Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 UNIVERSIDADE SÃO FRANCISCO DISCIPLINA PESQUISA OPERACIONAIOL Parte II Adalberto Nobiato Crespo 2018 Versão 6 2 Sumário 1 – PROCESSOS ESTOCÁSTICOS ................................................................................................... 4 1.1 – Classificação de Processos Estocásticos ................................................................................. 4 2 – PROCESSOS MARKOVIANOS .................................................................................................. 6 3 – CONCEITOS FUNDAMENTAIS ............................................................................................... 12 3.1 – Cadeias de Markov................................................................................................................ 12 3.2 – Probabilidade de Transição ................................................................................................... 13 3.3 – Probabilidade de Transição de Passo 1 ................................................................................. 13 3.4 – Probabilidade de Transição de Passo n ................................................................................. 13 3.5 – Distribuição Inicial de Probabilidades .................................................................................. 15 3.6 – Distribuição de Probabilidades após “n” Passos - Distribuição Estacionária ....................... 17 3.7 – Classificação dos Estados de Uma Cadeia de Markov ......................................................... 21 3.8 – Classificação de Matrizes Estocásticas ................................................................................. 27 Primeira Lista de Exercícios - Cadeias de Markov ...................................................................... 30 4 – ASPECTOS FUNDAMENTAIS SOBRE FILAS ....................................................................... 35 4.1 – Conceito de Fila .................................................................................................................... 35 4.2 – Dimensionamento de Filas .................................................................................................... 36 4.3 – Aspectos Históricos............................................................................................................... 37 5 – FUNDAMENTOS BÁSICOS DE FILAS ................................................................................... 38 5.1 - Elementos de Uma Fila .......................................................................................................... 38 5.2 – Características de Uma Fila .................................................................................................. 39 5.2.1 - Clientes e Tamanho da População .......................................................................................... 39 5.2.2 - Processo de Chegada .............................................................................................................. 39 5.2.3 - Processo de Atendimento ....................................................................................................... 40 5.2.4 - Número de Servidores ............................................................................................................ 40 5.2.5 - Disciplina da Fila .................................................................................................................... 40 5.2.6 - Tamanho Médio da Fila .......................................................................................................... 41 5.2.7 - Tamanho Máximo da Fila ....................................................................................................... 41 5.2.8 - Tempo Médio de Espera na Fila ............................................................................................. 41 5.3 – Distribuição do Tempo de Atendimento ............................................................................... 42 5.4 – Dinâmica de uma Fila ........................................................................................................... 43 5.5 – Conceitos Básicos de Fila .................................................................................................... 48 5.5.1 – Variáveis Aleatórias Fundamentais ....................................................................................... 49 5.5.2 - Postulados Básicos.................................................................................................................. 54 3 Segunda Lista de Exercícios ............................................................................................................ 55 6 – O Sistema de uma Fila e um Atendente ....................................................................................... 56 6.1 – Equações do Modelo ................................................................................................................. 56 Terceira Lista de Exercícios ............................................................................................................ 58 Quarta Lista de Exercícios .............................................................................................................. 60 4 PROCESSOS ESTOCÁSTICOS 1 – PROCESSOS ESTOCÁSTICOS Um Processo Estocástico é definido como uma coleção de variáveis aleatórias Xt indexadas por um parâmetro t pertencente a um conjunto T. Normalmente, T é um conjunto de números inteiros não negativos e Xt representa uma característica qualquer mensurável de interesse e que varia com o tempo t. Exemplo 1: Xt: Nível de estoque de um produto no fim de cada semana t. t = 1, 2, 3... X1 = 20 – significa que na semana 1 o estoque era de 20 unidades. X2 = 13 – significa que na semana 2 o estoque era de 13 unidades. X5 = 28 – significa que na semana 5 o estoque era de 28 unidades. Processos Estocásticos são de interesse para descrever o procedimento de um sistema operando em algum período de tempo. Com isso, a variável aleatória Xt representa o estado do sistema no parâmetro t. O parâmetro t representa o estado e o valor da variável Xt representa o comportamento do sistema no estado t. Por exemplo, é interessante para uma empresa observar o comportamento do estoque de um determinado produto, durante 6 meses. Esta observação serve para a programação dos estoques nos próximos períodos. Portanto, a variável Xt é definida em um conjunto de estados denominado Espaço de Estados. 1.1 – Classificação de Processos Estocásticos Os Processos Estocásticos podem ser classificados como: a) Em relação ao Estado Estado Discreto: Xt é definida sobre um conjunto enumerável finito. Estado Contínuo: Xt caso contrário b) Em relação ao Tempo t (parâmetro) Tempo Discreto: t é finito e enumerável Tempo Contínuo: t caso contrário 5 Exemplos: 1 – Número de usuários em uma fila de banco em um determinado instante t. Estado discreto e Tempo contínuo 2 – Índice pluviométrico diário. Estado contínuo e Tempo discreto 3 – Número de dias chuvosos. Estado Discreto e Tempo discreto Questões para Estudo 1 – Suponha que Xt representa o nível de estoque de um produto e t representa a semana de observação do estoque. Qual é a probabilidade do estoque ser zero no final desta semana, dado que na semana anterior o estoque era de 10 unidades? Matematicamente temos a equação: ?10|0 anterioratual XXP Fazendo: semana atual =1 semana anterior = 0 Então teremos a seguinte equação: ?10|0 01 XXP Pode se também estar interessado na seguinte questão: ?3,6...15,12,11|0 0178910 XXXXXXP Onde: 10=semanaatual; 9 = semana anterior; e assim por diante. O valor desta probabilidade serve para tomada de decisões sobre o estoque do produto em questão. 2 – Suponha que Xt representa o comportamento do tempo numa cidade de praia durante o verão. Qual é a probabilidade do tempo estar com sol nesta semana, dado que na semana anterior o tempo esteve com chuva. Matematicamente temos a equação: ?| chuvaXsolXP anterioratual Fazendo: semana atual =1 semana anterior = 0 Então teremos a seguinte equação: ?| 01 chuvaXsolXP Pode se também estar interessado na seguinte questão: ?,,| 1234 solXchuvaXchuvaXsolXP Onde: 4 = semana atual; 3 = semana anterior; e assim por diante. O valor desta probabilidade serve para tomada de decisões sobre os eventos que poderão ser promovidos na cidade de praia, no período em questão. 6 Existem vários "tipos" de Processos Estocásticos, porém neste curso será abordado apenas um tipo de Processo Estocástico denominado Processo Markoviano. 2 – PROCESSOS MARKOVIANOS Um Processo Estocástico é dito ser um Processo Markoviano se: kkkkkkkkkkkk yXyXPyXyXyXyXyXyXP |,...,,| 110011221111 Onde k = 0, 1, 2, 3 ... Essa expressão pode ser traduzida como: a probabilidade condicional de qualquer evento futuro, dado qualquer evento passado e o estado presente Xk = yk, 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 depende dos estados passados. Este tipo de Processo Estocástico é também denominado de processo sem Memória, uma vez que o passado é desprezado. As probabilidades condicionais kkkk yXyXP |11 são denominadas Probabilidades de Transição e representam a probabilidade do estado Xk+1 ser yk+1 no instante k+1 dado que no instante k o estado Xk é yk. Exemplo 2: No ano de 1993, o estado do uso da terra em uma cidade de 50 quilômetros quadrados de área éra: Tabela 1 – Estado do uso da Terra em 1993 I Uso Residencial 30% II Uso Comercial 20% III Uso Industrial 50% Os valores da tabela 1 podem ser dispostos em um vetor T, denominado Vetor de Estados: T = [ I II III ]. As probabilidades de cada Estado podem também serem dispostas em um vetor , denominado Vetor de Probabilidades de Estado: = [0,30 0,20 0,50]. Supondo que as probabilidades de transição para intervalos de 5 anos são dadas pela Tabela 2: 7 Tabela 2 – Probabilidades de Transição em 5 anos Para I Para II Para III de I 0,8 0,1 0,1 de II 0,1 0,7 0,2 de III 0 0,1 0,9 As probabilidades condicionais na Tabela 2 podem ser interpretadas como: de I para I: a probabilidade da cidade estar no estado I após 5 anos, dado que atualmente está no estado I é 0,8, ou seja 8,0|5 IXIXP tt . Para t = 1993, tem-se: 8,0| )1993()1998( IXIXP de I para II: a probabilidade da cidade estar no estado II após 5 anos, dado que atualmente está no estado I é 0,1, ou seja 1,0|5 IXIIXP tt . Para t = 1993, tem-se: 1,0| )1993()1998( IXIIXP de I para III: a probabilidade da cidade estar no estado III após 5 anos, dado que atualmente está no estado I é 0,1, ou seja 1,0|5 IXIIIXP tt . Para t = 1993, tem-se: 1,0| )1993()1998( IXIIIXP O mesmo raciocínio para os demais estados. Os valores da Tabela 2 podem ser dispostos numa matriz denominada Matriz de Transição. 9,01,00 2,07,01,0 1,01,08,0 III II I P Assim, a partir da matriz de transição P e do vetor de probabilidade de estado para 1993, denominado (0), pode-se calcular o vetor de probabilidades de estado para o ano de 1998 da seguinte forma, denominado (1). 0,52] 0,22 26,0[ 0,90,10 0,20,70,1 0,10,10,8 0,50] 0,20 [0,30Pππ 01 8 Este resultado pode ser interpretado como: Em 1998, o estado de uso da terra na cidade será dado pela Tabela 3: Tabela 3 – Estado do uso da Terra em 1998 I Uso Residencial 26% II Uso Comercial 22% III Uso Industrial 52% Exemplo 3: Um cliente pode adquirir uma das seguintes marcas de carro: Fiat, Ford e Chevrolet. A próxima compra do cliente é controlada pela marca do carro que ele possui atualmente. Toda vez que um novo carro é comprado, ocorre um passo no processo de compra. Neste processo há, portanto, apenas 3 Estados possíveis (m=3): a compra de um Ford, a compra de um chevrolet e a compra de um Fiat. Isto pode ser representado como: Estados do Processo Descrição S1 O cliente compra um Ford S2 O cliente compra um Chevrolet S3 O cliente compra um Fiat No presente momento (t = 0), os Estados S1, S2, S3 representam o estado atual do processo, isto é, a marca do carro que o cliente possui atualmente. No passo seguinte, (t = 1) os Estados S1, S2, S3 representam todos os resultados possíveis da próxima compra do cliente. Assim, o Espaço de estado é { S1, S2, S3}. Uma pessoa de mercado revela a seguinte situação: Marca do Carro Atual (t=0) Próxima Compra (t = 1) % que compra Ford % que compra Chevrolet % que compra Fiat Ford 40 30 30 Chevrolet 20 50 30 Fiat 25 25 50 9 Essa mesma informação pode ser representada numa matriz de probabilidades chamada Matriz de Transição. 50,025,025,0 30,050,020,0 30,030,040,0 P Cada elemento dessa tabela representa uma probabilidade de se passar de um Estado para outro em um passo. Isto é, representa a probabilidade de compra de uma marca de carro. Ex: 0,20 representa a probabilidade de um cliente comprar um carro Ford dado que atualmente ele possui um carro da marca Chevrolet. Graficamente tem-se a seguinte situação: Exemplo 4: A situação de uma máquina poderia ser descrita por um Processo de Markov. Neste caso, o Estado pode descrever a condição da máquina: em funcionamento; esperando reparo; sendo reparada. O espaço de Estado é discreto e pelo menos em alguns casos a probabilidade da situação da máquina na próxima observação depende de sua situação presente. Estados do Processo Descrição S1 Máquina funcionando S2 Máquina ociosa, esperando reparo S3 Máquina ociosa, sendo reparada S1 S2 S3 Ford Fiat Chevrolet 0,40 0,30 0,20 0,25 0,30 0,25 0,30 0,50 0,50 10 Exemplo 5: Um grupo de 4 crianças joga um jogo que consiste em passar uma bola de um lado para outro. Em cada estágio do jogo, a criança que está com a bola tem idêntica chance de passar a bola para qualquer uma das outras 3 crianças. Seja X0 a criança que está com a bola no início do jogo e Xn a criança que está com a bola depois que a mesma foi lançada exatamente n vezes. Este jogo consiste de um Processo de Markov com a seguinte Matriz de Transição: 0 3 1 3 1 3 1 3 1 0 3 1 3 1 3 1 3 1 0 3 1 3 1 3 1 3 1 0 P A matriz P chama-se Matriz de Transição ou Matriz de probabilidades. Para que uma criança receba a bola em um dado momento, depende apenas de quem está com a bola naquele momento e não depende das demais crianças. Com esta propriedade este jogo constitui-se numa cadeia de Markov. O conjunto S = { 1, 2, 3, 4} chama-se espaço de estados. Algebricamente tem-se: Seja k = 1 se a criança está com a bola num dado momento. k = 0 se a criança não está com a bola num dado momento. Logo, 3 1 0|1 01 XXP e ainda 01|1 01 XXP Constitui-se numa Cadeia de Markov porque tem a propriedade que: kXkXPXkXyXyXP nnnnn 1021 |1,...,| Isto é, o fato de Xn = k (uma criança estar ou não com bola depois de n lançamentos)depende somente de Xn-1 = k e independe da trajetória percorrida. Isto é, independe de Xn-2, Xn-3, Xn-4, ... X0. 11 Exemplo 6: Jogo da Moeda Um jogador paga R$ 10,00 ao banqueiro para lançar uma moeda e ganha R$ 80,00 quando a diferença entre o número de Caras e Coroas for igual a 3. Qual deve ser a situação do jogador depois de n lançamentos da moeda? Situação: O jogador paga R$10,00 por um lançamento e recebe R$80,00 quando Z = | #Caras - #Coroas | = 3. Onde: #Caras: número de caras e #Coroas: número de Coroas Analisando tem-se: Numero de Lançamentos Resultados #Caras #Coroas Z 0 1 2 3 4 5 6 7 0 Ca Ca Co Ca Co Ca Ca 0 1 2 2 3 3 4 5 0 0 0 1 1 2 2 2 0 1 2 1 2 1 2 3 Graficamente, a probabilidade da função Z assumir os valores 0, 1, 2, 3, são: Matricialmente tem-se a seguinte Matriz de Transição: 1000 2 1 0 2 1 0 0 2 1 0 2 1 0010 P 0 1 2 3 1/2 1/2 1/2 1/2 1/2 1 1 12 Logo, tem-se: Seja Zn a variável aleatória que pode assumir os valores 0, 1, 2, 3 no tempo t = n. Espaço de Estados: S = {0, 1, 2, 3} Isto é, antes do início do jogo, tem-se: Tempo t = 0 Tempo t = 1 P[Z0 = 0] = 1; P[Z1 = 0] = 1/2; P[Z0 = 1] = 0; P[Z1 = 1] = 0; P[Z0 = 2] = 0; P[Z1 = 2] = 1/2; P[Z0 = 3] = 0. P[Z1 = 3] = 0. Para saber a situação do jogador no tempo t = n, ou seja, depois de n lançamentos, deve-se calcular: P n = P.P.P.P...P Isto é, multiplica-se a matriz P n vezes. 3 – CONCEITOS FUNDAMENTAIS 3.1 – Cadeias de Markov Um Processo Markoviano é dito ser uma Cadeia de Markov quando as variáveis aleatórias Xt estão definidas em um espaço de Estados discreto. De acordo com a forma de representação dos estados e do tempo, os Processos Markovianos podem ser: Estados Tempo Classificação Contínuo Contínuo Processo Markoviano em tempo contínuo Contínuo Discreto Processo Markoviano em tempo discreto Discreto Contínuo Cadeia de Markov em tempo contínuo Discreto Discreto Cadeia de Markov em tempo discreto Desta forma, uma cadeia de Markov é um Processo Markoviano onde o espaço de estados é um conjunto discreto. Quando o tempo t é discreto, a Cadeia de Markov é dita ser uma Cadeia de Markov em Tempo Discreto. Note também que existem cadeias de Makov de tempo contínuo. 13 No caso de tempo discreto, tem-se: kkkkkkkkkkkk yXyXPyXyXyXyXyXyXP |,...,,| 110011221111 Uma maneira simples de visualizar um tipo especifico de cadeia de Markov é através de uma máquina de estados finitos. Se você está no estado “y” no tempo “n”, então a probabilidade de que você se mova para o estado “x” no tempo “n+1”, não depende de “n”, e somente depende do estado atual “y” em que você está. 3.2 – Probabilidade de Transição Numa Cadeia de Markov, chamam-se Probabilidades de Transição a probabilidade do Estado Xk+1 ser yk+1 no tempo k+1 dado que o Estado Xk é yk no tempo k. Isto é: kkkk yXyXP |11 . Se para cada xk+1 e xk, tem-se: 001111 || yXyXPyXyXP kkkk . Então, as Probabilidades de Transição são ditas Estacionárias. Se as Probabilidades de Transição são Estacionárias, então isto significa que as Probabilidades de Transição não mudam em relação ao tempo. 3.3 – Probabilidade de Transição de Passo 1 As Probabilidades de Transição são denominadas Probabilidades de Transição de Passo 1 se: 001111 || yXyXPyXyXP kkkk . 3.4 – Probabilidade de Transição de Passo n Se a Probabilidades de Transição de Passo 1 for Estacionário (não muda com o tempo) implica que para cada xk+n e yk e n (n=0,1, 2, ...), tem-se: 00|| yXyXPyXyXP nnkknknk Essas probabilidades condicionais são chamadas Probabilidades de Transição de Passo n. Notação: Para facilitar a notação será adotada a seguinte alteração: yk+1 = j; ou yk+n = j e yk =i Logo, se tem: iXjXPp kkij |1 e iXjXPp knk n ij | )( 14 Propriedades: Como os valores )(n ijp são probabilidades, então precisam satisfazer as seguintes propriedades: a) 0)( nijp (i, j); n = 0, 1, 2,... b) 1 0 )( M j n ijp i: n = 0, 1, 2, ... Uma maneira de mostrar todas as Probabilidades de Transição de Passo n é: Estados 0 1 ... M 0 )(00 np )(01 np ... )(0 n Mp 1 0 )( 0 M j n jp 1 )( 10 np )(11 np ... )(1 n Mp 1 0 )( 1 M j n jp . . . ... . M )( 0 n Mp )( 1 n Mp ... )(n MMp 1 0 )( M j n Mjp Ou através de uma matriz de probabilidades: )()( 1 )( 0 )( 1 )( 11 )( 10 )( 0 )( 01 )( 00 )( ... ............ ... ... n MM n M n M n M nn n M nn n ppp ppp ppp P A matriz P (n) é denominada Matriz de Transição de Passo n. Quando n = 1 é denominada apenas Matriz de Transição. Exemplo 7: Supõe uma máquina que em um determinado momento pode estar funcionando ou parada. Seja Xn a variável aleatória que denota o estado da máquina no tempo “n” (ou tempo t). Espaço de Estados: S = { parada, funcionando} = {0, 1} O tempo “n” pode representar um dia (por exemplo). 15 0 1 Graficamente tem-se: Assim tem-se: P[Xn+1 =1 | Xn = 0] = p e P[Xn+1 =0 | Xn = 1] = q Consequentemente tem-se: P[Xn+1 =0 | Xn = 0] = 1 - p e P[Xn+1 = 1 | Xn = 1] = 1 - q A Matriz de Transição de Passo 1 é dada por: qq pp P 1 1 1 0 3.5 – Distribuição Inicial de Probabilidades Seja S um espaço de Estados. Chama-se distribuição inicial ao vetor das probabilidades no início do processo. Isto é, são as probabilidades associadas a cada estado do sistema no início do processo (no tempo t =0). Notação: 0(x) = P[X0 = x] é a probabilidade de o sistema iniciar no Estado x. n(x) = P[Xn = x] é a probabilidade de o sistema estar no Estado x, no tempo n (ou seja, após “n” passos). A distribuição inicial 0(x) = P[X0 = x] é tal que: a) 0(x) ≥ 0 xS. b) Sx x 1)(0 q p 0 1 0 1 Tempo n+1 Tempo n 1 - q 1 - p 16 Exemplo 8: Se no exemplo 2, 0 = [0,30 0,20 0,50] significa que no ano de 1993 o uso da terra pode estar no estado I, II, ou III, respectivamente com as probabilidades 0,30; 0,20; e 0,50. 0(I) = P[X0 = I] = 0,30 probabilidade da cidade usar a terra para uso residencial. 0(II) = P[X0 = II] = 0,20 probabilidade da cidade usar a terra para uso comercial. 0(III) = P[X0 = III] = 0,50 probabilidade da cidade usar a terra para uso industrial. Exemplo 9: Se no exemplo 3, 0 = [0 0 1], significa que o sistema inicia no Estado S3, ou seja no início o cliente possui um automóvel Fiat. 0(1) = P[X0 = 1] = 0 probabilidade de o cliente ter um carro Ford. 0(2) = P[X0 = 2] = 0 probabilidade de o cliente ter um carro Chevrolet. 0(3) = P[X0 = 3] = 1 probabilidade de o cliente ter um carro Fiat. Exemplo 10: Se no exemplo 4, 0 = [0 1 0], significa que o sistema inicia no Estado S2, ou seja, a maquina está ociosa esperando reparo. 0(1) = P[X0 = 1] = 0 probabilidade de a máquina estar funcionando 0(2) = P[X0 = 2] = 1 probabilidade de a máquina estar ociosa esperando reparo. 0(3) = P[X0 = 3] = 0 probabilidade de a máquina estar ociosa sendo reparada. Exemplo 11: Se no exemplo 5, 0 = [0 1/3 0 2/3], significa que no inicio do jogo a bola pode estar com a criança no. 2 ou com a criança no. 4, respectivamentecom probabilidades 1/3 e 2/3 (no tempo 0). 0(1) = P[X0 = 1] = 0 probabilidade de a criança 1 estar com a bola. 0(2) = P[X0 = 2] = 1/3 probabilidade de a criança 2 estar com a bola. 0(3) = P[X0 = 3] = 0 probabilidade de a criança 3 estar com a bola. 0(4) = P[X0 = 4] = 2/3 probabilidade de a criança 4 estar com a bola. 17 3.6 – Distribuição de Probabilidades após “n” Passos - Distribuição Estacionária Sejam: 0(x) a distribuição inicial de probabilidades de um processo, isto é, no início do processo. n(x) a distribuição de probabilidades do processo após “n” passos. P a Matriz de Transição de Passo 1, ou simplesmente Matriz de transição. P n = P.P.P....P (multiplicação da matriz P n vezes) Então a distribuição de probabilidades após “n” passos pode ser obtida como: n(x) = 0(x)P n Isto é: 0(x) = 0(x) 1(x) = 0(x)P 2(x) = 0(x).P.P = 0(x).P 2 3(x) = 0(x).P.P.P = 0(x).P 3 ... n(x) = 0(x).P.P...P = 0(x).P n Exemplo 12: No exemplo 2 da cidade que utiliza a terra tem-se: 9,01,00 2,07,01,0 1,01,08,0 P Assim, a partir da matriz de transição P e do vetor de probabilidade de estado para 1993, denominado (0), pode-se calcular o vetor de probabilidades de estado para o ano de 1998, denominado (1). 0,52] 0,22 26,0[ 0,90,10 0,20,70,1 0,10,10,8 0,50] 0,20 [0,30Pππ 01 Este resultado pode ser interpretado como: Em 1998, o estado de uso da terra na cidade será dado pela Tabela 3: Tabela 3 – Estado do uso da Terra em 1998 I Uso Residencial 26% II Uso Comercial 22% III Uso Industrial 52% 18 0 1 Exemplo 13: No exemplo 7 da utilização das maquinas, tem-se: qq pp P 1 1 1 0 Supondo que (0) = [ 0 1], ou seja que a máquina está funcionando, então pode-se calcular a distribuição de probabilidades da máquina no próximo dia como: 1 = 0.P = qq pp 1 1 10 = [ q 1-q ] A distribuição de probabilidades da máquina no segundo dia pode se calculada como: 2 = 0.P 2 = 22 22 )1(2 2)1( 10 qpqqpqq pqpppqp = [2q – pq - q 2 pq + (1 - q) 2 ] Lembrando que: 0: representa o estado “maquina parada” 1: representa o estado “maquina funcionando” Logo: 2(0) = 2q - pq - q 2 e a probabilidade da máquina estar parada no segundo dia. 2(1) = pq + (1- q 2 ) e a probabilidade da máquina estar funcionando no segundo dia. Observação: Pode ser demonstrado que, num tempo “n” infinitamente grande tem-se: qp q XP n n n ]0[lim)0()( é a probabilidade da máquina estar parada. qp p XP n n n ]1[lim)1()( é a probabilidade da máquina estar funcionando. Logo: qp p qp q n é a distribuição de probabilidades no tempo “n”, ou seja, após n passos. 19 Exemplo 14: Se no exemplo 5, (crianças com a bola) a distribuição inicial for 0 = [0 1/3 0 2/3] e a matriz de transição de probabilidades dada pela matriz P, 0 3 1 3 1 3 1 3 1 0 3 1 3 1 3 1 3 1 0 3 1 3 1 3 1 3 1 0 P Então, a distribuição de probabilidades depois de 2 lançamentos da bola (n = 2) será calculada como: 2(x) = 0(x).P.P = 0(x).P 2 , Ou seja, 27 8 27 6 27 7 27 6 9 3 9 2 9 2 9 2 9 2 9 3 9 2 9 2 9 2 9 2 9 3 9 2 9 2 9 2 9 2 9 3 3 2 0 3 1 0).()( 202 Pxx Ou seja, 27 8 27 6 27 7 27 6 )(2 x Exercício de Fixação: O problema do Rato e o Labirinto Um rato é colocado num labirinto conforme a figura abaixo: O rato se movimenta através dos compartimentos aleatoriamente, isto é, se existem k meios de sair de um compartimento ele escolhe cada um deles com probabilidade 1/k. O rato faz uma mudança de compartimento a cada minuto. Seja X0 a posição inicial do rato e para n ≥ 1, seja Xn o compartimento onde se encontra o rato no n-ésimo minuto (ou após n minutos). 1 2 4 7 5 3 6 8 9 20 Pede-se: a) Descreva o espaço de estados do sistema b) Calcule a matriz de probabilidades de transição para cadeia de Markov {Xn; n = 0, 1, 2, 3,...}. c) Calcule a Matriz P 2 . d) Supondo que o rato seja colocado inicialmente no box no. 9, ou seja, 0(x) = [0 0 0 0 0 0 0 0 1], calcule (2), isto é a Distribuição de Probabilidade do Passo 2. Solução: a) Espaço de Estados: S = { 1, 2, 3, 4, 5, 6, 7, 8, 9} b) 010000000 3/103/103/10000 02/10002/1000 000000100 010000000 001000000 0002/10002/10 0000002/102/1 000000010 9 8 7 6 5 4 3 2 1 P c) 3/103/103/10000 06/50006/1000 6/106/406/10000 0002/10002/10 3/103/103/10000 02/10002/1000 0000002/14/14/1 00000004/34/1 00000002/12/1 9 8 7 6 5 4 3 2 1 .2 PPP d) 2 = 0.P 2 = [0 0 0 0 1/3 0 1/3 0 1/3] 21 3.7 – Classificação dos Estados de Uma Cadeia de Markov Seja S = {s1, s2, s3, ...} o Espaço de Estados de uma cadeia de Markov. a) Estado Alcançável (Acessível) Seja si e sj dois estado de S. O estado sj é dito ser alcançável a partir do estado si se existe n ≥ 0 tal que 0)( nijp . Isto implica que é possível o sistema entrar no estado sj eventualmente quando o sistema começa no estado si. Notação: si sj Exemplo 15: No exercício do rato e o labirinto tem-se s1 s3 uma vez que 0 )2( 13 p . Exemplo 16: Um jogador tem R$ 1,00 e a cada vez que joga ganha R$ 1,00 com probabilidade p > 0 ou perde R$ 1,00 com probabilidade 1 – p. O jogo termina quando o jogador acumula R$ 3,00 ou R$ 0,00. Este jogo é uma Cadeia de Markov cujos estados representam a quantia esperada de dinheiro que o jogador possui a cada vez que joga. O Espaço de estados é S = { 0, 1, 2, 3} e a matriz de transição é dada por: 1000 010 001 0001 3 2 1 0 pp pp P Nesta Cadeia de Markov, o estado 2 não é alcançável a partir do estado 3. Isto pode ser observado a partir do contexto, uma vez que se o jogador alcançar o estado 3, ele nunca deixará este estado, o que implica que 0)(32 np para qualquer n ≥ 0. Entretanto o estado 3 é alcançável a partir do estado 2, uma vez que 0)1(23 p . b) Estados Comunicantes Um estado sj é dito comunicante com o estado si se o estado sj é alcançável a partir de si e o estado si é alcançável a partir de sj. Notação: si sj Obs.: si sj então si sj e sj si. 22 Relação de Equivalência i) si si ii) si sj sj si iii) Se si sj e sj sk então si sk Nota: Se dois estados se comunicam entre si, diz-se que eles pertencem à mesma classe de estados. Se todos os estados são comunicantes então os estados pertencem a uma única classe. Neste caso tem-se uma Cadeia de Markov Irredutível. c) Estado Transiente Um estado é dito ser transiente (transitório) se, entrando neste estado, o processo pode nunca retornar novamente para este estado. Portanto, o estado si é transiente se e somente se existe um estado sj (i j) que é alcançável a partir de si mas não vice versa, isto é o estado si não é alcançável a partir de sj. Assim, se o estado si é transiente e o processo visita este estado, há uma probabilidade positiva que o processo irá mover para o estado sj e assim nunca irá retornar para o estado si. Consequentemente, um estado transiente será visitado somente um númerofinito de vezes. Definições i) Seja iif = a probabilidade condicional de que o processo iniciando em si, retorne alguma vez em si. ii) Seja ijf = a probabilidade condicional de que o processo iniciando em si, visite alguma vez o estado sj. iii) Seja nijf = a probabilidade condicional de que o processo iniciando em si visite sj pela primeira vez no tempo n (no n-ésimo passo). nijf = P[Xn= sj, Xn-1 ≠ sj, Xn-2 ≠ sj, ....., X1 ≠ sj / X0=si ] Nota: Um estado si é transiente se e somente se iif < 1. 23 d) Estado Recorrente Um estado é dito ser recorrente se, entrando neste estado, o processo definitivamente irá retornar para este estado. Portanto, um estado é recorrente, se e somente se não é transiente. Nota: Um estado si é recorrente se e somente se iif = 1. e) Estado Absorvente Um estado é dito absorvente se o sistema após ter entrado nele não pode mais sair dele. Isto é, se um estado k é absorvente então 1kkp . Uma vez que o processo visita o estado k não mais sai deste estado. f) Estado Periódico e Aperiódico Um estado i é Periódico com período t se um retorno a este estado é possível somente em t, 2t, 3t, ......passos para t > 1 e t é o maio número inteiro com esta propriedade (Máximo Divisor Comum). Isto significa que 0)( niip sempre que n não é divisível por t. Se um estado i de uma classe tem período t então todos os estados desta classe também têm período t. Exemplo 17: Todos os Estados são Periódicos. Todos os Estados são Aperiódicos Exemplo 18: Começando no estado 1 da matriz P é possível retornar ao estado 1 somente nos tempos 2, 4, 6, ..... Logo o estado 1 tem período t = 2. Isto pode ser verificado calculando )(niip para todo n e observar que 0)( niip quando "n" é impar. S1 S6 S3 0,5 0,5 0,5 0,5 0,5 0,5 S1 S6 S3 1 1 1 24 1000 010 001 0001 3 2 1 0 pp pp P Se t = 1 então o estado i é chamado Aperiódico. Isto é, existem dois números consecutivos s e s+1 tal que o processo pode estar no estado i nos tempos s e s+1. g) Estado Ergódico Em uma Cadeia de Markov de estados finitos, os estados recorrentes que são aperiódicos são chamados de estados Ergódicos. Uma Cadeia de Markov é dita ser Ergódica se todos os estados são Ergódicos, ou seja todos os estados são recorrentes e aperiódicos. h) Classes de Comunicação ou Conjunto Fechado Seja S um Espaço de Estados. Seja C = {sk tal que sk sj}, diz-se que C é uma classe de comunicação (ou um conjunto fechado) do estado sj. Isto é, um conjunto C é dito ser uma classe de comunicação se o processo ao entrar em um desses estados de C, este irá permanecer nos estados de C indefinidamente, ou seja, C é um conjunto tal que nenhum estado fora de C é alcançável a partir de qualquer estado de C. Pode-se afirmar que C é um conjunto formado por estados recorrentes. Se dois estado se comunicam entre si então pertencem à mesma classe. Observação: Se C1 e C2 são duas classes de comunicação, então C1 = C2 ou C1 C2 = . Se todos os estados são comunicantes, isto é, todos os estados pertencem a uma única classes, então a cadeia de Markov é dita ser Irredutível. S3 25 Exemplo 19: Classes de Comunicação da matriz de transição do problema do rato e o labirinto. As classes são C1 e C2. C1 ={s1, s2, s3, s6} é uma classe recorrente, ou seja formada por estados recorrentes C2 ={s4, s5, s7, s8, s9} é uma classe recorrente, ou seja formada por estados recorrentes. Nenhum estado de C1 consegue alcançar qualquer estado de C2. Exemplo 20: Classifique os estados e decomponha em classes a Cadeia de Markov representada pela seguinte Matriz de Transição. 00001 03/23/100 00100 0002/12/1 0004/34/1 P C1 s1 s2 s3 s6 C2 s9 s8 s7 s4 s5 C1 S2 S1 C3 S5 S4 S3 C2 26 C1 ={s1, s2} é uma classe recorrente, ou seja, formada por estados recorrentes C2 ={s3} é uma classe absorvente, ou seja, formada por estados absorventes C3 ={s4, s5} é uma classe transiente Exemplo 21: Classifique os estados e decomponha em classes a Cadeia de Markov representada pela seguinte Matriz de Transição. 05,00005,00 0000100 007,0003,00 5,0005,0000 00009,001,0 0010000 02,000008,0 P C1 ={s1, s2, s6} é uma classe recorrente, ou seja formada por estados recorrentes C2 ={s4, s7} é uma classe transiente C3 ={s2, s5} é uma classe recorrente, ou seja formada por estados recorrentes i) Estados Estáveis Se existir πj = lim πj(k) onde πj(k) = P[Xk = j], para um dado estado j, então j é um estado estável ( ou de equilíbrio estacionário). Se πj existe para todos os estados j, então π = [π0, π1, π2, ......] é o vetor de probabilidade de estados estacionários. Nota: Quando a cadeia de Markov for irredutível e não periódica então o valor de π é obtido resolvendo-se o sistema de equações π = πP, onde π0 + π1 + π2 + .... = 1. C1 S1 S6 S3 C3 S2 S5 C2 S7 S4 S1 S2 S3 S4 S5 S6 S7 S1 S2 S3 S4 S5 S6 S7 27 3.8 – Classificação de Matrizes Estocásticas a) Matrizes Ergódicas Uma matriz estocástica P é Ergódica se a matriz n n PL lim existe, isto é, se cada )(n ijp tem limite quando n. Isto é, todos os estados são aperiódicos. No limite, a Matriz L tem todas as linhas iguais. A matriz L é a matriz com as distribuições limites e independe da distribuição inicial 0. b) Matrizes Regulares Uma das mais importantes características exibidas por muitas cadeias de Markov é um comportamento de equilíbrio em longo prazo. Em outras palavras, “depois de um longo tempo”, a distribuição da cadeia de Markov permanece aproximadamente a mesma de período em período de tempo. Isso significa que, em longo prazo, as probabilidades de o sistema estar em cada um dos vários estados pouco ou nada variam à medida que o tempo passa. Uma matriz estocástica é Regular se uma das suas potências contém apenas elementos positivos (não contém elementos nulos). Exemplo 21: 7,02,01,0 1,08,01,0 1,03,06,0 P A matriz P contém somente valores positivos. Logo P é uma matriz Regular. 85,015,0 10 P A matriz P contém um valor nulo. Entretanto a segunda potência de P tem somente valores positivos. Logo P é uma matriz Regular. 3,07,00 010 8,02,00 P A matriz P contém valores nulos e suas potencias continuarão com valores nulos. Logo P não é uma matriz Regular. 28 A propriedade fundamental das matrizes Regulares é a de possuírem uma distribuição de equilíbrio. Isso significa que, a longo prazo, as probabilidades de o sistema estar em cada um dos vários estados estabilizam-se em determinados valores positivos. Em particular, então, após um período de tempo suficientemente longo, haverá uma probabilidade positiva de estar em qualquer um dos estados da cadeia de Markov. Teorema: Uma matriz Regular é também uma matriz Ergódica. Observações: a) Se P é uma matriz Regular com matriz L, então as linhas de L são todas idênticas, tendo a soma de seus componentes igual a 1. b) Se P é uma matriz Regular então P é uma matriz Ergódica e assim existe a matriz limite L. c) A Matriz L é obtida resolvendo-se o sistema L = LP, com a condição de que )(n ijp =1. Exemplo 22: Seja a matriz estocástica P, determine a matriz L com as distribuições limites. 85,015,0 12,088,0 P Solução: Como a matriz P contém todos os elementos positivosentão P é uma matriz regular e por isso é uma matriz Ergódica. Logo existe a matriz L. Cálculo da matriz L: Seja L1 a primeira linha da matriz L onde L1 = [x1 x2]. Então L1 = L1P. Isto é: [x1 x2] = [x1 x2]. 85,015,0 12,088,0 1 85,012,0 15,088,0 21 221 121 xx xxx xxx 1 015,012,0 015,012,0 21 21 21 xx xx xx Eliminando uma das redundâncias teremos: 1 015,012,0 21 21 xx xx Resolvendo o sistema em x1 e x2, teremos a seguinte solução: x1 = 0,55 e x2 = 0,45 Logo L1= [0,55 0,45] Com isso a matriz com os valores limite L será: 45,055,0 45,055,0 L . 29 Exemplo 23: Seja a matriz estocástica P, determine a matriz L com as distribuições limites. 01 10 1 0 P Se o processo começa no estado 0 no tempo 0, o processo retornará ao estado 0 nos tempos 2, 4, 6, .... e entrará no estado 1 nos tempos 1, 3, 5, .... Portanto, o n n P lim não existe. Esta matriz não é Ergódica. c) Matrizes Absorventes Diz-se que uma matriz é absorvente se ela tem um estado absorvente e se de cada estado não absorvente é possível ir para algum estado absorvente. Esta última condição significa que para cada estado i não absorvente existe um estado absorvente j tal que, para algum n, 0)( nijp . Numa matriz absorvente, qualquer que seja a distribuição inicial, após um número finito de passos, o sistema estará em um dos estados absorventes. 30 Primeira Lista de Exercícios - Cadeias de Markov 1. O fabricante da pasta dental HIGLO controla atualmente 60% o mercado de uma determinada cidade. Dados do ano anterior mostram que 88% dos consumidores de HIGLO permaneceram leais à marca, enquanto 12% mudaram para outras marcas. Além disso, 85% dos consumidores das marcas da concorrência permaneceram leais à concorrência, enquanto que os outros 15% mudaram para HIGLO. Assumindo que essa tendência se mantém, resolva: a) Formule o processo seguinte como uma cadeia de Markov, e determine a Matriz de Probabilidades de transição. b) Determine a quota de mercado de HIGLO daqui a 5 anos. c) Determine a quota de mercado de HIGLO a longo prazo. 2. O programa de formação de supervisores de produção de uma determinada companhia consiste em duas fases. A fase 1, a qual envolve 3 semanas de aulas, é seguida da fase 2, que envolve 3 semanas nas de aprendizagem prática sob a direção de supervisores experimentados. Da experiência anterior, a companhia espera que apenas 60% dos candidatos que começam as aulas venham a passar à fase seguinte, verificando-se a desistência dos restantes 40%. Dos que passam à fase prática, 70% serão graduados como supervisores, 10% terão de repetir esta fase e 20% abandonarão o programa. Quantos supervisores pode a companhia esperar formar no seu programa de formação atual, sabendo que há 45 pessoas na primeira fase e 21 na fase prática. Formule o processo seguinte como uma cadeia de Markov, identificando a matriz de probabilidades de transição. 3. Resolva os itens b) e c) do problema formulado no exercício 1, assumindo que a quota atual de mercado da HIGLO é igual a 90%. 4. Construa o diagrama de transição de estados da cadeia de Markov do exercício 2. 5. Os dados de um recenseamento familiar dividem as famílias em populações economicamente estáveis e economicamente deprimidas. Num período de 10 anos, a probabilidade de que uma família estável assim permaneça é de 0,92, enquanto a probabilidade de ela ficar em depressão é de 0,08. A probabilidade de que uma família em depressão se torne estável é de 0,03, enquanto a probabilidade de que ela assim permaneça é de 0,97. Se designarmos a estabilidade econômica como o estado 1 e a depressão econômica como o estado 2, então podemos representar este processo por uma cadeia de Markov com dois estados. a) Determine a matriz de probabilidades de transição do processo de Markov. 31 b) Faça uma interpretação física dos elementos 2 ijp da matriz P2 encontrada, que representa a probabilidade de passagem do estado i para o estado j em dois períodos de tempo. 6. Assumindo que os dados do exercício 5 permanecem válidos a longo prazo, determine a proporção de famílias que, a longo prazo, serão classificadas como economicamente estáveis. 7. A ala geriátrica de um hospital classifica os seus pacientes como acamados ou ambulatórios. Dados históricos indicam que durante o período de uma semana, 30% de todos os pacientes em ambulatórios têm alta, 40% permanecem em regime ambulatório e 30% têm de ser acamados para repouso completo. Durante o mesmo período, 50% dos pacientes acamados vão para o ambulatório, 20% permanecem acamados e 30% morrem. Atualmente, o hospital tem 100 pacientes na sua ala geriátrica, com 30% dos pacientes acamados e 70% em ambulatórios. a) Formule o sistema como uma cadeia de Markov, e determine a matriz de probabilidades de transição. b) Determine o estado dos pacientes atuais após 2 semanas. c) Determine o estado dos pacientes atuais a longo prazo. (O estado de um paciente com alta não muda se o paciente morrer). 8. Numa cadeia de Markov, um estado é dito ser absorvente se o sistema após ter entrado nele não pode mais sair dele. Determine todos os estados absorventes para as cadeias de Markov definidas pelas seguintes matrizes: a) 79,021,0 01 b) 001 2,03,05,0 100 c) 7,003,00 0100 5,005,00 0001 d) 6,02,02,0 1,009,0 1,08,01,0 e) 48,035,017,0 079,021,0 001 32 9. Num país, existem 4 principais fabricantes de automóveis : FD, VW, GM, FT. Os “market shares” destes fabricantes são, respectivamente : 10%, 35% , 25 % e 30 %. A matriz de transição que representa a probabilidade de mudança de marca é dada a seguir: 0.35 0.25 0.35 0.05 0.05 0.75 0.05 0.15 0.1 0.1 0.7 0.1 0.1 0.2 0.1 .60 P P P P P P P P P P P P P P FTFT,GMFT,VWFT,FDFT, FTGM,GMGM,VWGM,FDGM, FTVW,GMVW,VWVW,, FTFD,GMFD,VWFD,, FDVW FDFD P P P Supondo que o instante inicial é t =0 calcule: a) Os market shares nos instantes t = 1 e t = 2. b) A matriz de transição de 2, 3, 10, 20 e 30 estágios. c) Baseado nos resultados de b, você consegue fazer alguma conjectura a respeito da existência de um limite para Pn ? 10. O tempo num dia qualquer pode ser classificado como sol ou chuva. Suponha que o tempo hoje depende das condições dos últimos 2 dias. Mostre como este sistema pode ser analisado como uma cadeia de Markov. Quantos estados são necessários para esta representação? 11. Um fabricante de disquetes usa cadeias de Markov para ter uma idéia da lealdade dos consumidores a diversas marcas. Dados de uma pesquisa foram usados para estimar a seguinte matriz de transição que representa a probabilidade de mudança de marcas a cada mês. Suponha que existem 3 marcas principais, A, B e C. P P P P AA BA CA P P P P P P 0.10 0.10 0.03 0.95 0.02 0.20 0.05 0.75 AB AC BB BC CB CC 080. A divisão de mercado das marcas A, B e C no instante inicial t = 0 são 45%, 25% e 30%, respectivamente. a) Qual será a divisão de mercado das marcas A, B e C após 2 meses (isto é, em t = 2)? b) Qual a previsão para o equilíbrio de mercado das marcas A, B e C, isto é, após um grande númerode transições? 12. Classifique todas as classes de estados da matriz de transição P do problema do Rato e o Labirinto. 13. Classifique todas as classes de estados da matriz de transição P2 do problema do Rato e o Labirinto. 33 14. Seja P uma matriz de transição, calcule a matriz P(). 001 2,03,05,0 100 P 15. Classifique os estados das Cadeias de Markov abaixo, de acordo com as suas respectivas Matrizes de Transição. a) 02/12/1 2/102/1 2/12/10 2 1 0 P b) 000001 000001 000001 3/13/13/1000 3/13/13/1000 0002/12/10 5 4 3 2 1 0 P c) 001 100 010 2 1 0 P 16. Um treinador de futebol na moda acredita na polivalência dos seus jogadores. Considera três tipos de jogadores na sua equipe: Atacantes, Defesas, e Goleiro. Após cada jogo reavalia os jogadores de forma a que no jogo seguinte possa usá- los de acordo com as suas tácticas para o ataque/defesa. Além disso, sempre que um jogador incorre numa falta disciplinar coloca-o, de castigo, como goleiro no jogo seguinte. Depois de ter experimentado este sistema uma época observou que a probabilidade que, de um jogo para o outro: um atacante continue atacante é 1/2; um atacante passe a defesa é zero; um defesa passe a atacante é zero; um defesa fique defesa é 1/2; um goleiro passe a atacante é 3/4; um goleiro passe a defesa é zero. No ınicio do campeonato classificou o seu plantel da seguinte forma: doze atacantes, onze defesas e dois goleiros. Depois pensou num modelo de cadeia de Markov para a evolução da sua equipa. Os alunos de USF vão ajudá-lo a entender o que lhe vai acontecer com este esquema, estudando a cadeia de Markov subjacente ao modelo. 34 1 - Identifique os seguintes itens. a) O espaço de estados S. b) Um grafo dirigido correspondente às transições. c) A matriz de transição de estados P. d) A distribuição inicial . 2 - Determine, para este modelo, os seguintes resultados. e) A matriz de transições de ordem superior P n para n ≥ 1, Ex. n = 2 e n = 3. f) As classes de estados comunicantes. g) As classes fechadas e os estados absorventes. 3 - Diga o que vai acontecer no fim do campeonato, isto é, ao fim de 35 jogos. Se não puder efetuar o cálculo exatamente proponha um resultado que ache plausível. 4 - Determine os estados transientes, recorrentes e os estados periódicos. 5 - Determine a distribuição estacionária, se esta existir. 35 TEORIA DAS FILAS 4 – ASPECTOS FUNDAMENTAIS SOBRE FILAS 4.1 – Conceito de Fila O que são filas? Qualquer pessoa sabe exatamente o que são filas em decorrência das experiências que o dia-a-dia nos coloca. Todos nos conhecemos o que são filas pela vivência do dia-a- dia. Nós entramos em uma fila para descontar um cheque em um banco, pagar pelas compras em um supermercado, comprar um ingresso em um cinema, pagar o pedágio em uma estrada e tantas outras situações. Filas existem também em ambientes de produção. Algumas vezes as filas são algo abstrato, tais como uma lista no computador referente a pedidos de manufatura em uma fábrica de geladeiras, ou uma pilha de papéis referentes a solicitações de reparos em máquinas estragadas dentro de uma fábrica, que devem aguardar a disponibilidade do reparador. Outras vezes a fila não é vista enfileirada, mas sim, dispersa, como, por exemplo, pessoas em uma barbearia, esperando pela vez de cortar o cabelo, aviões sobrevoando um aeroporto, esperando pela vez para aterrissar, ou navios parados no mar, esperando pela vez de atracar no porto para descarregar. Exemplos de Problemas de Filas: Chamadas Telefônicas Salão de Barbeiro Caixas de Supermercados Pedágios Posto de Gasolina Atracação de Navios em um Porto Consultório Médico Hospitais Bancos Aeroportos Banheiros Computador, etc. 36 Filas não são Simpáticas Certamente não é agradável entrar em uma fila e esperar pelo serviço e quando a espera é longa, ficamos aborrecidos. Se estivermos em uma fila, passamos a comparar o desempenho da nossa fila com o desempenho das outras filas e, geralmente, somos levados a pensar como uma das leis de Murphy. Filas são Dispendiosas Além de não serem simpáticas, as filas têm ainda o lado desfavorável do custo. Isto é válido em qualquer ambiente, indo de fábricas a um supermercado. Por exemplo, nas fábricas a existência de fila em um determinado equipamento pode ocasionar um aumento nos tempos do ciclo de produção. As conseqüências disto podem ser aumento nos custos, e atrasos no atendimento aos pedidos dos clientes. Medidas de Efetividade de um Sistema de Filas 1. Percentual de tempo ocioso ou ocupado 2. Tempo médio que cada cliente gasta na fila de espera 3. Tempo médio gasto pelo cliente no sistema 4. Número médio de clientes na fila 5. Número médio de clientes no sistema 6. Probabilidade de existir um número n de clientes no sistema. 4.2 – Dimensionamento de Filas Do ponto de vista do cliente, o ideal seria dimensionar sistemas para a não existência de filas e, se isto realmente fosse possível, certamente não teríamos clientes aborrecidos. Em muitas situações na vida real, apesar de não serem simpáticas e de causarem prejuízos, temos que conviver com as filas na vida real, visto ser antieconômico superdimensionar um sistema para que nunca existam filas. O que se tenta obter é um balanceamento adequado que permita um atendimento aceitável pelo melhor custo e melhor benefício. Lei de Murphy: “A fila que anda é a outra, mas não adianta trocar de fila, pois a fila que anda é a outra.” 37 O melhor dimensionamento de um sistema de filas pode estar fundamentado nos seguintes itens: - Na demanda histórica média; - Na expectativa de qualidade de atendimento por parte dos clientes; - Na necessidade de oferecer uma melhor renda aos funcionários; - Na percepção, pelo proprietário, da fidelidade dos clientes; - Na percepção, pelo proprietário, de que não existe nenhuma ameaça de surgimento de um novo concorrente na vizinhança. O dimensionamento de sistemas pode ser feito por duas abordagens inteiramente diferentes entre si: - Teoria das Filas; - Simulação de Funcionamento dos Sistemas. A Teoria das Filas é um método analítico que aborda o assunto por meio de fórmulas matemáticas. A Simulação é uma técnica que, utilizando um computador, procura montar um modelo que melhor represente o sistema em estudo. A simulação é uma técnica que permite imitar o funcionamento de um sistema real. Pode-se visualizar o funcionamento de um Banco, uma Fábrica, um Pedágio, etc. 4.3 – Aspectos Históricos Teoria das Filas A abordagem matemática de filas se iniciou no princípio do século XX (1908) em Copenhague, Dinamarca, com A. K. Erlang, considerado o pai da Teoria das Filas, quando trabalhava em uma companhia telefônica estudando o problema de redimensionamento de centrais telefônicas. Foi somente a partir da segunda guerra mundial que a teoria foi aplicada a outros problemas de filas. Apesar do enorme progresso alcançado pela teoria, inúmeros problemas ainda não são adequadamente resolvidos devido a complexidades matemáticas. 38 Simulação Com surgimento do computador na década de 50, a modelagem de filas pode ser analisada pelo ângulo da simulação, em que não mais se usam fórmulas matemáticas, mas apenas tenta-se imitar o funcionamento do sistema real. As linguagens de simulação apareceram na década de 60 e hoje, graças aos microcomputadores, podem ser facilmente usadas. A técnica de simulação visual, cujo uso se deu a partir da década de 80, por causa de sua maior capacidade de comunicação, teve uma aceitaçãosurpreendente. Por causa do seu menor nível de complexidade, seu uso cresceu enormemente. 5 – FUNDAMENTOS BÁSICOS DE FILAS 5.1 - Elementos de Uma Fila A Figura 1 ilustra os elementos que compõem uma fila. Num sistema de filas tem-se que, de certa população, surgem os clientes que formam uma fila e que aguardam por algum serviço. O termo cliente é usado de uma forma genérica e pode representar tanto uma pessoa, um navio, ou um produto numa linha de produção. O atendimento é constituído de um ou mais servidores (que podem ser chamados de atendentes ou canais de serviço) e tanto podem representar um barbeiro, um cais de atração ou uma máquina numa linha de produção. Servidor Servidor Servidor Atendimento Fila Clientes População Figura 1: Elementos de uma fila 39 5.2 – Características de Uma Fila 5.2.1 - Clientes e Tamanho da População Um cliente é proveniente de uma população. Quando a população é muito grande dizemos que a população é infinita para efeitos práticos. Em população muito grande a chegada de um novo cliente numa fila não afeta a taxa de chegada dos clientes subseqüentes e, assim, concluímos dizendo que as chegadas são independentes. Como exemplo, a chegada de um novo passageiro numa fila de um metrô não afetará a taxa de chegada dos demais clientes. Quando a população é pequena isto não acontece, como exemplo, se numa população de 3 caminhões para serem carregados por uma carregadeira, se os 3 caminhões já estão na fila, a partir deste momento a taxa de chegada será zero, porque não há mais caminhões para chegar na fila. 5.2.2 - Processo de Chegada Consideremos um posto de pedágio com 5 atendentes. Podemos constatar, por exemplo, que o processo de chegada de veículos entre 7 e 8 horas da manhã pode ser definido por 20 veículos por minuto, ou 1 veículo a cada 3 segundos. Trata-se de um valor médio, pois não significa que em todo intervalo de 1 minuto chegarão 20 veículos. Em alguns intervalos de 1 minuto pode-se constatar a chegada de 10, 15, 25 ou até mesmo 30 veículos. Igualmente, o intervalo de 3 segundos entre chegadas não é rígido e podemos constatar valores desde zero segundo (2 veículos chegando juntos) até 20 segundos. O número 3 segundos representa o intervalo médio entre chegadas no período de 7 às 8 horas da manhã. Resumindo: Podemos quantificar o processo de chegada dizendo que: - A taxa média de chegadas é de 20 veículos por minuto, ou que - O intervalo médio entre chegadas é de 3 segundos. No entanto existem variações em torno da média e, portanto, para caracterizar corretamente um processo de chegada devemos lançar mão de uma distribuição de probabilidades, tal como a distribuição normal, a distribuição de Poisson, ou a Distribuição Exponencial. Quando se estudam filas, o ritmo de chegada é uma importante variável aleatória e a seguinte notação será adotada: A letra grega λ será adotada para representar o ritmo de chegada. A sigla IC será adotada para representar os intervalos de chegada dos clientes. Assim, no exemplo anterior temos: 40 Ritmo de chegada (ou taxa de chegada): λ = 20 clientes/minuto Intervalo entre chegadas: IC = 3 segundos 5.2.3 - Processo de Atendimento Continuando com o exemplo do pedágio e observando um atendente em serviço, podemos constatar, por exemplo, que ele atende 6 veículos por minuto ou que gasta 10 segundos para atender um veículo. Estes valores são médios e, para descrevê-los corretamente devemos também utilizar uma distribuição de probabilidades. Resumindo: Podemos quantificar o processo de atendimento dizendo que: - A taxa média de atendimento é de 6 veículos por minuto, ou que - O Tempo médio de atendimento é de 10 segundos. O processo de atendimento é também quantificado por uma importante variável aleatória e a seguinte notação será adotada: A letra grega será adotada para representar o ritmo de atendimento. A sigla TA será adotada para representar os tempos de atendimento dos clientes. Assim, no exemplo anterior temos: Ritmo de atendimento (ou taxa de atendimento): = 6 clientes/minuto Tempo de Atendimento: TA = 10 segundos 5.2.4 - Número de Servidores O mais simples sistema de filas é aquele de um único servidor que pode atender um único cliente de cada vez. Conforme aumenta o ritmo de chegada dos clientes, podemos manter a qualidade do serviço aumentando convenientemente o número de servidores. A figura 1 representa um sistema de filas com 3 servidores. 5.2.5 - Disciplina da Fila Trata-se da regra que define o próximo cliente a ser atendido e o processo comum de atendimento é aquele em que o primeiro da fila é atendido ou, de uma maneira mais ampla, “o primeiro a chegar é o primeiro a ser atendido” (FIFO: first In First Out). Outras disciplinas podem existir tais como “ultimo a chegar é o primeiro a ser atendido” (LIFO: Last In First Out), ou então atendimento por ordem de prioridade, ou atendimento aleatório. 41 5.2.6 - Tamanho Médio da Fila O tamanho médio da fila é a característica que mais se considera ao se defrontar com a opção de se escolher uma fila. Considera a situação de um cliente em um supermercado procurando efetuar o pagamento no caixa de menor fila: o ideal é chegar ao caixa e será logo atendido, ou seja, fila zero. Quando a fila é de tamanho razoável (por exemplo 10 clientes) intuitivamente sabemos que o tempo de espera na fila será longo. Assim, o supermercado dimensiona a quantidade de caixas de modo que, a qualquer momento, os clientes não sintam um grande desconforto ao pegar uma fila. Situações atípicas certamente ocorrerão, mas não devem afetar a credibilidade da instituição. 5.2.7 - Tamanho Máximo da Fila Quando os clientes devem esperar, alguma área de espera deve existir (por exemplo: as cadeiras de uma barbearia). Observa-se, na vida real,que os sistemas existentes são dimensionados para certa quantidade máxima de clientes em espera. Esse dimensionamento geralmente é feito com base em experiência real. Quando existe um crescimento da demanda, se faz uma ampliação também baseada na experiência com o manuseio do referido sistema. Há casos em que um novo cliente que chega pode ser recusado, devendo tentar novamente em outro instante. Exemplo: tentativa de conseguir uma linha telefônica, recebendo o sinal de “ocupado” ou de que não há linha disponível. Essas condições referem-se ao que se chama de “tamanho máximo” da fila, que é uma importante variável de estudo em um sistema de filas. 5.2.8 - Tempo Médio de Espera na Fila O tempo médio de espera na fila é outra característica capaz de causar irritações nos clientes. O ideal é que não haja tempo de espera na fila, mas nem sempre é a melhor situação do ponto de vista econômico. Se entrarmos numa fila com 10 pessoas à nossa frente, o tempo de espera será igual ao somatório dos tempos de atendimento de cada uma dos clientes na nossa frente ou, possivelmente, será igual a 10 vezes a duração média de atendimento dos clientes. Tal como o tamanho médio da fila, o tempo médio de espera na fila depende do processo de chegada e do processo de atendimento. 42 5.3 – Distribuição do Tempo de Atendimento Quando nos referimos a filas, precisamos recorrer às variáveis aleatórias. Assim para as principais variáveis existe um valor médio e uma distribuição de freqüências que mostra as chances de ocorrências dos valores. Quando se diz que a duração média de atendimento é de 10 segundos, não se está afirmando que todo atendimento é de 10 segundos. Em diferentes momentos de observação podem-se ter valores maiores ou menores que 10 segundos. Para exemplificar a variável “tempo de atendimento”, se fosse coletada uma grande quantidade de dados sobre o atendimento poder-se-ia concluir que existe um padrão de atendimentoexpresso por uma distribuição de freqüências, tal como mostrado na Figura 2. Pela Figura 2 pode-se concluir que: É nula a probabilidade de atender um cliente em menos de 5 segundos A probabilidade de atender um cliente em 10 segundos é 18% ou 0,18. A probabilidade de atender um cliente em 25 segundos é 0,5% ou 0,05. A mesma observação pode ser feita para outras variáveis tais como “tamanho médio da fila”, etc. 0 2 4 6 8 10 12 14 16 18 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 F re q u e n c ia R e la ti v a ( % ) Figura 2: Tempo de Atendimento (segundos) 43 5.4 – Dinâmica de uma Fila Imagine um observador fazendo anotações num sistema de filas num banco durante 30 minutos, anotando o intervalo entre chegadas dos clientes no caixa eletrônico e anotando também o tempo de atendimento do cliente. Imagine que o observador obteve os seguintes resultados em minutos: Processo de Chegada Cliente 1 2 3 4 5 6 7 8 9 10 11 12 Intervalo 2 3 3 3 5 0 1 5 1 4 1 2 Momento 3 6 9 12 17 17 18 23 24 28 29 31 No período de meia hora chegaram 12 pessoas em intervalos de minutos: Momento: significa o instante da chegada do novo cliente Intervalo: significa o tempo que levou para chegar um novo cliente Exemplo: O 1º cliente demorou 2 minutos para chegar, chegou no 3º minuto. O 5º e o 6º clientes chegaram juntos no 17º. minuto. Neste sistema, as seguintes perguntas podem ser feitas: - Qual é a média dos intervalos de chegada? - Qual é a taxa de chegada dos clientes? IC = Intervalo de Chegada A soma de todos os intervalos é igual a 30, logo, pode-se concluir que: Em média: IC = utosmin5,2 12 30 clientes de total intervalos dos soma Ou seja, pode-se concluir que em média a cada 2,5 minutos chega um cliente. Desta forma, pode-se concluir que a taxa de chegada de clientes por hora é: horaporclientes24 minutos 2,5 minutos 60 Graficamente temos: Minutos Clientes 2º. 1º. 3º. 6º. 9º. 12º. 17º. 18º. 23º. 31º. 1º. 2º. 3º. 4º. 7º. 5º. 6º. 8º. 12º. 44 Conclusão: IC = 2,5 minutos ou λ = 24 clientes por hora ou λ = 0,4 clientes por minuto Processo de Atendimento O observador anotou o tempo de atendimento dos clientes no caixa eletrônico e obteve os seguintes resultados em minutos: Cliente 1 2 3 4 5 6 7 8 9 10 11 12 Tempo de Atendimento 1 2 1 1 3 2 1 4 2 3 1 3 O tempo total de atendimento de todos os clientes foi de 24 minutos. O tempo médio de atendimento dos clientes é: minuntos2 12 24 12 313241231121 TA Ou seja, TA = 2 minutos por cliente Ou seja, o sistema tem capacidade de atender 30 clientes por hora. Logo, a taxa de atendimento é µ=30. Conclusão: µ = 30 clientes por hora TA = 2 minutos Parâmetros do Sistema Taxa de Chegada dos Clientes: λ = 24 clientes por hora IC = 2,5 minutos Taxa de Atendimento dos Clientes: µ = 30 clientes por hora TA = 2 minutos Nota: Todos esses parâmetros representam médias. 45 Dinâmica do Funcionamento de uma Fila Pela Figura 3, observa-se que: - O primeiro cliente chegou ao caixa eletrônico no início do 3º minuto e seu atendimento durou 1 minuto, portanto se encerrou no final do 3º minuto. - O quinto cliente chegou ao caixa eletrônico no início do 17º minuto e seu atendimento durou 3 minutos, portanto se encerrou no final do 19º minuto. - O 6º cliente chegou ao caixa eletrônico junto com o 5º cliente. Então no início do 20º minuto foi iniciado o atendimento do 6º ciente que se estendeu até o final do 21º minuto. - O 12º cliente saiu do atendimento no final do 35º minuto. De acordo com a Figura 3, os tempos fila foram: Cliente 1 2 3 4 5 6 7 8 9 10 11 12 Tempo de fila 0 0 0 0 0 3 4 0 3 1 3 2 10 11 12 1 2 3 4 5 6 7 8 9 10 7 6 9 11 12 5 10 15 20 25 30 35 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 Tempo de Atendimento Tempo de Espera na Fila Figura 3: Dinâmica do Funcionamento de uma Fila 46 Portanto, os seguintes parâmetros podem ser calculados: Total de clientes atendidos: 12 Tempo Médio de Fila: minutos 33,1 12 16 12 231304300000 clientes de total fila de totaltempo TMF Tamanho Médio da Fila clientes 4,0 35 16 35 231343 oatendiment no gasto tempo fila de totaltempo TaMF Observação: Revendo os dados do sistema do banco, pode-se concluir que: λ = 24 clientes por hora (ou IC = 2,5 minutos) µ = 30 clientes por hora (ou TA = 2minutos) Observe que a capacidade de atendimento do sistema (µ) é superior ao ritmo de chegada dos clientes (λ), mas mesmo assim houve a formação de filas. Sistemas Estáveis A abordagem matemática de filas pelo uso da Teoria das Filas exige que exista estabilidade no fluxo de chegada e no processo de atendimento, ou seja, os valores λ e µ devem se manter constantes no tempo. Do contrário deve ser utilizada a técnica de simulação de sistemas. Por exemplo, observando-se o funcionamento de um banco, poderíamos verificar que o fluxo de chegada de clientes varia durante o dia na seguinte forma: Período 10 às 12 horas 12 às 14 horas 14 às 16 horas Fluxo Médio Alto Médio Ou seja, não existe uma estabilidade para o ritmo de chegada dos clientes e neste caso o uso da Teoria das Filas só pode ser aplicado se o período global de chegada for retalhado em períodos parciais estáveis. 47 Condições para sistemas Estáveis: O fluxo médio de chegada é constante (λ constante). O fluxo médio de atendimento é constante (µ constante). O ritmo de atendimento é maior que o ritmo de chegada (λ<µ). Exercício Considere um sistema em que navios chegam a um porto para carregamento. Abaixo estão anotados os valores de intervalos entre chegadas para 12 navios (tempo em horas). Intervalos entre chegadas dos navios: Navios 1 2 3 4 5 6 7 8 9 10 11 12 Intervalo 10 02 13 07 02 08 08 08 10 09 01 14 Tempo de carga dos navios é: Navios 1 2 3 4 5 6 7 8 9 10 11 12 Intervalo 5 5 3 3 6 7 6 8 2 5 8 8 Calcular: a) O intervalo médio entre as chegadas b) A duração média de carga dos navios c) Monte o desenho do funcionamento do sistema d) Calcule o tamanho médio da fila e) Calcule o tempo médio de espera na fila Solução: a) Tempo Médio Entre as Chegadas horasICsejaouhorasmédia 6,7;,6,7 12 92 Taxa de chegada dos navios horapor navios 13,0 6,7 1 h navio 48 b) Tempo médio de carregamento horasmédia 5,5 12 66 Taxa de carregamento dos navios horapornavios18,0 5,5 navio 1 h c) Funcionamento do Sistema Navios 1 2 3 4 5 6 7 8 9 10 11 12 Intervalo 10 02 13 07 02 08 08 08 10 09 01 14 Momento 11 13 26 33 35 43 51 59 69 78 79 93 d) Tamanho Médio da Fila 079,0 101 413 TaMF e) Tempo Médio de Fila filanahoras66,0 12 413 TMF 5.5 – Conceitos Básicos de Fila Seja um sistema de filas, numa situação estável, na qual clientes chegam e entram na fila onde existe um número c de atendentes. Portanto, tem-se: λ = Ritmo médio de chegada dos clientes µ = Ritmo médio de atendimento dos clientes c = Capacidade de atendimento do sistema Dentre as variáveis aleatórias num sistema de filas, algumas são fundamentais e estão ilustradas na Figura 4. 11 13 16 21 26 29 33 35 36 42 49 51 57 59 67 69 71 78 79 83 91 93 101 1 2 3 7 4 6 5 8 9 10 11 12 2 11 5 Atendimento Filas 49 Sistema de filas5.5.1 – Variáveis Aleatórias Fundamentais Variáveis Referentes ao Sistema TS = Tempo Médio de Permanência no Sistema NS = Número Médio de Clientes no Sistema Variáveis Referentes ao Processo de Chegada λ = Ritmo Médio de Chegada IC = Intervalo Médio Entre Chegadas Por definição IC 1 λou λ 1 IC Variáveis Referentes à Fila TF = Tempo Médio na Fila NF = Número Médio de Clientes na Fila Clientes na Fila E nt ra da S aí da Cliente no atendimento Chegada IC λ Fila TF NF Atendimento C TA NA µ Figura 4: Sistema de Filas 50 Variáveis Referentes ao Processo de Atendimento TA = Tempo Médio de Atendimento (ou serviço) C = Capacidade de Atendimento (nº de atendentes) NA = Número Médio de Clientes em Atendimento µ = Ritmo Médio de Atendimento de Cada Atendente Por definição: TA ouTA 11 Relações Básicas NS = NF + NA TS = TF + TA IC TA TA 1 IC 1 μ λ NA Taxa de Utilização dos Atendentes Para o caso de uma fila com um atendente: A taxa de utilização é Para o caso de uma fila com um número c de atendentes: A taxa de utilização é .C Exemplo de taxa de utilização dos atendentes Chegada dos clientes: λ = 4 clientes por hora Ritmo de atendimento: µ = 10 clientes por hora Então 4,0 10 4 Conclusão: 40% do tempo o atendente fica ocupado e 60% do tempo fica ocioso. Nota: Se λ=µ, ou seja, o ritmo de chegada é igual ao ritmo de atendimento, então 1 Isto significa que os atendentes ficam 100% do tempo ocupados. 51 Fórmulas Derivadas Fórmula de Litlle: NF = λ . TF NS = λ . TS Número Mínimo de Atendentes Exemplo: Se 5,0 então i = 1 Se 3,1 então i = 2 Se 4,3 então i = 4 Exemplos: Em uma fabrica observou-se o funcionamento de um dado setor em que λ = 20 clientes por hora, µ = 25 clientes por hora e TS = 0,3 horas. Pede–se o tamanho médio da fila. Dados: 20 NF = ? 25 horaTS 3,0 TATFTS horasTA 04,0 25 11 TATSTF ==> 04,03,0 TF ==> horasTF 26,0 TFNF . ==> 26,0.20NF ==> clientesNF 2,5 eiroint númeropróximoorepresentaonde, i 52 Exercício: Em uma mineração cada caminhão efetua um ciclo onde é carregado de minério por uma das carregadeiras, desloca-se para o britador para o descarregamento e retorna as carregadeiras. Verifica se que o tempo médio (TS) dos caminhões percorrerem o sistema é de 12 minutos. Sabe-se que em média existem 6 caminhões no britador (NS). Qual é a taxa de chegada dos caminhões? Fórmula de Little TFNF . TSNS . Ciclo Chama-se ciclo o tempo que um caminhão gasta, partindo de um ponto e chegando ao mesmo ponto. Duração do ciclo = /população Suponha que a população seja de 30 caminhões, calcule a duração do ciclo. utosciclo min60 5,0 3030 Pode-se calcular o ciclo como: Ciclo = TS + TFS (tempo no sistema + tempo fora do sistema) Neste exemplo: TS = 12 minutos Ciclo = 60 minutos Ciclo = TS + TFS ===> TFS = Ciclo - TS TFS = 60 – 12 ===> TFS = 48 minutos Carregadeiras Caminhões Britador S is te m a d e F il as utominporhãominca5,0 12 6 TS NS 53 Resumo das fórmulas Taxa de Chegada λ Taxa de Atendimento µ Intervalo Ente Chegadas IC = 1/λ Tempo de Atendimento TA = 1/µ Taxa de Utilização dos Atendentes ρ = λ/(c.µ) Número Mínimo de Atendentes i Relação Entre Fila, Sistema e Atendimento NS = NF + NA NA = λ/µ NS = NF + λ/µ = NF + TA/IC TS = TF + TA Formulas de Little NF = λTF NS = λTS Ciclo Ciclo = TS + TFS Ciclo = (População)/λ 54 5.5.2 - Postulados Básicos A. Em qualquer sistema estável, o fluxo que entra é igual ao fluxo que sai. B. Em qualquer sistema estável, o fluxo de entrada se mantém nas diversas seções do sistema, desde que não haja junção ou desdobramento. C. Em qualquer sistema estável a junção de fluxos equivale às suas somas aritméticas, λ3 = λ1 + λ2. D. Num sistema estável, o desdobramento percentual de um fluxo é igual ao desdobramento aritmético do mesmo fluxo. Assim se após a estação A 80% do fluxo se deslocou para a estação B, então o ritmo de chegada em B é de 0,8x20 =16 clientes por minuto. λ => => λ λ λ λ A B C λ B A C λ1 λ2 λ3 λ3 C A B λ1=20 λ2=16 λ2=16 80% 20% λ3=4 λ3=4 55 Segunda Lista de Exercícios 1) Em uma pizzaria que faz entregas em casa, chegam a média 4 entregadores por minuto para pegar o produto a ser entregue. Sabe-se ainda que o número médio de entregadores dentro da pizzaria é de 6 (NS). Qual é o tempo médio no sistema? 2) No mesmo sistema anterior, existem 40 entregadores. Qual o tempo médio da entrega (TFS)? 3) Em um sistema de computação tem-se: Tempo médio para calcular e fornecer dados (TFS) = 15 seg. Número de terminais ativos é igual a 40. A taxa de chegada de transações é λ = 2 por segundo. Pede-se o tempo de resposta do computador. 4) Em uma mineração tem-se 12 caminhões efetuando um ciclo no qual consomem 4 minutos entre fila e carregamento pela escavadeira (TS) e a seguir, gastam 8 minutos para levar a carga até o britador e voltar (TFS). Calcular λ, o ritmo de chegada dos caminhões e NS, o número de caminhões no sistema. 5) Em um sistema de computação tem-se 21 terminais. O tempo médio de resposta do computador (TS) é de 2 segundos e existem em média 6 transações (NS) dentro do sistema. Pede-se: a) Qual é a taxa de chegada das transações? b) Qual a duração de um ciclo? c) Qual o tempo médio de calcular e fornecer dados (TFS)? 6) Na figura seguinte, representativo do fluxo de peças de um setor de uma fábrica, calcule o fluxo de chegada de peças em cada equipamento. A B C D E F λ=20 λ=10 30% 70% 56 6 – O Sistema de uma Fila e um Atendente Pode ser mostrado que a distribuição de probabilidades de Poisson se ajusta bem para o processo de chegada de muitos sistemas na vida prática. Assim, no processo de chegada de clientes em sistemas de filas a distribuição de probabilidades de Poisson se ajusta perfeitamente. Quando o processo de chegada de clientes segue uma distribuição de probabilidades de Poisson, pode ser mostrado que os intervalos entre as chegadas dos clientes seguem uma distribuição de probabilidades Exponencial Negativa. Com a utilização destas distribuições de probabilidades pode-se calcular uma série de dados que caracterizam um sistema de filas. Consideremos um sistema de filas com uma única fila e um único atendente com os seguintes parâmetros do sistema: λ = taxa de chegada dos clientes µ = taxa de atendimento dos clientes n = número de clientes no sistema Desta forma, os seguintes resultados podem ser estabelecidos: 6.1 – Equações do Modelo a) Probabilidade de haver n clientes no sistema: μ λ 1 μ λ nXP n b) Probabilidade de que o número de clientes no sistema seja superior a um certo número k. 1K μ λ KXP c) Probabilidade de que o sistema esteja ocioso (parado). μ λ 10XP d) Probabilidade de que o sistema esteja ocupado. μ λ ρ0XP 57 e) Número médio de clientes no sistema λμ λ NS f) Número médio de clientes na fila. λμμ λ NF 2 g) Tempo médio de espera na fila. λμμ λ TF h) Tempo médio gasto no sistema λμ 1 TS 58 Terceira Lista de Exercícios 1 - Clientes
Compartilhar