Vous êtes sur la page 1sur 33

UNIVERSIDADE FEDERAL DO MATO GROSSO

INTRODUO TEORIA DAS FILAS

Flvio Gomes de Moraes


Gecirlei Francisco da Silva
Tacyanne Assis Rezende

Cuiab - MT
Nov. 2011

Flvio Gomes de Moraes1


Gecirlei Francisco da Silva2
Tacyanne Assis Rezende3

INTRODUO TEORIA DAS FILAS

Cuiab - MT
Nov. 2011

Professor da Universidade Federal de Gois - Cmpus Jata


Professor da Universidade Federal de Gois - Cmpus Jata
3
Discente do Curso de Especializao em Matemtica Aplicada da Universidade Federal de Gois Cmpus Jata
2

Contents
1 INTRODUO

2 TPICOS DE PROBABILIDADE
2.1 VARIVEIS ALEATRIA: DEFINIO E CLASSIFICAO . . . . . .
2.2 MODELO DE DISTRIBUIO DE PROBABILIDADE DE POISSON .
2.3 MODELO DE DISTRIBUIO DE PROBABILIDADE EXPONENCIAL

4
4
11
14

3 INTRODUO TEORIA DAS FILAS


3.1 CONCEITOS BSICOS DE FILAS . . . . . . . . . . . . .
3.1.1 ELEMENTOS DE UMA FILA . . . . . . . . . . .
3.1.2 CARACTERSTICAS DE UMA FILA . . . . . . .
3.1.3 OPES DE DIMENSIONAMENTO: O TIPO DE

16
16
16
17
18

. . . .
. . . .
. . . .
FILA

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

4 OS PROCESSOS DE CHEGADA E DE ATENDIMENTO


20
4.1 FRMULAS DO MODELO DE SISTEMA DE UM CANAL E UMA FILA
COM POPULAO INFINITA . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 PROCESSOS DE NASCIMENTO E MORTE (P N M ) . . . . . . . . 22
4.3 MODELOS DE FILAS MARKOVIANOS . . . . . . . . . . . . . . . . . . 25
5 APLICAES
5.1 APLICAO
5.2 APLICAO
5.3 APLICAO
5.4 APLICAO
5.5 APLICAO
5.6 APLICAO

1
2
3
4
5
6

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

26
26
27
28
29
30
31

6 CONSIDERAES FINAIS

31

7 REFERNCIAS

32

INTRODUO

Todas as pessoas j passaram pelo aborrecimento de ter que esperar em filas. Ns esperamos em fila quando estamos no supermercado aguardando para pagar nossas compras,
nos bancos e em muitas outras situaes. Para entender melhor esse fenmeno, um estudo
sobre teoria das filas se faz necessrio. De acordo com (MOREIRA 2010), teoria das filas
um corpo de conhecimentos matemticos, aplicado ao fenmeno das filas.
Pensando sobre este assunto a proposta deste minicurso oferecer informaes bsicas
sobre a Teoria das Filas e suas Aplicaes, para tal, apresentamos os conceitos preliminares
de caracterizao de processos com gerao de fila, seus componentes e fundamentos estatsticos necessrios compreenso dos modelos e suas utilizaes em algumas aplicaes.
O minicurso est organizado da seguinte maneira: na Seo 2 os tpicos de probabilidade, na Seo 3, a introduo aos conceitos da Teoria das Filas, na Seo 4, os processos
de chegada e de atendimento para o sistema de um canal e uma fila com populao infinita
e na Seo 5, as aplicaes.

TPICOS DE PROBABILIDADE

Nesta Seo abordaremos algumas definies de probabilidade, ou seja, a parte Matemtica


que contribui para a fundamentao e entendimento dos conceitos acerca da Teoria das
Filas. As definies aqui apresentadas so pautadas em Mann (2006), Larson e Farber
(2009). So elas: varivel aleatria, varivel aleatria discreta, distribuio de probabilidades de uma varivel aleatria discreta, a distribuio de Poisson, varivel aleatria
contnua e a distribuio Exponencial, cada uma, respectivamente exemplificada.

2.1

VARIVEIS ALEATRIA: DEFINIO E CLASSIFICAO

Varivel Aleatria: uma funo que associa cada elemento do espao amostral a um
nmero real.
Example 1. Vamos considerar o experimento aleatrio que consiste no lanamento de
trs moedas. O espao amostral deste experimento :

S = {(C, C, C) , (C, C, R) , (C, R, C) , (C, R, R) , (R, C, C) , (R, C, R) , (R, R, C) , (R, R, R)}


em que C = cara e R = coroa.
Podemos definir a varivel aleatria de interesse como sendo o nmero de coroas obtidas
no lanamento das trs moedas, ou seja, X: nmero de coroas. De acordo com a difinio
da varivel aleatria, podemos associar a cada ponto amostral um nmero, como mostra
o quadro abaixo:

Resultados (S) X(Imagem)


C, C, C

C, C, R

C, R, C

C, R, R

R, C, C

R, C, R

R, R, C

R, R, R

Observemos que a cada resultado do experimento est associado um nico valor da


varivel aleatria X, a saber, 0, 1, 2 e 3.
Temos que X = 0, com probabilidade 1/8 se, e somente se, ocorre o resultado C, C, C.
Temos que X = 1, com probabilidade (1/8) + (1/8) + (1/8) = (3/8) se, e somente se,
ocorrem os resultados C, C, R ou C, R, C ou R, C, C, que so mutuamente exclusivos.
Temos queX = 2, com probabilidade (1/8) + (1/8) + (1/8) = (3/8) se, e somente se,
ocorrem os resultados C, R, R ou R, C, R ou R, R, C, que so mutuamente exclusivos.
Finalmente, X = 3, com probabilidade 1/8 se, e somente se, ocorre o resultado R, R, R.
Eventos Mutuamente Exclusivos: Dizemos que dois ou mais eventos so mutuamente exclusivos quando a realizao de um exclui a realizao do(s) outro(s). Assim, no
lanamento de uma moeda, o evento tirar cara e o evento tirar coroa so mutuamente
exclusivos, j que, ao se realizar um deles, o outro no se realiza.
Se dois eventos so mutuamente exclusivos, a probabilidade de que um evento A ou
outro evento B se realize igual soma das probabilidades de que cada um deles se realize:
P (A B) = P (A) + P (B) .
Example 2. A Tabela abaixo fornece a distribuio de frequncias absolutas e a distribuio de frequncias relativas para o nmero de Rx positivos, de 10.000 pessoas submetidas a 3 exames radiolgicos (Rx) do trax no diagnstico da tuberculose.

Table 1: Distribuio de frequncias para testes positivos (Rx positivo) entre 10.000 pessoas.
Nmero de Rx positivos
Frequncia (Nmero de
Frequncia Relativa
(+)
pessoas classificadas)
0

9.600

9.600/10.000

= 0, 960

150

150/10.000

= 0, 015

50

50/10.000

= 0, 005

200

200/10.000

= 0, 020

Total
10.000
1, 000
Fonte: Disponvel em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1415790X2003000400012& lng=pt&nrm=iso&tlng=pt>. Acesso em: 18 jul. 2011.
Suponha que uma pessoa seja aleatoriamente selecionada nessa populao. O processo de selecionar aleatoriamente uma pessoa chamado de experimento aleatrio ou
experimento baseado no acaso. Seja X o nmero de Rx positivos da pessoa selecionada.
Ento,X pode assumir qualquer um dos quatro valores possveis (0, 1, 2, 3) apresentados
na primeira coluna da Tabela 1. O valor assumido por X depende de qual pessoa est
sendo selecionada. Dessa maneira, esse valor depende do resultado de um experimento
aleatrio. Por isso, X chamado de varivel aleatria ou varivel decorrente do
acaso. Em geral, uma varivel aleatria representada por X ou Y .
Uma varivel aleatria pode ser classificada em discreta ou contnua. Primeiramente,
vamos definir uma varivel aleatria discreta.
Varivel Aleatria Discreta: Uma varivel aleatria que assume valores contveis
chamada de varivel aleatria discreta.
Na tabela 1, o nmero de Rx positivos de uma pessoa representa um exemplo de uma
varivel aleatria discreta, uma vez que os valores da varivel aleatria, X, so contveis:
0, 1, 2 e 3.
Apresentamos alguns outros exemplos de variveis aleatrias discretas:
O nmero de clientes em uma determinada loja de roupas;
O nmero de carros alugados em uma determinada locadora de veculos;
O nmero de dias chuvosos em um ms;
O nmero de alunos presentes na sala de aula;
O nmero de disciplinas cursadas por aluno;
O nmero de clientes em uma fila de banco;

Entre outros.
Distribuio de Probabilidades de uma Varivel Aleatria Discreta: A distribuio de probabilidades de uma varivel aleatria discreta apresenta todos os valores
possveis que uma varivel aleatria pode assumir, bem como suas probabilidades correspondentes.
O exemplo abaixo ilustra o conceito de distribuio de probabilidades de uma varivel
aleatria discreta.
Example 3. Voltando a Tabela 1 da distribuio de frequncias e da distribuio de
frequncias relativas do nmero de Rx positivos por pessoa, vamos reproduzi-la a seguir,
como sendo a Tabela 2. Seja X o nmero de Rx positivos de uma pessoa aleatoriamente
selecionada. Apresente a distribuio de probabilidades de X.

Table 2: Distribuio de frequncias para testes positivos (Rx positivo) entre 10.000 pessoas
Nmero de Rx positivos
Frequncia (Nmero de
Frequncia Relativa
(+)
pessoas classificadas)
0

9.600

0, 960

150

0, 015

50

0, 005

200

0, 020

Total

10.000

1, 000

Soluo: Sabemos que as frequncias relativas que representam a populao, como o


caso na Tabela 2, elas fornecem as probabilidades efetivas dos resultados. Assim, podemos
utilizar as frequncias relativas da Tabela 2 para descrever a distribuio de probabilidades
da varivel aleatria discreta, X, na Tabela 3.
Table 3: Distribuio de frequncias para testes positivos (Rx positivo) entre 10.000 pessoas
Nmero de Rx positivos (+) Probabilidade P (x)
0

0, 960

0, 015

0, 005

0, 020

Total

1, 000
7

Uma distribuio de probabilidades de uma varivel aleatria discreta deve satisfazer


as duas condies a seguir:
1. A probabilidade atribuda a cada valor de uma varivel aleatria X se posiciona no
intervalo entre 0 e 1; ou seja, 0 P (x) 1 para cada x.
2. A soma das probabilidades atribudas a todos os valores possveis de X igual a 1;
ou seja,
P (x) = 1.
Observe que, na Tabela 3, cada probabilidade apresentada na coluna com P (x) encontrase entre 0 e 1. Da mesma forma
P (x) = 1 . Como ambas as condies esto satisfeitas,
a Tabela 3 representa a distribuio de probabilidades de X. Ainda com base na Tabela
3, podemos ler a probabilidade para qualquer valor de X. Por exemplo, a probabilidade
de que uma pessoa aleatoriamente selecionada tenha a doena, dado que possua um Rx
positivo de 0, 015. Essa probabilidade escrita como
P (X = 1) = 0, 015
ou
P (1) = 0, 015
A probabilidade de que a pessoa selecionada tem a doena, dado que possua mais
de um Rx positivo oferecida pela soma das probabilidades de possuir dois ou trs Rx
positivos. Essa probabilidade 0, 005 + 0, 020 = 0, 025, pode ser escrita como
P (X > 1) = P (X = 2) + P (X = 3) = P (2) + P (3) = 0, 005 + 0, 020 = 0, 025
A partir desta soma, podemos definir a Funo de Distribuio Acumulada que dada
por:
F (x) = P (X x) =

P (xi )
xi x

Observao:
a) A funo de distribuio de X tambm frequentemente chamada de funo de
distribuio acumulada de X.
b) A funo F (x) no-decrescente quando x aumenta, isto , se x1 < x2 , ento
F (x1 ) F (x2 ).
c) Para qualquer valor de x
P (X > x) = 1F (x)
d) Para quaisquer valores x1 e x2 , tais que x1 < x2 ,
P (x1 < X x2 ) = F (x2 )F (x1 )
Varivel Aleatria Contnua: uma varivel aleatria cujos valores no so contveis.
8

Uma varivel aleatria contnua pode assumir qualquer valor, ao longo de um intervalo,
ou mais de um intervalo. Uma vez que o nmero de valores contidos em qualquer intervalo
infinito, o nmero possvel de valores que uma varivel aleatria contnua pode assumir
tambm infinito. Alm disso, no podemos contar esses valores. Por exemplo: o tempo
gasto para completar um exame, a quantidade de leite em um galo, o tempo gasto em
desenvolver uma dada atividade, bem como, o tempo entre as chegadas de duas pessoas a
um balco de informaes.
Funo Densidade de Probabilidade: A funo densidade de probabilidade (f dp) de
uma varivel aleatria X, se existir, definida como a derivada de F (x):
dF (x)
dx
A f dp representa a densidade de probabilidade no ponto x no seguinte sentido: a
probabilidade de que X esteja em um intervalo pequeno na vizinhana de x, isto
f (x) =

{x < X x + h} , e P [{x < X x + h}] = F (x + h) F (x) =

F (x + h) F (x)
h

Se a F (x) tem uma derivada em x, ento medida que h 0


P [{x < X x + h}] f (x) h
Ento f (x) representa a densidade de probabilidade no ponto x no sentido de que
a probabilidade de que X esteja em um pequeno intervalo na vizinhana de x aproximadamente f (x)h, conforme mostrado na Figura 2.1.
Figure 2.1: A funo densidade de probabilidade especifica a probabilidade de intervalos
de largura infinitesimal.

A probabilidade de X estar contido em uma dada faixa de valores igual a rea sob a
curva de f (x), para a faixa de valores de interesse.
Propriedades
9

1. A derivada da F (x), quando existir, positiva desde que a F (x) seja uma funo
no decrescente de x, ento f (x) 0.
2. Seja f (x) uma funo no negativa, a qual chamaremos de funo densidade de
probabilidade, e que especifica as probabilidades de eventos da forma X cai em um
pequeno intervalo de largura dx ao redor do ponto x. As probabilidades de eventos
envolvendo X so ento expressas em termos da f dp adicionando probabilidades de
intervalos de largura dx. medida que as larguras dos intervalos se aproximam de
zero, obtemos uma integral em termos da f dp. Por exemplo, a probabilidade de um
intervalo [a, b] dada por
b
f (x) dx
P [a x b] =
a

A probabilidade de um intervalo , portanto a rea sob f (x) naquele intervalo (ver


Figura 2.2). A probabilidade de qualquer evento que consiste na unio de intervalos
disjuntos pode ser encontrada adicionando-se as integrais da f dp sobre cada um dos
intervalos.

Figure 2.2: A probabilidade de um intervalo [a, b] a rea sob a f dp naquele intervalo.

3. A F (x) pode ser obtida integrando-se a f dp, ou seja,


x
F (x) =
f (t) dt

4. Fazendo x + na equao anterior, obtemos a condio de normalizao para as


f dps

10

f (t) dt = 1

5. Uma f dp vlida pode ser formada a partir de qualquer funo g(x) no negativa e
contnua por partes que tenha uma integral finita
+
g (x) dx = c <

Fazendo f (x) = g(x)/c obtemos uma funo que satisfaz a condio de normalizao. Note
que a f dp precisa ser definida para todos os valores reais de x; se X no toma valores em
alguma regio da reta real, simplesmente fazemos f (x) = 0 na regio.

2.2

MODELO DE DISTRIBUIO DE PROBABILIDADE DE


POISSON

A distribuio de probabilidades de Poisson recebeu esse nome devido ao matemtico


francs Simeon Denis Poisson, representa uma das importantes distribuies de probabilidades de uma varivel aleatria discreta e tem um grande nmero de aplicaes. Essa
distribuio aplicvel a ocorrncias de um evento em um intervalo especificado. Por
exemplo:
Clientes chegando ao caixa de um supermercado;
Acidentes com automveis em uma determinada estrada;
Nmero de carros que chegam a um posto de gasolina;
Nmero de falhas em componentes por unidade de tempo;
Nmero de peas defeituosas substitudas num veculo durante o primeiro ano de
vida;
Usurios de computador ligados Internet;
Nmero de requisies para um servidor em um intervalo de tempo t e etc.
Em todas estas situaes, temos um conjunto de ocorrncias que satisfazem as seguintes
condies:
O nmero de ocorrncias de um evento em um intervalo de tempo (espao) independente do nmero de ocorrncias do evento em qualquer outro intervalo disjunto
ocorrncias independentes umas das outras;
A probabilidade de duas ou mais ocorrncias simultneas praticamente zero;

11

O nmero mdio de ocorrncias por unidade de tempo (espao) constante ao longo


do tempo (espao) ocorrncias distribudas uniformemente sobre o intervalo considerado;
O nmero de ocorrncias durante qualquer intervalo depende somente da durao
ou tamanho do intervalo; quanto maior o intervalo, maior o nmero de ocorrncias.
Portanto, a varivel aleatria X o nmero de ocorrncias do evento em um intervalo que
pode ser o tempo, a distncia, a rea, o volume ou outra unidade anloga.
Condies para Aplicar a Distribuio de Probabilidades de Poisson
As trs condies a seguir devem ser satisfeitas para que seja aplicada a distribuio
de probabilidades de Poisson.
1. X deve ser uma varivel aleatria discreta.
2. As ocorrncias devem ser aleatrias.
3. As ocorrncias devem ser independentes.
Frmula da Distribuio de Probabilidades de Poisson
De acordo com a distribuio de probabilidades de Poisson, a probabilidade de X
ocorrncias em um intervalo :
x e
x!
onde e um nmero irracional aproximadamente igual a 2, 71828 e (pronuncia-se
mi) a mdia dos nmeros de ocorrncias por intervalo de tempo ou espao.
A mdia aritmtica do nmero de ocorrncias em um intervalo, representada por ,
chamada de parmetro da distribuio de probabilidades de Poisson ou parmetro de
Poisson. Podemos observar que pela frmula torna-se bvio a necessidade de conhecermos
somente o valor de para calcular a probabilidade de qualquer valor determinado de x.
Para verificar que a expresso acima representa uma legtima distribuio de probabilidade, basta observar que
P (x) =

P (X = k) =
k=0
k=n

k=0

k=0

k
k!

e k
k!

=1++

= e .e = 1

2
n
+ ... +
= e
2!
n!

Usando a Distribuio de Poisson com Modelos de Queuing


Queuing significa esperar em fila para ser servido. H muitos exemplos de queuing
na vida cotidiana: esperar na fila para ser atendido no caixa de um banco, esperar em um
semforo, esperar na fila de uma loja para aprovao de um credirio e etc.
As distribuies de Poisson so usadas para modelar e prever o nmero de pessoas
(veculos, programas de computador) que chegaro fila. A seguir utilizaremos a distribuio de Poisson para analisar os queues no caixa de um supermercado.
12

Example 4. Considere um supermercado que pode processar um total de quatro clientes


em seu caixa por minuto. Suponha que a mdia do nmero de clientes que chegam ao
caixa por minuto seja 4. Utilizando a frmula da distribuio de probabilidades de Poisson,
encontre a probabilidade de que durante o prximo minuto cheguem ao caixa:
a) exatamente trs clientes.
b) no mximo dois clientes.
c) pelo menos treze clientes.
Soluo: Seja a mdia aritmtica do nmero de clientes que chegam ao caixa por minuto
e X o nmero efetivo de clientes observados durante o minuto seguinte para este caixa.
Ento,
=4
a) A probabilidade de que exatamente trs clientes venham a ser observados durante
o prximo minuto
(64) (0, 01831564)
1, 17220096
(4)3 e4
=
=
= 0, 1954
3!
3.2.1
6
b) A probabilidade de que no mximo dois clientes venham a ser observados durante
o prximo minuto dada pela soma das probabilidades de zero cliente, um cliente e dois
clientes. Portanto, ao utilizarmos a Funo de distribuio Acumulada, temos:
P (X = 3) =

P (X 2) = P (no maximo 2 clientes) = P (0 ou 1 ou 2 clientes) = P (X = 0)+P (X = 1)+P (X = 2)

=
=

(4)0 e4 (4)1 e4 (4)2 e4


+
+
0!
1!
2!

(1) (0, 01831564) (4) (0, 01831564) (16) (0, 01831564)


+
+
1
1
2
= 0, 0183 + 0, 0733 + 0, 1465 = 0, 2381

c) A probabilidade de que pelo menos treze clientes venham a ser observados durante
o prximo minuto obtida somando-se as probabilidades de treze e quatorze clientes.
Observe que quatorze representa o ltimo valor de X para = 4, ou seja, representa o
ltimo valor de X, cuja probabilidade est includa na soma. Entretanto, isso no significa
que, em um determinado minuto, mais do que quatorze clientes cheguem ao caixa. Significa
simplesmente que a probabilidade de quinze ou mais clientes prxima de zero. Isso ocorre
devido ao arredondamento, que estamos considerando, para quatro casas decimais. Logo,
P (X 13) = P (pelos menos 13 clientes) = P (X = 13) + P (X = 14)
(4)13 e4 (4)14 e4
=
+
13!
14!
13

= 0, 0002 + 0, 0001 = 0, 0003


Ao analizarmos a capacidade de atendimento do caixa desse supermercado, percebemos
que se chegassem treze clientes, com certeza teramos uma fila formada para o atendimento
dos mesmos, j que o intervalo de tempo considerado corresponde a processar um total de
quatro clientes por minuto.

2.3

MODELO DE DISTRIBUIO DE PROBABILIDADE EXPONENCIAL

A distribuio exponencial uma distribuio contnua que pode ser aplicada em situaes
problemas nas empresas, como exemplo, na rea de servios prestados, ela tambm tem
utilidade em problemas que envolvem fila de espera.
Quando os servios prestados por uma empresa para clientes externos ou internos so
de durao varivel, a distribuio exponencial indicada para analisar esses experimentos;
por exemplo, a durao do atendimento do caixa de um banco ou de postos de sade, o
tempo de operao sem interrupo de um equipamento, tempo de chegadas a um lavajato, tempo de vida de aparelhos, tempo de espera em restaurantes, etc.
Uma varivel aleatria contnua X, que assume todos os valores no negativos, ter uma
distribuio exponencial com parmetro > 0, se a funo densidade de probabilidade
(f dp) for dada por
f (x) =

ex , x 0
0, x < 0

onde x o valor assumido pela varivel aleatria (tempo entre as chegadas) e a


taxa de ocorrncias da varivel aleatria, que estabelece a taxa de chegadas por hora, por
exemplo, ou de servios por minuto ou alguma outra unidade de tempo. Se a taxa a
mdia de ocorrncias 1 .
Por definio a probabilidade de uma varivel aleatria contnua sempre igual rea
do grfico da curva da funo densidade de probabilidade. Neste caso:
+

A
x
P (X 0) =
f (x) dx =
e dx = lim
ex dx
0

A
= lim ex |A
+ e0 = 0 + 1 = 1
0 = lim e
A

Como

ew dw

P (X x) =
x
A

= lim ew |x = lim eA + ex
A

14

= 0 + ex = ex
Portanto
P (X x) = ex .
Para calcularmos as probabilidades com a funo exponencial, podemos utilizar as
seguintes frmulas:
A probabilidade acumulada de zero at b: P (x b) = 1 eb ;
A probabilidade acumulada complementar: P (x b) = eb , ou como complemento
da anterior P (x b) = 1 P (x b) = eb ;
A probabilidade de que a varivel aleatria tome valores entre dois valores quaisquer:
P (a x b) = P (x b) P (x a)
A distribuio Exponencial apresenta uma propriedade interessante que denominada de
falta de memria, ou seja:
P (X s + t/X s) = P (X s + t

X s) /P (X s) = P (X s + t) /P (X s) =

= e(s+t) /es = et
Portanto,
P (X s + t/X s) = P (X t)
Example 5. Suponha que o tempo mdio entre o pedido e o atendimento num grande
restaurante seja de 10 minutos. Suponha ainda que esse tempo tenha distribuio exponencial. Determine a probabilidade de espera:
a) Superior a 10 minutos;
b) No superior a 10 minutos;
c) No superior a 3 minutos;
d) entre 3 e 10 minutos.
Soluo: Temos que o tempo mdio entre o pedido e o atendimento 1 = 10 minutos,
e queremos calcular:
(a) A probabilidade de que a espera no restaurante seja mais que 10 minutos, ou seja,
P (x b) = P (x 10) = e

10
10

= e1 = 0, 3679 ou 36, 79%

(b) A probabilidade de que a espera no restaurante seja no mximo, 10 minutos, ou


seja,
P (x b) = P (x 10) = 1 e

10
10

= 1 e1 = 1 0, 3679 = 0, 6321 ou 63, 21%


15

(c) A probabilidade de que a espera no restaurante seja no mximo, 3 minutos, ou seja,


3

P (x b) = P (x 3) = 1 e 10 = 1 e0,3 = 0, 2592 ou 25, 92%


(d) A probabilidade de que a espera no restaurante seja entre 3 e 10 minutos, ou seja,
o que se deseja P (3 x 10) . Assim, podemos verificar facilmente que
P (3 x 10) = P (x 10) P (x 3) = 0, 6321 0, 2592 = 0, 3729 ou 37, 29%
Relao entre a Distribuio de Poisson e a Distribuio Exponencial
A distribuio de Poisson mede o nmero de ocorrncias de determinado evento por
unidade de tempo, enquanto a distribuio exponencial indica o tempo decorrido entre
duas ocorrncias. Assim, quando o nmero de ocorrncias de um determinado evento
explicado pela distribuio de Poisson com mdia , o intervalo entre duas ocorrncias
segue a distribuio exponencial com mdia 1 .

INTRODUO TEORIA DAS FILAS

Todas as pessoas j passaram pelo aborrecimento de ter que esperar em filas. Ns esperamos em fila quando estamos no supermercado aguardando para pagar nossas compras,
nos bancos e em muitas outras situaes. Para entender melhor esse fenmeno, um estudo
sobre teoria das filas se faz necessrio. De acordo com (MOREIRA 2010), teoria das filas
um corpo de conhecimentos matemticos, aplicado ao fenmeno das filas.
Os sistemas de filas se descrevem, de forma geral, por um processo de chegada de
clientes (ou produtos) a um sistema de atendimento (beneficiamento, produo) para
receber um ou mais servios, executados por certa quantidade de servidores. Nesse sentido,
as formaes de filas ocorrem porque a procura pelo servio maior do que a capacidade
do sistema de atender a esta procura.
Como forma de aferir o comportamento do sistema de filas, associa-se medidas de
desempenho como tempo mdio de espera dos clientes na fila, tempo mdio de chegada
de clientes, probabilidade de encontrar o sistema lotado, entre outras. Dessa forma, a
teoria das filas tenta atravs de anlises matemticas detalhadas, encontrarem um ponto
de equilbrio que satisfaa o cliente (ou linha de produo) e seja vivel economicamente
para o provedor do servio. Conhecer a terminologia empregada nos estudos de sistemas
de filas o primeiro passo no estudo dessa rea da Pesquisa Operacional.

3.1

CONCEITOS BSICOS DE FILAS

Definiremos a seguir alguns termos bsicos sobre filas de espera.


3.1.1

ELEMENTOS DE UMA FILA

Cliente: Elemento que chega e requer atendimento. Os clientes podem ser pessoas,
mquinas, peas, torcedor que vai comprar ingressos, cartas que chegam e devem ser
entregues, carros estacionados, etc.
16

Alguns sinnimos so usados para o termo cliente, tais como consumidor e usurio.
Canal de atendimento: Processo ou pessoa que realiza o atendimento do cliente.
comum usar o termo atendente para referir ao canal de atendimento. Como exemplo pode
citar a impressora que executa as requisies de impresses numa rede de computadores,
o vendedor de ingressos, o carteiro, o estacionamento, etc.
O comportamento estatstico dos consumidores para acessarem o sistema de filas pode
ser descrito por uma distribuio de probabilidades emprica que pode ser representada
por um modelo analtico conhecido de probabilidade. O modelo de Poisson comumente
usado para descrever a forma como os consumidores so gerados pela fonte e, para definir
completamente essa distribuio, necessrio ter apenas a taxa mdia de chegadas.
O tempo transcorrido desde o comeo do atendimento at a sua concluso para um
consumidor que est recebendo o servio o tempo de servio. Para descrever o atendimento, devemos especificar uma distribuio de probabilidade para os tempos de servio.
A distribuio mais comumente especificada para tempos de servio a distribuio exponencial.
3.1.2

CARACTERSTICAS DE UMA FILA

Conforme ANDRADE (1998), um sistema de filas caracterizado por seis componentes.


Os trs primeiros so obrigatrios e os trs ltimos, se no informados, so considerados
conhecidos:
a) Modelo de chegada dos usurios ao servio: o modelo de chegada usualmente
especificado pelo tempo entre as chegadas dos usurios/servios. Pode ser determinstico,
isto , as chegadas ocorrem em intervalos de tempo exatamente iguais (tempo entre as
chegadas constante), ou ser uma varivel aleatria, quando o tempo entre as chegadas
varivel e segue uma distribuio de probabilidades presumivelmente conhecida.
Alm de sabermos se o modelo de chegada determinstico ou uma varivel aleatria,
precisamos tambm saber a taxa de chegada (lmbida). A constante a taxa mdia
de chegadas dos usurios por unidade de tempo.
b) Modelo de servio (atendimento aos usurios): o modelo de servio normalmente
especificado pelo tempo de servio, isto , o tempo requerido pelo atendente para concluir o atendimento. Da mesma forma que o modelo de chegada, pode ser determinstico
(constante) ou uma varivel aleatria (quando o tempo de atendimento varivel e segue
uma distribuio de probabilidades presumivelmente conhecida). Neste ltimo caso, valem
as mesmas consideraes feitas distribuio de probabilidades associada ao modelo de
chegada dos usurios ao servio.
A constante (mi) a taxa mdia de atendimentos por unidade de tempo, por atendente.
c) Nmero de servidores: o nmero de atendentes disponveis no sistema.
d) Capacidade do sistema: o nmero de usurios que o sistema capaz de atender.
Inclui o nmero de usurios que esto sendo atendidos mais os que esperam na fila. Se
este parmetro no for informado, o sistema considerado com capacidade ilimitada () .

17

e) Tamanho da populao: nmero potencial de clientes que podem chegar a um


sistema. Pode ser finito ou infinito.
f) Disciplina da fila: o modo como os usurios so atendidos. A disciplina da fila
pode ser:
FIFO (first in, first out): primeiro a chegar o primeiro a ser atendido;
LIFO (last in, first out): ltimo a chegar o primeiro a ser atendido;
ALEATRIO, isto , os atendimentos so feitos sem qualquer preocupao com a
ordem de chegada;
COM PRIORIDADE, quer dizer, os atendimentos so feitos de acordo com prioridades estabelecidas;
Se a disciplina da fila no for informada, considerada de acordo com o modelo FIFO.
3.1.3

OPES DE DIMENSIONAMENTO: O TIPO DE FILA

Um sistema de fila pode ser genericamente, catalogado em cinco estruturas bsicas conforme o seu esquema de prestao de servio.
De acordo com Chase, Jacobs e Aquilano (2004), nas estruturas das filas, como mostra
a figura 3.1, o fluxo dos itens a serem servidos pode seguir uma fila nica, filas mltiplas ou
uma mistura das duas. A escolha do formato depende parcialmente do volume de clientes
atendidos e parcialmente das restries impostas pela sequncia que define a ordem pela
qual o servio deve ser realizado.
Canal nico, fase nica: Este o tipo mais simples de estrutura da fila de espera,
e h frmulas diretas disponveis para solucionar o problema do comportamento-padro
da distribuio de chegadas e dos servios. Quando as distribuies no so padronizadas,
o problema facilmente resolvido atravs do uso da simulao computacional. Um exemplo tpico de uma situao de canal nico, fase nica, um salo de beleza com uma nica
pessoa.
Canal nico, fases mltiplas: O sistema de lavagem de carros uma ilustrao porque
uma srie de servios (aspirar, molhar, lavar, enxaguar, secar, limpar os vidros e estacionar) realizada em uma sequncia bastante uniforme. Um fator crtico no caso do
canal nico com sries de servios a quantidade de itens permitidos frente de cada
servio, o que, por sua vez, constitui filas de espera separadas.
Canais mltiplos, fase nica: Os caixas em um banco e os guichs nas lojas de departamentos exemplificam esse tipo de estrutura. A dificuldade com esse formato consiste no
fato de que os diferentes tempos de servio dedicados a cada cliente resultam em velocidade e fluxo desigual entre as filas. Este procedimento faz com que alguns clientes sejam
atendidos antes de outros que chegaram mais cedo, assim como um certo grau de troca
entre as filas por parte dos clientes. Modificar esta estrutura para garantir o atendimento
18

das chegadas em ordem cronolgica poderia levar a uma situao de fila nica, na qual,
medida que um servidor torna-se disponvel, o prximo cliente na fila atendido.
O principal problema deste tipo de estrutura que esta requer um controle rgido da
fila para manter a ordem e direcionar os clientes para os servidores disponveis. Em certas
instancias a atribuio de nmeros aos clientes, por ordem de chegada, ajuda a aliviar este
problema.
Canais mltiplos, fases mltiplas: Este caso similar ao anterior, exceto que dois
ou mais servios so realizados em sequncia. A admisso de pacientes em um hospital
segue este padro, porque uma sequncia especfica de etapas , geralmente, completada:
contato inicial no balco de admisses, preenchimento de formulrios, confeco das pulseiras de identificao, obteno de um quarto, acompanhamento do paciente at o quarto,
e assim por diante. Uma vez que vrios servidores esto geralmente disponveis para este
procedimento, poder ser atendido mais de um paciente por vez.
Misto: Nesse tpico geral, consideram-se duas subcategorias: (1) estruturas mltiplas
para canais nicos e (2) estruturas de caminhos alternativos. Em (1), encontram-se tanto
as filas que se unem em uma nica fila para o servio de fase nica, como no cruzamento
de pontes, em que duas pistas se juntam em uma, quanto as filas que se juntam em uma
para o servio de fases mltiplas, como as linhas de submontagem que se conectam em
uma linha principal. Em (2), encontram-se duas estruturas que diferem nas exigncias
de fluxo direcional. A primeira similar ao caso da estrutura de canais mltiplos, fases
mltiplas, com a diferena de que (a) pode haver mudana de um canal para o prximo
depois que o primeiro servio foi realizado e (b) o nmero de canais e fases pode variar
novamente depois da realizao do primeiro servio.

19

Figure 3.1: Estruturas das Filas


Fase nica
nica
Fases
mltiplas

Fase nica
Estrutura

Canais mltiplos
Fases
Mltiplas

Canal mltiplo para nico

Fase nica
Fases Mltiplas

Misto

Caminhos alternativos:

OS PROCESSOS DE CHEGADA E DE ATENDIMENTO

Sistema de um canal e uma fila com populao infinita


Sero mostradas mais adiante as equaes que definem o modelo de uma fila e um canal,
com populao infinita, que pode ser representado simbolicamente pela figura 4.1.

20

Figure 4.1: Sistema de uma fila e um canal

As equaes desse modelo so baseadas nas seguintes caractersticas dos processos de


chegada e de atendimento aos clientes:
As chegadas se processam segundo uma distribuio de Poisson com mdia chegadas/tempo.
Os tempos de atendimento seguem a distribuio exponencial com mdia 1 (ou seja,
o nmero de atendimentos segue a distribuio de Poisson com mdia ).
O atendimento fila feito por ordem de chegada.
O nmero de clientes potenciais suficientemente grande para que a populao possa
ser considerada infinita.
A condio bsica para que um sistema de fila seja estvel que a taxa de chegada
seja menor do que a taxa de servio, ou seja, tem que ser menor do que 1. Caso
isto no acontea a fila tende ao infinito.
Existem 3 eventos possveis durante a variao do tempo:
A entrada de 1 unidade no sistema;
A sada de 1 unidade do sistema ou
Nenhuma alterao, ou seja, nenhuma chegada ou nenhum trmino de servio.

4.1

FRMULAS DO MODELO DE SISTEMA DE UM CANAL


E UMA FILA COM POPULAO INFINITA

Para Marins (2009), h vrias Variveis de Deciso importantes para a anlise do desempenho do sistema:
(1) Tempo que um cliente permanece na fila;
(2) Nmero de clientes na fila;
(3) Tempo que um cliente permanece no sistema;
(4) Nmero de clientes no sistema;
(5) Ociosidade dos atendentes

21

Como, em geral, estas variveis so aleatrias, pois dependem do comportamento das


chegadas e dos atendimentos, uma maneira de conseguir medir o desempenho de um
sistema de filas introduzir medidas de eficincia que sejam funes dos valores mdios
destas variveis aleatrias.
Para tanto, considera-se o sistema de filas quando ele entra em regime estacionrio,
isto , aps um prolongado perodo de funcionamento (diz-se, tambm, que o sistema est
em equilbrio). Neste caso, denota-se por:
L- Valor mdio do nmero de clientes no sistema (inclui os que esto sendo servidos);
Lq - Valor mdio do nmero de clientes na fila (exclui os que esto sendo servidos);
W - Valor mdio do tempo que um cliente gasta no sistema;
Wq - Valor mdio do tempo que um cliente gasta na fila;
Pn - Probabilidade de que o nmero de clientes no sistema seja n.

4.2

PROCESSOS DE NASCIMENTO E MORTE (P N M )

Segundo Marins (2009), com respeito aos modelos de filas aqui apresentados, eles podem
ser classificados numa subrea conhecida por Processos de Nascimento e Morte.
Definies:
(a) Um Nascimento representa a entrada de um cliente no sistema;
(b) Uma Morte representa a sada de um cliente no sistema;
(c)n = Taxa Mdia de Chegada quando h n clientes no sistema;
(d) n =Taxa Mdia de Servio quando h n clientes no sistema;
Para Costa (2004), o diagrama abaixo representa as transies de estados sendo possvel
verificar que o fluxo de entrada em um estado igual ao seu fluxo de sada.
Figure 4.2: Diagrama de Balano

Assim, i e i sero chamados de taxas de nascimento e morte, no estado i, respectivamente. A matriz geradora ser dada por

0
0
0
0 0 ...
1 (1 + 1 )
1
0 0 ...

(
+

0
.
.
.
Q=
2
2
2
2

...
...
...
... ... ...
...
...
...
... ... ...
22

e a cadeia de Markov ser dada por


0

P =

1
0

1
(1 +1 )

2
(21 +21 )

0
...
...

0
1
(1 +1 )

0
...
...

...
...

0
0
2
(2 +2 )

...
...

0
0
0
...
...

...
...
...
...
...

Com as condies apropriadas em n e n ,uma soluo de estado de equilibrio existe e


pode ser determinada de 0 = P Q, de forma que, equaes de balano para o processo de
nascimento e morte podem ser geradas como a seguir:
j1 Pj1 + j+1 Pj+1 (j + j ) Pj = 0, para j 1
1 P1 0 P0 = 0

(I)

(II)

Isolando Pj+1 , em (I) ,temos:


Pj+1 =

j1
(1 + 1 )
Pj
Pj1
j+1
j+1

(III)

Isolando P1 , em (II) , temos:


P1 =

0
P0
1

(IV)

Fazendo j = 1, em (III)e em seguida substituindo P1 , pela equao (IV) :


P2 =

(1 + 1 )
0
P1 P0
2
2

0
(1 + 1 ) 0
. P0 P0
2
1
2
Organizando mais um pouco temos:
P2 =

P2 =

1 0 P0 + 1 0 P0 1 0 P0

1 .2
1 .2

P2 =

1 0 P0
1 2

(V)

Fazendo j = 2, em (III) , em seguida, substituindo P1 , pela equao (IV) e P2 , pela


equao (V) :
P3 =
P3 =

(2 + 2 )
1
P2 P1
3
3

(2 + 2 ) 1 0 P0 1 0
.
. P0
3
1 2
3 1
23

Organizando mais um pouco temos:


P3 =

2 1 0 P0 + 2 1 0 P0 2 1 0 P0

1 2 3
1 2 3
2 1 0 P0
3 2 1

P3 =

..
.
Podemos perceber que h um padro se estabelecendo, ou seja,
Pn =

n1 n2 ...0 P0
, (n 1)
n n1 ...1

ou ainda,
n

Pn = P0
i=1

i1
i

sabemos que

Pn = 1,
n=0

tem-se que

P0 +

Pn = 1
n=1

ou ainda:

P0

P0 +
n=1

P0

i=1
n

1+
n=1

i=1

i1
i

= 1 P0 + P0

i1
i

= 1 P0 =

P0 =

n=1

i=1

n=1

i=1

1+

=1

1
1+

i1
i

i1
i

n=1

n
i=1

i1
i

Portanto temos que P0 a proporo do tempo em que o sistema fica vazio, ou seja, os
atendentes ficam ociosos, e sabemos que pela expresso de Pn possvel calcular os valores
de probabilidade de ter n clientes no sistema.

24

4.3

MODELOS DE FILAS MARKOVIANOS

Nesse trabalho ser usado especificamente o modelo de sistema de um canal e uma fila
com populao infinita, com suas devidas equaes. As equaes do modelo se baseiam
nas caractersticas dos processos de chegada e de servio (atendimento). Ele tambm um
dos principais modelos de filas conhecidas como Markovianas, ou seja, tm as chegadas e
os atendimentos seguindo as distribuies de Poisson e Exponencial.
Taxa mdia de chegada (Poisson): n
Taxa de servio mdio (Exponencial): n
Nmero de atendentes: 1
Disciplina de atendimento: FIFO.
Obs.: Como no h limitaes (na fila ou na fonte) as taxas de chegada e servio
independem do estado do sistema, isto , n = e n = , n = 1, 2, 3, ...
Usando as expresses, deduzidas anteriormente, para P0 e Pn , tem-se: se, < 1.
1

P0 =
1+

i=1

n=1

Pn = P0
i=1

Aqui (rh) =

n=0

i1
i

=1

= P0

denominado fator de utilizao da estao de servio e assim:


Pn = (1 ) n , com n = 0, 1, 2, ...

Com as expresses de P0 e Pn pode-se obter:

n (1 ) = (1 )

n.Pn =

L=
n=0

n=0

n=0

(1 ) .

= (1 )

n=0

n1

n=0

dn
=
d

d (1 )1

= (1 )
=
=
d
1

Assim, o nmero mdio (esperado) de unidades no sistema dado por L =

(n 1) Pn =

Lq =
n=0

n.Pn
n=0

n.Pn

Pn =
n=0

n=0

Pn = L (1 P0 ) =
n=0
2

2
( )

Assim, o nmero mdio (esperado) de unidades na fila: Lq = ()


1
Como, L = W (Frmula de Little) tem-se W = ()
, que nos fornece o tempo mdio
(esperado) que cada unidade permanece no sistema.

E como, Lq = Wq (Frmula de Little) tem-se Wq = ()


que nos fornece o tempo
mdio (esperado) que cada unidade permanece na fila.

25

Podemos ter ainda as seguintes relaes entre as medidas bsicas:

Lq = L

= .Wq

L = Lq +

= .W

Wq = W

1
Lq
=

W = Wq +

L
1
=

APLICAES

Nesse tpico, vamos realizar um estudo descritivo de sistemas com uma nica estao de
atendimento ou de processamento e calcular elementos tais como: probabilidades de o
sistema estar vazio, com um cliente, com dois, etc; nmero mdio de clientes na fila e no
sistema; nmero mdio de clientes sendo atendidos; tempo mdio de espera na fila; tempo
mdio gasto no sistema; entre outros.

5.1

APLICAO 1

Clientes chegam a uma barbearia, de um nico barbeiro, com uma durao mdia entre
chegadas de 20 minutos. O barbeiro gasta em mdia 15 minutos com cada cliente.
a) Qual a probabilidade de um cliente no ter que esperar para ser atendido?
b) Qual o nmero esperado de clientes no salo do barbeiro? Na fila?
c) Quanto tempo, em mdia, um cliente permanece no salo?
d) Quanto tempo, em mdia, um cliente espera na fila?
e) O barbeiro est estudando a possibilidade de colocar outro barbeiro desde que o
tempo de permanncia mdio de cada cliente no salo passe a 1, 25 hora. Para quanto
deve aumentar a taxa de chegada de modo que este segundo barbeiro fique justificado?
Soluo:
Em uma hora: Durao mdia entre chegadas 20 minutos. Chegam 3 clientes por
hora. O tempo de servio do barbeiro 15 minutos com cada cliente, logo ele atende em
mdia 4 clientes por hora. Ento:
Taxa de chegada: = 3 clientes/h.
Taxa de servio: = 4 clientes/h.
(a) Para calcularmos a probabilidade de um cliente no ter que esperar para ser servido
necessrio que o sistema esteja ocioso, assim
P0 = 1

3
43
1

=1 =
= = 0, 25 ou 25%

4
4
4
26

(b) O nmero esperado de clientes no salo do barbeiro dado por:


L=

3
=
= 3 clientes.

43

O nmero esperado de clientes na fila dado por:


Lq =

2
32
9
=
= = 2, 25 clientes
( )
4 (4 3)
4

(c) O tempo, em mdia, que um cliente permanece no salo calculado por:


W =

1
1
=
= 1 hora
( )
43

(d) O tempo, em mdia, que um cliente espera na fila calculado por:


Wq =

3
3
=
= = 0, 75 hora
( )
4 (4 3)
4

(e) O objetivo do estudo do barbeiro leva em considerao a contratao de outro


barbeiro em sua barbearia, mas para isso, tomaremos o tempo de permanncia mdio de
cada cliente no salo de 1, 25 hora, ou seja, W = 1, 25 h, consideraremos ainda que a taxa
de servio continua a mesma e devemos calcular o valor de . Ento, como:

W =

1
1
4
1
, temos 1, 25 =
1, 25 =
51, 25 = 1 =
= 3, 2
( )
( )
(4 )
1, 25

Portanto, para que o barbeiro coloque outro barbeiro no salo a taxa de chegada deve
aumentar em 3, 2 clientes/h.

5.2

APLICAO 2

Fregueses chegam aleatoriamente a uma padaria taxa mdia de 12/hora. O nico empregado da padaria pode servir fregueses taxa mdia de 20/hora. O empregado recebe
R$3/hora enquanto que o tempo que os fregueses perdem na padaria est estimado em
R$8/hora. O dono da padaria est considerando a instalao de um equipamento de autoservio que far com que a taxa de atendimento aos fregueses passe para 42 fregueses/hora.
O custo do equipamento de auto-servio de R$30/dia. Considerando que a padaria funciona 12 horas/dia, justifique economicamente se o equipamento de auto-servio deve ou
no ser comprado.
Soluo:
Taxa de chegada: = 12 fregueses/h.
No problema temos que considerar duas situaes: situao atual e situao proposta.
Na situao atual, temos:
Taxa de servio: = 20 fregueses/h.
27

Custo do servio do empregado: R$3/h x 12h/dia = R$36/dia


Tempo mdio que um fregus permanece na padaria:
W =

1
1
1
=
= = 0, 125 hora
( )
20 12
8

Custo de um fregus: 0, 125 h x R$8/h = R$ 1, 00


Custo da fila: R$1 x 12 /fregueses/h x 12 h/dia = R$ 144, 00 por dia
Custo total: Custo do servio do empregado + custo da fila
Assim, R$ 36, 00 + R$ 144, 00 = R$180/dia
Agora vamos considerar a situao atual, temos:
Taxa de servio: = 42 fregueses/h.
Custo do servio do empregado: R$36/dia
Custo do equipamento de auto-servio: R$30/dia
Tempo mdio que um fregus permanece na padaria:
W =

1
1
1
=
=
= 0, 0333 hora
( )
42 12
30

Custo de um fregus: 0, 0333 h x R$8/h = R$ 0, 266


Custo da fila: R$0, 266 x 12 fregueses/h x 12 h/dia = R$ 38, 30
Custo do servio: Custo do servio do empregado + custo do equipamento de autoservio
R$36/dia + R$30/dia = R$66/dia
Custo total: Custo do servio + custo da fila
Assim, R$ 66, 00 + R$ 38, 30 = R$ 104, 30/dia
Diante da anlise das duas situaes apresentadas no problema, podemos concluir que
economicamente o equipamento de auto-servio deve ser comprado, pois o custo total ser
de R$ 104, 30/dia, ou seja, inferior ao da situao atual.

5.3

APLICAO 3

O nmero mdio de carros que chegam a um posto de informaes igual a 10 carros/hora.


Assumindo que o tempo mdio de atendimento por carro seja de 4 minutos, e ambas as
distribuies de intervalos entre chegadas e tempo de servio sejam exponenciais.
a) Qual a probabilidade do posto de informaes estar livre?
b) Qual a quantidade mdia de carros esperando na fila?
c) Qual o tempo mdio que um carro gasta no sistema (tempo na fila mais o tempo de
atendimento)?
d) Quantos carros sero atendidos em mdia por hora?
Soluo:
De acordo com os dados do problema, temos:
Taxa de chegada: = 10 carros/hora.
28

Taxa de atendimento: o tempo mdio de atendimento por carro de 4 minutos, ou


seja, 15 carros/hora. Sendo assim, = 15 carros/hora.
(a) a probabilidade do posto de informaes estar livre dada por
P0 = 1

10
15 10
5
1
=1
=
=
= = 0, 3333 ou 33, 33%

15
15
15
3

(b) a quantidade mdia de carros esperando na fila obtida por


Lq =

102
100
100
4
2
=
=
=
= = 1, 33 carros
( )
15 (15 10)
15.5
75
3

(c) o tempo mdio que um carro gasta no sistema oferecido por


W =

1
1
1
=
= = 0, 2 hora ou 12 minutos.
( )
15 10
5

(d) Se a ocupao mdia do posto fosse de 100%, ento, o nmero mdio de carros
atendidos por hora seria de 15 carros. Sendo a ocupao mdia, igual a 1P0 , ou seja,
igual a 23 , ento o nmero de carros atendidos por hora seria de:
30
2
= 10 carros por hora.
15. =
3
3

5.4

APLICAO 4

Supondo-se que a chegada de um navio ao bero porturio siga a distribuio de Poisson,


com uma taxa de 6 navios por dia. A durao mdia de atendimento dos navios de 3
horas, seguindo-se a distribuio exponencial.
a) Qual a probabilidade de um navio chegar ao porto e no esperar para atracar?
b) Qual a quantidade mdia de navios na fila do porto?
c) Qual a quantidade mdia de navios no sistema porturio?
d) Qual a quantidade mdia de navios utilizando o porto?
e) Qual o tempo mdio de um navio na fila?
f) Qual deve ser a taxa de chegada de um navio para que o tempo mdio na fila seja
de 3 horas?
g) Qual a probabilidade do bero porturio estar um uso?
Soluo:
Pelos dados apresentados no problema, temos que:
Taxa de chegada: = 6 navios/dia.
Taxa de atendimento: Sabemos que a durao mdia de atendimento dos navios de
3 horas, ou seja, 8 navios/dia. Assim sendo, = 8 navios/dia.
(a) a probabilidade de um navio chegar ao porto e no esperar para atracar dada por
P0 = 1

6
86
2
1
=1 =
= = = 0, 25 ou 25%

8
8
8
4
29

(b) a quantidade mdia de navios na fila do porto obtida por


Lq =

2
62
36
36
9
=
=
=
= = 2, 25 navios
( )
8 (8 6)
8.2
16
4

(c) a quantidade mdia de navios no sistema porturio calculada por


L=

6
=
= 3 navios

86

(d) a quantidade mdia de navios utilizando o porto fornecida por


L Lq = 3 2, 25 = 0, 75 navio
(e) o tempo mdio de um navio na fila dado por
Wq =

6
6
6
3

=
=
=
= = 0, 375 dia ou 9 horas.
( )
8 (8 6)
8.2
16
8

3
(f) Considerando agora o tempo mdio na fila de 3 horas, temos Wq = 24
h=
0, 125 dia, mantendo-se a mesma taxa de atendimento = 8 dias, devemos calcular a
nova taxa de chegada () de um navio. Assim,

Wq =

8
0, 125 =
= 1 (8 ) + = 8 = = 4 navios/dia
( )
8 (8 )
2

(g) Se a probabilidade de no ter nenhum navio no bero porturio de 25%, ento a


probabilidade de ter-se um navio atracado de 1P0 = 10, 25 = 0, 75 ou 75%.

5.5

APLICAO 5

Uma distribuidora de combustveis utiliza caminhes para transportar o seu produto.


Sabendo-se que esta empresa s tem um ponto de abastecimento dos caminhes, que a
taxa de chegada dos caminhes de 4 unidades por hora, que a taxa de atendimento
de 5 unidades por hora, que os custos horrios do funcionrio que abastece o veculo
de 5, 00 unidades monetrias e do motorista de 12, 00 unidades monetrias, calcule o
custo horrio do sistema e a probabilidade do funcionrio que abastece ficar sem nenhum
caminho para abastecer.
Soluo:
De acordo com os dados apresentados no problema, temos:
Taxa de chegada: = 4 caminhes/hora.
Taxa de servio: = 5 caminhes/hora.
Custo do funcionrio que abastece o caminho: 5, 00 unidades monetrias.
Custo do motorista: 12, 00 unidades monetrias.
Quantidade de caminhes no sistema:

30

L=

4
=
= 4 caminhoes.

54

Por hora o funcionrio abastece 4 caminhes, ento podemos calcular o custo do sistema
por:
Custo horrio do sistema: 5, 00 + (12, 00 x 4) = 5, 00 + 48, 00 = 53, 00 unidades monetrias.
Probabilidade de no ter nenhum caminho para ser abastecido:
P0 = 1

5.6

4
54
1

=1 =
= = 0, 2 ou 20%

5
5
5

APLICAO 6

Um tcnico de laboratrio gasta 30 minutos em mdia para reparar rels. Considere que
o tempo distribui-se conforme uma distribuio exponencial negativa. Os rels chegam
recepo do laboratrio segundo a distribuio de Poisson a uma taxa mdia de 10 rels
por dia. Considere um turno de 8 horas de trabalho. Eles so reparados de acordo com a
ordem de chegada.
a) Qual a folga mdia do tcnico por dia de trabalho?
b) Em mdia, quantos rels se encontram na oficina aguardando reparao?
Soluo:
Dados do problema:
es
= 1, 25 reles/h
Taxa de chegada: = 8 horas10derel
trabalho
Taxa de atendimento (Tempo para reparao): 30 minutos, ou seja, = 2 rels/h
(a) a folga mdia do tcnico por dia de trabalho calculada por
P0 = 1

1, 25
2 1, 25
0, 75

=1
=
=
= 0, 375 ou 37, 5%

2
2
2

Como o tcnico possui um turno de 8 horas de trabalho, temos: 0, 375 x 8 = 3 h.


Portanto, o tcnico possui 3 horas em mdia de folga por dia de trabalho.
(b) a quantidade, em mdia, de rels que se encontram na oficina aguardando reparao
dada por
2
(1, 25)2
1, 5625
1, 5625
Lq =
=
=
=
= 1, 04 aparelho
( )
2 (2 1, 25)
2. (0, 75)
1, 5
Logo, em mdia, 1, 04 rel se encontra na oficina aguardando reparao.

CONSIDERAES FINAIS

O uso da Teoria de Filas uma ferramenta til para avaliar a operacionalidade de um


sistema. O tratamento dos dados e a anlise dos resultados permitem concluir sobre o

31

comportamento dos trs componentes do processo: gerncia-atendimento-cliente, que tem


tendncias diferentes e devem ser conciliadas em um resultado final.

REFERNCIAS

ACHCAR, J. A.; RUFFINO NETTO, A. Estudo da Prevalncia da Tuberculose: uso


de mtodos bayesianos. Revista Brasileira de Epidemiologia, Ribeiro Preto, SP, v. 6,
n. 4, dez. 2003. Disponvel em: <http://www.scielo.br/scielo. php?script=sci_arttext&p
id= S1415-790X2003000400012 &lng=pt&nrm=iso&tlng=pt>. Acesso em: 18 jul. 2011.
ANDRADE, Eduardo Leopoldino de. Introduo a Pesquisa Operacional: mtodos e modelos para anlise de deciso. 3. ed. Rio de Janeiro: LTC, 2004.
CHASE, R. B.; JACOBS, F. R.; AQUILANO, N. J. Administraao da Produao para
a Vantagem Competitiva. 10. ed. Porto Alegre, RS.: Bookman, 2004. Disponvel
em: <http://books.google.com/books?id= V31ZM wbz9g AC&pg= PA243&lpg =PA243
&dq=t eoria+das +filas+ Richard+B .+Chase, +F.+Robert+Jacobs, +Nicholas +J.+Aq
uilano &source =bl&ots =rraalT XHAM &sig= 0YEZfGF pNIz7w UMn1VHS CrH6oAs
&hl=pt- BR&ei= hZV4Tt enGOHI0 A HW0Y XdCw& sa=X& oi=book _resul t&ct= result& resnum= 1&sqi= 2&ved= 0CBwQ 6AEw AA #v= onepage &q&f= false> . Acesso
em: 07 set. 2011.
COSTA, L. C. Teoria das Filas. Disponvel em: <http://www.deinf.ufma.br/ ~mario/
grad/ filas/TeoriaFilas_Cajado.pdf>. Acesso em: 20 maio 2011.
LARSON, R.; FABER, B. Estatstica Aplicada. 2. ed. So Paulo: Pearson, 2004.
638p.
MANN, P. S. Introduo Estatstica. 5. ed. Rio de Janeiro: LTC, 2006. 762p.
MARINS F. A. S. Introduo Pesquisa Operacional. Disponvel em: <http://www.
ebah.g com.br/ content/ ABAAAAlkoAE/introducao-a-pesquisa-operacional>. Acesso
em: 15 ago. 2011.
MOREIRA, D. A. Pesquisa Operacional Curso Introdutrio. 2. ed. So Paulo:
Thomson Learning, 2007.
SILVA, A. N. S. da. et al. Estudo comportamental do sistema de uma casa lotrica
utilizando tcnicas de simulao. 2008. Disponvel em: < http://www.saepro.ufv.br/
Image/ artigos/Artigo1.pdf>. Acesso em: 13 jun. 2010.
YNOGUTI, C. A. Probabilidade, Estatstica e Processos Estocsticos. 2011.
Disponvel em: <http://www.inatel.br/docentes/dayan/TP501/Apostila%20TP501%2032

%20Ynoguti,% 202011.pdf>. Acesso em: 10 set. 2011.

33