos Cadeias de Markov Exemplo : Três crianças arremessam a bola uma para a outra. A sempre arremessa para B; B sempre arremessa para C; e C arremessa a bola para A ou para B, com a mesma probabilidade. 37 Unidade 1 Processos Estocásticos Cadeias de Markov Esta é uma Cadeia de Markov, pois a pessoa que arremessa a bola num determinado instante não é influenciada por aquelas que arremessaram anteriormente. O espaço de estado do sistema é { A , B, C } e a matriz de transição é apresentada a seguir: 38 Unidade 1 Cadeias de Markov matriz de transição 39 Unidade 1 Processos Estocásticos Cadeias de Markov A primeira linha da matriz corresponde ao vetor que indica que A sempre passa a bola para B; a segunda linha corresponde ao fato de que B sempre passa a bola para C; a última linha corresponde ao fato de que C arremessa a bola para A ou B com idênticas probabilidades, não ficando com a bola. 40 Unidade 1 Processos Estocásticos Distribuição Estacionária de uma Cadeia de Markov • Pelo Teorema 3, verificamos que a sequência das matrizes de transição em n etapas converge para a matriz T, cujas linhas são iguais ao único vetor fixo de probabilidade t de P; portanto, a probabilidade de evolução do estado ai para o estado aj ( para um n suficientemente grande ) independe do estado inicial de ai. 41 Unidade 1 Cadeias de Markov • Exemplo clássico de aplicação das cadeias de Markov está no problema da mudança de marcas por parte do consumidor, ou seja, a lealdade à marca. 42 Unidade 1 Cadeias de Markov • Com o conceito de cadeias de Markov, é possível calcular paulatinamente as fatias de mercado de diversos produtos concorrentes, desde que sejam conhecidas as fatias originais e as probabilidades de transição de uma marca a outra. Também é possível prever o efeito de estratégias adotadas para a proteção da marca. Assim, para tais cálculos, é muito útil o conceito de matriz. • Fonte dos slides 41 ao 48 : Cap. 10 doLivro Pesquisa Operacional curso introdutório do Daniel A. Moreira. 43 Unidade 1 Cadeias de Markov • Particularizando para o caso de diferentes marcas que disputam um dado mercado, a matriz de probabilidades de estado (fatias de mercado) é um arranjo numérico de uma linha e tantas colunas quantas sejam as marcas concorrentes. Assim, por exemplo, em um mercado no qual concorram três marcas A, B e C, de um certo produto , o arranjo para um dado instante (t) seria: 44 0,45 0,23 0,32 Unidade 1 Cadeias de Markov • Por sua vez, a matriz de probabilidade de transição indica as probabilidades de os clientes passarem de uma marca pra outra, no momento seguinte. Levando em conta as três diferentes marcas A, B e C, poderíamos ter a seguinte matriz de transição: 45 Unidade 1 Matriz de Probabilidades de Transição da Escolha • Assim, por exemplo, aqueles que compram a marca A têm uma probabilidade de 0,75 de voltar a comprá-la no próximo período. Os clientes mais fiéis são os de probabilidade 0,90. 46 DE (t) PARA (t+1) Marca A Marca B Marca C Da Marca A 0,75 0,15 0,10 Da Marca B 0,08 0,90 0,02 Da Marca C 0,25 0,15 0,60 Unidade 1 Matriz de Probabilidades de Transição • Ou, simplesmente 47 0,75 0,15 0,10 0,08 0,90 0,02 0,25 0,15 0,60 Unidade 1 Matriz de Probabilidades de Transição • Fatias de Mercado(t) Matriz Prob. de Transição 48 0,75 0,15 0,10 0,08 0,90 0,02 0,25 0,15 0,60 0,45 0,23 0,32 Unidade 1 Matriz de Probabilidades de Transição • Dadas a matriz de probabilidades de estado para um dado momento t e a matriz de probabilidades de transição, é possível calcular a nova probabilidade de estado para outro momento (t+1), simplesmente multiplicando essas matrizes. 49 Unidade 1 Distribuição de Poisson A distribuição de Poisson é uma distribuição discreta empregada em situações probabilísticas onde a área de oportunidade de ocorrência de um evento é grande, mas a oportunidade de ocorrência em um intervalo particular (ou em um ponto) é muito pequena. Exemplo: • Número de defeitos ao longo de um fio de uma linha de transmissão de energia. • Erros de datilografia em um livro. • Acidentes industriais. • Chegadas em modelos de fila de espera. 50 Unidade 1 Distribuição de Poisson 51
Compartilhar