Vous êtes sur la page 1sur 29

Teoria de Filas

Agner Krarup Erlang


(*1878, Lonborg, Dinamarca;  1929, Copenhagen, Dinamarca).

Fernando Nogueira Teoria de Filas 1


Introdução
O estudo de Teoria de Filas trata com o fenômeno de aguardar em fila usando medidas
representativas da performance do sistema, tais como comprimento médio da fila,
tempo médio de espera na fila, utilização média do sistema, entre outros.
USA (2001) ⇒ estimativa de 37.000.000.000 horas gastas em filas pela população/ano.
Estrutura Básica de um Modelo de Fila
Sistema de Fila

Fonte Clientes Disciplina Mecanismo Clientes


de Fila da Fila de Atendidos
Entrada Atendimento

Fonte de Entrada ⇒ onde gera-se os clientes.


1)Tamanho da População: finita ou infinita.
2)Distribuição de Probabilidade que os clientes são gerados sobre o tempo (Poisson).
3)Distribuição de Probabilidade do tempo entre chegadas (Exponencial).
obs: 2) ⇔ 3) se 2) Poisson e 3) Exponencial

Fernando Nogueira Teoria de Filas 2


Fila ⇒ onde os clientes aguardam antes de serem atendidos.
1)Número máximo de clientes que a fila pode conter (buffer): finito ou infinito.
Disciplina da Fila ⇒ ordem que os clientes em fila são selecionados para atendimento.
First In First Out (FIFO) = First Come First Served (FCFS), Last In First Out (LIFO),
Randômica, Prioridade, entre outras.
Mecanismos de Atendimento (Serviço) ⇒ onde o cliente é atendido.
1)Número de instalações de atendimento em série (não necessariamente).
2)Numero de canais de atendimento (servidores) em paralelo para cada inst. de atend.
3)Distribuição de Probabilidade para cada servidor (Exponencial).
Clientes
Sistema de Fila Atendidos

C S11
Clientes 6 4 4 4Fila
7 4 4 48 C S12 instalação de 6 44Fila
7 448 C s 21 instalação de
C C C C C C C S13 atendimento 1 C C C C C s 22 atendimento 2
C S14 C s 23

Clientes
Atendidos
Fernando Nogueira Teoria de Filas 3
Distribuição Exponencial
As variáveis aleatórias Tempo Entre Chegadas e Tempo de Atendimento são modeladas
geralmente pela Distribuição Exponencial. Seja t um v.a. com Distribuição Exponencial
com parâmetro λ, então:
pdf - Exponencial PDF - Exponencial
1
λ
f(t):densidade de probabilidade

0.8
λe − λt para t ≥ 0

f(t):probabilidade acumulada
f (t ) =  T

0 para t < 0 0.6


P{t ≤ T} = ∫ λe −λt dt =1 − e −λT
0

0.4 P{t > T} = ∫ λe −λt dt =e −λT


T

0.2 (t ≥ 0)

0
0 E(T)=1/λ t t

var(T ) = 2
1
E(T ) =
1
λ λ
Fernando Nogueira Teoria de Filas 4
Perda de Memória
P{t > T + ∆t t > ∆t}= P{t > T}
P{t > T + ∆t , t > ∆t} P{t > T + ∆t} e −λ (T + ∆t )
P{t > T + ∆t t > ∆t}= = = −λ (∆t ) = e −λT = P{t > T}
P{t > ∆t} P{t > ∆t} e
Se agora são 8:20hs e a última chegada ocorreu 8:00hs, a probabilidade que a próxima
chegada irá ocorrer até 8:30hs é função apenas do intervalo entre 8:20hs e 8:30hs (T),
ou seja, é independente do intervalo entre 8:00hs (quando ocorreu a última chegada) e
8:20hs (∆t).
Exemplo:
Uma máquina quebra a cada 40 minutos em média com distribuição exponencial.
Assim, a taxa média de quebra é: λ = 60 = 1.5 quebra / hora
40
A função densidade é: f (t ) = 1.5e −1.5 t , t > 0
Se agora são 8:20hs, a probabilidade que a próxima quebra seja até 8:30hs é:
 10 
 10  −1.5 
P t ≤  = 1 − e  60  ≈ 0.22
 60 
Porém, se agora são 7:00hs, a probabilidade que a próxima quebra seja até 8:30hs é:
 90 
 90  −1.5  
P t ≤  = 1 − e  60  ≈ 0.89
Fernando Nogueira  60  Teoria de Filas 5
Processos de Nascimento e Morte: relação entre Poisson e Exponencial
Processo de Nascimento Puro ⇒ somente chegadas são permitidas. Ex: emissão de
certidão de nascimento.
Processo de Morte Puro ⇒ somente saídas são permitidas. Ex: retirada aleatória de
itens de um estoque.
Tempo entre Chegadas e Tempo entre Saídas possuem distribuição exponencial com
parâmetros λn e µn, respectivamente ⇒ Cadeia de Markov em Tempo Contínuo.
Processo de Nascimento Puro
Seja p0(T) a probabilidade de nenhuma chegada durante um período T. Dado que o
Tempo entre Chegadas t é exponencial e que a taxa de chegada é λ clientes por unidade
( )
de tempo, então: p 0 (T ) = P{t ≥ T} = 1 − P{t ≤ T} = 1 − 1 − e − λT = e − λT
Expandindo p0(T) em Taylor, para um intervalo de tempo h > 0 , porém pequeno, fica:
p 0 (h ) = e −λh = 1 − λh +
(λ h )2
− ... = 1 − λh + O(h 2 )
2!
Considerando que em um intervalo pequeno, no máximo um evento pode ocorrer, então
para h → 0:
p1 (h ) = 1 − p 0 (h ) ≈ 1 − (1 − λh ) = λh
Fernando Nogueira Teoria de Filas 6
Este resultado mostra que a probabilidade de uma chegada durante h é diretamente
proporcional à h com taxa de chegada λ (constante de proporcionalidade).
A distribuição do número de chegadas pn(T) durante um período T, pode ser deduzida
por: p n (T + h ) ≈ p n (T ).p 0 (h ) + p n −1 (T ).p1 (h ) = p n (T )(
. 1 − λh ) + p n −1 (T )(
. λh ), n > 0
p 0 (T + h ) ≈ p 0 (T ).p 0 (h ) = p 0 (T )(
. 1 − λh ), n = 0
Na primeira equação, n chegadas serão percebidas durante T + h se há n chegadas
durante T e nenhuma chegada durante h, ou n-1 chegadas durante T e uma chegada
durante h. Todas as outras combinações são impossíveis para a distribuição exponencial
(no máximo um evento pode ocorrer para um intervalo de tempo pequeno). Uma vez
que chegadas são eventos independentes, o produto das probabilidades pode ser
aplicado no lado direito das 2 equações acima. Na segunda equação, zero chegadas
durante T + h podem ocorrer somente se nenhuma chegada ocorrer durante T e h. As
derivadas das 2 equações dadas acima são:
 ′ p n (T + h ) − p n (T )
p n (T ) = lim h →0 h
= −λp n (T ) + λp n −1 (T ), n > 0

p′ (T ) = lim p 0 (T + h ) − p 0 (T )
 0 h →0 = −λp 0 (T ), n = 0
h
Fernando Nogueira Teoria de Filas 7
A solução do sistema de equações diferenciais resulta em:

p n (T ) =
(λ T ) e − λT
n
, n = 0,1,2,...
n!
que é a distribuição de Poisson com média E n T = λT chegadas durante T. A variância { }
{ }
é var n T = λT. O resultado mostra que se o Tempo entre Chegadas é Exponencial com
média 1/λ então o número de chegadas durante T é Poisson com média λT.
Funçao de Probabilidade:Poisson - Lambda = 3 Funçao Distribuiçao de Probabilidade:Poisson - Lambda = 3
0.25 1

0.9

0.2 0.8

0.7

Probabilidade Acumulada
0.15 0.6
Probabilidade

0.5

0.1 0.4

0.3

0.05 0.2

0.1

0 0
1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 7 8 9 10 11
n - numero de chegadas no periodo T = 1 n - numero de chegadas no periodo T = 1

Fernando Nogueira Teoria de Filas 8


Exemplo:
Um terminal de carga recebe caminhões a uma taxa de 1 caminhão a cada 12 minutos.
O Tempo entre Chegadas é exponencialmente distribuído.
60
a)O número médio de caminhões por dia é: λ = * 24 = 120 ca min hoes / dia
12
b)O número médio de caminhões por ano é: λT = 120 * 365 = 43800 ca min hoes / ano
(120 *1) e −120*1
0

c)A probabilidade de nenhum caminhão chegar em um dia é: p 0 (1) = ≈0


0!
d)A probabilidade de chegar 50 caminhões em 3 horas dado que 40 caminhões
chegaram durante as 2 primeiras horas do período de 3 horas é:
(50 − 40 )
 60 
60
− *1
 * (3 − 2) e 12
p 50 − 40 (3 − 2 ) =  12  = p10 (1) =
(5 * (1)) e −5*1
(10 )
≈ 0.018
(50 − 40)! (10)!
Processo de Morte Puro
O sistema possui N clientes e nenhuma chegada é permitida. Atendimentos ocorrem em
uma taxa µ clientes por unidade de tempo. A probabilidade pn(t) de n clientes
permanecerem após T unidades de tempo é:

Fernando Nogueira Teoria de Filas 9


p N (T + h ) = p N (T )(. 1 − µh ) prob. de realizar 0
 (1 − µh ) ⇒
p n (T + h ) = p n (T )(
. 1 − µh ) + p n +1 (T )(
. µh ),0 < n < N atendimentos em h
p (T + h ) = p (T )( . 1) + p1 (T )(
. µh )
 0 0
(µh ) ⇒ prob. de realizar 1
Com h → 0 atendimento em h
p′N (T ) = −µp N (T ) A solução deste sistema de equações

p′n (T ) = −µp n (T ) + µp n +1 (T ),0 < n < N diferencias resulta na Distribuição de
p′ (T ) = µp (T ) Poisson Truncada.
 0 1

Distribuição de Poisson Truncada

p n (T ) =
(µT )
(N − n ) −µT
e
, n = 1,2,..., N
N
p 0 (T ) = 1 − ∑ p n (T )
(N − n )! n =1

Exemplo:
Uma loja de flores recebe 18 buquês de rosas no começo de cada semana. Em média, a
loja vende 3 buquês de rosas por dia sendo que tal demanda possui distribuição de
Poisson. Sempre que o nível do estoque alcança 5 buquês de rosas, um novo pedido de
18 buquês de rosas é feito para ser entregue no começo da próxima semana. Todo o
estoque no fim da semana (sobra) é perdido.

Fernando Nogueira Teoria de Filas 10


a) Uma vez que o atendimento é realizado numa taxa µ = 3, a probabilidade de fazer um
novo pedido (quando o estoque chega em 5 buquês) em qualquer dia da semana é:
p n ≤5 (T ) = p 0 (T ) + p1 (T ) + ... + p 5 (T )

= p 0 (T ) + ∑
5
(3t )
(18− n ) −3T
e
, T = 1,2,...,7
n =1 (18 − n )!

b) O número médio de buquês de rosas que serão perdidos no fim (T = 7) de cada

E{n t = 7}= ∑ np n (7 ) = .664 buquês


semana é: 18

n =0

Fernando Nogueira Teoria de Filas 11


Modelo de Fila de Poisson Generalizado
!Processo de Nascimento e Morte combinados (Tempo entre Chegadas e Tempo entre
Saídas possuem distribuição exponencial)
!Modelo é baseado em situação do processo operando sobre condições de Estados
Estavéis (Estados em Fase de Regime, Estados Estacionários).
!O estado do sistema é o número n de clientes no Sistema de Fila.
!Para n > 0 e h → 0, o estado n pode somente mudar para o estado n – 1 quando um
atendimento ocorreu na taxa µn ou para o estado n + 1 quando uma chegada ocorreu na
taxa λn. Obs: estado 0 só pode mudar para o estado 1 quando uma chegada ocorre na
taxa λ0. µ0 não é definido porque nenhum atendimento pode ocorrer para n = 0.
!Probabilidades pn são obtidas através do Diagrama de Transição de Taxa:

Fernando Nogueira Teoria de Filas 12


Em condições de Estados Estáveis, para n > 0, a taxa esperada de fluxo entrando e
saindo do estado n precisa ser igual. Uma vez que o estado n pode mudar somente para
o estado n – 1 ou n + 1, tem-se:
 taxa esperada de fluxo  taxa esperada de fluxo
  = λn −1pn −1 + µn +1pn +1   = (λ n + µ n )p n
 entrando no estado n   saindo do estado n 
Igualando as 2 taxas, tem-se a seguinte equação de balanço:
λn −1pn −1 + µn +1pn +1 = (λn + µn )pn , n = 1,2,... e λ0 p0 = µ1p1 , n = 0
Para n = 0, tem-se: Para n = 1, tem-se:
 λ0   λ1λ0 
p1 =  p0 λ p + µ p = (λ + µ )p ⇒ p =  p0
 µ2µ1 
0 0 2 2 1 1 1 2
 µ1 
Por indução:
 λ λ ...λ 
pn =  n −1 n −2 0 p0 , n = 1,2,...
 µnµn −1...µ1 
p0 é determinado através de: ∞

∑p
n =0
n =1

Fernando Nogueira Teoria de Filas 13


Exemplo 1:
Uma mercearia possui a seguinte regra para definir o número de caixas operando na loja
dependendo do número de clientes:
No de clientes No de caixas A Taxa de Chegada, com distribuição Poisson, é 10
na loja operando
clientes/h e o Tempo de Atendimento, com distribuição
1a3 1 Exponencial, é 12 minutos/cliente. Determine a
4a6 2 distribuição de probabilidade pn de n clientes no Sistema
+ de 6 3 de Fila em condições de Estados Estáveis.
 10   10 
3 2
 10 
λ n = λ = 10 clientes/ h, n = 0,1,... p1 =   p 0 = 2 p 0 p5 =     p0 = 8p0
 5  5  10 
 60 = 5 clientes/ h, n = 1,2,3 2
 12  10   10 
3 3
 10 
µn =  2 * 5 = 10 clientes/ h, n = 4,5,6 p 2 =   p 0 = 4p 0 p6 =     p0 = 8p0
3 * 5 = 15 clientes/ h, n = 7,8,...  5  5  10 
  10 
3 3 3 n −6
p 3 =   p 0 = 8p 0  10   10   10 
pn =       p0
 5  5  10   15 
3 n −6
 10   10   2
p 4 =     p 0 = 8p 0 = 8  p0 , n = 7,8,...
 5   10   3

Fernando Nogueira Teoria de Filas 14


p0 é determinado por:
 2  2
2
 2
3
    2   2 2 
p0 + p0 2 + 4 + 8 + 8 + 8 + 8 + 8  + 8  + 8  + ... = 1 ⇒ p0 + p0 31+ 81 +   +   + ... = 1
 3  3  3    3  3 

 
1
Usando a soma da série geométrica ∑ x i = , x < 1 , tem-se:
i =0 1− x
  
  1   1
p 0  31 + 8   = 1 ⇒ p 0 =
  1 − 2  55
  
 3  
De posse de p0, pode-se calcular então qualquer probabilidade pn. Por exemplo, a
probabilidade que somente um caixa esteja operando é dada por:

p 1 + p 2 + p 3 = (2 + 4 + 8 )
1
≈ 0 . 255
55
e o número esperado de caixas ociosos é:

3 p 0 + 2 (p 1 + p 2 + p 3 ) + 1(p 4 + p 5 + p 6 ) + 0 (p 7 + p 8 + ... ) = 1 caixa

Fernando Nogueira Teoria de Filas 15


Terminologia

Fernando Nogueira Teoria de Filas 16


Em condições de Estados Estáveis (não transiente)

Relações entre L, W, Lq e Wq
L = λW ⇒ Fórmula de Little W = Wq +
1
L q = λWq µ
 1 λ λ
Wλ =  Wq + λ ⇒ Wλ = Wq λ + ⇒ L = L q +
obs: se λ n ≠ cte utiliza − se λ  µ µ µ
número médio de λ s
s = L − L = ρ =
µ
servidores ocupados q
s
Fernando Nogueira Teoria de Filas 17
Notação (a/b/c):(d/e/f)
a: distribuição do tempo entre chegada (M, D, Ek, G, GI);
b: distribuição do tempo de atendimento (M, D, Ek, G, GI);
c: número de servidores (canais de atendimento);
d: disciplina da fila (FIFO, FCFS, LIFO, Randômica, Prioridade, Qualquer, ...)
e: número máximo de clientes no sistema (finito ou infinito);
f: tamanho da fonte de entrada (finito ou infinito).
onde:
M: Markoviano (Exponencial (tempo) ↔ Poisson (taxa));
D: Determinístico (tempo constante);
Ek: Distribuição de Erlang ou Gama ↔ soma de distrib. exponenciais independentes
G: distribuição geral (não se sabe nada sobre os tempos de chegada/serviço);
GI: distribuição geral em que os tempos de chegada/serviço são i.i.d..
Exemplos: (M/M/1):(Fifo/∞/∞), (M/D/10):(Rand/20/∞)
Fernando Nogueira Teoria de Filas 18
Exemplo 2:
A taxa de chegada de carros é 6 carros/h com distribuição de Poisson em um
estacionamento que possui 5 vagas. O intervalo de tempo que os carros ficam
estacionados é distribuído exponencialmente com média de 30 min. Os carros que não
encontram uma vaga disponível, podem esperar em uma área provisória até que algum
carro estacionado deixe o estacionamento. Esta área pode suportar até 3 carros. Demais
carros que não conseguem estacionar nem aguardar na área provisória vão embora.
a) a probabilidade, pn, de ter n carros no sistema:
s=5
3n
λ n = 6 carros / h, n = 0,1,...,8  p0 , n = 1,2,...,5
( )
n!
pn =  n
n 60 = 2n carros / h, n = 1,2,...,5
 3 p , n = 6,7,8
( )
µn =  30
5!5n−5 0
 5 30 = 10 carros / h, n = 6,7,8
60

 3 32 33 34 35 36 37 38 
p0 + p1 + ... + p8 = 1 ⇒ p0 + p0  + + + + + + 2 + 3  = 1
 1! 2! 3! 4! 5! 5!5 5!5 5!5 
n 0 1 2 3 4 5 6 7 8
pn .04812 .14436 .21654 .21654 .16240 .09744 .05847 .03508 .02105

Fernando Nogueira Teoria de Filas 19


b) A taxa efetiva de chegada (λeff): λ λ eff
Fonte
λ lost
Sistema ! λ=λ eff + λ lost

Se 8 carros já estão no estacionamento, então um outro carro não poderá entrar, assim a
proporção de carros que não entrarão é p8.
λlost = λp8 = 6x0.02105= 0.1263carro/ h e λeff = λ − λlost = 6 − 0.1263= 5.8737carro/ h
c) O número médio de carros no estacionamento e na área provisória é:
L = 0p0 +1p1 + ... + 8p8 = 3.1286carros
d) O tempo médio que um carro aguarda na área provisória (Wq) é:
L 3.1286 1 1
W= = = .53265hora Wq = W − = .53265− = .03265hora
λeff 5.8737 µ 2
e) O número médio de vagas ocupadas (servidores ocupados) é:
λeff 5.8737
s = L − Lq = = = 2.9386vagas
µ 2
f) O fator de utilização do estacionamento:
s 2.9368 λ eff 5.8737
ρ= = = .58737 ou ρ = = = .58737
s 5 sµ 5* 2
Fernando Nogueira Teoria de Filas 20
∞/∞
Modelo (M/M/s):(qq/∞ ∞)
nµ, n < s
λeff = λ ⇒ fila (buffer) infinita λ n = λ, n ≥ 0 n sµ, n ≥ s µ =
(n−s ) −1
 λ n
λn
(λ µ)
n
 (λ µ) (λ µ)  λ  

p0 = ∑
s −1 n s ∞

 p0 = n p0 = p0 , 0 ≤ n < s + ∑    =
µ(2µ)(3µ)...(nµ) n!µ n! n=0 n! s! n=s  sµ  

pn =  λn λn ( λ µ)
n
−1
 s p0 = (n−s) n p0 = (n−s) p0 , n ≥ s 
= ∑
s−1
(λ µ) + (λ µ)  1  , λ < 1
n s


∏iµ(sµ)  s!s µ s !s  1− λ (sµ)  sµ
 i=1  n = 0 n! s!  
∞ ∞
Lq = ∑(n −s)pn =∑kpk+s = ∑k

( λ µ) k
s
ρ p0 =
(λ µ)
s
ρp0∑

( )
d ρk
= L=L +λ Lq L
Wq = W =
s! s! k=0 dρ λ
µ
q
n=s k=0 k=0
λ
(λ µ)s ρp d  ∞ ρk  = (λ µ)s ρp d  1  = (λ µ)sρp0
s!
0 ∑
dρ k=0  s!
0
dρ1−ρ s!(1−ρ)2
s−1
1+ p0 (λ µ)  1− e p{ωq = 0}= ∑ pn
−µT(s−1−λ µ )
s
 p{ω > T}= (1− p{ω = 0})e−sµ(1−ρ)T
p{ω > T}= e−µT   
( )
q q
 s! 1 − ρ  s − 1 − λ µ 
n =0

se s −1− λ µ = 0 ⇒ 1 − e−µT(s−1−λ µ) s −1 − λ µ = µT

obs: (M/M/s) é um caso especifico do Modelo de Fila de Poisson Generalizado.


Modelo de Fila de Poisson Generalizado → independente da disciplina de fila.
Fernando Nogueira Teoria de Filas 21
Exemplo:
Um hospital possui apenas um médico de plantão.Um estudo foi realizado para analisar
a viabilidade de contratar mais um médico plantonista, sendo o intervalo entre chegadas
estimado de 30 min. e o tempo de atendimento estimado de 20 min, ambos distribuídos
exponencialmente.
λ = 2, µ = 3.

De posse dos resultados acima, o hospital entendeu que o tempo aguardado esperado na
fila para um único médico (Wq= 2/3 horas = 40 min.) é grande, fato que justifica a
contratação de mais médico plantonista.

Fernando Nogueira Teoria de Filas 22


∞), s ≤ N
Modelo (M/M/s):(qq/N/∞
Difere do modelo (M/M/s):(qq/∞/∞) no número máximo de clientes no sistema que é
finito e igual a N. Assim, o comprimento máximo da fila é Lq = N-s e λeff ≠ λ.
λ, 0 ≤ n < N (λ µ)n (n −s ) −1
λn =  1≤ n < s  s (λ µ)n (λ µ)s N
λ 
0 n ≥ N 
 n! 0
p, p0 =  ∑ + ∑   
pn =   n =0 n! s! n =s+1  sµ 

nµ, 0 ≤ n < s  
(λ µ) p ,
n
µn =  s≤n<N
sµ, s ≤ n ≤ N  s!s(n −s ) 0
(N−s ) (N−s )
λ p0 (λ µ) (λ (sµ))   λ   λ    λ  
s
Para ≠1 Lq = 1 −   − (N − s)  1−   
sµ s!(1 − λ (sµ))   sµ   sµ    sµ  
2

Para
λ
=1 L=
(λ µ) (N−s)(N−s +1)
s
p
sµ q
2s!
0

Mesmo quando (λ/sµ) ≥ 1 o sistema


λlost = λpN e λeff = λ − λlost = (1− pN )λ
pode alcançar a condição de estados
λeff Lq λ eff estáveis porque λn= 0 para n ≥ N.
L = Lq + Wq = W=
L
ρ=
µ λeff λeff sµ

Fernando Nogueira Teoria de Filas 23


Exemplo:
Uma companhia de entrega possui 4 caminhões. São observados em média 16 pedidos
de entregas por hora com distribuição Poisson e o intervalo de tempo gasto por entrega
é em média 12 minutos com distribuição Exponencial. Do ponto de vista de Teoria de
Filas, os caminhões são os servidores e os pedidos de entregas são os clientes. A
companhia está estudando a possibilidade de implementar (ou não) a seguinte política:
advertir a pessoa que solicita um pedido de entrega de um potencial atraso excessivo
toda vez que houver 6 pedidos de entrega na fila. Comparar os resultados do modelo
sem e com a implantação da política citada.
λ= 16, µ = 5
Cenário 1: (M/M/4):(qq/∞/∞) ⇒ Sem política: Fila (Buffer) infiníta
Cenário 2: (M/M/4):(qq/10/∞) ⇒ Com política: Fila (Buffer) finíta, N = 4 + 6 = 10

Fernando Nogueira Teoria de Filas 24


Modelo (M/M/R):(qq/K/K), R ≤ K
Aplicação típica: existem R pessoas para dar manutenção em K máquinas. λ é a taxa em
que as máquinas quebram e µ é a taxa em que as máquinas são reparadas.
Se todas as máquinas estão quebradas não há mais máquinas para quebrarem ⇒
Tamanho da População Finita: λn = (K – n)λ, 0 ≤ n ≤ K.
(K − n )λ, 0 ≤ n < K  K!  λ n
λn =     p0 , 0 ≤ n ≤ R
0 n ≥ K  (K − n )!n!  µ 
pn = 
nµ , 0 ≤ n < R  λ
n
µn =  K!
R µ , R ≤ n ≤ K  (K − n )!R!R (n −R )  µ  p0 , R ≤ n ≤ K
  
−1
R K !  λ 
n
K
K !  λ 
n


p0 = ∑ .  + ∑ .  
n −R )  
 n =0 (K − n )!n!  µ  n=R +1 (K − n )!R!R (
 µ  

K
L = ∑ npn λeff = E{λ(K − n )}= λ(K − L)
n =0

λeff Lq λ eff
Lq = L − Wq = W=
L
ρ=
µ λeff λeff sµ
Fernando Nogueira Teoria de Filas 25
Exemplo:
Uma companhia possui 22 máquinas. Cada máquina quebra, em média, a cada 2 horas,
sendo gastos 12 minutos, em média, para realizar o reparo. O tempo entre quebras e o
tempo de reparo são distribuídos Exponencialmente. Analisar a produtividade da
companhia em função do número de pessoas encarregadas de dar manutenção.
λ= 0.5, µ = 5 
ade máquinasdisponivei
produtivid s − máquinasquebradas 22− L
 máquinas  = =
  máquinasdisponivei
s 22

Fernando Nogueira Teoria de Filas 26


∞/∞
Modelo (M/G/1):(qq/∞ ∞)
Distribuição do tempo de atendimento é qualquer com média 1/µ e variância σ2.
λ
Para ρ = <1
µ
λ2σ2 + ρ2 L = L + ρ = +
1 Lq pn é intratável
p0 =1 − ρ Lq = W W Wq =
2(1 − ρ) µ
q q
λ analiticamente
Exemplo:
Um lava-jato recebe, em média, 4 carros por hora com distribuição Poisson e o tempo
de atendimento é 10 minutos por carro com distribuição exponencial se a lavagem é
realizada por um funcionário. Se a lavagem for realizada por uma máquina o tempo de
atendimento é também 10 minutos, porém constante (determinístico ⇒ σ2 = 0).
Comparar as medidas de performance do sistema operando com o funcionário e com a
máquina. λ = 4, µ = 6.

Fernando Nogueira Teoria de Filas 27


Mode lo de Cus tos pa ra Fila s
Modelos de Custos

ETC

cus tos
Níve l de
ETC(x ) = EOC(x) + EWC(x ) s e rviço
onde: EOC ótimo
x = (µ ou s) nível de serviço EWC
ETC = custo total esperado níve l de s e rviço
EOC= custo de operação do sistema esperado
EWC= custo de aguardar por unidade de tempo esperado
Geralmente utiliza-se:
EOC(x ) = C1x
EWC(x) = C2L
onde:
C1 = custo por unidade de x por unidade de tempo
C2 = custo por aguardar por unidade de tempo por cliente
Fernando Nogueira Teoria de Filas 28
Exemplo:
Uma gráfica necessita comprar uma copiadora. Existem 4 modelos de copiadoras no
mercado com suas características dada na tabela abaixo. Os Jobs chegam com
distribuição Poisson com média de 4 jobs/dia. O tamanho de cada job é em média de
10000 folhas. Contratos com os clientes da gráfica estipula uma penalidade de $80,00
por job/dia de atraso. Qual copiadora a gráfica deve comprar?
Modelo custo de velocidade i = 1,2,3,4 ⇒ modelo i
operação ($/h) (cópias/min)
1 15 30 ETCi = EOCi + EWCi
2 20 36 ETCi = C1i × 24 + C2i × Li
3 24 50
4 27 66 ETCi = 24C1i + 80Lsi

Os valores de C1i são os custos de operação dados na tabela acima. Para fins práticos,
cada copiadora pode ser tratada como um modelo (M/M/1):(qq/∞/∞). A taxa de
chegada é λ = 4 jobs/dia e a taxa de atendimento µi (jobs/dia) é:
Modelo i λi µi Lsi EOCi($) EWCi($) ETCi($)
1 4 24/[(10000/30).(1/60)] = 4.32 12.50 360,00 1000,00 1360,00
2 4 24/[(10000/36).(1/60)] = 5.18 3.39 480,00 271,20 751,20
3 4 24/[(10000/50).(1/60)] = 7.20 1.25 576,00 100,00 676,00
4 4 24/[(10000/66).(1/60)] = 9.50 0.73 648,00 58,40 706,40
Fernando Nogueira Teoria de Filas 29