Teoriafilas

TEORIAS, TCNICAS E SIMULAES EM PROCESSOS ALEATRIOS - Marco Antonio Leonel Caetano
PROCESSOS FILAS
VIII.1 - Introduo
Congestionamento um fenmeno natural em sistemas reais. Um servio torna-se

congestionado se h mais pessoas ( informaes ) do que o servidor ( ou servidores )
pode atender. As quatro caractersticas comuns de tais sistemas so:
(1) Entrada do Processo: Alguns fatores precisam de especificaes completas tais

como, origem da chegada, tipo de chegada e intervalo de tempo das chegadas.
(2) Mecanismo de Servio: As incertezas envolvidas no mecanismo de servio so:

nmero de servidores; nmero de clientes atendidos em qualquer tempo; durao do
servio. As variveis aleatrias so essenciais para representar estas caractersticas.
153
(3) Disciplina da Fila: So regras de atendimento do servidor para o cliente tais como:
"primeiro a chegar, primeiro atendido", "ltimo chegar, primeiro atendido" e "seleo
aleatria de prioridades para o servio".
(4) Nmero de Filas: Quando h mais de um servidor e o atendimento executado de

forma paralela.
Das quatro caractersticas anteriores, vamos simplificar e utilizar apenas trs

descritas da seguinte forma:
Distribuio da Entrada / Distribuio do tempo de servio / nmero de servidores
Algumas notaes padres usadas para estas caractersticas so:

GI: "general independent" entradas para as distribuies arbitrrias.
M: para distribuio de Poisson ou Exponencial.
D: para um tamanho de tempo de atendimento constante.
Ek: Distribuio Gamma.
Vamos analisar aqui somente os casos onde a entrada Poisson, o tempo de
atendimento exponencial e h "s" servidores, ou :
M/M/s
O processo estocstico ento ser modelado pelas seguintes caractersticas:
(a) Nmero de Clientes no Sistema: Q(t) ser o nmero de clientes no sistema ( tamanho
da Fila). Q(t) contnuo no tempo.
(b)Tempo de Espera: W(t) ser o tempo de espera de um cliente na fila. W(t) contnuo
no tempo.
(c) Perodo de Ocupao: Intervalo entre 2 consecutivos trabalhos atendidos pelo
servidor.
VIII.2 - Um Modelo Geral de Filas
Assumindo-se Q(t) o nmero de clientes no sistema no tempo t, e definindo:

Pn ( t ) = P[ Q( t ) = n]
ento:
154
dP0 ( t )
= 0 P0 ( t ) + 1 P1 ( t )
dt
(VIII.1)
= ( n + n ) Pn ( t ) + n1 Pn1 ( t ) + n+1 Pn+1 ( t )
dPn ( t )
dt
onde a taxa de chegada de clientes no perodo t e a taxa de atendimento do
servidor(s) no mesmo perodo.
As condies iniciais so:
1 , n = 0
Pn (0) =
0 , n 0
Para t +,
0 = 0 P0 ( t ) + 1 P1 ( t )
(VIII.2)
0 = ( n + n ) Pn ( t ) + n1 Pn1 ( t ) + n+1 Pn+1 ( t ) n1
rearranjando o primeiro termo de (VIII.2) tem-se:

0
P1 ( t ) = P (t) (VIII.3)
1 0
para n = 1, o segundo termo de (VIII.2) ser:
2 P2 ( t ) = (1 + 1 ) P1 ( t ) 0 P0 ( t ) = 1 P1 ( t ) (VIII.4)
portanto,
0 1
P2 ( t ) = P (t) (VIII.5)
1 2 0
Assim, para n = 1, 2, 3, ...
n Pn ( t ) = n1 Pn1 ( t ) (VIII.6)
e
0 1 2 ... n1
Pn ( t ) = P (t) (VIII.7)
1 2 3 ... n 0
Para obter P0(t), basta lembrar o fato que:

P j =1 (VIII.8)
j= 0
portanto,
1
+ ... n1
P0 ( t ) = 1 + 0 1 2 (VIII.9)
n=1 1 2 3 ... n
Ento podemos definir que para o perodo estacionrio do processo, teremos:
155
1
+ ... n1
P0 ( t ) = 1 + 0 1 2 (VIII.10)
n=1 1 2 3 ... n
0 1 2 ... n1
Pn ( t ) = P (t) n>0 (VIII.11)
1 2 3 ... n 0
VIII.3 - A Fila M/M/1
Considere um sistema de filas no qual as chegadas ocorrem no tempo segundo um

processo de Poisson com parmetro . Estes clientes so servidos por um simples
servidor e seu tempo de servio uma varivel aleatria independente e identicamente
distribuda.
A distribuio desta varivel aleatria exponencial com mdia = 1/C , onde
c a mdia do tempo de atendimento do cliente e a mdia da distribuio
exponencial do tempo de atendimento. Considerar ainda que os clientes so atendidos na
ordem de chegada ( o primeiro que chega o primeiro atendido ).
Feita estas consideraes, assumimos que:
Pn ( t ) = P[ Q( t ) = n]
n =
n =
ento,
dP0 ( t )
= P0 ( t ) + P1 ( t )
dt
dPn ( t )
= ( + ) Pn ( t ) + Pn1 ( t ) + Pn+1 ( t ) n0
dt (VIII.12)
Vamos definir que a intensidade de trfego do sistema (fator de utilizao) ser:

= = Chegada / Servio (VIII.13)

Conforme visto antes,
1
+ 0 1 2 ... n1
P0 ( t ) = 1 +
1 1
= [1 + + 2 + 3 +...] =
1
=
n=1 1 2 3 ... n (1 + + + +...) 1
2 3

1
Ento,
156
P0 ( t ) = 1 {probabilidade do sistema estar oscioso} (VIII.14)

P(n>0)= {probabilidade do sistema estar ocupado}
Como antes tambm,
0 1 2 ... n1
Pn ( t ) = P ( t ) = n P0 ( t ) (VIII.15)
1 2 3 ... n 0
Ento,
Pn ( t ) = ( 1 ) n n0 (VIII.16)
Assim,
P0 ( t ) = 1
Pn ( t ) = ( 1 ) n
(VIII.17)
Aplicando o limite, t + , percebe-se que a distribuio de Pn(t) geomtrica e

a mdia e varincia de uma distribuio geomtrica so:

E( Pn ( t )) =
1
{nmero mdio de clientes no sistema} (VIII.18)

V( Pn ( t )) =
(1 ) 2
e como Pn ( t ) = P[ Q( t ) = n] , podemos escrever:

E( Q ( t ) ) =
1
(VIII.19)
V( Q( t )) =
(1 ) 2
Assumiremos agora que W(t) o tempo de espera do cliente j definido antes.

W(t) dado pela soma de n variveis aleatrias as quais so independentemente e
identicamente distribudas, com densidade de probabilidade exponencial
f ( x ) = e x , x0 (VIII.20)
onde x o tempo de espera de cada cliente.
A soma da densidade de probabilidade exponencial chamada densidade de
probabilidade Gamma, da forma:
n n 1
x x
g( x ) = e x0 (VIII.21)
( n 1)!
157
No limite, para x +,
+
e x n x n 1
F( x) = P( W x) = 1 (VIII.22)
n = 1 ( n 1) !
Temos ainda que,

F(0) = P(Q = 0) = 1
e
dF( x) ( x ) n 1
= ( 1 ) n e x
dx n =1 ( n 1) !
( x) n1
= ( 1 ) e x
( n 1) !
n =1
= ( 1 ) e ( ) x
dF( x)
= (1 )e ( 1 ) x
dx (VIII.23)
mostrando que no limite a distribuio do tempo de espera tambm exponencial. A
mdia e varincia para o tempo de espera W(t) pode ser obtido de (VIII.23):

E (W( t )) =
( 1 )
( 1 )
(VIII.24)
V(W( t )) =
2 ( 1 )
2
A relao interessante entre a distribuio de Poisson e a Exponencial que,

quando o nmero de chegadas segue a distribuio de Poisson com mdia , o intervalo
entre duas chegadas segue a distribuio exponencial negativa com mdia 1/.
Exemplo -1 :
razovel assumir que chegadas de uma cabine telefnica um processo de

Poisson com mdia 12 por hora. Uma distribuio exponencial com mdia 2 minutos
uma boa aproximao para a distribuio do atendimento das chamadas.
(1) Qual a probabilidade de uma chamada encontrar linha ocupada?
Soluo:
Seja Q o tamanho da fila. Sabemos que
158
P( Q( t ) 0) = 1 P( Q( t ) = 0) = 1 ( 1 ) =
mas,

= = razo de chegada / razo de atendimento

Temos ainda que um atendimento feito a cada 2 minutos, ento usando regra de trs,
1 atendimento ____________ 2 min

x ____________ 60 min
chegando a = 30 atendimentos em 1 hora. Logo,
12 2
P(Q( t ) 0) = = = = 0.4
30 5
(2) Qual o tamanho mdio da fila quando ela formada?

Soluo:

E( Q( t )) (1 ) 1
E( Q( t ) Q( t ) 0) =
1
= = = = 167
.
P( Q( t ) 0) 1 0.6
(3) A companhia telefnica deseja instalar outra cabine se o tempo de espera de cada
cliente for superior a 3 minutos. De quanto deve aumentar as chegadas central para
justificar a segunda cabine?
Soluo:

E( W( t )) = = 3
(1 ) ( )
para encontrar a taxa de atendimento basta uma regra de trs, onde
1 atendimento___________ 2 min
___________ 1 min
sendo portanto, = 0.5.
Ento:

3 ( ) 0.3
0.5(0.5 )
ou seja, o nmero mdio de chamadas de 0.3 por minuto. Em uma hora sero
159
0.3 x 60 = 18 chamadas.
Logo, para a nova cabine ser instalada, dever aumentar de 6 o nmero de
chamadas por hora.
VIII.4 - A Fila M/M/s
Ao contrrio do item anterior, agora temos um nmero "s" de servidores (s1), ou

seja, o sistema agora trabalha em paralelo e independentemente. As chegadas so um
processo de Poisson com parmetro e o tempo de servio exponencial com mdia
c =1/. Ento = 1/c e o modelo ser:
s. ns
n = (VIII.25)
n. ns
onde o primeiro termo indica o nmero de clientes maior que servidores e o segundo
nmero de clientes menor que servidor. Assim, como visto antes sendo:
Pn ( t ) = P[ Q( t ) = n]
Portanto,
dP0 ( t )
= P0 ( t ) + P1 ( t )
dt
dPn ( t )
= ( + n) Pn ( t ) + Pn1 ( t ) + ( n + 1)Pn+1 ( t ) 0 n s
dt
dPn ( t )
= ( + s) Pn ( t ) + Pn1 ( t ) + sPn+1 ( t ) ns
dt
(VIII.26)
da mesma forma a segunda equao quando o nmero de clientes menor que servidor
e a terceira equao quando nmero de clientes maior que servidor. Para este caso, a
intensidade de trfego ser:

= (VIII.27)
s
Para o regime estacionrio dP(t)/dt = 0, tm-se as equaes:
1
s ( s) r s+1 . s s ( 1 ) 1
P0 ( t ) = +
r =0 r ! s!
ss . n . P0 ( t )
Pn ( t ) = ( n s)
s!
( s. ) n . P0 ( t )
Pn ( t ) = (ns)
n! (VIII.28)
160
O tamanho mdio da fila no caso M / M / 2 :

.Ps (t )
E (Q(t ) ) = (VIII.29)
(1 )2
e o tempo de espera mdio
Ps (t )
E (W (t ) ) = (VIII.30)
s..(1 )
2
Comparao entre M / M / 2 e M / M / 1 com mesmo
2
Para M / M / 2: E( Q 2 ( t ) ) = (VIII.31)
(1 + )(1 )

Para M / M / 1: E( Q 1 ( t )) = (VIII.32)
1
Ento, comparando as 2 mdias:
2
E( Q 2 ( t )) E( Q 1 ( t )) = = 0 (VIII.33)
(1 + )(1 ) (1 ) 1 +
ou seja, momentaneamente, com mesma intensidade de trfego, um sistema com simples

servidor resulta em menor tamanho de fila esperado do que 2 servidores.
Exemplo - 2:
Um supermercado tem 3 caixas. O tempo de servio para cada cliente
exponencial com mdia 5 minutos e pessoas chegam num processo de Poisson com razo
30/hora.
(1) Qual a probabilidade dos caixas estarem ocupados?
s=3
c = 5
1 1
= =
c 5
30 1
= =
60 2
Ento a intensidade de trfego ser:
161
1
5
= 2 =
1 6
3.
5
ento a probabilidade,
[ ]
P (Q( t ) 3) = 1 P0 ( t ) P1 ( t ) P2 ( t )
4 10 25 125
P0 ( t ) = ; P1 ( t ) = ; P2 ( t ) = ; P3 ( t ) =
89 89 178 1068
Logo,
P[(Q( t ) 3)] =
625
= 0.585 ou 58.5%
1068
(2) Qual o nmero mdio de pessoas esperando para serem atendidas?

. P3 ( t )
E( Q ( t ) ) = = 351
.
(1 ) 2
(3) Qual o tempo mdio de espera dos clientes?
P3 ( t )
E (W( t )) = = 7.02 minutos.
1
3. (1 ) 2
5
Exemplo 3:
Um laboratrio tem dois computadores servidores de equivalente capacidade.
Clculos que chegam aos computadores tem um tempo de servio de atendimento
exponencial com mdia 3 minutos. Os trabalhos so de dois tipos: Universitrios e
Externos. Os trabalhos Universitrios chegam ao laboratrio na razo de 18/hora e
Externos 15/hora. vantagem utilizar um computador exclusivamente para trabalhos
Universitrios e outro para os Externos?
Soluo:
Considerando cada computador individual, como simples servidor:
Para W1:
162
18
= 60 = 0.3

c = 3
1 1
= =
c 3
= = 9
10

ento,
E( W1 ( t )) =
9 10
= 27 minutos
1 3 (1 9 10)
Para W2:
15
= 60 = 0.25
1
=
3
= = 3
4
E( W2 ( t )) =
34
= 9 minutos
1 3 .1 4
Quando os dois computadores W1 e W2 esto trabalhando juntos:

= 1 + 2 = 0.3 + 0.25 = 0.55
1
=
3
= = 11 . 3 = 33
2 20 2 40
7 7623
P0 ( t ) = ; P2 ( t ) = ;
73 58400
Logo,
E (W( t )) = E (W1 ( t ) + W2 ( t )) = 6.45 minutos.
Claramente muito melhor trabalhar num sistema com duplo servidores do que 2
computadores isolados.
163
VIII.5 - Nmeros Pseudo-Aleatrios
Nesta seo, vamos introduzir o leitor gerao de nmeros ditos pseudo-

aleatrios, para a partir de ento utiliz-los na simulao de redes. Os nmeros pseudo-
aleatrios, so assim denominados uma vez que, a partir de um nmero aleatrio criada
uma regra de formao nos quais esses novos nmeros so gerados. Sero citados, em
particular para utilizao futura, dois mtodos de gerao de nmeros pseudo-aleatrios:
- Mtodo do Quadrado Mdio.
- Mtodo da Congruncia Multiplicativa.
Mtodo do Quadrado Mdio

A regra de formao para os nmeros pseudo-aleatrios neste caso :
Tomar "m" dgitos intermedirios do quadrado do nmero anterior da srie ( x n1 ) de 2m
2
dgitos.
Vamos emprestar o seguinte exemplo sugerido no livro "GPSS - Modelagem e
Simulao de Sistemas"[ ]:
Considerando x 0 = 2387 ento m = 4. Elevando ao quadrado, x 20 = 05697769 .
Ento, tomado-se os quatro algarismos centrais: x 1 = 6977 , seguindo-se
sucessivamente:
x 0 = 2387 x 20 = 05697769
x1 = 6977 x12 = 48678529
x 2 = 6785 x 22 = 46036225
x 3 = 0362 x 23 = 00131044
x 4 = 1310 LLLL
A variao do nmero gerado, vai de 0 at m dgitos 9, ou seja:

m=2 nmero pseudo-aleatrio [0 ; 99]
e assim sucessivamente. Para colocar o nmero gerado sempre dentro do intervalo [0;1],
basta dividi-lo pelo mximo nmero que pode ser gerado. Assim,
164
6977
x1 = = 0.6978
9999
6785
x2 = = 0.6786
9999
0362
x3 = = 0.0362
9999
1310
x4 = = 01310
.
9999
Efetuada esta mudana para o intervalo [0 ; 1], podemos ento utiliz-lo em

funes de distribuies de probabilidades.
Mtodo da Congruncia Multiplicativa
A relao de congruncia de uma seqncia de nmeros xi inteiros no negativos,

menores que M :
x n+1 = k. x n ( mod. M )
onde
M: nmero inteiro;
k : inteiro entre zero e M.
x0 : inteiro entre zero e M.
Este mtodo apresenta a desvantagem da seqncia gerada se repetir aps M

passos. Sendo assim, a seqncia tem um perodo M de repeties, que nos obriga a
iniciar com valores altos para M.
Como exemplo, novamente tomaremos o livro " GPSS - Modelagem e Simulao
de Sistemas":
Para k = 7, x0 = 27 e M = 256, tm-se:
x1 = 7 27 ( mod.256) = 189
x 2 = 7 189 ( mod.256) = 43
x 3 = 7 43 ( mod.256) = 45
x 4 = 7 45 ( mod.256) = 59
LLLLLLLLLLL
165
Da mesma forma que o mtodo anterior, a variao dos nmeros gerados vai de
zero a M-1. A mudana neste caso para o intervalo [0;1], feita atravs da diviso do
nmero por M-1. Assim,
189
x1 = = 0.74
255
43
x2 = = 017
.
255
45
x3 = = 018
.
255
59
x4 = = 0.23
255
Os nmeros M, normalmente so utilizados da forma M = pq . Neste caso, p pode

ser considerado como nmero de dgitos do sistema de numerao e q o nmero de
dgitos da palavra do computador. Como as palavras so 8, 16 ou 32 bits e a numerao
neste caso binria, os valores de M podem assumir 2 8 ,2 16 ,2 32 .
Um outro fator importante que o leitor no pode esquecer, a relao de
congruncia entre dois nmeros. Dizemos ento, que um nmero x congruente a um
nmero y mdulo M:
x y ( mod.M )
se
(x-y) divisvel por M.
Esta funo mdulo fcil de ser encontrada em qualquer linguagem

computacional. Como exemplo:
34 10 ( mod.3)
uma vez que (34 - 10 ) = 24 divisvel por 3.
VIII.6 - Simulao de Distribuies de Probabilidades
Na seo anterior, verificamos como gerar nmeros pseudo-aleatrios entre 0 e 1.

Nesta seo, estes nmeros sero utilizados para encontrar os valores para as
166
distribuies acumuladas de probabilidades, de fundamental importncia na simulao de

filas.
Simulao para Distribuio Uniforme
Detalhes desta distribuio foram fornecidos no captulo II, de reviso da teoria

de probabilidades, e no sero repetidos nesta seo. A funo densidade de
probabilidade para a Distribuio Uniforme num intervalo [a,b] :
1
f ( x) = para x[a,b].
ba
A distribuio acumulada pode ser encontrada da seguinte forma:
x x
y x xa
F( x) = f ( y)dy =
1
dy = | =
a a ba ba a ba
Logo, temos que x ser gerado com distribuio uniforme se:
x = a + ( b a ) . F( x)
onde F(x) assumido como um nmero pseudo-aleatrio, gerado entre 0 e 1, com por
exemplo, um dos dois mtodos introduzidos na seo anterior.
Simulao para Distribuio Exponencial
A funo densidade neste caso :

f ( x) = . e x
para > 0 e x[0,)
e f(x) = 0
caso contrrio, ou seja, x 0. A funo distribuio acumulada, pode ser encontrada
atravs de:
x x
F( x) = f ( y)dy = . e y dy = 1 e x
0 0
Isolando x, temos:
1
x = ln ( 1 F( x))

Pode-se lembrar que a mdia da distribuio exponencial 1/ e que F(x) varia no
intervalo [0,1]. Assim, (1-F(x)) tambm varia no intervalo [0,1] e a frmula para
encontrar x debaixo da distribuio exponencial ser:
x = ln(F(x))
167
onde F(x) um nmero pseudo-aleatrio.
Simulao para Distribuio Normal
Como j foi visto a funo densidade de probabilidade da distribuio Normal :

1
e ( y ) / 2
2
f ( y) = onde - < x <
2
2
e a mdia e o desvio padro. Para normalizar os valores obtidos por x, basta fazer:
y
z=

onde a mdia zero e o desvio padro 1. A funo densidade ento ser:
1 z2 / 2
f ( z) = e
2
que uma funo tabulada. A funo densidade acumulada :
x
F( x) =
1 z2 / 2
e dz
2
Uma maneira bem simples de encontrar um nmero com distribuio normal,

utilizar a seguinte frmula:
z = ( F( x) 6) . +
onde F(x) a soma de 12 nmeros uniformementes distribudos.
Simulao para Distribuio de Poisson
A funo de distribuio de probabilidade de Poisson :

e k
(
P x=k =)
k!
onde a mdia e k = 1,2,3,.... A distribuio acumulada ser:
x
F( x) = P( x = i)
i=0
A forma de gerao de nmeros com distribuio de Poisson ser:

1) Buscar F(x), nmero aleatrio normalmente distribudo com mdia zero e varincia 1.
168
2) Calcular x n +1 = 0.5 + F( x n ) . Este nmero ter distribuio de Poisson com

mdia .
Exemplo4:
Vamos gerar 20 nmeros com distribuio Exponencial e de Poisson e comparar
as probabibilidades "reais" geradas pelos simuladores com as probabilidades "tericas",
atravs das leis de probabilidades. Para tanto, para os seguintes nmeros gerados:
Poisson Exponencial
23.23 5.42
24.83 4.22
24.57 5.03
23.42 4.96
21.57 8.65
22.87 41.38
22.51 41.48
22.42 8.57
21.64 9.69
23.71 30.01
21.87 31.70
20.92 4.56
22.07 89.83
21.96 50.00
23.06 6.15
22.30 2.63
24.87 43.84
24.10 18.66
21.33 60.49
24.37 23.89
MDIA: 22.88 24.56
Qual a diferena entre a simulao e a probabilidade terica? Vamos ento montar a

tabela de classes para efeito de comparao das duas probabilidades. Primeiramente
169
temos que montar o rol dos nmeros, ou seja, coloc-los em ordem crescente ou
decrescente. Escolhemos a ordem crescente para a distribuio exponencial. Ento,
2.63 4.22 4.56 4.96 5.03 5.42 6.15 8.57 8.65 9.69 18.66 23.89 30.01 31.70 41.38
41.48 43.84 50 60.49 89.83
Posteriormente calculamos a amplitude para estes dados, ou seja, a diferena entre o

maior dado e o menor, que neste caso ser:
R=87.52
Aps isto, calculamos a amplitude das classes, que encontrada dividindo-se a ampitude
dos dados pelo nmero de classes desejado. Neste caso, vamos escolher n=5 classes.
Ento,
87.52
h= = 17.44
5
Partindo-se do primeiro dado, montamos a tabela de classes, que ser:
Dados Reais Exponecial Negativa Terica
classes Freq.absoluta Freq. relativa probabilidade Freq.absoluta

2.63|-----20.00 11 0.55 0.4555 9.11
20.00|-----37.51 3 0.15 0.2258 4.51
37.51|-----54.95 4 0.2 0.1108 2.21
54.95|-----72.39 1 0.05 0.054 1.08
72.39|-----89.83 1 0.05 0.026 0.52
Como j foi calculado, a mdia da distribuio exponencial foi T=24.56. A distribuio

exponencial negativa governada pela frmula:
t
1 T
P( t ) = e
T
A probabilidade de t estar compreendido entre intervalos de pontos facilmente
calculado, uma vez que,
t t t2 t1 t2
t2
1
P(t 1 t t 2 ) = e T dt = e T =e T
e T
t1 T
t1
170
Assim, a penltima coluna da tabela de classes foi montada da seguinte forma:

Probabilidade Exponencial Terica
2.63 20

P(2.63 t 20) = e T
e T
= 0.4555
20 37.51

P(20 t 37.51) = e T
e T
= 0.2258
37.51 54.95

P(37.51 t 54.95) = e T
e T
= 0.1108
54.95 72.39

P(54.95 t 72.39) = e T
e T
= 0.054
72.39 89.83

P(72.39 t 89.83) = e T
e T
= 0.026
Multiplicando agora esses valores pela quantidade de dados, obteremos a ltima coluna
da freqncia absoluta terica. Podemos ver que os valores so bem prximos do
simulado, o que atesta a boa performance do simulador.
VIII.7 - Simulao de Filas
A Figura VIII.1 mostra as variveis necessrias para a simulao e anlises de

filas com um servidor. As variveis que podem ser observadas so:
- Volume de Chegada: Nmero de clientes ou processos que chegam em determinado

tempo.
- Intervalo entre Chegadas: Intervalo de tempo entre o fim da chegada do ltimo
processo e o incio do novo processo. O pior caso considerar esse tempo com
distribuio exponencial.
171
Volume de Chegadas
Hora de Chegada
Intervalo de tempo entre as
Chegadas
Tempo de
Tamanho da Fila Permanencia
Incio do Atendimento
no sistema
Servidor
Fim do Atendimento
Hora de Partida
Figura VIII.1 - Simulao de Filas
- Hora de Chegada: A hora em que o processo chegou na fila.

-Incio do Atendimento: o mximo valor entre a hora de chegada do processo n e fim do
atendimento do processo (n-1). O pior caso o atendimento com distribuio uniforme
quando o intervalo tem distribuio exponencial.
-Fim do Atendimento: o incio do atendimento somado ao tempo de durao diminudo
de uma unidade de tempo. Se o tempo em minutos com uma casa decimal, ento a
unidade de tempo 0.1 min., se for 2 casas decimais a unidade de tempo 0.01 min.
-Tempo de Permanncia: o fim do atendimento menos o tempo de chegada.
Como exemplo vamos supor um modelamento de tal forma que o sistema no

comporte o volume de chegadas e consequentemente surgem filas. Assim, por exemplo:
Tempo de Chegada: Distribuio Exponencial com mdia = 13 min.

Nmeros pseudo-aleatrios pelo mtodo da congruncia multiplicativa.
Semente: x1 = 27 {O volume de chegadas o nmero aleatrio}
Tempo de Atendimento: Distribuio Uniforme no Intervalo [15 min.;17min.]
Nmeros pseudo-aleatrios pelo mtodo dos quadrados mdios.
172
Semente: xa1 = 5161

M= 28.
k = 7.
As Figuras VIII.2 a VIII.6 apresentam a situao do sistema por cerca de 20
horas. Em especial, a Figura VIII.5 apresenta o tempo de permanncia sempre em curva
ascendente mostrando um colapso total, e consequentemente, um aparecimento de filas
incontrolvel.
300
50
40
200 Intervalo entre Chegadas (minutos)

Volume de Chegadas
30
20
100
10
0 0
0 400 800 1200 0 400 800 1200

Hora de Chegada (minutos) Hora de Chegada (minutos)
Figura VIII.2 - Volume de Chegadas Figura VIII.3 - Intervalo de Tempo

nas Chegadas
500
17
Tempo de Permanencia No Sistema (minutos)
400
Tempo de Atendimento (minutos)
17
300
16
200
16
100
15 0
0 400 800 1200 0 400 800 1200

Hora de Chegada (minutos) Hora de Chegada (minutos)
Figura VIII.4 - Tempo de Atendimento Figura VIII.5 - Tempo de Permanncia no

sistema
173
30
Tamanho da Fila (quantidade de processos)
20
10
0 400 800 1200

Hora de Chegada (minutos)
Figura VIII.6 - Tamanho da Fila para =13.
A tabela a seguir mostra uma pequena parte das simulaes apresentadas nos
grficos das Figuras VIII.2 a VIII.6 e o desempenho numrico das variveis.
no vol. int.cheg. hor.ch. dur. inic.atend. hor.part. temp.perm. tam. fila

1 189 3.89 3.89 16.27 3.89 20.07 16.17 0
2 43 23.14 27.03 15.87 27.03 42.81 15.77 0
3 45 22.55 49.58 15.16 49.58 64.64 15.06 0
4 59 19.03 68.61 16.26 68.61 84.77 16.16 0
5 157 6.31 74.92 16.48 84.77 101.05 26.14 1
6 75 15.91 90.83 16.64 101.05 117.49 26.67 1
7 13 38.69 129.52 15.22 129.52 144.64 15.12 0
8 91 13.40 142.91 15.37 144.64 159.80 16.89 1
9 125 9.27 152.18 15.75 159.80 175.35 23.17 1
10 107 11.29 163.47 15.05 175.35 190.20 26.73 1
11 237 0.95 164.42 15.12 190.20 205.13 40.70 2
12 123 9.48 173.90 15.78 205.13 220.71 46.80 3
13 93 13.11 187.01 15.31 220.71 235.82 48.80 3
14 139 7.89 194.90 15.83 235.82 251.45 56.54 3
15 205 2.84 197.74 15.43 251.45 266.68 68.94 4
16 155 6.47 204.21 16.18 266.68 282.65 78.44 5
17 61 18.60 222.81 16.17 282.65 298.62 75.82 4
18 171 5.19 228.00 15.70 298.62 314.13 86.13 5
19 173 5.04 233.05 15.68 314.13 329.61 96.56 6
20 187 4.03 237.08 16.27 329.61 345.68 108.60 6
Tabela VIII.1 - Simulao de Filas
174
Vamos supor que, ao invs de13 minutos, a mdia do tempo de chegada suba para
= 17, ou seja, o sistema fica mais adequado ao volume de chegadas.
10
0 400 800 1200

Figura VIII.7 - Tamanho da fila para = 17
Agora, a Figura VIII.7 mostra ao contrrio da Figura VIII.5, um sistema em que o

tamanho das filas controlvel, pois o tempo de chegada de processos so inferiores
mdia de atendimento.
Na verdade, para sistemas congestionados, a sada imediata o alocamento de
mais servidores, aumentando a velocidade de atendimento em relao ao volume de
chegadas. Como foi visto na Figura VIII.6, o sistema fica congestionado quando a mdia
de chegada de = 13 minutos e o atendimento entre 15 e 17 minutos.
Uma nova simulao pode ser realizada supondo-se que ao invs de um servidor o
sistema possui dois servidores. A Figura VIII.8 mostra o desempenho comparativo entre
os dois tipos de sistemas. O tamanho da fila como pode-se perceber reduz drasticamente
quando dois servidores so colocados a operar em lugar de um. Neste caso os dois
servidores foram supostos tendo a mesma distribuio uniforme com atendimento entre
15 a 17 minutos.
175
30
Um Servidor Dois Servidores

20
10
0 400 800 1200

Figura VIII.8 - Filas com Dois Servidores
Um outro cenrio quando o sistema possui diferentes tipos de equipamentos, os

quais trabalham com velocidades diferentes. Um exemplo simulado apresentado na
Figura VIII.9 onde um servidor trabalha com distribuio uniforme com tempo de 15 a
17 minutos e o outro trabalha com distribuio uniforme com tempo de 25 a 30 minutos.
Servidores com mesmo tempo de atendimento Servidore com Diferentes tempos de Atendimento
6
0 400 800 1200

Figura VIII.9 - Servidores com Tempo de Atendimento Diferentes
176
O resultado, como era de se esperar, uma fila de espera maior do que quando os
dois servidores tem mesma capacidade de atendimento, porm a fila resultante ainda
muito menor do que quando o sistema possui apenas um servidor.
Como comparao entre a simulao e a anlise da teoria de Filas apresentadas no
incio deste captulo, tomaremos as equaes (VIII.1) com n = 10, ou seja, desejamos
fazer uma anlise para um tamanho de fila com 10 processos na espera.
O sistema ser assumido onde as chegadas ocorrem segundo um processo de
Poisson com parmetro = 0.1 e atendimento segundo distribuio exponencial com
mdia = 0.74. Ou seja, os processos chegam num intervalo de tempo de 0.1 minutos e
so atendidos em 0.74 minutos.
1.00
0.80
Probabilidade
0.60
P0
0.40
P1
P2
0.20 P3
P4
P5 P6
P7 P8
P9
0.00
0.00 5.00 10.00 15.00 20.00 25.00

Tempo (minutos)
Figura VIII.10 - Anlise da Probabilidade do Tamanho da Fila.
A Figura VIII.10 apresenta o resultado onde, percebe-se que quanto mais o tempo
passa a probabilidade da fila aumentar tambm aumenta. Assim, por exemplo, depois de
10 minutos, o tamanho mais provvel da fila acima de 9 processos.
Observando o resultado da simulao na Figura VIII.11, percebe-se a
concordncia entre a teoria de filas e o resultado observado.
177
12.00
Tamanho da Fila (numero de processos)

8.00
4.00
0.00
0.00 5.00 10.00 15.00 20.00 25.00

Tempo (minutos)
Figura VIII.11 - Simulao de Filas
Pela Figura VIII.11, confirma-se o que pode ser observado na Figura VIII.10,
onde esperava-se um tamanho de fila acima de 9 processos, o que realmente ocorre. A
Figura VIII.10 pode ser obtida atravs da integrao numrica das equaes VIII.1
utilizando integrador de Runge-Kutta de quarta ordem com os parmetros e j
fornecidos.
VIII.8 - O Mtodo de Monte Carlo
Nas sees anteriores foi descrito como simular nmeros regidos pelas diversas
distribuies de probabilidades. A filosofia disto que ao gerar nmeros que so regidos
pela distribuio adequada, poderemos simular certos eventos na natureza com grau de
preciso maior do que outros mtodos determinsticos.
Uma maneira de simular eventos, principalmente aqueles com dinmica
estocstica utilizar o mtodo de Monte Carlo. Os passos para seu uso so bem simples e
intuitivos.
Passo 1:
Escolhe-se uma distribuio de probabilidade que, comprovadamente pela
estatstica, descreve as perturbaes aleatrias.
178
Exemplo: Distribuio Normal ou Gaussiana.
1
e ( x ) / 22
2
f (x) =
2
Passo 2:
Gera-se a funo distribuio acumulada F(x), ou seja, F( x ) = f ( x )
1.20
0.40
nmero aleatrio gerado
F(x)
Distribuio Acumulada de Probabilidade uniformemente
0.30 f(x) 0.80

Distribuio de Probabilidade
0.20
valor de x encontrado
0.40 com distribuio normal
0.10
0.00 0.00
-8.00 -4.00 0.00 4.00 8.00
-8.00 -4.00 0.00 4.00 8.00
varivel x
varivel x
Passo 3:
Gera-se um nmero aleatrio uniforme F(x).
Passo 4:
Procura-se na tabela de classes da acumulada onde ele pertence.
Exemplo: A seguir apresentada uma tabela da distribuio normal f(x) com sua
distribuio acumulada F(x) para x no intervalo [-5,5].
x f(x) F(x)
5.00 0.0000015 0.0000015
-4.00 0.0001338 0.0000399
-3.00 0.0044318 0.0015837
-2.00 0.0539910 0.0255408
179
-1.00 0.2419707 0.1709566

-0.00 0.3989423 0.5199482
1.00 0.2419707 0.8532427
2.00 0.0539910 0.9798606
3.00 0.0044318 0.9988617
4.00 0.0001338 0.9999757
5.0 0.0000015 1.0000000
A seguir foram gerados pelo mtodo de Monte Carlo 10 nmeros aleatrios com
distribuio gaussiana. Conforme explicado anteriormente, o nmero da direita
aleatrio com distribuio gaussiana e o da esquerda, varre-se a tabela da distribuio
acumulada gaussiana.
Nm.Uniforme Nm.Gaussiano
F(x) (x)
0.210513 -0.800000
0.788730 0.800000
0.576517 0.200000
0.947446 1.600000
0.954481 1.700000
0.963769 1.800000
0.191558 -0.900000
0.041205 -1.700000
0.112742 -1.200000
0.185807 -0.900000
0.372420 -0.300000
O Clculo de reas
Uma aplicao muito interessante e bastante utilizada com o mtodo de Monte

Carlo o clculo de integrais de difcil resoluo analtica, sendo uma delas, o clculo de
reas. Para encontrar reas utilizando o mtodo de Monte Carlo devemos seguir os
seguintes passos:
Passo 1:
Gera-se um par de variveis aleatrias independentes e uniformes:
x = random;
180
y = random;
Passo 2:
Testa x na funo desejada a ser integrada f(x).
Passo 3:
Se y gerado aleatriamente for y f(x), ento o nmero de pontos somado e
fazemos N = N + 1, caso contrrio gera-se outro para at a desigualdade ser satisfeita.
Passo 4:
No final, a rea ser correspondente probabilidade dos pontos gerados cair
embaixo da funo f(x), ou,
N
p=
n
N: total de pontos que satisfaz a funo f(x).
n: total de pontos gerados.
Passo 5:
Multiplica-se "p" pelo retngulo da funo C(B-A) e a rea ento ser:
n
Area = C(B A )
N
Exemplo: Calcular a integral de f(x)=x para o intervalo [0,1] pelo mtodo de Monte
Carlo. O resultado dos pontos gerados apresentado no grfico abaixo. O resultado
analtico facilemente encontrado como rea = 0.5. Neste exemplo o resultado obtido
pelo mtodo foi de rea Monte Carlo = 0.489 para n=1000 pontos gerados.
1.00
0.80
0.60
f(x)
0.40
0.20
0.00
0.00 0.20 0.40 0.60 0.80 1.00

x
181
O programa a seguir, elaborado em linguagem turbo pascal, exemplifica como utilizar o

mtodo de Monte Carlo no clculo de reas.
program integral(ar);
uses crt;
var
i, soma,num:integer;
x,y,area,LIMINF,LIMSUP,FATOR,MAXY,ff:real;
ar: text;
{===========================================}
function efe (xis:real):real;
var
aux1,aux2:real;
begin
{ aux1:=exp(xis);
aux2:=exp(-xis);
efe:=sin(xis)*(aux1-aux2)/2;}
efe:=xis;
end;
{===========================================}
begin
assign(ar,'ar.dat');
rewrite(ar);
randomize;
clrscr;
{////////////////////////////////////////}
num:=1000;
LIMINF:=0;
LIMSUP:=1;
MAXY:=1;
FATOR:=MAXY*(LIMSUP-LIMINF);
{////////////////////////////////////////}
soma:=0;
for i:=1 to num do
182
begin
x:=LIMSUP*random;
y:=MAXY*random;
ff:=efe(x);
if y < efe(x) then
begin
soma:=soma+1;
writeln(ar,x:4:2,' ',y:4:2,' ',ff:4:2);
end;
writeln(i:5,' ', soma/i:10:5);

end;
area:=FATOR*soma/num;
writeln('AREA = ',area:10:5);
end.
VIII.9 - Aplicaes do Mtodo de Monte Carlo
O Modelo do Crescimento Logstico
O modelo logstico aplicado com freqncia na ecologia e biologia para

representar o crescimento de populaes ( animais, clulas tumorais, pragas, etc.) O
modelo muito simples e uma das representaes se baseiam na equao diferencial:
x& = x (n ( x ) m ( x ) )
onde
n(x) : taxa de natalidade
m(x) : taxa de mortalidade
Se for assumido que a taxa de natalidade uma funo linear decrescente,

n ( x ) = a1 b1x
e a taxa de mortalidade uma funo linear crescente de x:
m ( x ) = a 2 + b 2 x
com a1, a2 >0 e b1, b2 >0. O crescimento da populao ser:
x& = x ((a1 a 2 ) (b1 + b 2 )x ) = x (r sx )
183
com os valores de r e s sendo:
r = a1 a 2
s = b1 + b 2
Se o tempo for descontado do processo, pode-se observar que existem duas
possibilidades para a populao:
x : pode nascer um indivduo { evento N }
x : pode morrer um indivduo { evento M }
Se ocorrer o evento N, ento x i + 1 = x i + 1
Se ocorrer o evento M, ento x i + 1 = x i 1
As probabilidades sero proporcionais s taxas de nascimento e morte
P( N ) xn ( x ) = a1x b1x 2
P(M ) xm ( x ) = a 2 x + b 2 x 2
Desde que estes eventos so mutuamente exclusivos,
a1 b1x 2
P( N) = p =
(a1 + a 2 )x (b1 b 2 )x 2
a 2x + b2x 2
P(M) = 1 p =
(a1 + a 2 )x (b1 b 2 )x 2
Podemos a partir dessas equaes simular o crescimento de uma populao, onde por
exemplo podermos adotar os seguintes valores dos parmetros:
x(0) = 69
a1 = 0.7 b1 = 0.0045 a2 = 0.2 b2 = 0.0005
Com estes parmetros teremos a correspondente equao diferencial:
x& = 0.5x 0.005x 2
com r = 0.5 e s = 0.005. Vamos seguir os seguintes passos de simulao:
Passo1:
Para o incio,
x = 69
(0.7)(69) (0.0045)(692 )
p= = 0.624
(0.7 + 0.2)(69) (0.0045 0.0005)(69 2 )
1 p = 1 0.624 = 0.376
Passo 2:
Obtm-se um nmero aleatrio u, com distribuio uniforme [0,1].
Passo 3:
Se up o prximo evento nascimento (N) x = x + 1;
184
Se u>p o prximo evento morte (M) x = x - 1;
Ento teremos o seguinte resultado da simulao
passo Tam. Pop. P(N) P(M) u Evento

1 69 0.624 0.376 0.730 M
2 68 0.627 0.373 0.170 N
3 69 0.624 0.376 0.824 M

O Modelo do Abalo Ssmico
Num perodo de 600 anos, mais ou menos 330 terremotos ocorreram na regio
central da Itlia possuindo intensidade no epicentro (x) acima de 6 na escala. Em adio,
x pode ser modelado como distribuio exponencial,
x = b + ln ( ln(F) )
onde os parmetros so
b: localizao
: escala (disperso)
F: nmero com distribuio uniforme em [0,1].
Um abalo ssmico em uma regio especfica (inclundo o epicentro)
representado por intensidade (y), segundo a lei de atenuao:
1 1 zx 0 x
y=x ln 1 + 1
ln 0 z0
onde z denota a distncia do epicentro. Como exemplo, vamos fazer uma simulao para
uma determinada regio da Itlia com os valores de parmetros abaixo
z0 : distncia da linha isossmica = 9.5 Km
x0 : intensidade epicntrica = 10
0 = 1
= 1.5
= 1.3
= 0.91
b=6
185
Vamos tambm supor que z ~ U[3 Km,25Km] e encontrar a distribuio de probabilidade

de y por simulao de Monte Carlo. Vamos calcular y para 10 anos, supondo que cada
iterao um ano e ao mesmo tempo, gerar pontos de coordenadas com distribuio para
as variveis x~N(0,1) e y~N(0,1). Com isso estaremos simulando a localizao de cada
terremoto.
7
intensidade no epicentro
6.5 intensidade na regi o
dist ncia na linha isos smica
6
5.5
4.5
3.5
2.5
2
1 2 3 4 5 6 7 8 9 10
tempo (anos)
50
45
40
35
localiza o y
30
25
20 AFRICA
15
10
0
0 10 20 30 40 50
localiza o x
186
Isolinhas de Intensidade
10
7
localiza o y
0
0 2 4 6 8 10
localiza o x
187
A simulao anterior pode ser repetida e variada utilizando o software Matlab 5.0
atravs do programa a seguir:
hold off
%==============constantes============================
z0=9.5;
x0=10;
psi0=1;
psi=1.5;
fi=1.3;
%-----------------------------------------------------
%intervalo para dist. unif. da distancia do epicentro z
a=2;
b=8;
%-----------------------------------------------------
%parametros para a distribuicao de Gumbel para a intensidade
%do terremoto x
escala=0.91;
loc=6;
%NUMERO DE ANOS PARA SIMULACAO
anos=10;
%====================================================
rand('seed',sum(100*clock))
for i=1:1:anos
F=rand;
z(i)=a+(b-a)*rand;
x(i)=loc+escala*log(-log(F));
y(i)=x(i)-(1/log(psi))*log(1+((psi-1)/psi0)*((z(i)*(fi)^(x0-
x(i)))/z0-1));
end;
plot(x,'-k');
hold on
plot(y,':k');
plot(z,'--k');
grid;
xlabel('tempo (anos)')
legend('intensidade no epicentro','intensidade na regio','distncia na
linha isossmica')
pause;
for i=1:1:10
for j=1:1:10
intens(i,j)=0;
lugx(i,j)=0;
lugy(i,j)=0;
end;
end;
j=1;
for i=1:1:anos
lugx(i,j)=z(i)+rand;
lugy(i,j)=z(i)+rand;
188
intens(round(lugx(i,j)),round(lugy(i,j)))=x(i);
end;
hold off
load topo
contour(0:359,-89:90,topo,[0 0],'k')
set(gca,'xlim',[0 50],'ylim',[0 50])
hold on
for i=1:1:1
plot((15-lugx(:,i)),(38+lugy(:,i)),'pk')
hold on
end;
grid;
xlabel('localizao x');
ylabel('localizao y');
text(20,20,'AFRICA');
pause;
hold off
contour(intens,'k')
set(gca,'xlim',[0 10],'ylim',[0 10])
grid;
xlabel('localizao x');
ylabel('localizao y');
title('Isolinhas de Intensidade');
pause;
hold on
colormap(gray)
surf(intens)
shading interp
view(25,30)
hidden off
grid;
xlabel('localizao x')
ylabel('localizao y')
zlabel('intensidade do EPICENTRO')
189
EXERCCIOS
1- Observe o seguinte modelo dinmico para uma fila infinita com n = 0,1,2:
dP0
= P0 + P1
dt
dP1
= ( + ) P1 + P0 + P2
dt
dP2
= P2 + P1
dt
a) Encontrar P0, P1 e P2 para o modelo acima no caso estacionrio.

b) Se a probabilidade de no ter nenhum trabalho em fila for P0=0.57 e a razo de
chegada =0.8 trab./min., qual o tempo mdio de espera para um trabalho ser atendido?
c) Qual a probabilidade de mais de 2 trabalhos estarem na fila de espera?
2- Uma universidade possui um computador de grande porte como servidor para atender
as reas de geografia, matemtica, fsica e computao. As taxas de chegada e de
atendimento so:
Chegada - Atendimento -
Geografia 1/50 1/5
Matemtica 1/30 1/10
Fsica 1/20 1/12
Computao 1/15 1/14
Calcular o tamanho esperado das filas para cada tipo de clientes. Neste caso, se fosse o
analista, qual rea deveria utilizar o computador fora do expediente para evitar filas?
190
3- A figura mostra uma rede de computadores com um servidor e 4 micros ligados a ele.
A taxa de atendimento desta rede de 1 micro/segundo, sendo que em um segundo 3
micros ficam em fila. Com base neste fato:
Servidor
a) Montar as equaes da dinmica das probabilidades.

b) Simular o sistema para um tempo final de 20 segundos.
c) Fazer os grficos das variaes das probabilidades no tempo.
d) Justificar atravs dos grficos a partir de que instante todas as probabilidades tornam-
se estacionrias.
e) A rede teria um desempenho melhor se ao invs de 4 micros tivesse apenas 3?
Responda isto com uma nova simulao e grficos agora com apenas 3 micros.
191

Teoriafilas

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Teoriafilas

Transféré par

Droits d'auteur :

Formats disponibles

TEORIAS, TCNICAS E SIMULAES EM PROCESSOS ALEATRIOS - Marco Antonio Leonel Caetano

Congestionamento um fenmeno natural em sistemas reais. Um servio torna-se

(1) Entrada do Processo: Alguns fatores precisam de especificaes completas tais

(2) Mecanismo de Servio: As incertezas envolvidas no mecanismo de servio so:

(4) Nmero de Filas: Quando h mais de um servidor e o atendimento executado de

Das quatro caractersticas anteriores, vamos simplificar e utilizar apenas trs

Distribuio da Entrada / Distribuio do tempo de servio / nmero de servidores

Algumas notaes padres usadas para estas caractersticas so:

VIII.2 - Um Modelo Geral de Filas

Assumindo-se Q(t) o nmero de clientes no sistema no tempo t, e definindo:

rearranjando o primeiro termo de (VIII.2) tem-se:

Para obter P0(t), basta lembrar o fato que:

VIII.3 - A Fila M/M/1

Considere um sistema de filas no qual as chegadas ocorrem no tempo segundo um

P0 ( t ) = 1 {probabilidade do sistema estar oscioso} (VIII.14)

Como antes tambm,

Aplicando o limite, t + , percebe-se que a distribuio de Pn(t) geomtrica e

Assumiremos agora que W(t) o tempo de espera do cliente j definido antes.

Temos ainda que,

A relao interessante entre a distribuio de Poisson e a Exponencial que,

razovel assumir que chegadas de uma cabine telefnica um processo de

(1) Qual a probabilidade de uma chamada encontrar linha ocupada?

1 atendimento ____________ 2 min

chegando a = 30 atendimentos em 1 hora. Logo,

(2) Qual o tamanho mdio da fila quando ela formada?

para encontrar a taxa de atendimento basta uma regra de trs, onde

VIII.4 - A Fila M/M/s

Ao contrrio do item anterior, agora temos um nmero "s" de servidores (s1), ou

O tamanho mdio da fila no caso M / M / 2 :

Comparao entre M / M / 2 e M / M / 1 com mesmo

ou seja, momentaneamente, com mesma intensidade de trfego, um sistema com simples

(2) Qual o nmero mdio de pessoas esperando para serem atendidas?

VIII.5 - Nmeros Pseudo-Aleatrios

Nesta seo, vamos introduzir o leitor gerao de nmeros ditos pseudo-

Mtodo do Quadrado Mdio

A variao do nmero gerado, vai de 0 at m dgitos 9, ou seja:

Efetuada esta mudana para o intervalo [0 ; 1], podemos ento utiliz-lo em

Mtodo da Congruncia Multiplicativa

A relao de congruncia de uma seqncia de nmeros xi inteiros no negativos,

Este mtodo apresenta a desvantagem da seqncia gerada se repetir aps M

Para k = 7, x0 = 27 e M = 256, tm-se:

Os nmeros M, normalmente so utilizados da forma M = pq . Neste caso, p pode

Esta funo mdulo fcil de ser encontrada em qualquer linguagem

VIII.6 - Simulao de Distribuies de Probabilidades

Na seo anterior, verificamos como gerar nmeros pseudo-aleatrios entre 0 e 1.

distribuies acumuladas de probabilidades, de fundamental importncia na simulao de

Simulao para Distribuio Uniforme

Detalhes desta distribuio foram fornecidos no captulo II, de reviso da teoria

Simulao para Distribuio Exponencial

A funo densidade neste caso :

onde F(x) um nmero pseudo-aleatrio.

Simulao para Distribuio Normal

Como j foi visto a funo densidade de probabilidade da distribuio Normal :

Uma maneira bem simples de encontrar um nmero com distribuio normal,

onde F(x) a soma de 12 nmeros uniformementes distribudos.

Simulao para Distribuio de Poisson

A funo de distribuio de probabilidade de Poisson :

A forma de gerao de nmeros com distribuio de Poisson ser:

2) Calcular x n +1 = 0.5 + F( x n ) . Este nmero ter distribuio de Poisson com

MDIA: 22.88 24.56

Qual a diferena entre a simulao e a probabilidade terica? Vamos ento montar a

Posteriormente calculamos a amplitude para estes dados, ou seja, a diferena entre o

Dados Reais Exponecial Negativa Terica