Baixe o app para aproveitar ainda mais
Prévia do material em texto
Ficha Catalográfica P896t Prado, Darci Santos do. Teoria das filas e da simulação / Darci Santos do Prado. – 5. ed. – Nova Lima: Editora FALCONI, 2014. – (Série Pesquisa Operacional, vol. 2). ISBN: 978-85-98254-66-1 1. Modelagem de sistemas – Teoria das filas. 2. Métodos de simulação – Computadores. I. Título Capa: África São Paulo Publicidade Ltda. Editoração eletrônica: Editora FALCONI Revisão do texto: Dila Bragança de Mendonça Produção do e-book: Schäffer Editorial Copyright © 2014 by DARCI SANTOS DO PRADO Direitos comerciais desta edição: Editora FALCONI http://www.studioschaffer.com Para Dona Orphila Sumário Apresentação Prefácio PARTE A – INTRODUÇÃO 1 Modelagem de sistemas 1.2 Procurando o melhor dimensionamento 1.3 Teoria das filas e simulação 1.4 Aspectos históricos 1.5 Aplicações de modelagem de sistemas PARTE B – TEORIA DAS FILAS 2 Filas: conceitos básicos (I) 2.1 Elementos de uma fila 2.2 Características de uma fila 2.2.1 Clientes e tamanho da população 2.2.2 Processo de chegada 2.2.3 Processo de atendimento 2.2.4 Número de servidores 2.2.5 Disciplina da fila 2.2.6 Tamanho médio da fila 2.2.7 Tamanho máximo da fila 2.2.8 Tempo médio de espera na fila 2.3 Variáveis randômicas 2.4 Observando a dinâmica de uma fila: um exemplo 2.5 Sistemas estáveis 2.6 Dimensionando filas 2.7 Exercícios 3 Filas: conceitos básicos (II) 3.1 Variáveis randômicas fundamentais 3.1.1 Relações básicas 3.1.2 Taxa de utilização dos atendentes 3.1.3 Intensidade de tráfego ou número mínimo de atendentes 3.1.4 Fórmulas de Little 3.1.5 Resumo das fórmulas 3.2 Exemplos 3.2.1 Resumo das fórmulas: continuação 3.3 Postulados básicos 3.4 Exercícios 4 Os processos de chegada e de atendimento 4.1 O processo de chegada 4.1.1 A distribuição de Poisson 4.1.2 A distribuição exponencial negativa 4.2 O processo de atendimento 4.3 Chegada e atendimento: conclusões 4.4 Exercícios 5 Modelos de filas 5.1 Teoria das filas: a notação Kendall 6 O modelo M/M/1 6.1 População infinita 6.1.1 A taxa de utilização 6.1.2 Exemplos 6.2 População finita: o modelo M/M/1/K 6.3 Exercícios 7 O modelo M/M/c 7.1 População infinita: fórmulas versus gráficos 7.1.1 Exemplos 7.2 População finita: o modelo M/M/c/K 7.3 Conclusões 7.4 Exercícios 8 O modelo Erlang 8.1 O modelo M/Em/1 8.1.1 Gráficos do modelo Erlang M/Em/1 8.1.2 Exemplos 8.2 O modelo M/Em/c 8.2.1 Exemplos 8.3 Exercícios PARTE C – TEORIA DA SIMULAÇÃO 9 O que é simulação? 9.1 Sistemas 9.2 Modelos 9.3 Uso do computador digital 9.4 Justificativas para o uso da simulação 9.5 Metodologia para a simulação de sistemas 9.6 O método de Monte Carlo 10 O método de Monte Carlo 10.1 Números aleatórios 10.2 Frequência relativa e frequência cumulativa 10.3 Função densidade e função cumulativa 10.4 O método de Monte Carlo 10.5 Exemplos 10.6 Comparação dos resultados: modelo teórico e modelo real 10.7 Exercícios APÊNDICES Apêndice A A distribuição de Poisson Apêndice B A distribuição exponencial negativa Apêndice C A distribuição exponencial negativa acumulada Apêndice D Solução dos exercícios Apresentação As decisões tomadas no gerenciamento de processos produtivos devem ser baseadas em dados e informações confiáveis. Entretanto, a inerente complexidade das operações envolvidas torna muitas vezes a simples análise dos dados insuficiente para conduzir a decisão de forma adequada. Nesse caso a simulação se apresenta como uma poderosa ferramenta já que permite imitar o comportamento do sistema real. Assim, diversas alterações podem ser testadas no mundo virtual sem o risco e o custo de interferir no mundo real. O livro Teoria das filas e da simulação do Prof. Darci Prado, é uma importante contribuição a todos que desejam ter um primeiro contato com esses poderosos instrumentos capazes de propiciar maior segurança no processo de tomada de decisão. O autor apresenta de forma clara e didática, com exemplos práticos, os fundamentos dos principais aspectos da Teoria das filas e da simulação, permitindo ao leitor uma visão global. O objetivo é formar uma base que propicie abordar problemas reais em sua vida profissional. O Prof. Darci Prado demostra neste livro toda a sua experiência obtida com o contado direto com a realidade industrial, além de anos dedicados ao ensino de pesquisa operacional na Universidade Federal de Minas Gerais. Tenho certeza de que será muito útil e fascinante conhecer o mundo da teoria das filas e da simulação. Belo Horizonte, 28 de novembro de 2013 Dr. Luiz Claudio Monteiro Montenegro Professor da Universidade Federal de Minas Gerais Prefácio A teoria das filas e a teoria da simulação são técnicas de planejamento que surgiram no início do século XX e atualmente, constituem a base teórica de programas de computador relacionados com simulação. A abordagem deste livro contempla preferencialmente os aspectos de modelagem ou aplicações práticas das teorias. Assim, fugimos das pesadas deduções de fórmulas baseadas em estatística e probabilidades, prática comum em livros que tratam desses temas. Isso nos pareceu apropriado tendo em vista o público-alvo deste livro: estudantes de graduação e profissionais da indústria. Portanto, esperamos que, com a ajuda deste livro, o leitor possa compreender essas teorias, analisar e resolver alguns problemas de filas e de simulação de complexidade simples e/ou média. Principalmente, esperamos que adquira uma base mais sólida para melhor explorar os recursos dos softwares de simulação disponíveis no mercado. Aos professores que desejarem adotar este livro em seus cursos, acrescentamos que existem as seguintes opções de abordagem: (a) em sua totalidade; (b) Capítulos 1, 2, 3, 5, 6, 7 e 9; (c) Capítulos 1, 2 e 3. Este livro é o resultado de uma longa vivência com o assunto (desde 1972) como professor na Escola de Engenharia da UFMG e como consultor ou analista de sistemas na IBM, DPI, FCO, FDG, INDG e FALCONI. Agradecemos a preciosa ajuda de Alceu Lotta Júnior pela revisão de conteúdo e ao Jeferson Teixeira Soares pelos trabalhos de editoração e revisão. Darci Prado Belo Horizonte (MG) 1ª edição – Maio 1999 5ª edição – Maio 2014 Capítulo 1 Modelagem de sistemas 1 Modelagem de sistemas Ao efetuar certos tipos de estudos de planejamento, é comum depararmos com problemas de dimensionamento ou fluxo cuja solução é aparentemente complexa. O cenário pode ser a linha de produção de uma fábrica, o trânsito de uma cidade, o fluxo de documentos em um escritório, o movimento de navios e cargas em um porto, o movimento de veículos, equipamentos e minério em uma mineração, etc. Esses estudos podem ser efetuados para obter modificações de layout, ampliações de fábricas, troca de equipamentos, reengenharia, automatização, dimensionamento de uma nova fábrica, etc. Geralmente estamos interessados em dimensionar: A quantidade correta de equipamentos (máquinas, veículos, etc.) e de pessoas; O melhor layout e o melhor fluxo dentro do sistema que está sendo analisado. Assim, dado um objetivo de produção ou de qualidade de atendimento, o estudo vai procurar definir a quantidade adequada de atendentes (equipamentos, veículos, pessoas, etc.) que devem ser colocados em cada estação de trabalho, assim como o melhor layout e o melhor fluxo. Ou seja, desejamos que o sistema tenha um funcionamento eficiente. Algumas vezes procuramos uma solução otimizada; outras vezes apenas a mais adequada. Assim, um estudo pode procurar a melhor qualidade do serviço prestado a qualquer custo ou o menor custo dentro de uma faixa aceitável de qualidade para o serviço prestado. O ponto de partida de qualquer estudo geralmente é a correta escolha da qualidade esperada do atendimento. Outros variáveis importantes são os recursos disponíveis e as limitações de funcionamento.Qualquer que seja o objetivo do nosso trabalho, a modelagem é feita de modo que não exista nenhum gargalo, ou seja, um ponto de estrangulamento no fluxo que implica uma perda inaceitável para o sistema como um todo. Dizemos que um sistema ou processo adequadamente dimensionado (sem nenhum gargalo) está balanceado. É importante destacar que um sistema balanceado (balanced system) não é obrigatoriamente um sistema otimizado: garante-se apenas a prestação de uma certa qualidade de atendimento, mas não o atendimento ótimo. Eventualmente um sistema balanceado pode estar também otimizado relativamente a custo, benefícios ou qualidade do serviço prestado. Chamamos tais estudos de modelagem de sistemas. Conforme veremos nos capítulos subsequentes, o objetivo da modelagem de sistemas é, conhecendo o cenário, as características e as necessidades de todos os envolvidos, obter o melhor dimensionamento. Um importante componente dos sistemas são as filas. Quando alguma delas assume valores além dos adequados, passam a constituir gargalos. 1.1 O que são filas? Qualquer pessoa sabe exatamente o que são filas, em decorrência das experiências que o dia a dia nos coloca. Nós entramos em uma fila para descontar um cheque em um banco, para pagar as compras em um supermercado, para comprar ingresso em um cinema, para pagar o pedágio em uma estrada e tantas outras situações. Filas existem também em ambientes de produção, tais como de lingotes aquecidos em uma aciaria, esperando pelo serviço de lingotamento ou caminhões em uma mineração, esperando, junto a uma carregadeira, a vez de serem carregados com minério. Algumas vezes as filas são algo abstrato, tais como uma lista no computador referentes a pedidos de manufatura em uma fábrica de geladeiras ou uma pilha de papéis referentes a solicitações de reparos de máquinas estragadas dentro de uma fábrica, que devem aguardar a disponibilidade do reparador. Outras vezes a fila não é vista "enfileirada", mas sim dispersa, por exemplo, pessoas em uma barbearia, esperando pela vez de cortar o cabelo, aviões sobrevoando um aeroporto, esperando para aterrissar ou navios parados no mar, esperando a vez de atracar no porto para descarregar. Uma área de muita importância surgiu nas últimas décadas: filas em computadores. Aqui temos filas de programas esperando por espaço na memória, ou para serem atendidos pela UCP (unidade central de processamento) ou para buscar um registro de dados em um disco magnético, ou para terem acesso a um servidor por meio da rede. Filas não são simpáticas Certamente não é agradável entrar em uma fila e esperar pelo serviço (o ideal é chegar ao local de serviço e ser imediatamente atendido). E quando a espera é longa, ficamos aborrecidos (algumas pessoas ficam profundamente irritadas). Se estamos em uma fila, passamos a comparar o desempenho da nossa fila com o das outras e geralmente somos levados a pensar como uma das leis de Murphy: Lei de Murphy: "a fila que anda é a outra, mas não adianta trocar de fila pois a fila que anda é a outra". Como consequência de nossas amargas experiências, tomamos algumas atitudes, tais como não mais comprar em um supermercado, mudar a conta bancária para outra agência (ou banco), etc. Vistas pelo ângulo das empresas, essas atitudes significam perda de negócio. Filas são dispendiosas Além de não serem simpáticas, as filas têm ainda o lado desfavorável do custo. Isso é válido em qualquer ambiente: de fábricas a supermercados. Por exemplo, nas fábricas a existência de fila em um equipamento pode ocasionar aumento nos tempos do ciclo de produção. As consequências disso podem ser aumento nos custos e atrasos no atendimento aos pedidos dos clientes. 1.2 Procurando o melhor dimensionamento Do ponto de vista do cliente, o ideal, conforme dissemos, seria dimensionar sistemas para a não existência de filas, e se isso realmente fosse possível, certamente não teríamos clientes aborrecidos. O salão de cabeleireiro Imagine um salão de cabeleireiro com três barbeiros, onde constatamos fila nas diversas vezes que o frequentamos. Se fizermos essa afirmação ao proprietário, sugerindo um aumento na quantidade de barbeiros, ele possivelmente nos contestará dizendo que, para não haver filas, seriam necessários cinco ou mais barbeiros e que, então, muitos deles ficariam ociosos grande parte do tempo e, portanto, não ganhariam dinheiro suficiente para sobreviver. Talvez até o proprietário diga que a situação atual está sob controle e que os atuais três barbeiros representam o melhor dimensionamento com o qual os clientes esperam um tempo considerado tolerável. Ele poderá ainda dizer ter observado que alguns dias aparecem muitos clientes, o que faz com que alguns deles desistam de cortar o cabelo, mas que acabam voltando outro dia. Se esse fato começar a ficar frequente, ele pretende contratar mais um ou dois barbeiros, e tudo voltará a funcionar de uma forma aceitável. Nesse exemplo, o dimensionamento (intuitivo) foi feito com base: Na demanda histórica média; Na expectativa de qualidade de atendimento por parte dos clientes; Na necessidade de oferecer uma certa 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. A situação acima se espelha em muitas outras na vida real: apesar de não serem simpáticas e de causarem prejuízos, temos que conviver com 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. O computador central Certamente existem situações em que o dimensionamento deve ser feito pelo pico da demanda. É o caso de computadores centrais (main-frames) com milhares de terminais que são acessados por diversos usuários simultaneamente. Considere, por exemplo, os computadores centrais das empresas de aviação, com milhares de terminais em aeroportos e postos de vendas de passagens. Se o atendimento não for imediato para todos os clientes em todos os dias, a imagem da empresa poderá ficar seriamente abalada. Aqui o dimensionamento é feito pelo pico da demanda. 1.3 Teoria das filas e simulação A modelagem de sistemas pode ser feita por duas abordagens inteiramente diferentes entre si: teoria das filas e simulação, esta última a mais utilizada. A teoria das filas é um método analítico que aborda o assunto por meio de fórmulas matemáticas. Já a simulação é uma técnica que, usando o computador digital, procura montar um modelo que melhor represente o sistema em estudo. Simulação, como o próprio nome indica, é uma técnica que permite imitar o funcionamento de um sistema real. Os modernos programas de computador permitem construir modelos nos quais é possível visualizar na tela o funcionamento do sistema em estudo tal como em um filme. Podemos visualizar o funcionamento de um banco, uma fábrica, um pedágio, um porto, um escritório, etc., tal como se estivéssemos em uma posição privilegiada em cada um desses cenários. Antes de efetuar alterações em uma fábrica real, podemos interagir com uma fábrica virtual. A junção da tradicional teoria da simulação com as técnicas modernas de computação e jogos (tais como video games) tem possibilitado esses avanços. 1.4 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 problemade 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 não são adequadamente resolvidos por causa de complexidades matemáticas. Simulação Com o surgimento do computador na década de 1950, a modelagem de filas pode ser analisada pelo ângulo da simulação, em que não mais se usam fórmulas matemáticas, mas apenas se tenta imitar o funcionamento do sistema real. As linguagens de simulação apareceram na década de 1960 e hoje, graças aos microcomputadores, podem ser facilmente usadas. A técnica de simulação visual, cujo uso se deu a partir da década de 1980, por causa de sua maior capacidade de comunicação, teve uma aceitação surpreendente. Além disso, por apresentar um menor nível de complexidade, seu uso cresceu enormemente. O ensino dessa técnica ainda se concentra em escolas de graduação, mas já tem havido iniciativas em cursos técnicos. Algumas linguagens são mundialmente conhecidas como Arena, ProModel, Automod, Taylor, Gpss, Gasp, Simscript, Siman, etc. 1.5 Aplicações de modelagem de sistemas A modelagem de sistemas tem inúmeras aplicações no mundo atual, nas áreas mais diversas, que vão desde o setor de produção em uma manufatura até o movimento de papéis em um escritório. Costuma-se dizer que “tudo que pode ser descrito pode ser simulado”. Linhas de produção Essa é a área que tem apresentado a maior quantidade de aplicações de modelagem. Inúmeros cenários se encaixam nesse item, desde empresas manufatureiras até minerações. Os seguintes casos podem ser analisados: a. Modificações em sistemas existentes, tais como as produzidas pela expansão da atual produção, pela troca de equipamentos ou pela adição de novos produtos, que vão afetar a dinâmica do atual processo. Pode-se antecipar onde serão formados os gargalos oriundos de modificações no sistema existente. Pela introdução de modificações apropriadas (tais como modificações no fluxo, alterações na programação das atividades ou pela adição de novas facilidades), após algumas tentativas, pode-se chegar ao melhor modelo que incorpore as modificações requeridas. b. Um setor de produção totalmente novo pode ser planejado, obtendo se o melhor fluxo dentro dele. c. A melhor política de estoques pode ser obtida por meio de simulação. O modelo deve incluir a função "solicitação de material" e a função "atendimento pelos fornecedores". Como resultado se obtém o "ponto de pedido" e a "quantidade do pedido". Transportes A modelagem de filas tem sido usada nos transportes ferroviário, rodoviário, marítimo e no transporte por elevadores. No transporte ferroviário, o pátio de consertos e serviços apresenta problemas interessantes, que incluem o número e a localização dos desvios e alocação de máquinas de serviço (com base em uma tabela de trens e carros a serem removidos ou adicionados), além da tabela de horários de trens diretos que passam pelo local. Por outro lado, o sistema ferroviário pode ser analisado como um todo, com o objetivo de minimizar o movimento de carros vazios. No transporte marítimo e aéreo as aplicações se referem à confecção da tabela de horários e ao dimensionamento de portos e aeroportos. No modelo rodoviário é possível dimensionar um pedágio ou estabelecer o melhor esquema do fluxo de veículos pelas ruas de uma cidade, com as durações dos semáforos, de modo a melhorar o serviço, agilizando o sistema e, consequentemente, diminuindo os gastos com combustível. No modelo de elevadores é possível minimizar o tempo de espera e o custo de movimentação dos elevadores, pois quanto mais paradas ocorrem entre andares, maior o custo. A partir da distribuição de chegada de pessoas aos vários andares, juntamente com seus destinos, é possível utilizar um modelo para determinar o número de elevadores em funcionamento para atender a um dado padrão de serviço. Comunicações Uma ampla variedade de problemas de comunicação pode ser analisada pela modelagem de filas. A configuração ótima de uma rede de comunicações pode ser modelada. Informações sobre o tempo de resposta e sobre chamadas perdidas podem ser obtidas. Regras para análise de rotas alternadas podem ser comparadas, e um estudo econômico pode avaliar o valor de concentradores, canalizadores de linha, etc. Empresas de telefonia podem fazer proveitosos usos dessa técnica no estudo de seus complexos de comunicações. Bancos, supermercados, escritórios, etc. Pela simulação pode-se dimensionar o número de caixas de modo que as filas se mantenham abaixo de um valor especificado. Pode-se também avaliar o uso de caixas especiais, tais como "caixas rápidos" dos supermercados. No caso de bancos o uso de "fila única" pode trazer um melhor atendimento aos clientes, apesar de poder assustar pelo tamanho que geralmente costuma ter. Confiabilidade A confiabilidade (ou disponibilidade) de um sistema complexo frequentemente deve satisfazer rigorosas necessidades. Isso é bastante válido para sistemas militares ou de computadores on line. A simulação é uma excelente ferramenta para se obter uma medição quantitativa da confiabilidade do sistema se as características dos componentes individuais são conhecidas. Especificamente o tempo médio de falha e o tempo médio de reparo de cada componente devem ser conhecidos, em adição ao tempo necessário para substituir cada componente. Um planejamento de manutenção preventiva pode também ser construído por meio da simulação. Por meio de diversas tentativas no modelo, os componentes vitais de estoque podem ser determinados. Isso pode ser feito para diferentes requisitos de disponibilidade do sistema e, então, obtém-se a relação entre disponibilidade e custo total. A validade da duplicação de certos componentes do sistema também pode ser testada. Modelos dessa natureza têm sido usados para testes dos mais diversos sistemas, desde sistemas de processamento de dados até esquadrões aéreos. Processamento de dados A modelagem de filas tem sido amplamente usada pelas empresas que desenvolvem computadores e pelas universidades de modo a medir a produtividade ou o tempo de resposta de certo sistema de computadores e terminais. A área de teleprocessamento tem inúmeras opções de uso. Outra área que está se tornando popular na comunidade de informática é o estudo de performance e de capacidade, pois por meio dele é possível identificar gargalos e indicar opções de crescimento. Capítulo 2 Filas: conceitos básicos (I) 2 Filas: conceitos básicos (I) 2.1 Elementos de uma fila Na FIG. 2.1 vemos os elementos que compõem uma fila. Nela temos que, de uma certa população, surgem clientes que formam uma fila e aguardam por algum tipo de serviço. O termo cliente é usado de forma genérica e pode designar tanto uma pessoa, um navio ou um lingote. Como sinônimo de cliente usa-se também o termo "transação" ou “entidade”. O atendimento é constituído de um ou mais servidores (que podem ser chamados de atendentes ou canais de serviço) e tanto pode designar um barbeiro, um cais de atracação ou uma máquina de lingotamento. FIGURA 2.1 – Elementos de uma fila 2.2 Características de uma fila Antes de observar uma fila em funcionamento, vamos conceituar melhor alguns termos da teoria das filas. 2.2.1 Clientes e tamanho da população Um cliente é proveniente de uma população. Quando a população é muito grande (dizemos infinita para efeitos práticos), a chegada de um novo cliente a uma fila não afeta a taxa de chegada de clientes subsequentes, e concluímosdizendo que as chegadas são independentes. Como exemplo, citamos o funcionamento de um metrô. Quando a população é pequena, o efeito existe e pode ser considerável. Como exemplo extremo, podemos citar uma mineração, na qual uma carregadeira carrega minério em caminhões que chegam. Se existem 3 caminhões e, se ocorrer que todos eles estejam na fila da carregadeira, então não chegará mais nenhum outro caminhão à carregadeira. 2.2.2 Processo de chegada Consideremos como exemplo um posto de pedágio com 5 atendentes. Podemos constatar, por exemplo, que o processo de chegada entre 7 e 8 horas da manhã pode ser definido por 20 automóveis por minuto ou 1 automóvel a cada 3 segundos. Trata-se de um valor médio, pois não significa que em todo intervalo de 1 minuto chegarão 20 automóveis. Em alguns intervalos de 1 minuto pode-se constatar a chegada de 10, 15, 25 ou até mesmo 30 automóveis. Igualmente, o intervalo de 3 segundos entre chegadas não é rígido, e podemos constatar valores, por exemplo, desde zero segundo (2 veículos chegando juntos) até 20 segundos. O número fornecido, 3 segundos, representa, assim, o intervalo médio entre chegadas no período de 7 as 8 horas da manhã. Resumindo as afirmações acima, podemos quantificar o processo de chegada dizendo que a taxa média de chegada é de 20 veículos por minuto ou que o intervalo médio entre chegadas é de 3 segundos. Poderíamos encontrar outro sistema de filas que possui exatamente os mesmos valores médios acima citados mas com diferentes variações no entorno da média (por exemplo, uma situação em que se observa que os intervalos entre chegadas estão entre 0 e 10 segundos). Esse sistema, conforme veremos, terá um comportamento diferente do primeiro, e concluímos dizendo que não basta apenas fornecer os valores médios: é necessário também mostrar como os valores se distribuem em torno da média. Assim, para caracterizar corretamente um processo de chegada devemos lançar mão de uma distribuição de frequência, como a distribuição normal, a de Poisson, a exponencial, etc. Um tipo raro de processo de chegada é o regular, ou seja, aquele em que não existe nenhuma variação entre os valores para os intervalos entre chegadas. Nesta situação, se dissermos que o intervalo entre chegadas é de 10 segundos, teremos que rigorosamente a cada 10 segundos chega um novo cliente. Essa situação ocorre apenas em processos altamente automatizados. Resumindo, quando se estudam filas, o ritmo de chegada é uma importante variável randômica. Para quantificar essa variável, se usa a letra grega λ para significar ritmo médio de chegada e se usa IC para intervalo médio entre chegadas. Assim, no primeiro exemplo acima teremos: λ = 20 clientes por minuto IC = 3 segundos Existem situações em que o ritmo de chegada sofre variações durante o dia. Por exemplo, em um banco a chegada de clientes é mais intensa no período do almoço. Este aspecto será abordado no item 2.5. 2.2.3 Processo de atendimento Continuando no 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. Esses valores são médios e, para descrevê-los corretamente, devemos também lançar mão da distribuição de probabilidades. Aqui também é rara a existência prática de atendimento regular, ou seja, existe um único valor (sem variação) para a duração do atendimento. O processo de atendimento é também quantificado por uma importante variável randômica. A letra grega μ é usada para significar ritmo médio de atendimento, e se usa TA para tempo ou duração média do serviço ou atendimento. Assim, no exemplo acima teremos: μ = 6 clientes por minuto TA = 10 segundos por cliente 2.2.4 Número de servidores O mais simples sistema de filas é aquele de um único servidor que pode atender a um único cliente de cada vez. Conforme aumente o ritmo de chegada, podemos manter a qualidade do serviço aumentando convenientemente o número de servidores. Essa é, portanto, uma das características de uma fila que podemos utilizar para modelar um sistema de filas. Na FIG. 2.1 temos 3 servidores. 2.2.5 Disciplina da fila Trata se da regra que define qual o próximo a ser atendido, e o comum é que o primeiro da fila é atendido ou, de uma maneira mais ampla, o “primeiro a chegar é o primeiro a ser atendido" (em inglês se diz FIFO: First In First Out). Outras disciplinas podem existir, tais como "último a chegar primeiro a ser atendido" (em inglês se diz LIFO: Last In First Out), serviço por ordem de prioridade, serviço randômico, etc. 2.2.6 Tamanho médio da fila Esta é certamente a característica da fila que mais consideramos ao nos defrontarmos com a opção de escolher uma fila. Considere-se a situação de um cliente em um supermercado procurando efetuar o pagamento no caixa de menor fila: o ideal é chegar e ser atendido (fila zero). Quando a fila é de um tamanho razoável (digamos 10 elementos) 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 afetarão a credibilidade da instituição. 2.2.7 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, e esse dimensionamento geralmente é feito com base em experiência real. Quando existe um crescimento na demanda, se faz uma ampliação também baseada na experiência com o manuseio do sistema. Observam-se também 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). As considerações anteriores se referem ao que chamamos de "tamanho máximo da fila", importante etapa do estudo de um sistema de filas. Tanto pode se referir a uma área de espera para caminhões que vão se abastecer de combustível em uma refinaria como a um buffer, onde transações de consulta a um computador devem esperar antes de serem atendidas. 2.2.8 Tempo médio de espera na fila Esta é outra característica capaz de nos causar irritação quando estamos em uma fila de espera. O ideal é que não haja tempo de espera, mas esta 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 um dos clientes à nossa frente ou, possivelmente, será igual a 10 vezes a duração média de atendimento. Tal como o tamanho médio da fila, o tempo médio de espera depende dos processos de chegada e de atendimento. 2.3 Variáveis randômicas Conforme você pôde observar, quando nos referimos a filas, utilizamos variáveis randômicas. Assim, para as principais variáveis há um valor médio e uma distribuição de probabilidades, que mostra as chances de ocorrências dos valores. Um exemplo: quando afirmamos que a duração média do atendimento é de 10 segundos, não estamos dizendo que todo atendimento é de 10 segundos. Em diferentes momentos de observação você pode, por exemplo, constatar que um atendimento gastou 20 segundos, outro gastou 8 segundos, um outro 12 segundos, etc. Caso fosse coletada uma grande quantidade de dados, poderíamos deduzir que existe um padrão de atendimento expresso por uma distribuição de probabilidades, tal como mostrada na FIG. 2.2. Por ela podemos constatar que: É nula aprobabilidade de atender um cliente em menos de 5 segundos. A probabilidade de atender um cliente em 10 segundos é de 18%. A probabilidade de atender um cliente em 25 segundos é 0,5%. FIGURA 2.2 – Variável randômica: a duração do atendimento A mesma observação poderia ser feita para o tamanho médio de uma fila. Assim, quando dizemos que o tamanho médio é de 5 clientes, não estamos dizendo que o tamanho da fila é sempre de 5 clientes. Em diferentes momentos de observação você pode, por exemplo, constatar que o tamanho é de 10, 7, 3 ou que não há fila. O valor médio 5 significa uma média aritmética ponderada dos tamanhos da fila durante consecutivos intervalos de tempo. Como o leitor deve ter observado, para o adequado entendimento da teoria das filas é necessário conceitos básicos de estatística e probabilidades. 2.4 Observando a dinâmica de uma fila: um exemplo Imagine-se agora comodamente instalado em uma poltrona dentro de um banco, com a finalidade de observar o funcionamento da fila formada por pessoas que desejam um novo talão de cheques (assunto que tende a ficar apenas na memória, pois os modernos bancos têm serviços de atendimento que tendem a abolir o talão de cheques). Chegada No período de meia hora você verificou que chegaram ao sistema 12 pessoas. Os intervalos entre chegadas, a partir do instante zero, foram (valores em minutos): O valor zero para o sexto cliente (linha "Intervalo") significa que ele chegou junto com o quinto cliente no 16º minuto. A linha "Momento" significa o instante da chegada do novo cliente, obtido a partir de acumulações da linha "Intervalo" acrescido de 1, para significar o início do próximo intervalo de tempo. Assim, o primeiro cliente chegou no início do 3º minuto, o segundo cliente chegou no início do 6º minuto, etc. O valor médio dos intervalos acima é 2,5 minutos e, portanto, o sistema acima funcionou com um ritmo médio de 24 chegadas por hora. Ou seja: λ = 24 clientes por hora IC = 2,5 minutos Atendimento Por outro lado, os dados anotados para cada atendimento são os seguintes (valores em minutos): O valor médio dos dados acima é 2,0 minutos e, portanto, podemos dizer que o servidor tem uma capacidade de atender 30 clientes por hora. Ou seja: μ = 30 clientes por hora TA = 2 minutos A dinâmica do funcionamento Finalmente, o sistema funcionou conforme a FIG. 2.3. Por ela verificamos que: O primeiro cliente chegou ao banco no início do 3º minuto, e seu atendimento durou 1 minuto (portanto se encerrou no final do 3º minuto); O quinto cliente chegou ao banco no início do 17º minuto, e seu atendimento durou 3 minutos (portanto se encerrou no final do 19º minuto); O sexto cliente chegou ao banco simultaneamente com o quinto cliente no 17º minuto e, então, esperou na fila até completar o atendimento do quinto cliente (3 minutos), o que ocorreu no final do 19º minuto. Então, no início do 20º minuto, foi iniciado o atendimento do sexto cliente, que se estendeu até o final do 21º minuto. O sétimo cliente chegou ao banco no 19º minuto e encontrou o atendente ocupado (atendendo ao quinto cliente). Além disso, o sexto cliente também estava na fila. O atendimento do sétimo cliente se iniciou no 22º minuto e durou 1 minuto. Além dos clientes de número 6 e 7, os clientes de número 9, 10, 11 e 12 tiveram que esperar em fila. O último cliente (12º) saiu do atendimento no final do 35º minuto. Etc. FIGURA 2.3 – Funcionamento da fila do posto bancário Segundo a FIG. 2.3, os tempos de fila foram: Podemos, então, concluir: Total de clientes atendidos: 12. Tempo médio na fila (TMF) = (3+4+3+1+3+2) / 12 = 16/12 = 1,33 minuto. Número médio na fila (NMF) = (3+4+3+1+3+2) / 35 = 16/35 = 0,46 cliente. Observe que utilizamos médias ponderadas nos cálculos mostrados. Uma constatação curiosa Revendo os dados do modelo do banco, temos: λ = 24 clientes por hora (ou IC = 2,5 minutos) μ = 30 clientes por hora (ou TA = 2 minutos) Ou seja, a capacidade de atendimento (μ) é superior ao ritmo de chegada (λ). Mesmo assim, tivemos a formação de filas. À primeira vista esse fato é de difícil compreensão. O exato entendimento desse fato é um dos objetivos deste livro, e dele nos ocuparemos nos próximos capítulos. Ao se analisar tais dados, a tendência é partir para uma abordagem amadora, conforme veremos a seguir. Uma abordagem amadora Imagine agora que o mesmo problema fosse proposto ao leitor da seguinte forma: clientes chegam a um posto de serviço a um ritmo de 24 chegadas por hora (ou 1 cliente a cada 2,5 minutos) e são atendidos por um servidor capaz de atender 30 clientes por hora (ou 2,0 minutos para cada cliente). Perguntamos: haverá fila? De posse apenas desses dados, a nossa tendência é inferir que o sistema se comportará conforme a FIG. 2.4, na qual tanto o processo de chegada como o de atendimento são regulares e, portanto, não haverá formação de filas. Processos como esse são raros na vida real. Como o leitor pode deduzir, a existência de filas ocorre em decorrência do fato de que os processos não são regulares, e a aleatoriedade ocasiona tanto filas quanto longos períodos de inatividade para o servidor. FIGURA 2.4 – Funcionamento regular de uma fila Uma comparação interessante entre as FIG. 2.3 e 2.4: Caso o processo fosse regular, todos os clientes teriam sido atendidos em 32 minutos. Devido ao fato de o processo ser randômico, houve filas, e o tempo total foi de 35 minutos. Esse foi o preço pago pela aleatoriedade do processo. Vamos observar melhor o preço pago pela aleatoriedade do processo: O prazo total foi acrescido em 3 minutos; O prazo médio de atendimento individual (2 minutos) foi acrescido pelo tempo médio de fila de 1,33 minuto. Ou seja, na média um cliente gasta 3,33 minutos dentro do banco. Quando efetuamos dimensionamento de sistemas, procuramos minimizar tais efeitos pela modificação de fluxos, pela colocação de mais atendentes, pela utilização de melhores atendentes, etc. Certamente, dentro de uma ótica de prestar o atendimento adequado dentro de uma faixa de custos adequada. O leitor deve resolver agora o exercício 1 proposto no final do capítulo. 2.5 Sistemas estáveis A abordagem matemática de filas pela teoria das filas exige estabilidade no fluxo de chegada e no processo de atendimento, ou seja, os valores de λ e μ devem se manter constantes no tempo. Do contrário, devemos nos valer da simulação por computador. Por exemplo, observando o funcionamento de um banco, poderíamos verificar que o fluxo de chegada de clientes varia durante o dia da seguinte forma: Ou seja, não existe estabilidade para o ritmo de chegada no período das 10:00 às 16:00, portanto não podemos analisar seu funcionamento pela teoria das filas, a menos que usemos alguns artifícios, por exemplo, retalhar o período global em períodos parciais. Infelizmente, isso torna ainda mais complexa a abordagem pela teoria das filas. Conforme dissemos, para esses casos a simulação por computador é a ferramenta adequada. Em fábricas que funcionam 24 horas, ininterruptamente, temos geralmente uma situação estável, não sendo necessário o artifício mostrado anteriormente. Outra exigência para que o processo seja estável é que os atendentes sejam capazes de atender o fluxo de chegada. No caso de "uma fila e um atendente" isso significa dizer que μ > λ (a capacidade de atendimento é maior que o ritmo de chegada). Caso isso não ocorra, o tamanho da fila aumentará infinitamente. Resumindo: Sistemas estáveis: Fluxo médio de entrada (λ) constante Ritmo médio de atendimento (μ) constante μ > λ Conforme vimos no exemplo do banco, é possível a formação de filas em sistemas nos quais μ > λ. As pessoas geralmente têm dificuldadesde entender esse fato, pois seu raciocínio está quase sempre preso a processos regulares, em que não há flutuações em torno da média (veja FIG. 2.4). Em processos randômicos estáveis, μ e λ representam valores médios e, para entender a razão da ocorrência de filas, quando μ > λ é necessário ter em mente que sempre é possível a ocorrência de fatos “ruins”, por exemplo: Em determinado instante podem chegar mais clientes que a capacidade de atendimento daquele momento, gerando filas temporárias. O atendimento de determinado cliente pode ser muito mais moroso que a média, obrigando os clientes que chegam em seguida a ficar em fila. Em sistemas estáveis, todas as características randômicas das filas se mantêm estáveis o tempo todo, significando que oscilam em torno de um valor médio. Isso se aplica a tamanho médio da fila, tempo médio de espera, tempo médio de atendimento, etc. 2.6 Dimensionando filas Conforme afirmamos anteriormente, estudamos filas para dimensionar sistemas com o objetivo de prestar um melhor atendimento aos clientes ou para obter uma redução de custos do funcionamento do sistema. As considerações abaixo valem para qualquer situação: sistemas estáveis ou não. Lembramos novamente que a teoria das filas é limitada em sua capacidade de prover soluções para todos os cenários de filas: a ferramenta adequada é a simulação. A escolha inicial: a qualidade do atendimento De uma maneira introdutória, podemos dizer que a primeira escolha a ser efetuada para o dimensionamento de um sistema no qual existem filas é a qualidade do atendimento. Essa escolha geralmente está ligada à capacidade de atendimento a ser implantada e que deverá atender os clientes que chegam. As opções são: Atendimento para a média de chegada; Atendimento para o pico de chegada; Atendimento para momentos especiais. Obtenção de dados: o tamanho da amostra Para estudar um sistema, é necessário ter alguns dados para, de posse deles, deduzir os outros necessários ao dimensionamento. Para efetuar um dimensionamento correto, é necessário que os dados obtidos sejam confiáveis. Para isso, a escolha de um correto tamanho de amostra é fundamental. A não observância desse item pode confundir, porque produz diferentes valores para uma mesma variável. Por exemplo, em um sistema estável podemos ter um tempo médio de espera na fila de 5 minutos. Para chegar a essa conclusão, foi necessário observar o funcionamento do sistema durante um longo período, no qual inúmeros clientes foram atendidos. Se observarmos apenas o atendimento de uns poucos clientes, poderemos encontrar um valor bastante diferente para o tempo médio de espera na fila. O leitor deve resolver agora os exercícios 2 e 3. Tipo da fila e quantidade de servidores Quando desejamos dimensionar um sistema, podemos escolher diversas opções para o atendimento: Uma única fila e um único servidor; Uma única fila e diversos servidores; Diversas filas e os correspondentes servidores; Filas especiais; Alteração dinâmica no sistema de atendimento. A escolha entre as opções acima vai depender das características do sistema em estudo, pois o que pode ser ótimo em uma situação pode ser péssimo em outra ou, então, inadequado. Nos capítulos subsequentes vamos abordar todos os casos. Em situações em que a distribuição do tempo de atendimento pode variar dentro de uma larga faixa de valores, não se recomenda o uso de diversas filas, e sim uma fila única. É o caso de bancos, correios, etc., em que sempre pode ocorrer que alguns clientes apresentem uma carga de serviço muito grande, portanto o tempo de atendimento para eles será exageradamente maior que a média. Aqui uma fila única com diversos atendentes é a melhor solução. Em outras situações, é conveniente modificar dinamicamente a quantidade de atendentes conforme aumente ou diminua o fluxo de chegada de clientes. Bancos têm usado esse expediente, tornando disponíveis atendentes extras nos horários de pico. Às vezes a fila única é impraticável, como no caso de supermercados. Aqui a existência de "caixas expressos", para clientes com poucos itens de compra, representa uma maneira de prestar um bom serviço, além de conquistar clientes que, do contrário, não se sujeitariam a filas morosas para adquirir poucos itens. 2.7 Exercícios 1) Considere um sistema em que navios chegam a um porto para carregar algum produto. Abaixo estão anotados os valores de intervalos entre chegadas (em horas) para 20 navios: As durações da carga (em horas) de cada navio são as seguintes: Pede-se: a) O intervalo médio entre chegadas; b) A duração média da carga; c) Monte o desenho do funcionamento do sistema acima (veja FIG. 2.2); d) Calcule o tamanho médio da fila; e) Calcule o tempo médio de espera na fila. 2) Escreva os valores acima, referentes aos intervalos entre chegadas, em pequenos pedaços de papel, dobrando os em seguida como se os preparasse para um sorteio. Misture os pedaços de papel e, a seguir, vá abrindo os e anotando os valores. Você obteve assim uma nova sequência de valores para os intervalos entre chegadas. Repita o processo para as durações do atendimento. Refaça então o exercício 1. 3) Compare os resultados dos exercícios 1 e 2. Você deve ter encontrado os mesmos valores médios (itens a e b), mas valores diferentes para os itens d e e. Explique por quê. Capítulo 3 Filas: conceitos básicos (II) 3 Filas: conceitos básicos (II) O objetivo deste capítulo é continuar com as considerações conceituais do capítulo anterior, agora com um enfoque matemático, no qual apresentaremos as chamadas variáveis randômicas fundamentais. 3.1 Variáveis randômicas fundamentais Consideremos o sistema de filas da FIG. 3.1, em situação estável, na qual clientes chegam e entram em fila, existindo c servidores para atendê-los. Seja λ o ritmo médio de chegada e μ o ritmo médio de atendimento de cada atendente. Portanto: λ = Ritmo médio de chegada μ = Ritmo médio de atendimento c = Capacidade de atendimento ou quantidade de atendentes Entre as variáveis randômicas que estudaremos neste livro, algumas serão frequentemente citadas e as chamaremos de variáveis randômicas fundamentais. É o que mostramos na FIG. 3.1 e explicamos a seguir. 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/λ Variáveis referentes à fila TF = Tempo médio de permanência na fila NF = Número médio de clientes na fila Variáveis referentes ao processo de atendimento TA = Tempo médio de atendimento ou de serviço c = Capacidade de atendimento ou quantidade de atendentes NA = Número médio de clientes que estão sendo atendidos μ = Ritmo médio de atendimento de cada atendente Por definição: TA = 1/μ 3.1.1 Relações básicas Existem duas relações óbvias entre as variáveis randômicas mostradas na FIG. 3.1: NS = NF + NA TS = TF + TA Pode-se demonstrar também que: NA = λ/μ = TA / IC Portanto: NS = NF + NA = NF + (λ/μ) = NF + (TA / IC) FIGURA 3.1 – Localização das variáveis 3.1.2 Taxa de utilização dos atendentes Para o caso de uma fila / um atendente, chamamos de taxa de utilização do atendente a expressão ρ = λ/μ na qual λ = ritmo médio de chegada e μ = ritmo médio de atendimento. No caso de uma fila/vários atendentes, a expressão se torna: ρ = λ/cμ em que c é o número de atendentes. Assim, ρ representa a fração média do tempo em que cada servidor está ocupado. Por exemplo, com um atendente, se chegam 4 clientes por hora e se o atendente tem capacidade para atender 10 clientes por hora, dizemos que a taxa de utilização é 0,40 e podemos também afirmar que o atendente fica40% do tempo ocupado e 60% do tempo livre (essa afirmativa é intuitiva, mas pode ser matematicamente demonstrada). Visto que estudaremos apenas sistemas estáveis (os atendentes sempre serão capazes de atender o fluxo de chegada, ou seja λ < μ teremos sempre ρ < 1. Quando ρ = 1, o atendente trabalhará 100% do tempo (e estranhos fatos ocorrerão). 3.1.3 Intensidade de tráfego ou número mínimo de atendentes Chamamos de intensidade de tráfego a expressão i = |λ/μ| = |TA / IC| em que i é o próximo valor inteiro que se obtém (ou seja, o valor absoluto) e é medido em "erlangs" em homenagem a A. K. Erlang. Na prática i representa o número mínimo de atendentes necessário para atender um dado fluxo de tráfego. Por exemplo, se λ = 10 clientes/hora e TA = 3 minutos (ou μ = 20 clientes / hora) temos λ/μ = 0,5, ou i =1, e concluímos dizendo que 1 atendente é suficiente para o caso. Se o fluxo de chegada aumentar para λ = 50 clientes/hora, temos λ/μ = 2,5, ou i = 3, isto é, necessitamos de no mínimo 3 atendentes. Na indústria telefônica essa variável é bastante utilizada ao se referir a tráfego em troncos telefônicos. 3.1.4 Fórmulas de Little J. D. C. Little demonstrou que, para um sistema estável de filas, temos: NF = λ x TF NS = λ x TS Essas fórmulas são muito importantes, pois, assim como as equações 3.1 e 3.2, fazem referências a quatro das mais importantes variáveis randômicas de um sistema de filas: NS, NF, TS e TF. Por exemplo, se, além de λ e μ conhecemos TS, podemos obter as outras variáveis assim: NS = λ x TS Se TA = 1/μ Portanto: TF = TS TA = TS 1/μ Finalmente: NF = λ x TF É importante salientar que todas as fórmulas acima independem da quantidade de servidores e do modelo de fila, pois se trata de fórmulas fundamentais básicas. O leitor pode observar que existe uma semelhança entre as fórmulas de Little e a fórmula sobre velocidade da física clássica: Little: λ = NF / TF Física: v = e/t (v = velocidade e = espaço t = tempo) 3.1.5 Resumo das fórmulas 3.2 Exemplos Exemplo 1 Em uma fábrica observou-se o funcionamento de um dado setor, em que λ = 20 clientes por hora, μ = 25 clientes por hora e TS = 0,3 hora. Pede se o tamanho médio da fila. Solução: TA = 1/μ = 0,04 TF = TS TA = 0,26 NF = λ ⋅ TF = 5,2 clientes Exemplo 2 Para o mesmo sistema acima, calcular NS e NA. Solução: NS = λ ⋅ TS = 20 x 0,3 = 6 clientes NA = NS NF = 6 5,2 = 0,8 cliente Exemplo 3 Em uma mineração cada caminhão efetua um ciclo em que é carregado de minério por uma das carregadeiras, desloca-se para o britador onde efetua o descarregamento e retorna às carregadeiras. Verificou-se que o tempo médio (TS) dos caminhões junto ao britador é de 12 minutos e que, em média, existem 6 caminhões (NS) nesse setor. Qual a taxa de chegada de caminhões? (Veja FIG. 3.2). Solução: Consideremos o espaço do britador como o sistema em estudo: Pela lei de Little: NS = λ ⋅ TS ou λ = NS/TS Logo: λ = 6/12 = 0,5 chegada por minuto FIGURA 3.2 – Caminhões em uma mineração Exemplo 4 No mesmo sistema acima, existindo um total de 30 caminhões em serviço, qual a duração de um ciclo? Solução: Chamamos de ciclo o tempo gasto para que um caminhão, partindo de um ponto de referência qualquer, percorra todo o sistema e volte ao mesmo ponto. Consequentemente, esse também é o tempo necessário para que todos os caminhões passem pelo mesmo ponto. Se considerarmos o britador como o ponto de referência e conhecendo a taxa de chegada a esse ponto, podemos deduzir o tempo gasto para que todos os caminhões passem por esse ponto: Duração do ciclo = (Quantidade de caminhões) / λ Duração do ciclo = 30/λ = 30/0,5 = 60 minutos Exemplo 5 No mesmo sistema acima, qual o tempo médio para o processo completo de carregamento (ou TFS: tempo fora do sistema)? Solução: Consideremos como sistema em estudo o espaço formado em torno do britador, no qual temos o caminhão que está sendo descarregado e os outros em fila. Por exclusão, um caminhão está fora do sistema quando não ocupa o espaço citado. Um ciclo corresponde à soma do tempo dentro do sistema (TS = 12) mais o tempo fora do sistema (TFS). Logo: TFS + TS = ciclo = 60 minutos TFS = 60 – 12 = 48 minutos 3.2.1 Resumo das fórmulas: continuação Podemos agora acrescentar à nossa tabela a fórmula do ciclo: 3.3 Postulados básicos Apresentamos na FIG. 3.3 alguns postulados básicos que se aplicam a quaisquer sistemas de filas nos quais existe estabilidade, ou seja, λ é menor que μ em todas as estações de trabalho (o ritmo médio de chegada é menor que o ritmo médio de atendimento). FIGURA 3.3 – Postulados básicos 3.4 Exercícios 1) A uma pizzaria que faz entregas em casa, chegam, em 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 6 (NS). Qual 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 de pensar e fornecer dados (TFS) = 15 segundos Quantidade de terminais ativos = 40 Taxa de chegada de transações = 2 por segundo Pede se o tempo de resposta do computador (TS). 4) Em uma mineração temos 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 e NS. 5) Em um sistema de computação temos 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 a taxa de chegada de transações? b) Qual a duração de um ciclo? c) Qual o “tempo médio de pensar e fornecer dados” (TFS)? 6) No desenho seguinte, representativo do fluxo de peças em um setor de uma fábrica, calcule o fluxo de chegada em cada equipamento. Capítulo 4 Os processos de chegada e de atendimento 4 Os processos de chegada e de atendimento O objetivo deste capítulo é analisar os processos de chegada e de atendimento sob a ótica da estatística. 4.1 O processo de chegada Vamos considerar novamente o processo de chegada, agora de uma forma quantitativa. Para exemplificar, vamos nos basear nos dados da TAB. 4.1, que mostra 60 anotações sobre a chegada de veículos a um pedágio. Os valores da tabela mostram quantos veículos chegaram a cada intervalo de 1 minuto entre 7 e 8 horas da manhã. Vemos, por exemplo, que no primeiro minuto chegaram 2 veículos e que no segundo minuto chegou 1 veículo. TABELA 4.1 Ritmos de chegadas de veículos Nas 60 anotações da TAB. 4.1 chegaram 120 veículos, o que fornece: λ = 2 veículos / minuto Além disso, podemos observar que: Menor valor: zero chegada por minuto (ocorreram 9 vezes) Maior valor: 8 chegadas por minuto (ocorreu 1 vez) Quando trabalhamos com dados tais como os acima, devemos nos valer da Estatística para analisá-los corretamente, pois desejamos não apenas conhecer o valor médio, o valor mínimo e o valor máximo como também saber como os valores se distribuem em torno da média. Para efetuar uma análise estatística desses dados, devemos começar agrupando-os como fizemos, por exemplo, na TAB. 4.2. Observe a coluna “frequência relativa”: ela permite uma análise dos dados mais adequada do que a coluna “frequência absoluta”: Por exemplo, vemos que a frequência absoluta da ocorrência de chegarem 3 veículos foi de 9. Essa informação ainda necessita da complementação “... em uma amostra de 60 ocorrências”. O valor da frequência relativa para a ocorrência de chegarem 3 veículos é 0,15 ou 15%. Nesse caso estamos nos referindo a uma convenção mundialmente aceita, em que a base é 1 ou 100. TABELA 4.2 Ritmo x Frequência Na FIG. 4.1 vemos o formato da curva para ritmo de chegada versus frequência relativa. 4.1.1 A distribuiçãode Poisson Fazemos agora a seguinte pergunta: qual é a distribuição estatística que mais se aproxima dos dados reais acima? Para responder a essa pergunta necessitamos comparar a curva acima com as distribuições conhecidas. A ciência estatística possui uma metodologia para isso, segundo a qual se usa como critério de aceitação o teste de excelência de ajustamento baseado no quadrado de x. Não pretendemos nos aprofundar nesta teoria da estatística, mas apenas concluir dizendo que, para o nosso caso, a distribuição que mais se aproxima é a de Poisson. Na TAB. 4.3 e FIG. 4.2 mostramos os dados completos (os dados da coluna Distribuição de Poisson podem ser encontrados nas Referências). A distribuição de Poisson tem se mostrado aplicável a inúmeros tipos de processos de chegadas na vida prática e, assim, seu uso é bastante difundido em modelagem de filas. FIGURA 4.1 – Ritmo versus frequência relativa TABELA 4.3 Frequência relativa versus frequência de Poisson FIGURA 4.2 – Processo de chegada: dados reais versus Poisson Fórmula da distribuição de Poisson A fórmula da distribuição de Poisson é: Equação 4.1 Na FIG. 4.3 vemos o formato de algumas dessas curvas para alguns valores de λ e no Apêndice A mostramos valores para essa distribuição. FIGURA 4.3 – Formatos da distribuição de Poisson Na equação 4.1, f(x) é a frequência relativa (ou probabilidade) em que ocorrem x chegadas na unidade de tempo (por exemplo, o minuto) sendo que λ representa o ritmo médio de chegadas na unidade de tempo. Trata-se de uma distribuição discreta, definida apenas para valores inteiros de x. Importante: Na FIG. 4.3 os pontos foram unidos (formando curvas) por uma questão didática, pois a rigor não existe uma curva visto que a função somente é definida para valores inteiros. Pode-se observar ainda que o visual da distribuição de Poisson tende para a distribuição normal à medida que cresce o valor de λ. Exemplo 1 Em uma fábrica chegam em média 7 pedidos por semana (segundo a distribuição de Poisson). Qual a probabilidade de ocorrer a chegada das quantidades de pedidos abaixo em uma mesma semana? a) zero pedido b) 7 pedidos c) Até 7 pedidos d) Acima de 7 pedidos Solução: Veja o Apêndice A para obtenção dos valores da distribuição de Poisson. a) f(0) = 0,001 b) f(7) = 0,149 c) f(0) + f(1) + f(2) + f(3) + f(4) + f(5) + f(6) + f(7) = 0,598 d) 1 ( f(0) + f(1) + ... + f(7) ) = 1 0,598 = 0,402 O leitor deve agora resolver o exercício 1. 4.1.2 A distribuição exponencial negativa Conforme vimos, a distribuição de Poisson está relacionada com ritmos. Pode-se demonstrar que a distribuição exponencial negativa é a correspondente à distribuição de Poisson quando nos referimos a intervalos entre chegadas. Isso significa que, quando um fenômeno segue Poisson, ele também segue a distribuição exponencial negativa (ou apenas distribuição exponencial), dependendo do que estamos medindo. É o que mostramos a seguir. Poderíamos rever o exemplo anterior do posto de pedágio sob outra ótica: anotando os intervalos entre chegadas. No exemplo anterior, no intervalo de 1 hora chegaram 120 veículos ao pedágio, o que dá uma média de 1 veículo a cada 30 segundos. Visto que 30 segundos representam um intervalo de tempo pequeno para um anotador executar todas as tarefas que teria que desempenhar (parar o relógio, anotar o tempo, reacionar o relógio, etc.), podemos concluir que essa tarefa não seria facilmente executada a não ser que estivesse disponível um equipamento adequado de anotação. Por outro lado, essa tarefa seria fácil no caso de anotação de intervalos de chegadas de navios a um porto (os números a serem anotados seriam horas ou dias), o que tornaria o processo bastante factível. Voltemos ao nosso exemplo do pedágio e suponhamos que temos um aparelho adequado para medir intervalos entre chegadas. Na TAB. 4.4 mostramos os dados coletados para os 100 primeiros veículos e na TAB. 4.5 mostramos os mesmos dados agrupados. TABELA 4.4 Intervalos entre chegadas (segundos) A abordagem estatística mostrada na TAB. 4.5 é um pouco mais sofisticada, pois os dados estão agrupados por faixa de intervalos entre chegadas. Na FIG. 4.4 vemos a forma da curva da frequência relativa. A distribuição estatística que mais se aproxima dos dados reais é a distribuição exponencial negativa e a comparação de dados reais com dados teóricos é mostrada na TAB. 4.5 e na FIG. 4.4. Para a composição dessa tabela utilizamos os dados do Apêndice B e, mais à frente, mostramos como isso foi feito. TABELA 4.5 Comparação de dados reais com a distribuição exponencial negativa FIGURA 4.4 – Dados reais versus distribuição exponencial negativa Generalizando, podemos afirmar (do ponto de vista matemático): Se, ao analisar um processo de chegada, constatarmos que o ritmo de chegada segue a distribuição de Poisson, podemos, então, afirmar que os intervalos entre chegadas seguirão a distribuição exponencial negativa. Fórmulas da distribuição exponencial negativa A fórmula matemática da distribuição exponencial negativa é: ƒ(x) = λe–λx Equação 4.2 em que f(x) é a função densidade, sendo λ o ritmo de chegada e x o tempo. Na FIG. 4.5 (esquerda) vemos a forma dessa função para λ = 2. Para calcular a frequência relativa de ocorrência de chegadas no intervalo t e t + Δt devemos calcular a integral no mesmo intervalo. A integral de x = 0 até x = x é: ƒ(x) = 1 – e–λx Equação 4.3 Na FIG. 4.5 (direita) vemos a representação dessa função para λ = 2. FIGURA 4.5 – Função exponencial negativa: esquerda (função densidade) e direita (função cumulativa) O valor da integral de F(x) no intervalo (t, t + Δt) é: F(t + Δt) F(t) e representa também a probabilidade de ocorrência do fenômeno no intervalo (t, t + Δt). A seguir mostramos algumas aplicações práticas da fórmula anterior com relação ao nosso posto de pedágio, para o qual λ = 2 chegadas por minuto ou 0,033 chegadas por segundo ou IC = 30 segundos. Para efetuar os cálculos abaixo nos baseamos no Apêndice B. Exemplo 2 a) Cálculo da probabilidade de que o intervalo entre duas chegadas seja de até 30 segundos (0,5 min). Solução: F(0,5) = 0,632 Resposta: 63,2% b) Cálculo da probabilidade de que o intervalo entre duas chegadas seja maior que 30 segundos. Solução: 1 F(0,5) = 1 0,632 = 0,368 Resposta: 36,8% c) Cálculo da probabilidade de que o intervalo entre duas chegadas esteja compreendido entre 12 e 24 segundos (isto é, entre 0,2 e 0,4 minutos). Solução: F(0,4) F(0,2) = 0,551 0,330 = 0,221 Resposta: 22,1% O leitor deve agora resolver os exercícios 3 a 5. 4.2 O processo de atendimento Consideremos novamente o pedágio, agora focalizando um determinado atendente. A TAB. 4.6 mostra 100 valores coletados referentes a durações de atendimento. Aqui temos: TA = 20 segundos por cliente ou TA = 0,33 minutos / cliente Ou seja: μ = 3 clientes por minuto TABELA 4.6 Durações do atendimento no pedágio Para efetuar uma análise quantitativa desses dados, é necessário agrupá-los em intervalos (TAB. 4.7), tal como fizemos quando analisamos os intervalos entre chegadas. Em virtude dessa semelhança somos tentados a verificar se os valores da coluna “Frequência relativa” seguem a distribuição exponencial. Se assim procedermos (TAB. 4.7 e FIG. 4.6), concluiremos que existe uma grande diferença entre as curvas, principalmente na primeira metade (até duração igual a 30 segundos). Observe principalmente que a distribuição exponencial prevê uma alta probabilidade para o atendimento até 5 segundos, o que é uma aberração. TABELA 4.7 Dados reais x Exponencial negativa Situações do mundo real quase sempre mostram exatamente isto: a distribuição exponencial geralmente não se adapta ao processo de atendimento. Para esse processo, aliás, não existe uma única distribuição que melhor seadapte e, entre as candidatas com boas possibilidades, encontramos a hiperexponencial de grau m e a Erlang de grau m. A escolha exige uma análise criteriosa, que foge aos objetivos deste livro. Um dos poucos e raros casos em que a distribuição exponencial negativa se adapta ao atendimento é o caso da duração de uma ligação telefônica, que foi, aliás, um dos objetos do estudo de Erlang em 1908, do qual se originou a teoria das filas. FIGURA 4.6 – Processo de atendimento: dados reais versus distribuição exponencial negativa Exemplo 3 A duração média de um telefonema é de 6 minutos e segue a distribuição exponencial negativa. Qual a probabilidade de que a duração seja: a) Até 6 minutos b) Acima de 6 minutos c) Até 1 minuto d) Entre 1 e 6 minutos e) Acima de 30 minutos Solução: (veja valores da distribuição exponencial acumulada no Apêndice B). Visto que TA = 6 minutos, podemos considerar μ = 10 ligações por hora. Observe que estamos utilizando a letra μ, uma vez que estamos nos referindo a atendimento. Devemos inicialmente converter os valores de minutos para horas, visto que os valores das médias foram fornecidos na base horária. Assim, 6 minutos equivale a 0,1 hora e assim por diante: a) F(0,1) = 0,632 ou 63,2% b) 1 F(0,1) = 1 0,632 = 0,368 ou 36,8% c) F(0,011) = 0,153 ou 15,3% d) F(0,1) F(0,011) = 0,632 0,153 = 0,479 ou 47,9% e) 1 F(0,5) = 1 0,993 = 0,007 ou 0,7% O leitor deve agora resolver o exercício 2. 4.3 Chegada e atendimento: conclusões Resumindo os itens anteriores, podemos afirmar que: A escolha entre anotar ritmo ou durações depende da existência de equipamento adequado. Quando dispomos apenas do equipamento convencional (relógio, papel e caneta), essa escolha depende da grandeza dos valores a serem anotados. O processo de chegada geralmente segue a distribuição de Poisson para ritmos ou a distribuição exponencial para intervalos entre chegadas. O processo de atendimento raramente segue as citadas distribuições, a não ser em caso raros e isolados. 4.4 Exercícios 1) Um profissional do ramo da pesquisa operacional foi solicitado a efetuar um estudo em uma firma distribuidora de gasolina. Essa firma tem um pátio com uma bomba, onde os caminhões são carregados com gasolina. Com o aumento das vendas, tem acontecido frequentemente que o pátio fica lotado de caminhões, além de atrapalhar o trânsito na estrada ao lado. Assim, sua missão é redimensionar o pátio no que se refere ao número ótimo de postos de atendimento. Inicialmente, ele estudou o ritmo de chegada, fazendo uma coleta de dados, conforme mostrado a seguir, que relaciona a quantidade de veículos que chegou ao pátio em cada um dos 80 intervalos de 1 hora: Pede-se: verificar graficamente se o ritmo de chegadas se aproxima da distribuição de Poisson. 2) O mesmo profissional do exercício 1 estudou a seguir o processo de atendimento no pátio. Os dados da tabela seguinte mostram a duração de cada atendimento em minutos: Pede-se: verificar graficamente se a duração do atendimento segue a distribuição exponencial negativa. 3) Em uma fábrica as máquinas estragam a um ritmo de 4 falhas por semana, segundo a distribuição de Poisson. Quando uma máquina falha, é enviada uma solicitação de conserto ao departamento responsável pela manutenção. Calcule a probabilidade de, em uma dada semana, chegarem as seguintes quantidades de solicitação de conserto: a) Zero b) 1 falha c) Até 4 falhas d) Mais que 4 falhas e) 12 falhas 4) Em um dado sistema o intervalo médio entre duas chegadas é IC = 10 minutos (ou λ = 6 chegadas por hora, distribuição exponencial negativa). Pede-se a probabilidade de que o intervalo entre duas chegadas seja: a) Até 6 minutos b) Maior que 6 minutos c) Entre 6 e 30 minutos d) Maior que 30 minutos 5) A duração média de carga de um caminhão em uma empresa de atacado é de 20 minutos (ou seja, μ = 3 atendimentos por hora). Considere que o processo segue a distribuição exponencial negativa e calcule a probabilidade de que o tempo de carga seja de: a) Até 10 minutos b) Entre 10 e 20 minutos c) Entre 20 e 30 minutos d) Entre 30 e 40 minutos e) Entre 40 e 50 minutos f) Entre 50 e 60 minutos Conforme vimos neste capítulo, é pouco provável que o processo de carregamento de um caminhão obedeça à distribuição exponencial negativa. Teça comentários qualitativos sobre quais valores seriam mais prováveis para as respostas aos itens anteriores. Capítulo 5 Modelos de filas 5 Modelos de filas Conforme vimos no capítulo anterior, um sistema em que o ritmo de chegada segue a distribuição de Poisson, e o ritmo de atendimento segue a distribuição exponencial negativa encontra poucas aplicações no mundo real. Uma dessas aplicações é o ambiente de telefonia. Olhando apenas o processo de chegada, a distribuição de Poisson geralmente se aplica a qualquer situação real. Para o caso de atendimento, não existe uma única distribuição de uso prático generalizado: cada caso deve ser analisado de per si. Qual é a utilidade de um sistema teórico em que as chegadas seguem Poisson, e o atendimento segue a distribuição exponencial negativa? Para efeitos práticos, certamente teria uso em situações raras e isoladas. Além da aplicabilidade ao cenário de atendimento telefônico, veremos no capítulo 8 que, para valores pequenos da taxa de utilização (ρ), ela fornece os mesmos valores que as outras distribuições para as variáveis randômicas. No entanto, essa abordagem se mostra, do ponto de vista matemático, bastante generosa, visto que permite construir facilmente toda uma teoria. Apesar de os valores obtidos não representarem a realidade corretamente, essa abordagem tem se revelado extremamente útil para melhor compreender o processo de filas, dando-nos um bom embasamento para posteriormente enfocarmos o assunto pela simulação. No próximo capítulo nos ocuparemos do chamado "modelo de Poisson", também conhecido como "modelo marcoviano". Existem diversos outros modelos de filas para analisar situações reais. Neste livro veremos também o modelo em que o ritmo de atendimento segue a distribuição de Erlang. Não nos estenderemos neste caminho, visto que a abordagem matemática se torna muito complexa. 5.1 Teoria das filas: a notação Kendall De uma maneira geral, um modelo de filas pode ser descrito pela seguinte notação: A/B/c/K/m/Z, em que: A descreve a distribuição dos intervalos entre chegadas; B descreve a distribuição do tempo de serviço; c é a capacidade de atendimento ou quantidade de atendentes; K é a capacidade máxima do sistema (número máximo de clientes no sistema); m é o tamanho da população que fornece clientes; Z é a disciplina da fila. Essa notação recebe o nome de notação Kendall, em homenagem ao seu criador, David Kendall. Os valores para A e B dependem do tipo de distribuição a que elas se referem: M: exponencial negativa (ou marcoviana ou Poisson); Em: Erlang de estágio m; Hm: hiperexponencial de estágio m; Determinística; Geral. Assim, por exemplo, M/E2/5/20/∞/randômico significa chegadas marcoviana (ou Poisson), atendimento Erlang de segundo grau, 5 atendentes, capacidade máxima do sistema igual a 20 clientes, população infinita e atendimento randômico. A notação condensada A/B/c é muito usada, e se supõe que não há limite para o tamanho da fila, a população é infinita e a disciplina da fila é FIFO. O modelo M/M/1 ou M/M/c (também conhecido por modelo de Poisson), apesar de ter poucas aplicações práticas, possibilita uma grande aplicação teórica, pois permite que se construa toda uma teoria sobre filas. Com esse modelo podemos calcular tamanhos de filas, tempos, etc.Podemos principalmente efetuar dimensionamentos e estudos financeiros de sistemas com base em filas, exatamente como faríamos com estudos bem mais demorados baseados em simulação. A importância didática desta ferramenta fica, assim, bastante visível. Capítulo 6 O modelo M/M/1 6 O modelo M/M/1 O objetivo deste capítulo é discutir o modelo M/M/1, isto é, aquele em que tanto as chegadas quanto o atendimento são marcovianos (o que é o mesmo que dizer que seguem a distribuição de Poisson ou a exponencial negativa) e em que temos um único atendente. O estudo será feito para os casos de população infinita e finita. Na FIG. 6.1 vemos a representação mais usual para o modelo M/M/1. Nela o retângulo tracejado representa o sistema que está sendo analisado, ao qual chegam clientes que recebem algum atendimento e, então, desocupam o sistema. Para um sistema como o da FIG. 6.1 são válidas as seguintes definições, conforme visto no capítulo 2: λ = Ritmo médio de chegada; IC = Intervalo médio entre chegadas (por definição: IC = 1/λ); TA = Tempo médio de atendimento ou de serviço; μ = Ritmo médio de atendimento de cada atendente (por definição: TA = 1/μ. FIGURA 6.1 – Representação do modelo de fila M/M/1 6.1 População infinita São as seguintes as fórmulas que tratam as principais variáveis randômicas: 6.1.1 A taxa de utilização Chamamos de taxa de utilização a relação entre o ritmo médio de chegada e o ritmo médio de atendimento: Conforme vimos anteriormente, sistemas estáveis exigem λ menor que μ ou ρ < 1. Quando ρ tende para 1, a fila tende a aumentar infinitamente, conforme mostramos a seguir: A expressão anterior nos permite concluir facilmente que, se λ = μ obtemos ρ = 1 e o tamanho da fila é infinito. FIGURA 6.2 – NF x taxa de utilização (ρ) para o modelo M/M/1 A FIG. 6.2 mostra o relacionamento entre NF e ρ. Nela vemos claramente o que ocorre com NF quando ρ tende para 1. Em situações práticas, quando isso ocorre (por exemplo, pelo crescimento do ritmo de chegada causada por um aumento da demanda), deve-se ficar alerta, pois, se NF cresce exponencialmente, isso significa que o mesmo ocorrerá com o tempo na fila (TF) e com o tempo no sistema (TS). Esse fato tem inúmeras aplicações práticas, entre as quais podemos citar: Uma conclusão da observação da FIG. 6.2 é que, se temos um sistema saturado (ρ próximo de 1), basta dobrar nossa capacidade de atendimento (e, então, ρ será menor que 0,5) para que a fila seja menor que 1. Computadores tipo main-frame são instalados nas empresas para trabalhar a uma taxa de utilização abaixo de 60%, quando atendem adequadamente às solicitações em "tempo real". Com o passar do tempo e aumento da demanda, é comum a troca de equipamentos quando eles chegam a uma taxa de utilização de 90%, pois, a partir desse ponto, o "tempo de resposta" geralmente já não é adequado. 6.1.2 Exemplos Exemplo 1: A cabine telefônica Suponhamos que as chegadas a uma cabine telefônica obedecem à lei de Poisson, com ritmo de 6 chegadas por hora. A duração média do telefonema é de 3 minutos, e suponhamos que siga a distribuição exponencial. Pede-se: a) Qual a probabilidade de uma pessoa chegar à cabine e não ter que esperar? b) Qual o número médio de pessoas na fila? c) Qual o número médio de pessoas no sistema? d) Qual o número médio de clientes usando o telefone? e) Qual o tempo na fila? f) Para qual ritmo de chegada teríamos a situação em que o tempo médio de espera na fila seria de 3 minutos? g) Qual é a fração do dia durante a qual o telefone está em uso? Solução: Pelos dados temos: λ = 6 chegadas/hora. Portanto IC = 10 minutos TA = 3 minutos. Portanto, μ = 20 atendimentos/hora a) Trata-se de calcular P0 (probabilidade de não existir ninguém no sistema): P0 = 1 λ/μ = 1 – 6/20 = 0,7 Ou seja, existe uma probabilidade de 70% de que uma pessoa, ao chegar, não encontre ninguém no sistema e possa usar imediatamente o telefone. O complemento desse valor, 30%, significa a probabilidade de uma pessoa ter de esperar. Assim, o telefone fica ocupado 30% do tempo e fica ocioso 70% do tempo. b) c) NS = λ/(μ – λ) = 0,428 d) NA = NS – NF = 0,428 0,128 = 0,300 e) TF = λ/μ(μ – λ) = 6 / 20 (20 – 6) = 0,021 hora = 1,28 minutos f) TF = λ/μ(μ – λ) Para TF = 3 minutos ou TF = 0,05 hora e, mantendo o mesmo μ = 20 clientes / hora, temos que: 10 chegadas/hora g) A fração do dia durante a qual o telefone está em uso é exatamente igual (1 P0), isto é, a probabilidade de que existam pessoas no sistema. Conforme calculado no item “a”, esse valor é 30%. Exemplo 2: O depósito de ferramentas Uma fábrica tem um depósito de ferramentas aonde os operários vão receber as ferramentas especiais para a realização de determinada tarefa. Verificou-se que o ritmo de chegada (λ = 1 chegada/minuto) e o ritmo de atendimento (λ = 1,2 atendimentos por minuto) seguem o modelo marcoviano M/M/1. A fábrica paga $9,00 por hora ao atendente e $18,00 ao operário. Pede-se: a) O custo horário do sistema b) A fração do dia em que o atendente não trabalha Solução: a) O custo horário do sistema é igual à soma do custo horário do atendente mais o custo horário dos operários que, por ficarem no sistema (na fila ou sendo atendidos pelo servidor), não estão produzindo em seus postos de trabalho. Para calcular este último, devemos conhecer o número médio de clientes no sistema (NS). NS = λ/(μ – λ) = 1/(1,2 – 1) = 5 Portanto: Custo horário = (Custo Atendente) + (Custo operários) Custo horário = ($9,00) + (5 x $18,00) = $99,00 b) A fração do dia durante a qual o atendente não trabalha é igual ao valor da probabilidade de não haver nenhum operário no sistema: P0 = 1 – λ/μ = 0,16 No próximo capítulo verificaremos o custo total do sistema com 2 ou mais atendentes. Exemplo 3: Contratação de um reparador Uma empresa deseja contratar um reparador para efetuar manutenção em suas máquinas, que estragam a um ritmo de 3 falhas por hora. Para isso, tem 2 opções: um reparador lento, que é capaz de consertar a um ritmo de 4 falhas por hora ou um reparador rápido, que é capaz de consertar a um ritmo médio de 6 falhas por hora. O salário/hora do reparador lento é de $3,00 e o do reparador rápido é de $5,00. Qual contratação deve ser efetuada para que o custo total (reparador mais máquinas paradas) seja mínimo? Sabe-se que uma máquina parada implica um custo horário de $5,00. Solução: Para calcular o custo das máquinas paradas, devemos calcular o número médio de máquinas paradas (NS). a) Reparador lento NS = λ/(μ – λ) = 3 /(4 – 3) = 3 máquinas Custo das máquinas = 3 x $5,00 = $15,00 Custo do reparador = $3,00 Custo total = $18,00 b) Reparador rápido NS = 3/(6 – 3) = 1 máquina Custo das máquinas = 1 x $5,00 = $5,00 Custo do reparador = $5,00 Custo total = $ 10,00 Comparando, vemos que o reparador rápido, apesar de ter um salário/hora maior, implica um custo total menor. Exemplo 4: Filas sequenciais em uma fábrica Em um sistema de filas sequenciais, conforme figura a seguir, calcule as filas que se formam em cada servidor. Solução: O leitor deve agora resolver os exercícios 1 a 7. 6.2 População finita: o modelo M/M/1/K Um caso particular e bastante encontrado na vida prática é aquele em que a população de clientes é finita. Considere, por exemplo, uma mineração com 1 escavadeira e alguns caminhões. Seja λ = 8 e μ = 10. Na FIG. 6.3 mostramos o tamanho médio da fila (calculado pelas fórmulas a seguir) em função do tamanho da população de caminhões (se a população fosse infinita, teríamos NF = 3,2). FIGURA 6.3 – K (tamanho da população) Fórmulas Na tabela a seguir, K representa a quantidade finita de clientes que estão percorrendo o sistema. 6.3 Exercícios 1) Clientes chegam a uma barbearia
Compartilhar