Académique Documents
Professionnel Documents
Culture Documents
Populao
Sistema
Pgina 1 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Custo
Custo
Ct
Cg
Cg
Cu
Cu
Processo de Entrada
Usurios chegando ao banco
Processo de Sada
Usurio atendido pelo
caixa
Pizzaria envia pizzas
Atendimento em
pizzaria
Banco de Sangue
Estaleiro de
Navios
2. DEFINIES IMPORTANTES
A seguir sero definidos alguns componentes e variveis importantes para
compreenso sobre os sistemas de filas.
Tamanho da populao - Tamanho do grupo que fornece os clientes. Para
tamanhos maiores que 30, geralmente, considera-se que a populao infinita, ou
ainda, que a chegada de um cliente no afetar significativamente a probabilidade
da chegada de outro cliente. Quando a populao for pequena, ou seja, menor que
30, o efeito existe e pode ser considervel.
Clientes So unidades da populao que chegam para o atendimento, como por
exemplo, pessoas, peas, mquinas, navios, automveis etc..
Fila (linha de espera) - Nmero de clientes esperando atendimento. No inclui o
cliente que est sendo atendido;
Prof. Marcelo Sucena
Pgina 2 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Pgina 3 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Observao Importante
Considerando-se que um observador esteja analisando um sistema de atendimento e
conclua que provavelmente o mesmo concluir que no deveria haver fila
naquele sistema, pois a taxa mdia de atendimentos do sistema ( ) maior que a taxa
mdia de chegadas ( nele. Vale lembrar que este tipo de anlise seria correta se os
processos de chegada e de atendimento fossem regulares. Mas, sabendo-se que
esses processos so raros na vida real, chega-se a concluso que existe um fator de
aleatoriedade no sistema.
A abordagem matemtica da teoria das filas exige que exista estabilidade no sistema
(chegada e atendimento), ou seja , considerando-se com isso que edevem
se manter constantes em relao ao tempo. Do contrrio, devem-se utilizar modelos de
simulao por computador para efetuar tais anlises do sistema.
3. CONDIES DE OPERAO DO SISTEMA
Quando essas filas ultrapassam o valor estimado ou normal, pode-se concluir que
o sistema est na fase de congestionamento. Nesta fase a qualidade e a produtividade
do sistema decresce e o custo operacional tende a subir.
Existem diversos fatores que podem interferir no desempenho de um sistema, tais
como:
a forma de atendimento aos clientes;
a forma da chegada dos clientes;
a disciplina da fila e
a estrutura do sistema.
3.1. Forma do Atendimento aos Clientes
O primeiro passo para a anlise de um sistema de filas o levantamento
estatstico do nmero de clientes atendidos por unidade de tempo, ou do tempo gasto
em cada atendimento. Este procedimento viabiliza a determinao da distribuio de
probabilidade do nmero de atendimentos ou a durao de cada atendimento.
Por exemplo, observando-se a tabela a seguir onde est expresso o tempo de
atendimento a 100 clientes, em segundos, de um certo atendente, pode-se chegar ao
valor de .
20
19
20
25
21
18
22
24
18
18
22
20
23
18
15
20
21
24
15
20
23
18
25
18
17
19
23
25
14
18
18
17
17
17
18
18
20
21
17
22
17
23
14
17
19
20
21
23
13
24
15
22
15
25
22
22
20
20
18
14
21
21
22
26
15
23
23
19
19
24
20
21
20
23
14
24
22
18
18
24
25
22
23
25
15
25
21
17
19
23
26
23
21
24
17
22
20
17
20
25
Pgina 4 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Dados Importantes
Menor Valor (segundos)
Maior Valor (segundos)
Quant. de Atendimentos
Mdia (segundos / cliente)
13
26
100
20,19
Frmula no Excel
=MNIMO(Dados)
=MXIMO(Dados)
=CONT.VALORES(Dados)
=MDIA(Dados)
A mdia aritmtica resulta no tempo mdio de atendimento por cliente, ou seja, 20,19
segundos para cada cliente.
Convertendo para minutos 20,19 seg. 60 min. = 0,3365 min./cliente
A taxa mdia de atendimentos pode ser ento calculada: = 1 cliente / 0,3365 min. =
2,97 clientes/minutos.
Os dados a seguir esto agrupados de forma que se possa avali-los em relao a sua
distribuio em relao mdia. As faixas so determinadas pela Regra de Sturges.
Frequncia
Faixas
Absoluta
>10
11-13
14-16
17-19
20-22
23-25
26-28
29>
Frmula no Excel
0 ={FREQUNCIA(Dados;Limite Mx.Tempo)}
1
10
29
32
26
= 100
Frequncia
Relativa
(Probabilidade)
0
0,01
0,10
0,29
0,32
0,26
0,02
0
1
Pgina 5 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Freqncia Relativa
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0
10
15
20
Durao
25
30
35
4
2
2
2
4
2
5
1
4
5
5
2
3
3
4
6
5
1
3
4
3
6
2
3
2
3
2
6
1
3
1
4
2
3
1
2
4
2
1
3
1
1
4
3
1
5
2
3
5
4
2
5
1
1
Pgina 6 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Dados Importantes
Menor Valor (quant.carros)
Maior Valor (quant.carros)
Quant. Total de Veculos
Perodo Total de Anlise (minutos)
Quant. de Carros / minuto (
Frmula no Excel
1 =MNIMO(Dados)
6 =MXIMO(Dados)
173 =CONT.VALORES(Dados)
60
2,88 Total Vec./ Total Tempo
Os dados a seguir esto agrupados de forma que se possa avali-los em relao a sua
distribuio em relao a mdia.
Quant.
Frequncia
Frequncia
de
Frmula no Excel
Relativa
Absoluta
Carros
(Probabilidade)
0
0 ={FREQUNCIA(Dados;Quant.Carros)}
0
1
13
0,22
2
15
0,25
3
12
0,20
4
9
0,15
5
8
0,13
6
3
0,05
7
0
0
= 60
1
Para saber-se como os valores se distribuem em torno da mdia necessita-se plotar os
dados em um grfico.
Freqncia Relativa
0,3
0,25
0,2
0,15
0,1
0,05
0
0
3
4
5
Quant.de Carros
Pgina 7 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Exemplos:
FIFO (First-In-First-Out) ou FCFS (first come, first served): primeiro cliente a chegar
fila ser o primeiro a ser atendido.
LIFO (Last-In-First-Out) ou LCFS (last come, first served): o ltimo cliente a chegar
fila o primeiro a ser atendido.
SIRO (Service-In-Random-Order): o atendimento dos clientes faz-se por ordem
aleatria.
SPT (Shortest-Processing-Time first): o cliente a ser atendido em primeiro lugar
ser aquele cujo tempo de atendimento menor.
PR (Priority Rules): o atendimento faz-se de acordo com as regras de prioridades
pr-estabelecidas.
Cada Sistema de Filas pode ser descrito segundo a notao de Kendall 1 por seis
caractersticas ( A / B / c / K / m / Z).
A primeira caracterstica (A) especifica a distribuio dos intervalos entre chegadas
e a segunda caracterstica (B) especifica a distribuio do tempo de servio. Podem-se
utilizar as seguintes abreviaes padres:
KENDALL, D.G., Stochastic processes occurring in the Theory of Queues and their analysis by the method of imbedded
Markov chains, p. 338-354 Ann. Math. Statist. 24, 1953.
Pgina 8 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Observaes:
* Para k = 1 a
distribuio de Erlang
= distribuio
exponencial;
* Para k muito grande
se aproxima da
distribuio normal.
Pgina 9 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
exponencial, tempo de atendimento representado por distribuio de Erlang de
ordem 2, disciplina da fila de atendimento por ordem de chegada, com
capacidade total do sistema para 10 clientes e populao infinita.
b) M / M / 3 / 20 / 1500 / FCFS (first come, first served) - O intervalo entre chegadas
sucessivas distribudo exponencialmente, os tempos de servio so
exponencialmente distribudos, h trs servidores, a fila possui buffers para 20
usurios, isto , 3 usurios em atendimento e 17 esperando por servio,
enquanto a quantidade de usurios estiver em seu valor mximo (20) todos os
usurios que chegarem sero perdidos at que o comprimento da fila diminua,
h um total de 1500 usurios que podem ser atendidos, a disciplina de
atendimento primeiro cliente a chegar fila ser o primeiro a ser atendido.
c) M/M/1 conhecido como modelo de Poisson. Ele mais utilizado em estudos
tericos, pois permite, facilmente, calcular todos os atributos de uma fila,
facilitando, inclusive, a sua anlise financeira. Considera-se que no h limite
para o tamanho da fila, a populao infinita e a disciplina da fila FIFO
3.4. Estrutura do Sistema
Existem vrios tipos de estruturas do sistema, e por isso, necessitam-se ser
estudados caso a caso. A seguir esto relacionados trs exemplos de configuraes.
...
entrada
entrada
...
entrada
...
sada
sada
...
sada
sistema
complexo
4. MODELO D / D / 1 / k / FIFO
Consideraes do Sistema
Neste modelo, os tempos entre chegada sucessivas so iguais a 1/, os usurios so
atendidos individualmente e na ordem de chegadas por um nico servidor em tempos
iguais a 1/. O sistema est limitado quanto sua capacidade a k usurios.
Pgina 10 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Neste modelo, se no haver formao de fila; para > , a limitao de
capacidade do sistema dever ser imposta, caso contrrio, a fila crescer sem limite.
Considerar ainda o seguinte:
[ ]
NS (t) =
[(
) ]
{
Obs.: K define a capacidade do sistema.
Quando no existir m inteiro positivo tal que 1/ m 1/ , ento:
[ ]
NS (t) =
[(
) ]
{
Tempo de espera do n-simo cliente na fila :
Quando existir m inteiro positivo tal que 1/ = m 1/ , tem-se:
TF = {
Pgina 11 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
TF = {
Sendo
Exemplo 1
Analisar o sistema representado por D/D/1/6/FIFO com 1/ =3 segundos e 1/ = 6
segundos.
m = 1/ 1/ = 6/3 = 2
NS = {[
] [
Como NS ( ) = k + 1 = 6 + 1 = 7 clientes ento: NS ( ) = [
] = 7. Para
se calcular , instante de tempo em que ocorre a primeira rejeio, deve-se proceder
de forma emprica como se segue:
60
52
36
33
11
9
7
6
NS ( )
Obs.: a coluna em negrito representa o 1 , pois para = 35s, NS ( ) = 6 clientes.
Sendo assim,
(cheg./seg. x seg. = chegadas) que a ordem do primeiro usurio
rejeitado, : 36 x 0,333 = 12. Por isso, o tempo de espera na fila dado por:
TF = {
TF = {
12
10
20
30
Chegadas
de usurios
Sadas de
usurios
3s 6s
12s
10
11
12
Exemplo 2
Analisar o sistema representado por D/D/1/6/FIFO com 1/ =3 segundos e 1/ = 5
segundos.
Prof. Marcelo Sucena
Pgina 12 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
m = 1/ 1/ = 5/3 = 1,67
NS = {[
TF = {
] [
Como NS ( ) = k + 1 = 6 + 1 = 7, ento: NS ( ) = [
] = 7. Para se
calcular , instante de tempo em que ocorre a primeira rejeio, deve-se proceder de
forma emprica como se segue:
NS ( )
Sendo assim,
54
8
48
7
45
7
42
7
39
6
30
5
Pgina 13 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Vale relembrar que sistemas estveis so caracterizados por < u seja, < 1.
Quanto mais o valor de se aproxima de 1 a fila tende a aumentar infinitamente.
Observa-se pela expresso de NF que se = u seja, = 1, o tamanho da fila
infinito.
Exemplo 1:
O nmero mdio de carros que chegam a um posto de informaes igual a 10
carros/hora. Assumir 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.
Responder as seguintes questes:
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?
Dados do Problema:
Chegada: 10 carros/hora.
Atendimento: em mdia, 1 carro a cada 4 minutos, ou seja 15 carros/hora (60/4). Sendo
assim, = 15 carros/hora.
Soluo:
a - P(0) = (1 - / ( / 0 = (1 - 10 / 15) x 1 = 1 / 3 = 33,33%
b - NF = 2 / [ ( - )] = 102 / 15 ( 15 - 10 ) = 1,33 carros
c - Dado que NS = TS, ento:
TS = NS / = 1 / ( - ) = 1 / 5 = 0,2 horas ou 12 minutos (Ateno)
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, a 100%, igual a 1 P(0), ou seja, igual a 2/3, ento o nmero de carros atendidos por hora seria de:
15 * 2 /3 = 10 carros por hora.
Exemplo 2:
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. Calcule os seguintes
valores:
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?
Prof. Marcelo Sucena
Pgina 14 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
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 em uso?
Dados do Problema:
Chegada: 6 navios/dia.
Atendimento: em mdia, 1 navio a cada 3 horas, ou seja 8 navios/dia (24/3). Sendo
assim, = 8 navios/dia.
Soluo:
a - P(0) = (1 - / ( / 0 = (1 - 6 / 8) x 1 = 1 / 4 = 25%
b - NF = 2 / [ ( - )] = 62 / [ 8 ( 8 6 ) ] = 2,25 navios
c NS = / ( - ) = 6 / ( 8 6 ) = 3 navios
d Navios no Porto = NS NF = 3 2,25 = 0,75 navio
e TF = ?, como NF = TF ento TF = NF/ ou seja TF = 2,25 / 6 = 0,375 dia = 9
horas
f Se TF = 3 horas = 0,125 dia (3/24), mantendo-se a mesma taxa de atendimento (),
deve-se calcular a nova taxa de chegada (). Sendo assim:
Sendo NF = 2 / [ ( - )] e NF = TF, ento 2 / [ ( - )] = TF
TF = {2 / [ ( - ) ] } x 1 / / [ ( - ) ] = / ( - )
TF ( - ) = TF TF TF TF
TF TF TF TF
= 0,125 x 82 / (0,125 x 8 + 1) = 4 navios / dia
g Se a probabilidade de no ter nenhum navio no bero porturio de 25%, ento a
probabilidade de ter-se um navio atracado de 1 P(0) = 1 1 / 4 = 3 / 4 = 0,75 = 75%
Exemplo 3:
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
os ritmos de chegada e de atendimento seguem as distribuies do modelo
Marcoviano, 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.
Dados do Problema:
Chegada: caminhes/hora.
Atendimento: = 5 caminhes/hora.
Custo do funcionrio que abastece o caminho: 5,00 unidades monetrias.
Custo do motorista: 12,00 unidades monetrias.
Prof. Marcelo Sucena
Pgina 15 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Soluo:
Quantidade de Caminhes no Sistema:
NS = / ( - ) = 4 / (5 4) = 4 caminhes
Por hora, 1 funcionrio abastece 4 caminhes, ento calcula-se o custo do
sistema por:
Custo Horrio do Sistema = 5,00 + (12,00 x 4) = 53,00 unidades monetrias.
Probabilidade de no ter nenhum caminho para ser abastecido:
P(0) = (1 - / ( / 0 = (1 - 4 / 5) x 1 = 20%.
Exemplo 4:
Um tcnico de laboratrio gasta 30 minutos em mdia para reparar rels. Considerar
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. Considerar 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:
Tempo para reparao: 30 minutos, ou seja, rels/h
Taxa de chegada: 10 rels/8 horas de trabalho, ou seja, 1,25 rels/h
a) P(0) = (1 - / ( / 0 = (1 1,25/2)(1,25/2)0 = 0,375 = 37,5%
Como so 8 horas dirias de trabalho: 8 x 0,375 = 3 h
b) NF = 2 / [ ( - )] = 1,252 / [2 ( 2 1,25)] = 1,04 aparelhos.
Exerccio 1:
Uma loja de departamentos 24h tem um tcnico para fazer manuteno nas mquinas
registradoras. Sabe-se que na loja de Recife, quatro mquinas falham, em mdia, por
dia, seguindo distribuio de Poisson. O tcnico repara, em mdia, seis mquinas por
dia, seguindo-se uma distribuio exponencial. Como a loja depende da mdia dos
registros de venda, pela falta de mquina, ela deixa de registrar R$ 3.500,00 por hora.
O tcnico usa materiais para manuteno que custam, em mdia por mquina, R$
310,00. Por isso, determine:
a) Qual o custo total de mquina parada? R$ 168.620,00
b) Qual a probabilidade do tcnico no estar executando a manuteno de mquinas?
33%
c) Qual a quantidade mdia de mquinas na fila? 1,33 mquina
d) Qual a quantidade mdia de mquinas no sistema? 2 mquinas
e) Qual o tempo mdio das mquinas na fila? 7,92h
f) Qual o tempo mdio das mquinas no sistema? 12h
Pgina 16 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Exerccio 2:
Considere um sistema de fila tipo M/M/1 em que navios chegam a um porto para
carregar algum produto. A seguir esto anotados os valores, para 20 navios, dos
intervalos entre chegadas (em horas) e da durao de carga (em horas) de cada navio.
Baseando-se neles, determine:
Abertura
do Porto
(t=0)
A
10 2 13 7 2 8 8
B
5 5 3 3 6 7 6
A Intervalo entre chegadas
B Durao dos atendimentos
8
8
10
10 9
2 5
11
1
8
12
13
14
14 14 1
8 8 3
15
16
10 9
4 3
17
18
19
20
9
3
9
4
8
5
14
5
Pgina 17 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Exerccio 5:
Numa sala de espera, com 1 mdico atendendo, h 15 clientes em mdia. A taxa de
chegada de 1 cliente a cada 30 segundos. Qual o tempo mdio de espera dos
clientes na sala. Os clientes so atendidos por ordem de chegada (FIFO).
Resp.: 30 minutos
Exerccio 6:
Um sistema para atendimentos est associado a 100 computadores. O tempo mdio
para resposta requisio do computador ao sistema de atendimento de 0,6
segundos. No horrio de pico so efetuadas 20 consultas/minuto. Qual a
probabilidade do sistema de atendimento estar livre? Resp. 80%
Exerccio 7:
Uma indstria deseja contratar um especialista para manuteno de mquinas que
apresentam 3 falhas/h. Para isso, a indstria possui 2 opes:
- 1 Especialista lento: ritmo de manuteno de 4 falhas/h a R$ 3,00/hora
- 1 Especialista rpido: ritmo de manuteno de 6 falhas/h a R$ 5,00/hora
O custo de mquina parada de R$ 5,00/h. Qual a melhor contratao que deve ser
efetuada pela indstria de forma a minimizar o custo total? Resp. Especialista rpido
R$ 10,00/h
5.1. SISTEMA DE FILAS SEQUENCIAIS M/M/1
Em qualquer sistema estvel, o fluxo que entra igual ao fluxo que sai.
Pgina 18 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
6. MODELO M / M / 1 / k
k: nmero mximo (capacidade mxima) de usurios no sistema.
Pgina 19 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Expresses
Probabilidade de Existirem n Clientes no Sistema: P(n) =
sendo P(0) =
[(
P(n) =
Quantidade Mdia de Clientes no Sistema: NS =
]
(
Pgina 20 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
caminhes so atendidos, em mdia, por hora e chegam ao CD a cada 10 minutos.
Determine:
a) Qual a probabilidade do CD estar em atendimento? 1 P(0) = 60%
b) Qual o tempo de espera no CD? TS = 0,25h (15 min.)
c) Qual a quantidade mdia de caminhes na fila? NF = 0,89 cam.
d) Qual a quantidade mdia de caminhes no sistema? NS = 1,49 cam.
e) Qual o tempo mdio dos caminhes na fila? TF = 0,15h (9 min.)
Exerccio 2:
Um ptio ferrovirio tem capacidade para receber no mximo 30 vages de minrio,
sem influenciar no trfego. Sabe-se que s existe um virador de vago para
descarregar a carga. As taxas de chegada dos vages e de atendimento seguem as
distribuies de Poisson e exponencial, respectivamente. Um vago virado a cada 10
minutos. Chega ao ptio 1 vago a cada 15 minutos. Determine os seguintes
parmetros do sistema:
a) Qual a probabilidade de no existir vago no ptio? P(0) = 34%
b) Qual o tempo mdio gasto, por cada vago, no ptio? TS = 30 minutos
c) Qual o tempo mdio do vago na fila? TF = 19,8 minutos
d) Qual a probabilidade do ptio ter algum trem em atendimento? 1 P(0) = 0,66
Exerccio 3:
Um porto, com um ponto para descarga, recebe navios RO-RO. Nesse ponto pode-se
descarregar, em mdia, 5 navios/dia, acostando, no mximo, 2 navios de cada vez.
Quando o porto est ocupado, os navios que chegam so desviados, acarretando R$
20.000,00 por navio desviado. O navio parado no porto custa R$ 12.000,00/dia e por
navio. Sabe-se que a chegada segue uma distribuio de Poisson com taxa de 3
navios/dia. Os tempos de chegada seguem uma distribuio exponencial negativa.
Avalie a viabilidade econmica para ampliar o cais para receber mais um navio (3 ao
todo), o que levaria o custo dirio em R$ 1.000,00, ou manter a configurao atual.
Resp.: Ampliando para trs beros, a economia seria de R$ 1.220,00.
7. MODELO M / M / c
c: especifica o nmero de canais de atendimento ou nmero de servidores.
Expresses
Taxa de Ocupao do Sistema: = / conde a taxa por canal de
atendimento
Probabilidade de Existirem n Clientes no Sistema: P(n) =
sendo P(0) =
P(n c) =
Prof. Marcelo Sucena
Pgina 21 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Quantidade Mdia de Clientes na Fila: NF=
Quantidade Mdia de Clientes no Sistema: NS = NF + NA = NF + ( / )
Tempo Mdio de Clientes no Sistema: TS =
Tempo Mdio de Clientes na Fila: TF =
Tempo Mdio de Clientes em Atendimento: TA = 1 /
Exemplo 1:
Considere um banco com 2 caixas para atendimento de clientes. Uma mdia de 80
clientes por hora chegam ao banco e esperam em 1 nica fila para serem atendidos. O
tempo mdio de atendimento por cliente de 1,2 minutos. Assumir que o intervalo de
tempo entre chegadas de clientes e o tempo de atendimento so exponenciais.
Determinar:
1 - O nmero esperado de clientes no banco.
2 - O tempo que cada cliente gasta no banco.
Dados:
= 80 clientes/h
= 60/1,2 = 50 clientes/h
c=2
Soluo:
Taxa de ocupao do banco: = / c80 / (2 x 50) = 0,80
1
a) Probabilidade de se ter mais de 2 clientes no banco:
P(0) =
[
] [
P(n c) =
b) Nmero de clientes esperando na fila - NF=
1,7 cliente
c) Nmero de clientes esperando no Sistema: NS = NF + ( / ) = 1,7 + (80/50) =
3,3 clientes
2 TS = NS / = 3,3 / 80 = 0,041 h = 2,46 minutos
Exerccio 1:
Uma agncia de reciclagem de alumnio tem duas mquinas para extruso e funciona
em perodos de 8 h dirias. A carga chega agncia a cada 10 minutos e,
descarregada e extrusada a cada 15 minutos. A empresa pretende colocar mais uma
extrusadora, mas no sabe se ser interessante quanto ao tempo da carga na fila.
Verifique isso. Resp. melhor opo C = 3.
Prof. Marcelo Sucena
Pgina 22 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
8. MODELO M / Er / 1
Segundo Pereira (2009), o modelo de Erlang, com um servidor, as chegadas seguindo
a distribuio de Poisson com parmetro e os tempos de atendimento seguindo a
distribuio de Erlang de ordem r com parmetros r e , aplica-se, por exemplo, no
caso em que se tem uma atividade para passar, etapa para etapa, por uma srie de r
fases de produo independentes. Cada etapa tem um tempo com distribuio
exponencial com um parmetro comum . A anlise do modelo M/Er/1 similar a do
modelo M/M/1.
A taxa de ocupao dada por = r /. Para que o sistema atinja o estado de
equilbrio necessrio e suciente que < 1.
As expresses que fundamentam a resoluo do modelo de Erlang esto expostas na
tabela a seguir.
Expresses para o Modelo de Filas de Erlang de Ordem r
Engenharia de Produo
Teoria das Filas - 2012/2
para um equipamento que dure ao menos 1 anos, mas no complete o segundo, temse Evento 1 = [1,2).
Tomando-se, ento, os resultados de um experimento que pode ser listado pelo espao
amostral (S) com os seus eventos (E), observa-se que a probabilidade P de um certo
evento - P(E) compreende-se entre 0 e 1, isto : 0 P(E) 1; Alm disso, a
probabilidade deste espao amostral igual a 1 - P(S)=1.
A probabilidade condicional a probabilidade de certo evento ocorra sabendo-se da
ocorrncia de um anterior. Por exemplo, qual a probabilidade da soma de dois dados
lanados ter resultado 10, sabendo-se que o primeiro saiu 4? Os eventos possveis so
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6) e, por isso, a probabilidade do resultado ser 10 de
1/6.
Pode-se expressar a probabilidade condicional de um evento E ocorra sabendo-se que
outro evento F ocorreu, por P(E|F) = P(EF)/P(F). Por exemplo, considerar que uma
moeda ser lanada 2 vezes, qual ser a probabilidade condicional de que resulte duas
vezes cara (E), tomando-se que pelo menos uma cara foi observada (F)?
S = {(cara, coroa), (coroa, cara), (cara, cara), (coroa, coroa)}
E = {cara, cara};
F= {(cara, coroa), (coroa, cara), (cara, cara)}
P(E|F) = P(EF)/P(F) =
P({(cara,cara)}) / P({(cara, coroa),(coroa, cara),(cara, cara)}) = / = 1/3
Nestes termos, uma varivel aleatria pode ser entendida como o resultado de uma
medio de algum parmetro que pode gerar um valor diferente a cada medida, ou
seja, diz respeito caracterstica do experimento que se quer estudar.
Matematicamente, ela a funo que associa cada elemento de um espao amostral a
um nmero real. Por exemplo, se ao lanar uma moeda trs vezes, obtm o seguinte
espao amostral: S = {(ccc), (kcc), (ckc), (cck), (kkk), (kkc), (kck), (ckk)}, sendo c
representando cara e k, coroa. Necessita-se avaliar a quantidade de caras
possveis. Assim, a varivel aleatria X, que representa a quantidade de caras, pode
ser expressa da seguinte forma:
x = 0 {(kkk)}
x = 1 {(kkc)(kck)(ckk)}
x = 2 {(kcc)(ckc)(cck)}
x = 3 {(ccc)}
Uma varivel aleatria discreta assume cada um dos seus valores com uma certa
probabilidade, conforme a seguir:
x
P(X = x)
0
1/8
1
3/8
2
3/8
3
1/8
Pgina 24 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Exemplos:
1) Para VAD:
a) Jogar um dado no viciado:
S = {1, 2, 3, 4, 5, 6}
X = 1 se ponto for igual a 6
X = 0 caso contrrio
X = {0, 1}
b) Jogar uma moeda at tirar uma cara:
X assume a quantidade de jogadas at tirar uma cara (incluindo-se a cara)
X = {1, 2, 3, ...}
X assume a quantidade de coroas at tirar uma cara
X = {0, 1, 2, ...}
2) Para VAC:
a) X distncia entre dois pontos positivos:
X = [0,+[
b) X distncia entre dois pontos quaisquer:
X = ]-,+[
Quando nos depararmos com situaes em que as variveis aleatrias so
dependentes umas das outras, ou suas distribuies de probabilidade mudam com o
tempo, ou ambas as coisas acontecem; estudam-se tais situaes baseando-se na
teoria de funes aleatrias, ou seja, na teoria de processos estocsticos.
Os termos processo estocstico e processo aleatrio so sinnimos e abrangem toda a
teoria de probabilidades. Na prtica, entretanto, o termo processo estocstico
reservado para quando o parmetro temporal introduzido.
9.2. Processo Markoviano
Tomando-se n = 1,2,..., e qualquer sequncia de estados possveis s1, s2,..., s n+1 ,
com Xn, Xn-1,..., X1 conhecidos, tem-se para Xn+1 como uma varivel aleatria discreta:
P(Xn+1 = s n+1 | X1=s1, X2=s2,..., Xn=s n) = P(Xn+1 = s n+1 | Xn=s n)
Traduzindo: as probabilidades de todos os estados futuros X j (j > n) dependem
somente do estado atual Xn, mas no dependem dos estados anteriores X1,..., Xn-1.
Um processo Markoviano um processo estocstico cuja dinmica do comportamento
tal que a distribuio de probabilidade do futuro depende somente do estado
presente e no levando em considerao como o processo chegou a tal estado
(passado).
Os processos markovianos so modelados formalmente pelos modelos de
Markov, que so sistemas de transies de estados, onde os estados so
Prof. Marcelo Sucena
Pgina 25 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
representados em termos de seus vetores probabilsticos, que podem variar no
espao temporal (discreto ou contnuo), e as transies entre estados so
probabilsticas e dependem apenas do estado corrente.
Se o espao de estados discreto, o processo Markoviano conhecido como cadeia
de Markov.
Em uma cadeia de Markov, o smbolo pij (probabilidade de passar do estado i para o
estado j em uma fase) usado para representar a probabilidade (condicional) de que,
dado que o sistema esteja no estado i em um certo momento, venha a estar no
estado j no intervalo de tempo seguinte. O smbolo pij tambm pode ser denominado
como probabilidade de transio de cadeias de Markov.
Se A o evento do sistema no estado i no tempo n e B evento do sistema no estado j
no tempo n+1, ento p ij = P(A|B), ou seja, a probabilidade de ocorrer o evento A
sabendo-se que B ocorreu.
9.3. Matriz de Transio
Considere uma cadeia de Markov com estados 1,2,...,N. Seja pij a probabilidade
de transio do estado i para o estado j. Ento a matriz NxN P=[pij] denomina-se matriz
de transio de cadeia de Markov. Por exemplo, se a cadeia de Markov tem quatro
estados 1, 2, 3, 4, a matriz de transio pode ser representada assim:
P=[
9.4. Modelo M / M / 1
Uma fila que segue o modelo M/M/1 pode ser representada pela figura a seguir, onde
os nmeros representam os estados possveis e as setas as possveis transies.
Pgina 26 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Pgina 27 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Taxa de ocupao () = 5/6 = 0,83
Nmero mdio de clientes no sistema: NS = 0,83 / (1 0,83) = 4,88 5 clientes
Nmero mdio de clientes na fila: NF = 0,832 / (1 0,83) = 0,69 / 0,17 = 4,06
4 clientes
O nmero mdio de clientes esperando quando existe pelo menos uma pessoa
esperando (caso especial de NF) NF = 1/ (1- 0,83) = 5,88 6 clientes
Ela tambm est interessada em saber a porcentagem de tempo que os clientes so
atendidos sem terem que esperar em fila, ou seja, a probabilidade que uma chegada
ocorra e o sistema esteja vazio : P0 = 1 = 1 0,83 = 0,17 = 17%
Desse modo, 17% do tempo da Sra. Cutt est ociosa, fazendo com que o prximo
cliente a chegar possa ser atendido sem ter que esperar. Devido ao fato do
processo de Poisson governar sua chegada e por causa de sua
propriedade completamente aleatria, a porcentagem de clientes que entraro em
servio diretamente sem ter que esperar 17% tambm. Por outro lado, 83% dos
clientes devem esperar antes de serem atendidos.
A sala de espera da Sra. Cutt tem quatro assentos, de forma que, ela est
interessada em saber a probabilidade de um cliente, aps chegar, no ter lugar
para sentar.
Pr{cliente no encontrar nenhum assento disponvel} =
Probabilidade de existirem no sistema k ou mais clientes = P(N k) = k
Pr{N5} = 5 = 0,835 = 0,39
Isto implica que em quase 40% do tempo, os clientes no encontraro lugar para
sentar.
Tempo mdio de atendimento no salo e tempo mdio na fila so:
O tempo mdio de clientes no sistema TS = 1 / (1 - ) = 1 / 6(1 0,83) = 0,98
1 hora
O tempo mdio de clientes na fila TF = / (1 - ) = 0,83 / 6(1 0,83) = 0,81 horas x
60 minutos 49 minutos.
9.5. Modelo M / M / C
c: especifica o nmero de canais de atendimento ou nmero de servidores.
A prxima figura expressa o modelo M/M/C considerando uma cadeia de Markov.
Pgina 28 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Expresses (Fonte: Costa, s/d)
Taxa de ocupao: = /C
Probabilidade de ocorrncia do estado 0:
Sendo r = /
ou
sendo r = /
Exemplo 1:
Uma clnica de olhos da cidade oferece consultas grtis todas as quartas tarde.
Existem trs oftalmologistas na clnica. Um teste oftalmolgico leva, em mdia, 20min,
sendo considerado como exponencialmente distribudo ao redor desta mdia. Os
pacientes chegam, por distribuio de Poisson, com mdia de 6 pacientes/h. Eles so
atendidos considerando a forma FCFS. Os planejadores do hospital esto interessados
em saber:
(1) Qual o nmero mdio de pessoas esperando (NF);
(2) A quantidade mdia de tempo que um paciente gasta na clnica (TS);
Dados do Problema:
C = 3, = 6 pacientes/h e = 60/20min = 3 pacientes/h
Taxa de Ocupao () = /C = 6/(3 x 3) = 2/3 = 0,67
r = / = 6/3 = 2
Da expresso de P0
chega-se a:
n = c-1 = 2
P0 =(
Pgina 29 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
Pgina 30 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
10. BIBLIOGRAFIA
Andrade, Eduardo Leopoldino de, Introduo pesquisa operacional, LTC - Livros
Tcnicos e Cientficos, Rio de Janeiro, 2000.
Albernaz, Marco Aurlio, Teoria das Filas Apontamentos da Disciplina Pesquisa
Operacional II Pontifcia Universidade Catlica RJ, 2004.
Costa, Luciano Cajado Teoria das Filas Universidade Federal do Maranho, Centro
Tecnolgio, Disponvel em
http://www.deinf.ufma.br/~mario/grad/filas/TeoriaFilas_Cajado.pdf, Capturado
em27/07/2010.
Costa, Renato Aurlio Castro, Determinao de Estoques, Dissertao de Mestrado,
Universidade Federal do Paran, Curitiba, 2003
Fogliatti, Maria Cristina; Mattos, Neli Maria Costa. Teoria de filas. Rio de Janeiro,
Intercincia, 2007.
Grigoletti, Pablo Souza Cadeias de Markov Escola de Informtica Universidade
Catlica de Pelotas, capturado de
http://www.assembla.com/spaces/ptfe/documents/c5dGKM7har3jj8abIlDkbG/download/
02-markov.pdf, disponvel em 25/07/2010, Pelotas.
Pereira, Cludia Rossana Velosa Uma Introduo s Filas de Espera Mestrado em
Matemtica, Universidade da Madeira - Departamento de Matemtica e Engenharias,
Portugal, 2009.
Prado, Darci Santos do. Teoria das Filas e da Simulao, ISBN 85-86948-12-8, INDG
Tecnologia e Servios LTDA, Belo Horizonte, 2004.
Pgina 31 de 32
Engenharia de Produo
Teoria das Filas - 2012/2
ANEXO
Letras Gregas
lfa/Alpha
Eta, ta
Usado como nano
109
Ni, Nu
Tau/Tau
Beta/Beta
Teta/Theta
Xi Ksi/
Xicsai
psilon/
Upsilon
Gama/Gamma
Iota/Iota
micron/
micron
Fi/Phi
Delta/Delta
Kapa/Kappa
Pi/Pi
Qui/Chi
psilon/Epsilon
Lmbda/Lambda
R/Rho
Psi/Psi
Zeta/Zeta
Mi, Um
Usado como micro
106
Sigma/Sigma
mega,
mega
Pgina 32 de 32