TEORIA DAS FILAS Fabrízzio Conde de Oliveira
ENGENHARIA DE PRODUÇÃO – UNIVERSIDADE SALGADO DE OLIVEIRA – PUS Juiz de Fora
2
Introdução Teoria das Filas Esperar em uma fila é uma das ocorrências mais comuns no nosso dia a dia. Nós esperamos na fila para fazer matrícula, para pagar em um supermercado, para pagar uma conta no banco, para comer um hamburguer, para colocar coloc ar gasolina, etc... O pioneiro no estudo das filas de espera foi A.K.Erlang, um engenheiro dinamarquês, que publicou, na década 1910-1920, vários trabalhos sobre o assunto quando da implantação do serviço telefônico em Copenhague. Filas podem existir na forma de pessoas ou objetos esperando por algum tipo de serviço ou podem existir em um sentido abstrato, ou seja, não tão visível, como, por exemplo, uma “fila” de navios esperando para atracar em um porto ou uma “fila” de aviões esperando a ordem da torre de comando para pousar na pista de um aeroporto.
Porque as filas são “estudadas” As filas são estudadas porque em toda fila, embora nem sempre se perceba, existe embutido um problema econômico. E este problema econômico surge porque em qualquer fila (mesmo a da padaria da esquina!) existem 2 custos envolvidos: O Custo da Fila e o Custo do Serviço. Para que possamos entender o que vem a ser estes 2 custos, vamos examinar um exemplo clássico de fila: a atracação de navios em um porto. Em qualquer porto, o do Rio de Janeiro, por exemplo, existem os locais onde os navios podem atracar. Estes locais são chamados de “berços”. Assim o número de berços dá o número máximo de navios que podem estar atracados em um porto. Por sua vez, a legislação internacional que regulamenta o tráfego marítimo determina que se ao chegar a um porto (obviamente na data certa) e não houver berço para atracar, a administração do porto tem que indenizar a companhia, dona do navio, pelo tempo que ele ficar fi car ao largo esperando berço livre para atracar. Em resumo quando, por qualquer motivo, todos os berços de um porto estão ocupados, os navios que chegam formam uma fila (lógica) aguardando a sua vez. Podemos agora definir os custos da fila e do serviço envolvidos no caso de um porto. 4
O Custo do Serviço é o custo de construir e manter em funcionamento os berços de atracação. Quanto mais berços oferecidos, ou seja, quanto maior o nível de serviço oferecido, maior este custo. O Custo da Fila é o custo que a administração do porto tem pelo pagamento das indenizações aos navios que esperam na fila. Este custo é inversamente proporcional ao custo do serviço (número de berços). Se temos poucos berços o custo do serviço será pequeno, mas como a fila será grande, o custo da fila será grande. Já se tivermos muitos berços, o custo do serviço será grande, mas em compensação, como a fila será pequena, o custo da fila será pequeno. Genericamente podemos definir:
Custo do Serviço: É o custo de construir e manter em funcionamento as estações que prestam determinado serviço. Custo da Fila: É o custo que se incorre devido ao fato de usuários de um sistema de fila terem que esperar na fila propriamente dita. Custo Total: É a soma do Custo da Fila mais o Custo do Serviço.
A figura ao lado é uma representação destes custos:
O objetivo em qualquer sistema de filas é achar o ponto ótimo que minimiza a função do custo total, ou seja, achar o nível de serviço que minimiza o custo total. Em quase todos os sistemas de filas é relativamente fácil, embora possa ser trabalhoso, achar o custo do serviço. Achar o custo da fila é bem mais complexo. Qual o custo da fila, por exemplo, em uma agência bancária? Temos pessoas na fila e o custo da fila é o equivalente monetário do tempo que as pessoas ficam na fila. A quantificação disto não é simples até porque na fila de uma agência bancária, podemos ter pessoas com “valor-hora” bastante diferentes.
5
Componentes básicos de um processo de fila Um sistema de fila pode ser representado como: A fila propriamente dita é apenas um dos componentes de um sistema de fila.
A População É o conjunto de elementos pertencentes ao mundo externo, que, potencialmente, podem entrar no sistema de fila. Assim no sistema de fila da agência bancária da UFJF, por exemplo, são todas as pessoas que podem eventualmente usar a agência: funcionários, professores, alunos, pessoas da vizinhança, etc... Estatisticamente, a população, em um sistema de filas, pode ser classificada como infinita ou finita. Ela é considerada ser infinita quando o número de elementos é tal que a presença de um ou mais elementos na fila não influi no comportamento do sistema como um todo. Quando a presença no sistema de elementos da população potencial influi no comportamento do sistema, a fila é dita ser finita. Um exemplo de fila finita é o caso da fila para conserto de máquinas (poucas) existentes em uma indústria.
O Processo de Chegada O processo de chegada descreve como os elementos da população chegam para o sistema de filas. Na grande maioria dos sistemas de filas, as chegadas são aleatórias, ou seja, não ocorrem de maneira ordenada. Assim para descrever um processo de chegada, precisamos defini-lo através de uma distribuição probabilística. 6
Como exemplo, vamos supor que queremos definir a distribuição probabilística que rege o processo de chegada em uma determinada agência bancária. O passo inicial é fazer uma amostragem das chegadas dos clientes na agência em questão. Devemos lembrar que, inicialmente, deve ser definido o tamanho da amostra que garanta, estatisticamente, a confiabilidade dos resultados. Vamos supor que no nosso exemplo a amostra é coletar, em um único dia, as chegadas entre 11:00 e 16:00 horas, ou seja 5 horas de amostragem (300 minutos). Vamos supor que os resultados coletados na amostragem foram os seguintes: Como podemos observar na planilha ao lado, a amostragem coletou tanto o número de chegadas por período (no nosso exemplo, 1 minuto) como o intervalo entre chegadas, o que não seria necessário.
Veremos mais adiante porque só seria necessário registrar uma delas, lembrando por ora que, se a taxa meia for de 2 chegadas por minuto, por exemplo, o intervalo médio entre chegadas só pode ser de 30 segundos e vice-versa. Com os dados coletados podemos construir duas distribuições de freqüência: A 1ª com a distribuição do número de chegada por minuto:
Esta distribuição é uma distribuição discreta, pois os valores só podem ser inteiros, ou seja, 0, 1, 2, etc... . Com os dados podemos achar a média e a variância (desvio padrão): 7
Média = x = ∑
xi f i
=
∑ f
σ2
=
∑ x2 f − ∑ x ∑ f − 1 i
i
2
f i
2 chegadas/minuto
=
2,02 (chegadas/minuto)2 ⇒ σ = 1,42 chegadas/minuto
i
A 2ª com a distribuição do intervalo entre chegadas: Esta é uma distribuição continua pois é a distribuição do intervalo entre chegadas (tempo), podendo assumir qualquer valor. Com os dados coletados na amostragem, no caso, individuais (não mostrados aqui na apostila), podemos achar a média e a variância (desvio padrão): x =
σ2
∑ x
i
=
n =
18.000 = 30 segundos 600
∑ x2 − x2 = 900 segundos2 ⇒ σ = i
n
900 = 30 segundos
Veremos mais adiante que será fundamental saber se estas distribuições se “enquadram” em alguma distribuição teórica.
A disciplina da Fila A chamada disciplina da fila trata das questões relativas a fila propriamente dita. Precisamos ter respostas a perguntas do tipo: a) Quantas filas existem no sistema? b) Como os usuários são escolhidos da(s) filas para receber serviço? 8
Podemos ter um esquema FIFO (first in, first out), ou seja, o primeiro que entra é o primeiro que sai. Podemos ter LIFO (last in, first out), ou seja, o último a entrar é o primeiro a sair. Podemos ter uma fila com esquema de prioridade, ou seja, a chamada para receber serviço obedece a um esquema de prioridade, etc, etc... . c) Há limite para o tamanho da fila? O tamanho da fila pode ser considerado como infinito, ou sema, quando a fila pode ter qualquer tamanho ou limitado quando a fila só pode acomodar um nº determinado de usuários. Neste último caso quando a fila está cheia, os usuários que chegam, vão embora, sem entrar no sistema. Respostas diferentes para cada uma das perguntas acima mudam o tipo de modelo a ser estudado.
O Mecanismo de Serviço Um sistema de fila pode ser, genericamente, catalogado em 4 estruturas básicas conforme o seu esquema de prestação de serviço. Assim, como podemos ver na figura a seguir, podemos ter: (A) Canal único, fase única; (B) Canais múltiplos, fase única; (C) Canal único, fases múltiplas; (D) Canais múltiplos, fases múltiplas.
9
O número de canais é simplesmente o número de estações de serviço paralelas que prestam serviços às chegadas. O número de fases, por outro lado, indica o número de etapas seqüenciais que cada chegada individual tem que passar. Um exemplo da categoria (A) seria um pequeno posto bancário com somente 1 caixa para atendimento. Um exemplo da categoria (B) seria o caso de uma agência bancaria com fila única e várias caixas. Para exemplificar o caso (C) poderíamos citar um pequeno hospital onde o paciente recebe um atendimento inicial por parte de um médico residente e a seguir é atendido pelo médico titular. Se tivéssemos vários residentes e vários médicos, teríamos um exemplo do caso (D). Podemos, sem muito esforço, identificar vários tipos de filas conhecidas que não se encaixam nas 4 (quatro) categorias básicas. Isto é esperado, pois estas são apenas as categorias básicas. Para esquemas de filas mais complexos, a dificuldade em se obter soluções analíticas é imensa e, na maioria das vezes, inviável.
10
Como no processo de chegada, na grande maioria dos sistemas de filas, a duração do serviço prestado é aleatória e para descrevê-la precisamos definir uma distribuição probabilística. Também como no processo de chegada, para se obter uma distribuição probabilística que descreva o serviço prestado, precisamos fazer uma amostragem no sistema em questão. Neste caso, no entanto, após ter sido definido o tamanho da amostra, temos um complicador: A distribuição probabilística deve refletir a “capacidade” da estação de serviço e por isto não tem sentido incluir na amostra os períodos em que a estação fica ociosa. As maneiras usuais de se fazer isto são contar somente o tempo em que a estação não fica ociosa ou, para garantir ocupação, gerar usuários artificiais para serem servidos no sistema. A 1ª forma é geralmente mais usada, pois a 2ª pode provocar distorções por ser artificial. Vamos supor como exemplo, que estamos estudando um posto bancário e para estudarmos o atendimento dado foi feita uma amostragem em um único dia, das 13h às 16h, ou seja, durante 3 horas (180 minutos). Foram coletados então os seguintes dados: Da mesma forma que fizemos no processo de chegada, registramos nesta amostragem tanto a duração de cada serviço prestado (medida conínua pois se trata de tempo) que é uma medida discreta pois só pode ser um valor inteiro. Também repetindo o citado no porcesso de chegada, bastava coletar apenas uma das medidas pois as 2 estao relacionadas e é claro que se a média for de 4 serviços prestados por minuto, a duração média da prestação de serviço será de 15 segundos.
11
Com dados coletados na amostragem podemos construir 2 distribuições probabilísticas.
A 1ª (discreta) vai ser a distribuição dos números de serviços prestados por minuto e apresenta os seguintes valores: Sua média e desvio padrão são:
12
Como no caso do processo de chegada, também estamos interessados em saber se estas distribuições se “enquadram” em uma distribuição teórica. A técnica estatística que avalia se uma distribuição empírica se adequa a uma distribuição teórica é chamada de Teste de Aderência e é o que veremos a seguir:
O Processo POISSON As propriedades do chamado Processo de Poisson se ajustam muito bem aos modelos básicos de filas. Este fato fez com que as soluções analíticas para modelos de filas pudessem ser obtidas para àqueles modelos, a obtenção de soluções analíticas para modelos não seguem o Processo de Poisson são, quando viáveis, matematicamente complexas e extremamente trabalhosas. Vejamos as propriedades fundamentais do Processo de Poisson, já adaptando-se para sistemas de filas, lembrando que estas propriedades são provadas matematicamente: 1. O nº de chegadas (ou de serviços complementados) em uma unidade de tempo especificada é independente do nº de chegadas (ou término de serviços) em qualquer outra unidade. Esta propriedade se adéqua perfeitamente a um sistema de filas e para exemplificar vamos imaginar as chegadas de clientes a uma agência bancária. É óbvio que o nº de chegadas no minuto entre 11:34 e 11:35 é independente das chegadas no minuto entre 14:51 e 14:52. 2. O nº médio de chegadas (ou término de serviços) por unidade de tempo é proporcional ao tamanho da unidade de tempo. Assim se na agência bancária a média é de 2 chegadas/min, ela será de 120 chegadas/hora e 720/dia (considerando o dia de 6 horas). 3. A probalidade da ocorrência de 2 chegadas simultâneas (ou término de 2 serviços) em uma unidade de tempo muito pequena tende a zero. Vamos supor que a taxa de chegada a um determinado sistema de fila seja λ = 5/hora. Se fizermos (∆t) muito pequeno, 1 segundo por exemplo, a probabilidade de chegada em 1 segundo será igual a λ∆t = 5*1/3600 = 0,0013. A probabilidade de 2 chegadas em qualquer segundo será igual a 0,0013 * 0,0013 = 0,000006, ou seja, praticamente zero. 13
4. A probabilidade de 1 chegada (ou término de serviço) ocorrer em uma unidade de tempo muito pequena, ∆t, é sempre a mesma independente do instante de ∆t. Desta forma se a probabilidade de 1 chegada em 1 segundo é de 0,0013, esta probabilidade será a mesma em qualquer segundo escolhido. 5. Se a distribuição das chegadas (discreta) segue a distribuição de Poisson, então a distribuição do intervalo entre chegadas (contínua) segue a Exponencial. Se a distribuição da duração do serviço (contínua) segue a Exponencial então a distribuição dos serviços completados (discreta) segue a Poisson. Esta propriedade é a razão porque dissemos anteriormente, nas amostragens, que embora tivessem sido completados tanto os dados discretos como os contínuos, bastava trabalhar com uma delas, tanto no caso das chegadas como no caso do serviço, pois provada uma, via teste de aderência, está provada a outra. Desta forma se as chegadas seguem, por exemplo, uma Poisson, verificado via teste de aderência, com taxa média λ = 3/minuto, então o intervalo entre chegadas segue Exponencial com média (1/µ) igual a 20 segundos. Da mesma forma se a duração do serviço segue, por exemplo, uma Exponencial com média (1/µ) de 30 segundos, então a distribuição dos serviços completados por unidade de tempo seguem uma Poisson com média λ = 2/minutos.
�� ����� �������� ��� ��������� �� ��� �� ��� ��� �� �������� ������ � ������� ������ �� ������ �� ����� �� ����������� �� ����� �� �������� ��� � ���� ����� �� ������� ���������� �������� ��� ���� � �������� ����������� ��� � ��� ������� ����������� �� ����� �� ��� ��� ��� ����� � ������������ ��� ���� ����� ������ ���� ������� ����� ���������� � �������� � ��� ���� ����������
14
A Notação Kendall O professor D.G.Kendall criou, em 1953, uma notação para sistemas de filas que é hoje largamente usada. Ela tem, na sua forma simplificada , o seguinte formato: ( A/B/C/D/E ) onde: A representa a distribuição das chegadas, B representa a distribuição do serviço, C indica o número de estações de serviços, D indica a capacidade física do sistema e E é a disciplina da fila empregada. Por exemplo, as notações M/G/1/ /FIFO ou M/G/1 representam um sistema onde os tempos entre chegadas sucessivas seguem uma distribuição exponencial , os tempos de serviço, uma distribuição geral, há um único posto de atendimento, o sistema possui capacidade infinita e a disciplina de atendimento empregada é FIFO; a notação M/E 3 /4/8/LIFO representa um sistema onde os tempos entre chegadas sucessivas seguem uma distribuição exponencial, o tempo de atendimento uma distribuição Erlang do tipo 3, existem 4 postos de atendimento em paralelo, o sistema comporta no máximo oito usuários (4 na fila e 4 sendo atendidos) e a disciplina de atendimento utilizada é a LIFO. ∞
Como a distribuição de Poisson inclui as propriedades do processo Markoviano, a notação usada para A e B é M quando tempos um processo de Poisson. Assim um modelo de fila em que a distribuição das chegadas segue a Poisson, a distribuição da duração do serviço segue a Exponencial e com 1 estação de serviço, teria a notação M/M/1.
A Convenção para textos de Filas Outra convenção em filas é que, se nada for dito em contrário , considera-se: • • • • • •
Tamanho da população: infinito Tamanho permitido para a fila: infinito Distribuição das chegadas: Poisson Distribuição do serviço: Exponencial Fila: única Seleção para atendimento: FIFO
15
Estado transiente e de regime (ou estacionário) Antes de entramos em detalhes, devemos observar que todos os modelos, com suas fórmulas, a serem apresentados têm como prérequisito o sistema de fila estar em estado de regime, ou seja, estar com o seu processo de chegadas e atendimento dentro de condições normais. Para exemplificar vamos considerar uma agência bancária que tenha grande movimento. Quando a agência abre pela manhã, já existe normalmente uma aglomeração na porta e, obviamente, as chegadas não obedecem a qualquer padrão. Da mesma forma, no início dos trabalhos, o atendimento não atinge sua velocidade normal, pois de certa forma os funcionários que fazem o atendimento não atingem sua velocidade normal, pois, de certa forma, os funcionários que fazem o atendimento ainda não estão “aquecidos”. Até o funcionamento da agência se normalizar dizemos que o sistema está em regime transiente. O estudo do comportamento de sistema de filas em regime transiente é de extrema complexidade e foge ao escopo deste curso.
Sistemas Estáveis ● Fluxo médio de entrada ( λ ) constante. ● Ritmo médio de atendimento ( µ) constante. ● µ > λ .
16
O Processo de Nascimento-e-Morte Segundo Hillier & Lieberman (2006), “os modelos de filas mais elementares partem do pressuposto de que as entradas (clientes que chegam) e saídas (clientes que saem) do sistema de filas ocorram de acordo com o processo de nascimento-e-morte”. O estado do sistema no instante t ( t ≥ 0 ), representado por N (t ) , é o número de clientes no sistema de filas no instante t . O processo de nascimento-e-morte descreve probabilisticamente como N (t ) muda à medida que t aumenta. Em termos genéricos, ela diz que nascimentos e mortes individuais ocorrem aleatoriamente, em que suas taxas médias de ocorrência dependem apenas do estado atual do sistema. Mais precisamente, as hipóteses do processo de nascimento-e-morte são as seguintes:
Hipótese 1. Dado N (t ) = n , a distribuição probabilística atual do tempo remanescente até o próximo parâmetro λ n ( n = 0,1,2,...) .
nascimento (chegada)
é exponencial com
Hipótese 2. Dado N (t ) = n , a distribuição probabilística atual do tempo remanescente até o próximo morte (término do atendimento) é exponencial com parâmetro µ n ( n = 1,2,...) . Hipótese 3. A variável aleatória da hipótese 1 ( o tempo remanescente até o próximo nascimento ) e a variável aleatória da hipótese 2 (o tempo remanescente até a próxima morte) são mutuamente independentes. A próxima transição no estado do processo é n → n + 1 (um único mascimento) ou então n → n − 1 (uma única morte), dependendo de se a primeira ou a última variável aleatória for menor. Para um sistema de filas, λ n e µ n representam, respectivamente, a taxa média de chegada e a taxa média de términos de atendimento, quando existem n clientes no sistema. Para alguns sistemas de filas, os valores de λ n serão os mesmos para todos os valores de n e os µ n também serão os mesmos para todos os n, exceto para n muito pequeno (por exemplo, para
n=0)
que um atendente se encontra ocioso. Entretanto, λ n e µ n
também podem variar consideravelmente com n para alguns sistemas de filas. Por exemplo, uma das maneiras nas quais λ n pode diferir para valores de n é o caso no qual vai ficando cada vez mais provável que os possíveis clientes que chegam vão se recusar (recusar-se a entrar no sistema) à medida que n aumenta. Da mesma forma, µ n pode diferir para n diferentes porque fica cada vez mais provável que os clientes na fila venham desistir (sair sem serem atendidos) à medida que o tamanho da fila aumenta.
17
Análise do Processo de Nascimento-e-Morte Em virtude das suas hipóteses, o processo de nascimento-e-morte é um tipo especial de cadeia de Markov de tempo contínuo . Para maiores detalhes sobre este tipo de cadeia e suas propriedades ver a seção 16.8 de Hillier & Lieberman (2006). Veja o diagrama na figura abaixo, onde as setas mostram as únicas transições possíveis para o estado do sistema e a entrada para cada seta fornece a taxa média para essa transição quando o sistema se encontra no estado na base da seta.
Princípio da taxa que entra = taxa que sai Em virtude das suas hipóteses, o processo de nascimento-e-morte é um tipo especial de cadeia de Markov de tempo contínuo . As setas no diagrama abaixo mostram as únicas transições possíveis para o estado do sistema e a entrada para cada seta fornece a taxa média para essa transição quando o sistema se encontra no estado na base da seta.
Diagrama de taxas para o processo de nascimento-e-morte
18
Equações de equilíbrio para o processo de nascimento-e-morte
19
Para simplificar a notação, façamos que: Cn
λn −1λn−2 ...λ 0 , para n = 1,2,... µ n µn−1...µ 1
=
E então definamos C 1 = 1 para n = 0. Portanto, as probabilidades de estado estável são Pn
=
para n = 0,1,2,...
Cn P0
A exigência de que ∞
∑0 P = 1 n
n=
Implica que ∑ Cn P0 = 1, n 0 ∞
=
De modo que P0
=
1 ∞
∑0 C
n
n=
Quando um modelo de filas se baseia no processo de nascimento-e-morte, de modo que o estado do sistema n represente o número de clientes no sistema de filas, as medidas de desempenho fundamentais para o sistema de filas ( L , Lq , W e W q ) podem ser obtidas imediatamente após calcular os Pn das fórmulas anteriores. As definições de L e Lq dadas anteriormente mostram que: ∞
L =
∑0 nP
n
n=
20
E ∞
Lq
∑ (n − s) P
=
n
n= s
Além disso, as relações de Little levam a W =
L
λ
e W q =
Lq
λ
Em que λ é a taxa de chegada média a longo prazo. Como λ n é a taxa média de chegada enquanto o sistema se encontra no estado n ( n = 0,1,2,...) e Pn é a proporção de tempo de que o sistema se encontra nesse estado, ∞
λ
=
∑0 λ P n
n
n=
Diversas das expressões dadas anteriormente envolvem somatórios com um número de termos infinito. Felizmente, esses somatórios possuem soluções analíticas para um número de interessantes casos especiais. Caso contrário, eles podem ser aproximados somando-se um número finito de termos via computador. Esses resultados de estado estável foram obtidos sob a hipótese de que os parâmetros λ n e µ n tenham valores tais que o processo possa realmente alcançar a condição de estado estável. Essa hipótese sempre é válida se λ n = 0 para algum valor de n maior que o estado inicial, de modo que sejam possíveis somente um número de estados finito (aqueles menores que n). Ela sempre é válida quando λ e µ são definidos e ρ =
λ < 1. s µ
∞
Ela não é válida se
∑0 C = ∞ . n
n=
21
O Modelo M/M/1 Este é o modelo mais simples de fila, ou seja, tamanho população infinito, tamanho permitido para a fila infinito, chegadas seguindo a Poisson, duração do serviço seguindo a Exponencial, fila única com seleção FIFO e 1 estação de serviço.
Resultados do M/M/1 Para
s = 1 , os fatores C n tornam-se:
Cn
λ µ
n
=
n
= ρ
, para n = 0,1,2,...
Portanto, Pn
n
= ρ
P0 ,
para n = 0,1,2,...
Em que P0
=
∞
∑0
n
=
1
−
ρn
1 1 − ρ
=
1
−
=
1 − ρ
Portanto, Pn
=
(1 − ρ ) ρ n
Consequentemente, ∞
L =
∑0 n(1 − ρ ) ρ n=
∞
n
=
ρ 2 (1 − ρ )
(1 − ρ )∑ nρ n = (1 − ρ ) n =0
=
ρ
1− ρ
=
λ µ − λ 22
Como
W =
L
1
=
λ
µ − λ
Podemos com W calcular o valor de W q: Wq
= W −
1
=
1 µ − λ
−
1 µ
=
λ µ (µ − λ )
A partir de W q, pode-se calcular Lq: Lq
= λW q =
λ λ 2 = ( µ − λ ) µ( µ − λ )
λ
As fórmulas restantes são facilmente demonstradas a partir das anteriores.
Lista de Fórmulas λ = taxa média de chegada
(1/ λ = intervalo médio entre chegadas)
µ = taxa de serviço média
(1/µ = duração média do serviço)
η = número de unidades no sistema (inclui
as da fila e a sendo servida).
Probabilidade de zero unidades no sistema, ou seja, a probabilidade do sistema estar vazio:
� � − 23
Probabilidade de existirem n unidades no sistema:
� n Probabilidade de existirem mais de k unidades no sistema:
�� � k+1 Número médio (esperado) de unidades no sistema: L =
Número médio (esperado) de unidades na fila: Lq =
��
Tempo médio (esperado) que cada unidade permanece no sistema: W=
Tempo médio (esperado) que cada unidade permanece na fila: Wq=
��
Fator de utilização da estação de serviço:
� Probabilidade de 1 unidade demorar mais de t unidade de tempo no sistema: 24
P(T > t ) = e-µ(1-ρ)t Podemos ainda as seguintes relações entre as medidas básicas:
Lq = L - = λ Wq
L = Lq + = λ W
Wq = W – =
W = Wq + =
Lq
λ L
λ
25
Processo de Chegada
Anotações 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Ritmo de Chegadas de Veículos Média (λ ) 2 2 1 2 1 0 2 1 0 1 2 0 2 3 1 3 1 3 4 5 1 2 0 1 2 1 0 1 1 0 2 2 2
Ritmo 0 1 2 3 4 5 6 7 8 9 10 Total
Freqüência Abso- Freqüência luta Relativa 9 0,1500 17 0,2833 17 0,2833 9 0,1500 4 0,0667 1 0,0167 1 0,0167 1 0,0167 1 0,0167 0 0,0000 0 0,0000 60
Ritmo Versus Frequência Relativa Frequência Relativa
a v i t 0,3000 a l e 0,2500 R a 0,2000 i c n 0,1500 ê u 0,1000 q e r 0,0500 F
0,0000 0
Ritmo 0 1 2
1
Freqüência Absoluta 9 17 17
2
3
4 5 Ritmo
Freqüência Relativa 0,1500 0,2833 0,2833
6
7
8
9
10
Distribuição de Poisson 0,1353 0,2707 0,2707 26
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 Total de Veículos
xemplo
3 2 2 3 2 3 3 2 1 6 0 2 3 7 0 2 2 0 4 1 1 1 1 8 4 3 1 4 120
3 4 5 6 7 8 9 10
9 4 1 1 1 1 0 0
0,1500 0,0667 0,0167 0,0167 0,0167 0,0167 0,0000 0,0000
0,1804 0,0902 0,0361 0,0120 0,0034 0,0009 0,0002 0,0000
Ritmo Versus Frequência Relativa Frequência Relativa a v i t a l e R a i c n ê u q e r F
POISSON
0,3000 0,2500 0,2000 0,1500 0,1000 0,0500 0,0000 0
1
2
3
4 5 Ritmo
6
7
8
9
10
Em uma fábrica chegam em média 7 pedidos por semana (segundo a distribuição de Poisson). Qual a probabilidade de ocorrer a chegada das quantidades de pedidos abaixo em uma mesma semana? a) zero pedido 27
b) 7 pedidos c) até 7 pedidos d) Acima de 7 pedidos
Processo de Atendimento X
f(x)
F(x)
X
f(x)
0
2
0
0
3
0,2
1,34064
0,32968
0,2
1,646435
0,4
0,898658
0,550671
0,4
0,903583
0,6
0,602388
0,698806
0,6
0,495897
0,8
0,403793
0,798103
0,8
0,272154
1
0,270671
0,864665
1
0,149361
1,2
0,181436
0,909282
1,2
0,081971
1,4
0,12162
0,93919
1,4
0,044987
1,6
0,081524
0,959238
1,6
0,024689
1,8
0,054647
0,972676
1,8
0,01355
FUNÇÃO DENSIDADE
f ( x) = λ e −
λ x
FUNÇÃO CUMULATIVA
F ( x) = 1 − e
− λ x
Função Densidade da Distribuição Exponencial 3,5 3 2,5 2 1,5 1 0,5 0
Tempo entre Chegadas
1,2
Média 2
Função Cumulativa Distribuição Exponencial com Média 2
1 0,8 0,6 0,4 0,2
28
2
0,036631
0,981684
2
0,007436
2,2
0,024555
0,987723
2,2
0,004081
2,4
0,016459
0,99177
2,4
0,00224
2,6
0,011033
0,994483
2,6
0,001229
2,8
0,007396
0,996302
2,8
0,000675
3
0,004958
0,997521
3
0,00037
3,2
0,003323
0,998338
3,2
0,000203
3,4
0,002228
0,998886
3,4
0,000112
3,6
0,001493
0,999253
3,6
6,12E-05
3,8
0,001001
0,9995
3,8
3,36E-05
4
0,000671
0,999665
4
1,84E-05
4,2
0,00045
0,999775
4,2
1,01E-05
4,4
0,000301
0,999849
4,4
5,55E-06
4,6
0,000202
0,999899
4,6
3,05E-06
4,8
0,000135
0,999932
4,8
1,67E-06
5
9,08E-05
0,999955
5
9,18E-07
5,2
6,09E-05
0,99997
5,2
5,04E-07
5,4
4,08E-05
0,99998
5,4
2,76E-07
5,6
2,73E-05
0,999986
5,6
1,52E-07
5,8
1,83E-05
0,999991
5,8
8,33E-08 29
6
1,23E-05
0,999994
6
4,57E-08
6,2
8,24E-06
0,999996
6,2
2,51E-08
6,4
5,52E-06
0,999997
6,4
1,38E-08
Considere um posto de pedágio, onde λ = 2 chegadas por minuto ou 0,033 chegadas por segundo ou IC = 30 segundos. A) Calcule a probabilidade de que o intervalo entre duas chegadas seja de até 30 segundos (0,5 min).
Solução: F(0,5) = 0,632 b) Cálculo da probabilidade de que o intervalo entre duas chegadas seja maior que 30 segundos. Solução: 1-F(0,5) = 0,368 c) Cálculo da probabilidade de que o intervalo entre duas chegadas esteja compreendido entre 12 e 24 segundos (isto é, entre 0,2 minutos e 0,4 minutos) Solução: F(0,4) - F(0,5) = 0,221 = 22,1%
Fórmulas do Modelo M/M/1 P0
=
L =
W q
1−
λ µ
λ µ − λ
=
λ Pn = P0 µ Lq
λ µ (µ − λ )
=
n
λ 2 µ (µ − λ ) λ ρ = µ
λ P( n > k ) = µ W =
P(T
k +1
1
Fórmulas de Little Lq
L−
L = Lq
µ − λ
>
=
+
λ = λ W q µ λ = λ W µ
Wq
= W −
W
= W q +
t ) = e − µ (1− ρ ) t
1 Lq µ
=
λ
1 L µ
=
λ
Tempo de Atendimento = TA =
1 µ
30
Exemplos M/M/1 Exemplo 1 Em uma fábrica observou-se o funcionamento de um dado setor, em que λ = 20 clientes por hora, µ = 25 clientes por hora e tempo médio de permanência no sistema igual a 0,3 hora. Pede-se o tamanho médio da fila. Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
20
por hora
Taxa de Atendimento
µ
25
por hora
Taxa de utilização
ρ
80,00%
Probabilidade de não haver cliente no sistema
P0
20,00%
Número médio de Clientes na Fila
Lq
3,20
Clientes
Número médio de Clientes no Sistema
L
4,00
Clientes
Tempo médio de espera no Sistema
W
0,20
horas
Tempo médio de espera na Fila
Wq
0,16
horas
t
0,25
horas
P(T > t)
28,65%
Medidas de Desempenho
31
Exemplo 2 Para o mesmo sistema acima, calcular o número médio de clientes no sistema e o número médio de clientes que estão sendo atendidos. Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
20
por hora
Taxa de Atendimento
µ
25
por hora
Taxa de utilização
ρ
80,00%
Probabilidade de não haver cliente no sistema
P0
20,00%
Número médio de Clientes na Fila
Lq
3,20
Clientes
Número médio de Clientes no Sistema
L
4,00
Clientes
Tempo médio de espera no Sistema
W
0,20
horas
Tempo médio de espera na Fila
Wq
0,16
horas
t
0,25
horas
P(T > t)
28,65%
Medidas de Desempenho
32
Exemplo 3 Clientes chegam a uma barbearia, de um único barbeiro, com uma duração média entre chegadas de 20 minutos. O barbeiro gasta em média 15 minutos com cada cliente. a) Qual a probabilidade de um cliente não ter que esperar para ser servido ? b) Qual o número esperado de clientes no salão de barbeiro? E na fila ? c) Quanto tempo, em média, um cliente permanece no salão? d) Quanto tempo, em média, um cliente espera na fila? e) Qual a probabilidade de que um cliente tenha que ficar mais de 30 minutos no salão? f) O barbeiro está estudando a possibilidade de colocar outro barbeiro desde que o tempo de permanência médio de cada cliente no salão passe a 1,25 horas. Para quanto deve aumentar a taxa de chegada de modo que este segundo barbeiro fique justificado? Solução = 3/hr
λ
a) P0
=
= 4/hr
���� ���� ��� ����� �� ����� � � � � � ���� � � �������� ����� ������ ������� ��� � ��������
λ 3 1 − =1 − 4 µ
(��� ������� ��� �� �� ����� � ������� ��� ���� ����� �������� ���� ���������
�� ����� � ������ ����� �� �������� �� ������� (�� � � ������ ����� �� �������� �� ���� �� ������� (����� ���������� � ���������� ����� �� �������� ��������� ��� ������� �� ����� � � ��������� � ����� ��� � ������ �� ����� � �������� ���� �������
L
3 λ = = 3 fregueses µ − λ 4 − 3
=
b)
2
Lq =
λ
µ ( µ − λ )
1
c)
W =
d)
W q =
µ − λ
=
=
2,25 fregueses
1 hora
λ µ ( µ − λ )
=
0,75 horas 33
t
3 4( )0,5
−
e) P(T > 0,5) = e µ (1 ρ ) = e 4 = 0,61 = 61% f) Queremos λ de modo que W = 1,25 horas 1 1,25 = ⇒ λ = 3, 2 fregueses / hora 4 − λ −
−
Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
3
por hora
Taxa de Atendimento
µ
4
por hora
Taxa de utilização
ρ
75,00%
Probabilidade de não haver cliente no sistema
P0
25,00%
Número médio de Clientes na Fila
Lq
2,25
Clientes
Número médio de Clientes no Sistema
L
3,00
Clientes
Tempo médio de espera no Sistema
W
1,00
horas
Tempo médio de espera na Fila
Wq
0,75
horas
t
0,50
horas
P(T > t)
60,65%
Medidas de Desempenho
34
Exemplo 4 Pessoas chegam para comprar ingressos para um jogo à taxa de uma por minuto. Cada pessoa gasta em média 20 segundos para comprar um ingresso. a) Se uma determinada pessoa chega 2 minutos antes do jogo começar e se ela gasta exatamente 1,5 minutos para chegar ao seu lugar após comprar o seu ingresso, ela estará sentada antes do jogo começar? b) Qual a probabilidade da pessoa do item a estar sentada antes do jogo começar? c) Com que antecedência deve a pessoa chegar para ter 99% de certeza de estar sentada antes do jogo começar? Solução
= 3/min
= 1/min
λ
1 =0,5minutos µ-λ Logo o tempo médio para comprar o ingresso e achar o lugar é 0,5 + 1,5 = 2 minutos, ou seja, a pessoa deverá estar sentada antes do jogo começar. a)
W=
b) É igual à probabilidade do ingresso ser comprado em tempo menor ou igual a 0,5 minutos.
0,5) = 1 − P(T > 0,5) = 1 − e µ (1 P (T ≤ 0,5) = 0,63 = 63% P (T
−
≤
)t
− ρ
=
1−e
1 3(1− )0,5 3
−
b) Queremos achar t de modo que: P (T
) 0,1
> t = t
e− µ (1− ρ ) ⇒ e
1 3(1− )t 3
−
t = 2,3minutos
Logo:
P (T
>
2,3) = 0,1
P(T
2,3) = 0,99
≤
Como a pessoa gasta 1,5 minutos para achar seu lugar ela deve chegar 1,5 + 2,3 = 3,8 minutos antes do jogo começar. 35
Importante Como já foi dito anteriormente, a taxa de ocupação ( λ /µ), tem que ser sempre menor que 1 pois, em caso contrário, a fila tende ao infinito. ?Vamos aproveitar este exemplo para mostrar que, mesmo sendo menor que 1, se ela se aproxima de 1 a fila já tende ao infinito. No quadro a seguir, para um µ fixo igual a 3/min, mostramos os valores de L, Lq, W (em minutos) e Wq (em minutos) para valores crescentes de λ , e conseqüentemente de ρ. Podemos ver que, a medida que ρ vai se aproximando de 1, a fila se torna inviável. Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
1
por minuto
Taxa de Atendimento
µ
3
por minuto
Taxa de utilização
ρ
33,33%
Probabilidade de não haver cliente no sistema
P0
66,67%
Número médio de Clientes na Fila
Lq
0,17
Clientes
Número médio de Clientes no Sistema
L
0,50
Clientes
Tempo médio de espera no Sistema
W
0,50
minutos
Tempo médio de espera na Fila
Wq
0,17
minutos
t
0,50
minutos
P(T > t)
36,79%
Medidas de Desempenho
36
Exemplo 5 Fregueses chegam aleatoriamente a uma padaria à taxa média de 12/hora. O único empregado da padaria pode servir fregueses à taxa média de 20/hora. O empregado recebe $3/hora enquanto que o tempo que os fregueses “perdem” na padaria está estimado em $8/hora. O dono da padaria está considerando a instalação de um equipamento de auto-serviço que fará com que a taxa de atendimento aos fregueses passe para 42 fregueses/hora. O custo do equipamento de auto-serviço é de $30/dia. Considerando que a padaria funciona 12 horas/dia, justifique economicamente se o equipamento de auto-serviço deve ou não ser comprado?
Solução = 12/hora
λ
Situação Atual µ = 20/hora Custo do empregado=$3/hr x 12 hr/dia = $36/dia ⇒ Custo do serviço W = tempo médio que um freguês permanece na padaria. W= 0,125 horas Custo = 0,125 horas x 8/hr = $1 Custo da fila = $1 x 12 fregueses/hr x 12hr/dia = $144 Custo total = $36 + $144 = $144 = $180/dia
Situação Proposta µ = 20/hora 37
W= 0,0333 horas Custo = 0,0333 horas x 8/hr = $0,266 Custo da fila = $0,266 x 12 fregueses/hr x 12hr/dia = $38,40/dia Custo do Serviço = $36 + $30 = $66/dia Custo total = $66 + $38,40 = $104,40/dia
Resposta: A situação proposta é melhor.
Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
12
por hora
Taxa de Atendimento
µ
42
por hora
Taxa de utilização
ρ
28,57%
Probabilidade de não haver cliente no sistema
P0
71,43%
Número médio de Clientes na Fila
Lq
0,11
Clientes
Número médio de Clientes no Sistema
L
0,40
Clientes
Tempo médio de espera no Sistema
W
0,033
horas
Tempo médio de espera na Fila
Wq
0,010
horas
Medidas de Desempenho
38
t
0,50
P(T > t)
0,00%
horas
Exemplo 6 Suponhamos que as chegadas a uma cabine telefônica obedecem a lei de Poisson, com ritmo de 6 chegadas por hora. A duração média do telefonema é de 3 minutos e suponhamos que siga a distribuição exponencial. Pede-se: a) Qual a probabilidade de uma pessoa chegar à cabine e não ter que esperar? b) Qual o número médio de pessoas na fila? c) Qual o número médio de pessoas no sistema? d) Qual o número médio de clientes usando o telefone? e) Qual o tempo na fila? f) Para qual ritmo de chegadas teríamos a situação em que o tempo médio de espera na fila seria de 3 minutos? g) Qual é a fração do dia durante a qual o telefone está em uso? Respostas: a) 0,70 b) 0,128 c) 0,428 d) 0,30 e) 1,28 minutos f) 10 chegadas/hora g) 30%
39
Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
6
por hora
Taxa de Atendimento
µ
20
por hora
Taxa de utilização
ρ
30,00%
Probabilidade de não haver cliente no sistema
P0
70,00%
Número médio de Clientes na Fila
Lq
0,129
Clientes
Número médio de Clientes no Sistema
L
0,43
Clientes
Tempo médio de espera no Sistema
W
0,071
horas
Tempo médio de espera na Fila
Wq
0,021
horas
t
0,50
horas
P(T > t)
0,09%
Medidas de Desempenho
40
Exemplo 7 Uma fábrica possui um depósito de ferramentas onde os operários vão receber as ferramentas especiais para a realização de uma determinada tarefa. Verificou-se que o ritmo de chegada (λ = 1 chegada/min) e o ritmo de atendimento (µ = 1,2 atendimentos por minuto) seguem o modelo marcoviano M/M/1. A fábrica paga $9,00 por hora ao atendente e $18,00 ao operário. Pede-s e: a) O custo horário do sistema. b) A fração do dia em que o atendente não trabalha. Respostas: a) $99,00 b) P0 = 1 - λ / µ = 0,16 Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
1
por minuto
Taxa de Atendimento
µ
1,2
por minuto
Taxa de utilização
ρ
83,33%
Probabilidade de não haver cliente no sistema
P0
16,67%
Número médio de Clientes na Fila
Lq
4,167
Clientes
Número médio de Clientes no Sistema
L
5,00
Clientes
Tempo médio de espera no Sistema
W
5,000
minutos
Tempo médio de espera na Fila
Wq
4,167
minutos
t
0,50
minutos
P(T > t)
90,48%
Medidas de Desempenho
41
Exercício 2- Contratação de um reparador Uma empresa deseja contratar um reparador para efetuar manutenção em suas máquinas, que estragam a um ritmo de 3 falhas por hora. Para tal possui 2 opções: um reparador lento, que é capaz de consertar a um ritmo de 4 falhas por hora ou um reparador rápido, que é capaz de consertar a um ritmo de 6 falhas por hora. O salário/hora do reparador lento é de $3,00 e o do reparador rápido é de $5,00. Qual contratação deve ser efetuada para que o custo total (reparador mais máquinas paradas) seja mínimo? Sabe-se que uma máquina parada implica um custo horário de $5,00.
42
Modelo M/M/s (s>1) Neste tipo de modelo, considera-se que as estações de serviço são equivalentes e prestam serviço, individualmente, a mesma taxa média µ. Taxa de chegadas descrita por processo POISSON. Taxa de aterndimento descrita por processo POISSON. S servidores. População infinita.
ρ =
λ
P0
s
=
1 s 1 1 λ ∑ n 0 n ! µ −
=
n
s 1 λ + s !(1 − ρ) µ
n 1 λ P0 ,se n < s n! µ Pn = n 1 λ P0 s !s n s µ ,se n ≥ s −
λ λ s µ t s 1 P0 1 − e µ µ e µ t 1 + λ s !(1 − ρ ) s − 1 − µ se s − 1 − λ P(T > t ) = µ λ s P µ t µ 0 λ e 1 + s !(1 − ρ ) µ t se s − 1 − µ = 0 −
− −
−
L = Lq
L q
+
λ
λ µ
=
s
×
W = s +1
L
λ
W q
=
Lq
λ
≠
0
−
P0
s !(1 − ρ )
2
43
Exemplo 1 Um escritório tem 3 datilógrafas e cada uma pode datilografar, em média, 6 cartas por hora. As cartas chegam para serem datilografadas a taxa média de 15 por hora. a) Qual o número médio de cartas esperando para serem datilografadas? b) Quanto tempo, em média, uma carta demora para ficar pronta? c) Qual a probabilidade de que uma carta demore mais de 20 minutos para ficar pronta? d) Vamos supor que cada datilógrafa receba individualmente 5 cartas por hora, em média, para datilografar. Quanto tempo em média uma carta demora para ficar pronta? Dados de Entrada Taxa de Chegada
λ
15
hora
Taxa de Atendimento
µ
6
hora
Número de servidores
s
3
Medidas de Desempenho Taxa de utilização
ρ
Probabilidade de não haver cliente no P0 sistema
83,33% 4,49%
Cálculos Intermediários n
fatorial(n)
0
1
1
1
1
2,5
s-1 2
2
3,125
Soma
6,625
15,625
44
Número médio de Clientes na Fila
Lq
3,51
Número médio de Clientes no Sistema L
6,01
Tempo médio de espera no Sistema
W
0,40
Tempo médio de espera na Fila
Wq
0,23
t
20
0,33
P(T > t) se (s-1-λ / µ)≠0
46,19%
P(T > t) se (s-1-λ / µ)≠0
0,461942
P(T > t) se (s-1-λ / µ)=0
-
P(T > t) se (s-1-λ / µ)=0
0,33
i
a) Lq = 3,511 cartas b) W = 0,40 horas c) P(T > 0,333 h) = 0,461 = 46,1% d) Modelo I λ = 5/h, logo W = 1 hora
45
Este exemplo serve para mostrar a vantagem em se ter uma fila única quando temos várias estações de serviço prestando o mesmo tipo de atendimento. Com uma única fila, cada carta demora, em média, 0,40 horas para ficar pronta. Com fila individual demorará, em média, 1 hora.
Exemplo 2 Deseja-se determinar o número ótimo de caixas em uma agência bancária. O tempo que cada cliente "perde" dentro da agência está estimado em $5/hora e o custo de funcionamento de uma caixa bancária é de $4/hora. Os clientes chegam a taxa média de 40 por hora e as caixas podem atender, em média, 30 clientes por hora.
Dados de Entrada Taxa de Chegada
λ
40
hora
Taxa de Atendimento
µ
30
hora
Número de servidores
s
1
Medidas de Desempenho Taxa de utilização
ρ
1,333333333
Probabilidade de não haver cliente no P0 sistema
-
Número médio de Clientes na Fila
-
Lq
A Fila tende s-1 ao infinito!!!!
Cálculos Intermediários n
fatorial(n)
0
1
1
1
1
2,5
2
2
3,125
Soma
6,625
#VALOR!
46
Número médio de Clientes no Sistema
L
-
Tempo médio de espera no Sistema
W
-
Tempo médio de espera na Fila
Wq
-
t
20
-
P(T > t) se (s-1-λ / µ)≠0
-
P(T > t) se (s-1-λ / µ)≠0 #VALOR!
P(T > t) se (s-1-λ / µ)=0
-
P(T > t) se (s-1-λ / µ)=0 #VALOR!
Solução = 40/hr
λ
= 30/\hr
s = 1 ⇒ ρ = 1,333 > 1, a fila tenderia ao infinito
Para se resolver este tipo de problema tem que se ir por tentativa, incrementando o número de estações de serviço de 1. Como já vimos, a curva de custo total vem diminuindo, passa por um mínimo e volta a crescer. No exemplo o mínimo é s = 3. 47
Modelo M/M/1: Fila Finita Esta é a situação na qual a fila pode acomodar somente um número finito de unidades, ou seja, se uma unidade chega e a fila está cheia, ela vai embora sem esperar o atendimento . Deve ser observado que neste caso a taxa de chegada ( λ ) não precisa ser menor que a taxa de serviço (µ) pois a fila tem tamanho fixo. Neste tipo de modelo aparece uma nova variável (M), que é o número máximo de unidades que podem estar no sistema, sendo M -1 o número máximo permitido na fila. As fórmulas para este modelo são: λ 1− µ M 1 λ se λ ≠ µ P0 = 1 − µ 1 se λ = µ M + 1
λ P seλ ≠ µ Pn = µ 0 P0 se λ = µ n
+
M 1 λ ( M + 1) µ seλ ≠ µ λ − M 1 µ − λ λ L = 1− µ M se λ = µ 2 +
+
A taxa de chegada das unidades no sistema é λ . No entanto, algumas unidades chegam e encontram a fila cheia, ou seja, vão embora. A taxa de chegada efetiva ( λ ef) dá a taxa média das unidades que realmente permanecem no sistema, ou seja, ( λ ef) é a taxa média de entrada no sistema.
λef
=
µ (1 − P0 ) = λ (1 − PM )
As demais fórmulas ficam então:
W =
L
λ ef
W q
=
Lq
λ ef
ρ =
λ ef 48
Exemplo 1 Uma barbearia com 1 barbeiro tem 6 cadeiras para acomodar fregueses esperando atendimento. Os fregueses que chegam quando as 6 cadeiras estão cheias, vão embora sem esperar. Os fregueses chegam a taxa média de 3/hora e ficam em média 15 minutos na cadeira do barbeiro. a) Qual a probabilidade de um freguês chegar e ir direto para a cadeira do barbeiro? b) Qual o número médio de fregueses esperando por atendimento? c) Qual a taxa de chegada efetiva? d) Quanto tempo, em média, um freguês fica na barbearia? e) Que percentual dos fregueses potenciais vai embora sem esperar atendimento?
Unidade de hora Tempo
Dados de Entrada Taxa de Chegada
λ
3
por hora
Taxa de Atendimento
µ
4
por hora
Número máximo de entidades no sistema
M
7
Taxa de Chegada Efetiva
λ ef
2,89
Taxa de utilização
ρ
72,22%
Entidades
Clientes
Medidas de Desempenho
Probabilidade de não haver cliente no sistema P0
27,78%
Número médio de Clientes na Fila
1,388
Lq
2,89
Clientes por hora
Clientes
49
Número médio de Clientes no Sistema
L
2,11
Clientes
Tempo médio de espera no Sistema
W
0,730
horas
Tempo médio de espera na Fila
Wq
0,480
horas
Número de entidades
n
7
Clientes
Probabilidade de haver n clientes no sistema
Pn
3,71%
Solução M = 7 λ = 3/hr µ=4/hr a) P0 = 0,2778 = 27,78% b) L = 2,11 fregueses Lq = 1,39 fregueses c)
λ ef
=
2, 89 frergueses / hr
d) W = 0,73 horas
e)
λ ef λ
=
2,89 3
=
0, 963 ⇒ Percentual de fregueses atendidos.
Resp.: 1 – 0,963 = 0,037 = 3,7%
50
Exemplo 2 Em uma barbearia de um único barbeiro a taxa média de chegadas é de 3 fregueses por hora. A barbearia só tem lugar para acomodar 2 pessoas esperando e os eventuais fregueses que chegam quando o salão está cheio, tem de ir embora. O barbeiro é capaz de atender em média 2 fregueses por hora e cobra $7 por cada corte de cabelo. Como muitos fregueses estão indo embora sem poder serem atendidos, o barbeiro está pensando em mudar o seu método de trabalho. Após alguns estudos ele identificou 2 alternativas: a) Trabalhar um pouco mais rápido do que atualmente, diminuindo um pouco a qualidade do corte de cabelo mas diminuindo o preço do corte para $6 para evitar reclamações. Com esta alternativa a sua taxa de serviço média iria para 3 fregueses por hora. b) Trabalhar bem mais rápido do que atualmente, cobrando somente $5 por corte de cabelo pois haveria uma queda acentuada na qualidade. Neste caso, sua taxa de serviço média passaria a 4 fregueses por hora. O barbeiro deseja fazer uma avaliação econômica entre a situação atual e as 2 alternativas estudadas. O tempo perdido pelos fregueses na fila de espera está estimado em $2/hora e como o serviço feito pelo barbeiro é muito cansativo, ao tempo que ele pode descansar (por não ter nenhum freguês esperando) foi atribuído o valor de $4/hora, ou seja, cada hora que ele descansa é como se tivesse ganho $4. Considerando que o dia tem 8 horas de trabalho, faça a análise econômica para o barbeiro.
Unidade Tempo
Dados de Entrada Taxa de Chegada
λ
3
por hora
Taxa de Atendimento
µ
2
por hora
Número máximo de entidades no sistema
M
7
λ ef
1,96
de
hora
Entidades
Clientes
Medidas de Desempenho Taxa de Chegada Efetiva
1,96
Clientes por hora
51
Taxa de utilização
ρ
97,97%
Probabilidade de não haver cliente no sistema
P0
2,03%
Número médio de Clientes na Fila
Lq
4,345
Clientes
Número médio de Clientes no Sistema
L
5,32
Clientes
Tempo médio de espera no Sistema
W
2,718
horas
Tempo médio de espera na Fila
Wq
2,218
horas
Número de entidades
n
7
Clientes
Probabilidade de haver n clientes no sistema
Pn
34,69%
Solução Situação atual λ = 3/hr
µ=2/hr
M=3
Receita com os cortes = Nº médio de fregueses atendidos/dia x $7/corte
λ ef
×
8hr/dia
×
$7 = 98,21/dia
$ Equivalente do tempo ocioso = $ Equivalente do tempo ocioso =
P 0 × 8hr / dia × $4 = 3, 94 / dia W q × λ ef
×
8 hr / dia × $2 / hs
=
17, 43 52
Rendimento líquido = $98,21 + $3,94 - $17,73 = $84,42/dia
Alternativa A λ = 3/hr
µ=3/hr
P0 = 0,250
M=3
Wq = 0,333 hr λ ef = 2,25 fregueses/hr
Rendimento Líquido = $104/dia.
Alternativa B λ = 3/hr
µ=4/hr
P0 = 0,3657
M=3
Wq = 0,20209 hr λ ef = 2,537 fregueses/hr
Rendimento Líquido = $104,96/dia.
Resp.: A alternativa B é a melhor solução.
53
Modelo M/M/s: Fila Finita (s>1) Vamos definir 2 variáveis (a e c) ressaltando que elas não tem nenhum significado e são usadas apenas para simplificar as fórmulas:
a=
λ
ec=
1 n n ! a P0 se n ≤ s n a P0 Pn = se s < n ≤ M n s s!s 0 se n > M
λ s µ
−
s
Lq
=
P0 a c
1 − c M 2 s !(1 − c )
W =
L
λ ef
−s
−
W q
P0
=
1 s 1 n 1 s M n s ∑ n ! a + s ! a ∑ c n 0 n s 1 −
=
= +
s −1
(M − s )c M s (1 − c ) −
L = Lq
+
s−
∑0 ( s − n) P
n
n=
=
Lq
λ ef
ρ =
λ ef s µ
Exemplo 1 Uma barbearia com 2 barbeiros tem 5 cadeiras de espera. Os fregueses que chegam quando as 5 cadeiras estão ocupadas, vão embora. Os fregueses chegam a uma taxa média de 6/hora e ficam em média 15 minutos na cadeira de barbeiro. a) Qual a probabilidade de um freguês chegar e ir direto para a cadeira de barbeiro? b) Qual o número médio de fregueses esperando para serem atendidos? c) Qual a taxa de chegada efetiva? d) Quanto tempo, em média, um freguês fica na barbearia? e) Que percentual de fregueses vai embora?
54
Unidade hora de Tempo
Dados de Entrada
EntidadesFregueses
Taxa de Chegada
λ
6
hora
Taxa de Atendimento
µ
4
hora
Número de servidores
s
2
n
fatorial(n) a^n
(1/n!)*a^n c^(n-s) Pn
(s-n)*Pn
7
0
1
1
1
1,7778 16,13%
0,3226277
s-1
1
1
1,5
1,5
1,3333 24,20%
0,2419707
Número máximo de entidades no sisteM ma
Cálculos Intermediários
a
λ / µ
1,5
s
2
2
2,25
1,125
1
18,15%
c
λ /sµ
0,75
s+1
3
6
3,375
0,5625
0,75
13,61%
s+1
3
4
24
5,0625 0,210938 0,5625 10,21%
s-1
1
5
120
7,59375 0,063281 0,4219 7,66%
6
720
11,3906 0,01582 0,3164 5,74%
7
5040
17,0859 0,00339 0,2373 4,31%
Medidas de Desempenho Probabilidade de não haver cliente no P0 sistema
16,13%
8
40320
25,6289 0,000636 0,178 0,00%
Número de Clientes no Sistema
1
9
362880
38,4434 0,000106 0,1335 0,00%
10
3628800 57,665 1,59E-05 0,1001 0,00%
11
39916800 86,4976 2,17E-06 0,0751 0,00%
n
Probabilidade de haver n clientes no Pn sistema
24,20%
Número médio de Clientes na Fila
1,0150
Lq
M Fregueses
55
Número médio de Clientes no Sistema L
2,4504
Fregueses
12
4,79E+08 129,746 2,71E-07 0,0563 0,00%
Taxa de Chegada Efetiva
λ ef
5,7416
por hora
13
6,23E+09 194,62 3,13E-08 0,0422 0,00%
Tempo médio de espera no Sistema
W
0,4268
hora
14
8,72E+10 291,929 3,35E-09 0,0317 0,00%
Tempo médio de espera na Fila
Wq
0,1768
hora
Taxa de utilização
ρ
0,7177
Percentual de fregueses atendidos
λ ef/ λ
95,693%
3,625
2,2881
0,5645984
2,5741
Percentual de fregueses que vão embora1-λ ef/ λ 4,307%
Solução M=7
λ = 6/hr
µ=4/hr
s = 2
a) P0 + P1 = 0,4232 = 40,32% b) Lq = 1,014 fregueses
c) λ ef = 5,741 fregueses/hr d) W = 0,426 horas e) 1 − λ ef = 0,0431 = 4,31% λ
56
Exemplo 2 Uma oficina mecânica tem 4 mecânicos sendo que cada carro necessitando conserto é atendido por um único mecânico. Além dos carros sendo consertados só cabem mais 6 automóveis no pátio da oficina e quando ele está cheio os fregueses tem que procurar outra oficina. A taxa média de chegadas de carros para conserto é de 3 por dia. Cada mecânico conserta, em média, 1 carro por dia. a) Qual a probabilidade da oficina estar vazia? b) Qual o número médio de carros esperando conserto? c) Qual o número médio de carros na oficina? d) Dos automóveis que procuram a oficina, quantos em média ficam? e) Quanto tempo em média um carro espera na fila? f) Quanto tempo em média um carro fica na oficina? g) Qual a probabilidade de um carro chegar e ter vaga na oficina? Unidade dia de Tempo
Dados de Entrada
EntidadesCarros
Taxa de Chegada
λ
3
dia
Taxa de Atendimento
µ
1
dia
Número de servidores
s
4
n
fatorial(n) a^n
(1/n!)*a^nc^(n-s) Pn
(s-n)*Pn
10
0
1
1
1
3,1605 4,05%
0,1619566
1
1
3
3
2,3704 12,15%
0,3644025
2
2
9
4,5
1,7778 18,22%
0,3644025
Número máximo de entidades no sisteM ma
Cálculos Intermediários
a
λ / µ
3
c
λ /sµ
0,75
s-1
3
6
27
4,5
1,3333 18,22%
0,1822012
s+1
5
s
4
24
81
3,375
1
13,67%
0
s-1
1
s+1
5
120
243
2,025
0,75
10,25%
-0,1024882
57
Medidas de Desempenho
6
720
729
1,0125
0,5625 7,69%
-0,1537323
7
5040
2187
0,433929 0,4219 5,76%
-0,1729488
Probabilidade de não haver cliente no P0 sistema
4,05%
8
40320
6561
0,162723 0,3164 4,32%
-0,1729488
Número de Clientes no Sistema
10
9
362880
19683
0,054241 0,2373 3,24%
-0,1621395
10
3628800 59049
0,016272 0,178 2,43%
-0,1459256
n
Probabilidade de haver n clientes no Pn sistema
2,43%
Número médio de Clientes na Fila
0,9102
Carros
11
39916800 177147 0,004438 0,1335 0,00%
0
Número médio de Clientes no Sistema L
3,8372
Carros
12
4,79E+08 531441 0,001109 0,1001 0,00%
0
Taxa de Chegada Efetiva
λ ef
2,9270
por dia
13
6,23E+09 1594323 0,000256 0,0751 0,00%
0
Tempo médio de espera no Sistema
W
1,3110
dia
14
8,72E+10 4782969 5,49E-05 0,0563 0,00%
0
Tempo médio de espera na Fila
Wq
0,3110
dia
Taxa de utilização
ρ
0,7318
Percentual de fregueses atendidos
λ ef/ λ
97,6%
Lq
M
16,375
2,4661
1,0729628
8,323
Percentual de fregueses que vão embora1-λ ef/ λ 2,432%
Solução M = 10
λ = 3/dia
µ=1/dia
s = 4
a) P0 = 0,040 = 4% b) Lq = 0,91 Carros 58
c) L = 3,83 Carros d)
λ ef = 2,92 carros/dia
Wq = 0,31 dias W = 1,31 dias P vaga = 1 – P10 = 1 – 0,02 = 0,98 = 98%
Modelo M/M/s: População Finita (s>1) 59
Em muitos problemas práticos a consideração de que a população é de tamanho infinito leva a resultados distorcidos porque na verdade a população é pequena para ser considerada de tamanho infinito. Quando isto ocorre, a presença de uma ou mais unidades no sistema tem um forte efeito na distribuição das chegadas futuras e o uso de um modelo com população infinita conduz a resultados errados. Um exemplo típico é de um pequeno grupo de máquinas que quebram de tempos em tempos necessitando conserto. Um outro exemplo, é o caso de um pequeno grupo de mecânicos que vão a determinado balcão pegar peças ou ferramentas. No caso extremo, por exemplo, se todas as máquinas estão quebradas, nenhuma chegada pode ocorrer. Isto contrasta com os modelos de população infinita nos quais a taxa de chegada é independente do número de unidades que já estão no sistema. Neste tipo de modelo, a taxa de chegada λ , é a taxa de chegada de cada unidade, ou seja, 1/ λ é o tempo médio entre chegadas de cada unidade. No caso das máquinas, por exemplo, seria o tempo médio entre quebra de cada máquina. A taxa de chegada efetiva λ ef dá a taxa média de chegada, considerando todas as unidades. As fórmulas para este tipo de modelo são bastante complexas e por causa disso tem sido calculadas e tabeladas para facilitar o seu uso. Para entrar nas tabelas abaixo precisamos de 3 informações:
X =
λ λ + µ
⇒ Fator de Serviço
s ⇒ número de estações de serviço M ⇒ Tamanho da população
Da tabela obtemos a seguinte medida: F = Fator de Eficiência Temos então:
Lq L
=
M (1 − F ) λ ef W
λef W q
=
= Lq
FX µ ρ =
W
= W q +
1
MFX
n λ M ! se 1 ≤ n < s P 0 ( M − n)!n ! µ n λ M ! 1 se s ≤ n ≤ M Pn = P0 P0 = ( M − n)! s ! s n s µ n n s −1 M ! λ M λ M ! 0 se n > M + o tamanho da população solicitante é finito (N). Suponha agora que o único desvio do modelo M/M/s seja a fonte de entradas limitada, ou seja, n − s seja n =0 ( M − n)! n ! n= s ( M − n)! s ! s µ
=
λ ef
s
−
∑
∑
60
A aplicação mais importante desse modelo foi a do problema do conserto de máquinas, no qual um ou mais técnicos de manutenção recebem o encargo de manter em operação certo grupo de N máquinas reparando cada uma que quebrar. A equipe de manutenção é considerada como atendentes individuais no sistema de filas se eles trabalharem individualmente em diferentes tipos de máquinas, ao passo que toda a equipe é considerada um único atendente se os membros da equipe trabalharem juntos em cada máquina. As máquinas constituem a população solicitante. Cada uma delas é considerada um cliente no sistema de filas quando se encontrar quebrada aguardando ser reparada, ao passo que ela se encontra fora do sistema de filas enquanto ela estiver operacional.
Formulário sem o uso da tabela: n λ N ! para n = 0,1,2,..., s ( N − n)!n! µ n λ N ! Cn = para n = s, s + 1,..., N n s ( N − n)!s !s µ 0 para n > N −
Portanto,
n λ N ! P0 para n = 0,1,2,..., s ( N − n)!n! µ n λ N ! Pn = P0 para n = s, s + 1,..., N n s ( N − n)!s !s µ 0 para n > N −
61
Em que P0
=
1 n n s 1 λ N λ N ! N ! ∑ +∑ n s n 0 ( N − n )!n ! µ n s ( N − n )!s !s µ −
−
=
=
s −1
N
Finalmente, Lq
=
∑ (n − s) P e L = ∑0 nP + L n
n
n=
n= s
q
1
+ s −
s −1
∑0 P . n
n=
Assim, W =
L
λ
e W q
=
Lq
λ
.
Em que: N
∞
λ
=
∑0 λ P =∑0 ( N − n)λ P =λ ( N − L) n
n=
n
n
n=
Todos os exemplos relativos ao modelo M/M/s população finita podem ser realizados pela planilha do Excel sem o uso das tabelas.
Exemplo 1 Uma companhia pesqueira tem 2 estaleiros para conserto de seus barcos. Cada barco quebra, em média, de 4 em 4 semanas. Cada estaleiro gasta, em média, 1 semana para consertar cada barco. A frota atual da companhia é de 10 barcos. a) Qual a probabilidade do estaleiro estar vazio? b) Em média quantos barcos quebrados ficam aguardando conserto? c) Em média, quantos barcos estão parados no estaleiro? d) Qual a taxa de chegada de barcos no estaleiro? e) Quanto tempo, em média, um barco aguarda para começar a ser consertado? f) Quanto tempo, em média, um barco fica parado? 62
Dados de Entrada
Unidade de Tempo semana
Taxa de Chegada
λ
0,25
semana
Taxa de Atendimento
µ
1
semana
Número de servidores
s
2
Tamanho da População
M
10
Clientes Barcos
n
(M!/(Mn)!n!)*(λ / µ)^n
(M!/(M-n)!s!s^(ns))*(λ / µ)^n
0
1
2
s-1
1
2,5
2,5
s
2
2,8125
2,8125
X
λ /(λ +µ)
0,2
3
1,875
2,8125
Fator de Eficiência
F
0,854
4
0,8203125
2,4609375
1
5
0,24609375
1,845703125
6
0,051269531
1,153564453
7
0,007324219
0,576782227
8
0,000686646
0,216293335
9
3,8147E-05
0,054073334
10
9,53674E-07
0,006759167
3,5
11,93911314
s-1
Medidas de Desempenho Lq
1,46
Barcos
λ ef
1,708
Barcos por semana
Wq
0,855
semana
W
1,85
semana
L
3,17
Barcos
ρ
0,85
M
63
P0
6,48%
n
5
Pn
11,95%
Solução M = 10 X=
λ = 0,25/Semana
µ=1/Semana
s = 2
0,25 =0,2 0,25+1
F= 0,854 => (tabela página 232) a) P0 = 0,065 = 6,5% b) Lq = 1,46 barcos c) L = 3,16 barcos d) λ ef = 1,708 barcos/semana
Wq = 0,85 semanas W = 1,85 semanas Exemplo 2 Dois mecânicos tem a tarefa de consertar 5 máquinas. Cada máquina quebra a uma taxa média de uma vez a cada hora. Cada mecânico pode reparar as máquinas a taxa média de 4/hora. a) Qual o número médio de máquinas esperando reparo? b) Qual o número médio de máquinas que estão fora de serviço? c) Qual a taxa de chegada quando consideramos as 5 máquinas? d) Quanto tempo, em média, uma máquina quebrada espera na fila? e) E no sistema? 64
Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
1
hora
Taxa de Atendimento
µ
4
hora
Número de servidores
s
2
Tamanho da População
M
5
hora
Clientes
máquinas
n
(M!/(Mn)!n!)*(λ / µ)^n
(M!/(M-n)!s!s^(ns))*(λ / µ)^n
0
1
2
s-1
1
2,5
2,5
s
2
2,8125
2,8125
X
λ /(λ +µ)
0,2
3
1,875
2,8125
Fator de Eficiência
F
0,976
4
0,8203125
2,4609375
5
0,24609375
1,845703125
6
0,051269531
1,153564453
7
0,007324219
0,576782227
8
0,000686646
0,216293335
s-1
1
M
Medidas de Desempenho Lq
0,12
máquinas
9
3,8147E-05
0,054073334
λ ef
3,904
máquinas por hora
10
9,53674E-07
0,006759167
Wq
0,031
hora
3,5
9,931640625
W
0,28
hora
L
1,096
máquinas
ρ
0,49 65
P0
7,45%
n
5
Pn
13,74%
Solução M=5 X=
λ = 1/hr
µ=4/hr
s = 2
1 = 0,2 1+4
Da tabela () F = 0, 976
a) Lq = 0,12 máquinas b) L = 1, 093 máquinas c) λ ef = 3, 904 máquinas/hr d) Wq = 0,03 hr
W = 0,28 hs Exemplo 3
Uma empresa de frete aéreo tem 20 terminais (buferizados) em uma linha de comunicação. Os terminais são usados para entrada de dados no sistema central de computação. O tempo médio necesário para digitar uma entrada no buffer do terminal é 80 segundos e este tempo de digitação é exponencialmente distribuído. Cada mensagem enviada de um terminal, consome, em média 2 segundos de CPU (exponencial). Calcule quantas requisições dos terminais são enviadas para a CPU e qual tempo de resposta médio para cada requisição. Dados de Entrada
Unidade de Tempo minuto
Clientes
máquinas
66
Taxa de Chegada
λ
0,75
minuto
Taxa de Atendimento
µ
30
minuto
Número de servidores
s
1
Tamanho da População
M
20
n
(M!/(Mn)!n!)*(λ / µ)^n
(M!/(M-n)!s!s^(ns))*(λ / µ)^n
s-1
0
1
1
s
1
0,5
0,5
2
0,11875
0,2375
X
λ /(λ +µ)
0,02439024
3
0,0178125
0,106875
Fator de Eficiência
F
0,982
4
0,001892578
0,045421875
0
5
0,000151406
0,01816875
6
9,46289E-06
0,006813281
7
4,73145E-07
0,002384648
8
1,92215E-08
0,000775011
s-1
Medidas de Desempenho Lq
0,36
máquinas
9
6,40717E-10
0,000232503
λ ef
14,371
máquinas por minuto
10
1,76197E-11
6,39384E-05
Wq
0,025
minuto
11
4,00448E-13
1,59846E-05
W
0,0584
minuto
12
7,5084E-15
3,59653E-06
L
0,839
máquinas
13
1,15514E-16
7,19307E-07
ρ
0,48
14
1,44392E-18
1,25879E-07
P0
52,13%
15
1,44392E-20
1,88818E-08 67
n
1
16
1,12806E-22
2,36023E-09
Pn
26,07%
17
6,63567E-25
2,36023E-10
18
2,76486E-27
1,77017E-11
19
7,27596E-30
8,85085E-13
20
9,09495E-33
2,21271E-14
1
0,918255455
M
Solução M = 20
λ = 0,75/min
0,75 X= = 0,244 0,75+30
µ=30/min ≅
s = 1
0,024
Da tabela => F = 0,982 Requisições enviadas para a CPU:
λ eff
λ eff
= MFXµ = (20)(0,982)(0,024)(30) = 14,14/min.
Tempo de Resposta: (W)F = 0, 976 Lq= M (1-F)= 20 (1 - 0,982) = 0,36 0,36 W q = = 0,0255 min . 14,14
W = Wq + 1/µ = 0,0255 + 1/30 = 0,0558 min. = 3,53 segundos Exemplo 4 Considere um sistema de time sharing com 20 terminais ativos. Cada terminal submete um job ao processador a cada 3 segundos (seguindo uma distribuição exponencial). O processador central tem capacidade de processar 500.000 instruções por segundo e cada job, em média (exponencial), necessita do processamento de 100.000 instruções. 68
Determine quantos jobs, em média, estão no processador central e qual o tempo médio de resposta para cada job submetido. Dados de Entrada
Unidade de Tempo minuto
Clientes
máquinas
n
(M!/(Mn)!n!)*(λ / µ)^n
(M!/(M-n)!s!s^(ns))*(λ / µ)^n
Taxa de Chegada
λ
20
minuto
Taxa de Atendimento
µ
300
minuto
Número de servidores
s
1
s-1
0
1
1
Tamanho da População
M
20
s
1
1,333333333
1,333333333
2
0,844444444
1,688888889
X
λ /(λ +µ)
0,0625
3
0,337777778
2,026666667
Fator de Eficiência
F
0,768
4
0,095703704
2,296888889
0
5
0,02041679
2,450014815
6
0,003402798
2,450014815
7
0,000453706
2,286680494
8
4,91515E-05
1,981789761
s-1
Medidas de Desempenho Lq
4,64
máquinas
9
4,36903E-06
1,585431809
λ ef
288,000
máquinas por minuto
10
3,20395E-07
1,162649993
Wq
0,016
minuto
11
1,94179E-08
0,775099996
W
0,0194
minuto
12
9,70894E-10
0,465059997
L
5,600
máquinas
13
3,98316E-11
0,248031999 69
ρ
0,96
14
1,32772E-12
0,115748266
P0
4,56%
15
3,54058E-14
0,046299306
n
1
16
7,37622E-16
0,015433102
Pn
6,08%
17
1,15705E-17
0,004115494
18
1,28562E-19
0,000823099
19
9,02186E-22
0,000109747
20
3,00729E-24
7,31643E-06
1
20,93308779
Solução M = 20
λ = 20/min
20 X= = 0,0625 320
≃
µ=500.000/1000.000 = 0,2/Segundo = 300/min
s = 1
0,062
Da tabela => F = 0,768
λ ef f = MFXµ = (20)(0,768)(0,062)(300) = 285,196/min = 4, 7533/segundo Lq= M (1-F)= 20 (1 - 0,768) = 4,64 4,64 Lq W q = 0,0163min. = λ eff 285,196 Tempo de resposta médio: (W)
W = Wq + 1/µ = 0, 0196 min. = 1,1762 segundos
Jobs no processador: (L)
L = λ eff W = (4,7533) (1,1762) = 5,59 jobs
Tabelas para modelos com população finita 70
As tabelas a seguir 1 tem como objetivo facilitar os cálculos para modelos de filas com população de tamanho finito. As tabelas aqui contidas, por problema de espaço, só abrangem os modelos com população igual a 5, 10, 20 e 30 elementos. Sendo assim, os exercícios apresentados só tratam modelos com populações de um daqueles tamanhos. No acesso a tabela, deve-se observar que, em cada página, existem 3 colunas, cada uma com 4 valores: X, S, D e F. A seqüência dos valores é por coluna. Sendo assim, iniciamos na 1ª coluna, descemos até embaixo na página e, ao chegar ao final, subimos para a 2ª coluna. Quando esta acaba, embaixo na página, subimos para a 3ª coluna e quando chegamos ao final, mudamos para a próxima página onde a seqüência é a mesma. Na própria tabela está impresso onde ela começa a valer para uma determinada população. Assim, após encontrar impresso População 10, por exemplo, passam a valer os valores para esta população.
Modelo M/G/1 Como já citamos, a análise matemática de modelos de filas com distribuições diferentes da Poisson (Exponencial) é muito difícil e poucos modelos têm solução analítica. A distribuição das chegadas segue a Poisson, mas a distribuição do serviço segue uma distribuição qualquer (Geral) da qual se conhece a 2 média 1/ µ e a variância σ . As fórmulas para o modelo são:
ρ =
λ
P0
=
1−
Lq
=
λ 2σ 2 + ρ 2
2(1 − )
L = Lq
+
ρ
W q
=
Lq
λ
W
= W q +
1 µ
Exemplo 1 71
Pessoas chegam a um pequeno posto do correio a taxa de 30 por hora. O serviço é executado por apenas um funcionário e o tempo de serviço é normalmente distribuído, ou seja, segue uma distribuição normal com média de 1 minuto e σ = 0,30 minutos. a) Quanto tempo, em média, uma pessoa espera na fila? b) Quanto tempo, em média, uma pessoa fica no posto do correio? c) Qual o número médio de pessoas na fila? d) Qual o número médio de pessoas no posto de serviço? e) Qual a probabilidade do funcionário estar ocioso?
Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
0,5
por minuto
Taxa de Atendimento
µ
1,00
por minuto
Desvio-padrão
σ
0,30
por minuto
minuto
Clientes
pessoas
Medidas de Desempenho
72
Taxa de utilização
ρ
50,00%
Número médio de Clientes na Fila
Lq
0,2725
pessoas
Número médio de Clientes no Sistema
L
0,7725
pessoas
Tempo médio de espera no Sistema
W
1,5450
minutos
Tempo médio de espera na Fila
Wq
0,5450
minutos
P0
50,00%
Solução λ = 0,5/min
µ=1/min
0,75 X= = 0,244 0,75+30
≃
σ2 = (0,30)2 = 0,09M = 20
0,09 ρ = 0,5
0,024
Tempo de Resposta: (W)F = 0, 976 Lq= M (1-F)= 20 (1 - 0,982) = 0,36 0,36 = 0,0255 min . W q = 14,14
W = Wq + 1/µ = 0,0255 + 1/30 = 0,0558 min. gundos
Exemplo 2 Repetir o exemplo 1 supondo a duração do serviço constante, ou seja,
= 3,53 se-
2
σ
= 0. 73
Dados de Entrada
Unidade de Tempo
Taxa de Chegada
λ
0,5
por minuto
Taxa de Atendimento
µ
1,00
por minuto
Desvio-padrão
σ
0,00
por minuto
Taxa de utilização
ρ
50,00%
Número médio de Clientes na Fila
Lq
0,2500
pessoas
Número médio de Clientes no Sistema
L
0,75
pessoas
Tempo médio de espera no Sistema
W
1,50
minutos
Tempo médio de espera na Fila
Wq
0,50
minutos
minuto
Clientes
pessoas
Medidas de Desempenho
P0
50,00%
Solução ρ = 0,5
P0= 0,5 = 50% (e)
L = 0,75 pessoas (d)
Lq = 0,25 pessoas (c)
Wq = 0,5 minutos (a)
W = 1,5 minutos (b)
74
Modelo M/Ek /1 Neste tipo de modelo, a distribuição da duração do serviço segue uma distribuição de Erlang com parâmetro k. No último exemplo do modelo anterior, supomos uma variação igual a zero para a duração do serviço ( σ = 0) enquanto que a distribuição exponencial tem um alto grau de variabilidade (σ = 1/ µ). Entre estes 2 casos extremos temos uma área intermediária (0 < σ < 1/ µ) onde cai uma boa parte das distribuições reais da duração do serviço. Uma distribuição que "preenche" este intervalo é chamada distribuição de Erlang. Sua média e desvio-padrão são:
x =
1
σ =
1 1 k µ
, onde k ≥ 0 e inteiro
Pode-se ver que k é o parâmetro que especifica o grau de variabilidade das durações de serviço em relação à média. Na verdade para cada k temos uma distribuição e por isto vamos considerar a distribuição de Erlang como uma família de distribuições. Assim a constante ( σ = 0) e a exponencial (σ = 1/ µ) são elementos desta família com k = ∞ e k = 1, respectivamente. A distibuição de Erlang tmabém é muito importante em teoria das filas pela seguinte propriedade: Suponha que T1, T2, ..., Tk são k variáveis aleatórias independentes com uma distribuição exponencial idêntica cuja média é 1/kµ. Então a soma T = T 1 + T2 + ... + T k segue uma distribuição de Erlang com parâmetros µ e k. É muito comum que o serviço prestado a uma unidade em um sistema de filas seja constituído de k tarefas consecutivas onde a duração de cada uma delas segue a mesma distribuição exponencial, com média 1/kµ. Então a duração total (ou seja, a execução das k tarefas) segue uma distribuição de Erlang com parâmetros k e µ. Para este modelo temos:
Lq
=
(1 + k )λ 2 2k µ (µ − λ ) W
= W q +
1 µ
W q
=
(1 + k )λ 2k µ ( µ − λ )
L = λ W 75
Exemplo 1 Uma oficina de manutenção de uma linha aérea só tem meios para fazer a manutenção de um motor de cada vez. Por isso, para fazer com que os aviões regressem ao serviço tão logo seja possível, a política adotada tem sido de alternar a manutenção dos 4 motores de cada avião, ou seja, só se faz a manutenção de 1 dos motores cada vez que o avião vai para oficina. Sob esta política os aviões tem chegado segundo um Processo de Poisson a taxa média de 1 por dia. O tempo necessário para reparar um motor (uma vez que se tenha iniciado o trabalho) tem uma distribuição exponencial com média de 0,5 dias. Existe uma proposição de se trocar a política de maneira que se reparem os 4 motores, consecutivamente, cada vez que o avião for a oficina. Embora isto quadruplique o tempo esperado de serviço, a freqüência com que os aviões necessitariam ir a oficina seria 1/4 da atual. Deve-se implantar a nova proposta? Dados de Entrada Taxa de Chegada
λ
0,25
por dia
Taxa de Atendimento
µ
0,5
por dia
Parâmetro k
k 4
Medidas de Desempenho Taxa de utilização
ρ
50,00%
Número médio de Clientes na Fila
Lq 0,31
Número médio de Clientes no Sistema
L 0,81
Tempo médio de espera no Sistema
W 3,25
dias
Tempo médio de espera na Fila
Wq 1,25
dias 76
Solução Situação atual Modelo I: λ = 1/dia µ = 2/dia W = 1/(µ - λ ) = 1 dia Como temos 4 motores para cada avião temos: W = 4 x 1 = 4 dias Situação proposta Modelo VII: λ = 0,25/dia T = T1 + T2 + T3 + T4 => Erlang com k = 4 1/kµ = 0,5 1/4µ= 0,5 µ = 0,5/dia Wq = 1,25 dias W = 3,25 dias A situação proposta é melhor (3,25 < 4).
Exemplo 2 Um alfaiate faz ternos sob medida. Cada terno, para ser feito, implica na execução de 4 tarefas distintas. O alfaiate faz as 4 tarefas de cada terno antes de começar outro. O tempo para executar cada tarefa segue uma distribuição exponencial com média de 2 horas. Os pedidos chegam a taxa média de 5,5 por semana (8 horas por dia, 6 dias por semana). Quanto tempo em média um terno demora para ficar pronto? Dados de Entrada
77
Taxa de Chegada
λ
0,114583 por semana
Taxa de Atendimento
µ
2
Parâmetro k
k 4
por hora
Medidas de Desempenho Taxa de utilização
ρ
5,73%
Número médio de Clientes na Fila
Lq 0,00
Número médio de Clientes no Sistema
L 0,06
Tempo médio de espera no Sistema
W 0,52
dias
Tempo médio de espera na Fila
Wq0,02
dias
Solução K=4 =7
= 3/hr µ=4/hr
λ
1/4µ = 2 µ = 0,125/hr λ = 5,5/semana = 0,11458/hr Wq 55 hs W = Wq + 1/µ = 63hr
78
����� �� ��������� O �������� ����� ������ � ��������� �� � ������������ �������� ��������� ���� ������ �� ����� �� ��������� ��� ���� ����������� ������� ������ �������. 2 E������ ���� ������ ����������� �� ���������: � ����� ������������ (χ ) � � ����� �� K����������S������ (K�S), ��� ����� ���������� � ��� ����. O� ������ �� ��������� ��������� � ��������� ��� ��� ���� �����������������, ���� � �������� ������� ��������� � ����� �� ������, ��� ��� ���� ����������. A ������� �� ������ ������� �� �� ����� �� ��� ��������� �� ������� �� ������� ���������� � �� �������� �� ������������. O ����� K�S � ������ ������ ���� ������������� ��������� �������� ��� � Q����������� ���� ��� �������� � ����� �� �����, ��������� � ���������. E� ������ �� ����������� �� ���� ����� ����� ����������� ��� ������ � �� ������ �������� �� ����� �� ���������, ��� � ������������ � ��������� �� ����� Q����������� � �������� ��������. G���������, � ��������� ����� ����� ����� ��������� ��� ���� ����� 100 �������, ��� ����� ������ ������� (PEDGEN, 1990; LA�, 1991). J� � ����� K�S, � ��������� � �������� ��������. ������������ ���������� ������ � �������� �� ��� � �������� �� ����� ���������� ��� ������, �� ������� �������������, ������� ����� ���� �� ��� ������������ ������� ������������.
����� �� ������������ O ����� �� Q����������� ��������� �� ������� ��� ������� ����� �� ����������� ���������� ���������� �� ���� ������ � �� ����������� �������� (��������� � ������ ���������) ��� ������ �������. E� ���� ������ k (k = 1, 2, ..., K ), ���������� � ����� E k , ��� � � ��������� ����� � ������ ��������� �� ��������� ( Ok ), � � ����� ������ �� �� ������ ( T k ) ������������ � ����� ������ ��� ���� ����� ������� �� ������: Ek =
(Ok − T k )2 T k
, k = 1,2,..., K
A ��������� ��� ������� �� E k �� ��������, ���� ����� �� K ������� ����������, ��������� � ����������� E, ���� ������������ � �� ���� �������� ��� K-1-n ����� �� ���������, ���� � � � ������ �� ���������� ��������� � ������ �� ������� ��������: K
E
=
∑1 E
k
k =
79
E������������ �� ����� �� ������������� 100( α )% � K-1-n ����� �� ���������, ��������, �� ������ �� ������������ �� ������������, � ����� E crítico . S� E ��� ����� ��� E crítico , ���������� � �������� �� ��� � ������� ��������� ������ �� ��� ��������� ��� � ������������ ������� �������. �� ������� ���������� ���� ��� �����������: � �������� �� ��� � ����������� E ����� � ������������ �� ������������ � ���������� ��� ���������� ����� ��� ����� �� ������� ������ ���������� ����� �� ����� � 5. C��� ������ ������ ��� ������ ���� ��������������, ��� ���� ��� �� ������ �� ���� ��� � �������� ����� ��� ����������. E��� ���� �� �������� ������� �� ��� ���������� ��� ����� �� ���������, K-1-n � ������, ��� � �����������, � ������ �� ������� K �������.
������� 1� ������, ������ � ����� �� χ 2 (������������), �� � ������������ ������, ������ �� ��� ����������, � ��� ������������ �� P������ ��� ����� λ = 2/���.
��������/���. (��)
������ �� �����������
0 1 2 3 4 5 6 7
39 91 67 59 28 10 4 2
300
80
Frequência da amostra x Frequência teórica 100 90 80 70 a t u l o s b a a i c n ê u q e r F
60 50 40 30 20 10 0 0
1
2
3
4
5
6
7
Chegadas por minuto Amostra
Poisson
M���� λ = 2/���. P��� � ��������� �� �����, ���������� �������� � ���������� ��������� � � ���������� �������. N���� ����, � ��� ������� ������ �� � ��������� ���� �������:
Probabilidade(n o de observações = k )=
λ e− λ
k
k !
����� �����:
81
������ �� �������� / ���.
�(������ �� ����������� � �)
���������� ��������
0 1 2 3 4 5 6 7
0,135 0,270 0,270 0,180 0,090 0,036 0,012 0,003
300�0,135=40,5 300�0,270=81 81 54 27 10,8 3,6 0,9
2
N� ����� �� χ , ������ � ���������� ��������� � ����� ��� 5, ������� ������� ��� �� ������ ����� �� ����� � 5. N���� �������, � ��������� ����� �� �������� ������ (=4) � ������ � ������ ����� (=2) ���� ����� ��� �� ����� ��� ����� ����� � 6. O ����� ���� ��� ����� ���� � ��� � ���������� ��������. L���, 2 χ calculado
=
(Frequência observada-Frequência esperada) 2 ∑ Frequência esperada
N� ����� �������, �����: 2 χ calculado
=
(39 − 40, 5)2 (91 − 81) 2 (67 − 81) 2 (59 − 54) 2 (28 − 27) 2 (10 −10, 8) 2 (6 − 4, 5) 2 + + + + + + 40, 5 81 81 54 27 10, 8 4, 5
=
4,76
����� �� H��������: H0: A ������������ �� ��������� � P������ ��� λ = 2 H�: A ������������ �� ��������� ��� � P������ λ = 2 . 2 ������ S� χ c2aallc uull ad , ����� ���������� � �������� ���� (H0) �� ��� � ������������ � ��� P������ P ������ ��� λ = 2 . ad o > χ t ab ab eell ad ad o
82
2 P��� ����� � χ tabelado , ����� ��� �������� � ������ �� ����� �� ��������� (v) �� �������� �����:
v =
Número Número de pares( pares(Fre Freq. q. Observ Observada ada / Freq Freq.. Esperada Esperada)) − 1 − Número Número de parâm parâmetr etros os estimad estimados os pela pela amostra amostra
N� P������, � ����� ��������� �������� ���� ������� � � ����� λ . . L���, v = 7 − 1 − 1 = 5 . 2 O���� ���������� ���������� ���� ����� � χ tabelado � � ����� �� ������������� α , , ��� � � ����� �� ��� � �������� ���� ��������� ������ ������� ��� ������. N� ����� �� ���������, � ������ ����� � ���� 5% ���� � ����� �� �������������. C������� �� ����������� �� v � α �� ������ Q�I� 2 Q�ADRADO �� ������ 97, ����� χ tabelado = 11,07 . A ��������� �� ����� Q�I�Q�ADRADO � ��� �������� � �������� ����, �� ����, � ������������ �� �������� ����� ��� P������.
������� 2� ������, ������ � ����� �� χ 2, �� � ������������ � ������, ������ �� ��� ���������� �� ��� ������� �� �������, � ��� ����������� ��� �����
1 µ
=
20 ��������, �� ����, � ���� ����� �� ������� � µ = 3 / minu minuto to .
������� �� ������� (��������)
���������� ���������
0 � 30 30 � 60 60 � 90 90 � 120 120 � 150
480 33 19 7 1
540 C��� � ������������ ����������� � ��� ������������ ��������, �����: t 2
∫
P (t1 ≤ t ≤ t2 ) = µ e
− µ t
dt =e
− µ t1
−e
− µ t 2
t 1
83
������� �� ������� (��������)
�(�)
0 � 30
540�0,7768=419,47
30 � 60
0,7768 3 0,5 31 −e = 0,1773 e
60 � 90 90 � 120 120 � 150
0,0386 0,0086 0,0019
20,84 4,64 1,02
e
30
− ×
− ×
−e
3 0 ,5
− ×
=
− ×
���������� �������� 540�0,1773=93,58
84
Frequência da amostra x Frequência teórica
600
500
400
300
200
100
0 0 – 30
30 – 60
60 – 90 Amostra
90 – 120
120 – 150
Exponencial
L�������� ��� ����� ��� ������ �� ��� ����� ��������� �� 2 ������� ������ �� ���������� ��������� (7 � 1 ), ������� ����� �����: 2 χ calculado
=
(480 − 419,47) 2 (33 − 93,58) 2 (8 − 5,66) 2 + + ... + 419,47 93,58 5,66
=
49,08
v = 4 − 1 − 1 = 2 (na Exponencial só a média é estimada pela amostra) 2 Com α = 0,05 = 5% obtemos da tabela da página 97: χ tabelado
=
5,99 .
85
2 2 Como o χ calculado � ����� ��� � χ tabelado , ��� ���������� � �������� ���� �� ��� � ������������ �� ������� �� ����������� ���� ��� �����
������� ��� µ = 3 / minuto .
����� �� ������������������ O ����� �� K����������S������ (K�S) ������� � ������ ��������� �� ������ ������� ��� � ������ ��������� �� ������������� ��������� (����� � ������ ��� ������� ����������). A ����� � ��� �������: ���� �������� �� � ������ ��������� ����� �� ������ �������, � ����� ������� � ���� ������ �������� ������ ����� �� ���� ������������� ����������, ������� �� �����������:
D = max F ( x ) − S ( x) x
A ������ � ������ ������� � ����������� �� ����������� D �� ����� �� K�S, ���������� � ����� ��������� �������� ������ ����� � ������ ��������� ������� � � ���������.
F����� � A����� �� ������ �� K�S 86
C��� �� ����� �� ������������, � �������� ���� �: H0: � ������ � �������� ���� ����������� � ������������ �� ���������. H�: � ������ ��� � �������� ���� ����������� � ������������ �� ���������. O K�S ���� �������� �� �������� �� ������������ �� �������� ������ �� A��������. P��� ����������� � �����, �� ����� ���������� ��� ��������� �� ����� ���� � ����� �����. A ������ � ������ ��������� � ������������.
Valor observado
Frequência observada
Frequência acumulada observada
S(x)
Fesq(x)
Fdir(x)
Desq = abs(Fesq(x) - S(x))
Ddir = abs(Fdir(x) - S(x))
0
13
13
0,07
0,00
0,14
0,07
0,07
1
23
36
0,18
0,14
0,25
0,05
0,07
2
18
54
0,27
0,25
0,35
0,02
0,08
3
26
80
0,40
0,35
0,44
0,05
0,04
4
16
96
0,48
0,44
0,52
0,04
0,04
5
15
111
0,56
0,52
0,58
0,04
0,03
6
9
120
0,60
0,58
0,64
0,02
0,04
7
9
129
0,65
0,64
0,69
0,01
0,04
8
10
139
0,70
0,69
0,73
0,01
0,03
9
12
151
0,76
0,73
0,77
0,03
0,01
87
10
5
156
0,78
0,77
0,80
0,02
0,02
11
5
161
0,81
0,80
0,83
0,01
0,02
12
10
171
0,86
0,83
0,85
0,03
0,01
13
4
175
0,88
0,85
0,87
0,03
0,01
14
1
176
0,88
0,87
0,89
0,01
0,00
15
2
178
0,89
0,89
0,90
0,01
0,01
16
1
179
0,90
0,90
0,92
0,00
0,02
17
2
181
0,91
0,92
0,93
0,01
0,02
18
4
185
0,93
0,93
0,94
0,00
0,01
19
4
189
0,95
0,94
0,95
0,01
0,00
20
3
192
0,96
0,95
0,95
0,02
0,01
21
0
192
0,96
0,95
0,96
0,01
0,01
22
1
193
0,97
0,96
0,97
0,01
0,00
23
0
193
0,97
0,97
0,97
0,00
0,00
24
1
194
0,97
0,97
0,97
0,00
0,00
25
0
194
0,97
0,97
0,98
0,00
0,00
26
0
194
0,97
0,98
0,98
0,00
0,01
27
2
196
0,98
0,98
0,98
0,00
0,00
28
2
198
0,99
0,98
0,99
0,01
0,01
29
0
198
0,99
0,99
0,99
0,01
0,01
88
30
0
198
0,99
0,99
0,99
0,01
0,01
31
0
198
0,99
0,99
0,99
0,01
0,00
32
0
198
0,99
0,99
0,99
0,00
0,00
33
0
198
0,99
0,99
0,99
0,00
0,00
34
0
198
0,99
0,99
0,99
0,00
0,00
35
0
198
0,99
0,99
0,99
0,00
0,00
36
0
198
0,99
0,99
1,00
0,00
0,00
37
0
198
0,99
1,00
1,00
0,00
0,00
38
0
198
0,99
1,00
1,00
0,00
0,00
39
0
198
0,99
1,00
1,00
0,00
0,00
40
0
198
0,99
1,00
1,00
0,00
0,00
41
0
198
0,99
1,00
1,00
0,00
0,00
42
0
198
0,99
1,00
1,00
0,00
0,00
43
1
199
1,00
1,00
1,00
0,00
0,00
N� ������ �����, �� ������� �� S(�) , ������ �� ������� ��� ����� ����������, ��� ����������� ������� ���� �������:
S ( x) =
número de eventos ≤ x total de valores observados
O� ������� �� F(�), ������ ��������� �� ������ �������, ��� ������� ���� � ����� ��������� �� ������������ �����������:
F ( x) = 1 − e− λ
x
=
1− e
−
0,146 x
89
O ������� �� ����������� D (������ � ������ ������� �� ������ �����) � ����� � �������� � � ������� �� ���� ��������� �� ������ �� ���������� � � ����� ������� � �������� ���� ����� ����� ����� �� ����:
D = max{Desq , Ddir } C��� � ����� ������ � 0,08 � � ������� �� ������� � 199, ���� �� ����� �� ������������� �� 5%, ������� �������� � �������� �� ������ �� ������ 100:
Dcrítico
=
1,36 n
=
1,36 199
=
0,0964
P�������, ���� D < Dcrítico , ��� �� ���� �������� � �������� �� ��������� ��� �����.
Lista de Exercícios 1) Chegadas a uma oficina que conserta relógios são com uma taxa de 10 por cada 8 horas. O empregado que conserta tem um tempo médio de serviço de 30 minutos por relógio. a) Se ele conserta os relógios na ordem de chegada, quanto tempo, em média, o empregado fica ocioso por dia? b) Quantos relógios, em média, estarão na frente de um relógio que acabou de chegar? 2) Chegadas a um centro de informações que tem apenas um atendente são com tempo médio de 10 minutos entre uma chegada e a próxima (Poisson). O tempo que as pessoas gastam recebendo informação de um tipo ou de outro é suposto como sendo de 3 minutos (Exponencial). a) Qual a probabilidade de que uma pessoa chegando ao centro não tenha que esperar? b) Qual a probabilidade de que a pessoa chegando ao centro tenha que esperar? c) Qual a probabilidade de termos 3 pessoas no sistema? d) O diretor da organização irá contratar um outro atendente se ele se convencer que uma pessoa tenha que esperar no mínimo 3 minutos. De quanto o fluxo de chegadas deve aumentar de maneira a justificar o segundo atendente? 3) O proprietário de uma firma distribuidora de gás espera um cliente a cada 5 minutos. O serviço de atendimento leva em média 4 minutos. a) Qual a probabilidade de que um freguês não tenha que esperar? b) Qual a probabilidade de que se tenha uma fila de espera? c) O proprietário irá contratar um atendente se ele verificar que um freguês tenha que esperar, em média, 2 minutos ou mais para ser servido. A taxa de chegada justifica tal contratação? d) Qual a probabilidade de termos 4 clientes no sistema? 90
c) Em qual das situações a máquina espera mais para ser reparada? 9) Uma firma têxtil tem um grande número de máquinas idênticas cuja taxa de falhas é estimada em 60 por dia. Existem 3 estações de reparo cada uma tendo uma taxa de serviço de 25 por dia. a) Quantas horas, para uma jornada de 8 horas por dia, está uma estação de serviço ocupada? b) Qual a probabilidade que todas as estações estejam ociosas em um certo instante? c) Qual o comprimento médio da fila? d) Qual o número médio de máquinas no sistema de reparos? 10) Ainda em relação ao problema nº 9 responda as seguintes perguntas: a) Qual a probabilidade de se ter somente uma estação ociosa? Somente duas estações? b) Qual é o número esperado de estações de reparo ociosas? c) Qual é, em média, o tempo de uma máquina que chega no sistema tem de esperar? d) Qual é a perda diária, estimada, da companhia se cada máquina que não trabalha dá um prejuízo de R$300 por dia?
11) A taxa de chegada a uma oficina de reparos é de 180 por dia. A oficina tem 3 setores de atendimento com uma taxa de 100 por dia. Qual é a probabilidade de que: a) A oficina esteja sem clientes? b) Um freguês tenha que esperar? c) Somente 2 setores estejam ociosos? d) Somente um setor esteja ocioso? e) Que proporção média do tempo um setor está ocioso? f) Qual é o tempo médio de espera de um freguês que chega? g) Qual o comprimento médio da linha de espera? 12) Uma firma têxtil tem um grande número de máquinas idênticas cuja taxa de falhas é estimada em 50 por semana. Existem atualmente 3 setores de reparos, cada um tendo uma taxa de serviço de 20 máquinas por semana. a) Qual a perda semanal, estimada, da companhia se cada máquina que não trabalha dá uma perda semanal de R$10.000,00? b) Qual é a perda total do sistema se o custo semanal do sistema de atendimento é R$6.000,00? c) Vale a pena aumentar o número de setores de atendimento para 4? 13) Há 4 guichês em um banco para atender os clientes. A taxa de chegada dos clientes é 60 por 6 horas de serviço. Em cada guichê um funcionário gasta um tempo variável servindo os usuários, porém o tempo médio de atendimento é 20 minutos por cliente. Os clientes são atendidos à medida que chegam. 92
a) Quantas horas, por cada 30 horas de serviço de uma semana, um funcionário gasta executando o seu serviço? b) Qual é o tempo médio que um cliente fica preso no sistema? c) Qual é a probabilidade de que um funcionário esteja esperando por um cliente? d) Qual o número esperado de funcionários sem trabalhar num certo instante? e) Supondo que cada funcionário recebe $5 por hora e se soubermos que para cada cliente que tiver que esperar há uma perda de $0,25 por minuto, pergunta-se o que é melhor: reduzir para 3, aumentar para 5 ou manter em 4 o número de funcionários? 14) Temos as informações na tabela abaixo quanto a chegadas de operários no guichet do almoxarifado: a) Calcule o número médio de chegadas para o intervalo de tempo igual a 10 minutos. b) Podemos dizer que os resultados seguem uma Poisson com λ = 1,6 chegadas/min? X
5
6
7
8
9
10
11
12
13
14
15
Fo
1
0
1
2
1
3
5
6
9
10
11
X
16
17
18
19
20
21
22
23
24
25
Fo
12
8
9
7
5
4
3
1
1
1
c) Qual teste de aderência pode ser aplicado? Explique.
15) O escritório de uma empresa aérea tem 2 funcionários atendendo telefonemas para reserva de vôos. Além disso, uma chamada pode ficar em espera até uma das funcionárias estar disponível para atender. Se as 3 linhas estão ocupadas, a chamada recebe o sinal de ocupado e a reserva é perdida. As chamadas ocorrem aleatoriamente (Poisson) a uma taxa média de uma por minuto. A duração de cada ligação tem uma distribuição exponencial com uma média de 0,5 minuto. Achea probabilidade de que: a) Uma chamada seja imediatamente atendida por uma funcionária. b) A chamada ficará na linha de espera. c) A chamada receberá o sinal de ocupado. 93
16) Uma estação de serviço espera um usuário a cada 4 minutos em média. O serviço dura em média 3 minutos. Assumindo entrada Poisson e serviço exponencial responda: a) Qual o número médio de usuários esperando serviço? b) Quanto tempo um usuário esperará para ser servido? c) Qual a probabilidade de que um usuário fique menos de 15 minutos no sistema? d) Qual a probabilidade que um usuário fique menos de 15 minutos no sistema? 17) Suponha que em média 9 usuários cheguem a cada 5 minutos (Poisson) e o mecanismo de serviço pode servir usuários a uma taxa média de 10 usuários a cada 5 minutos. O tempo de serviço é exponencial. a) Qual o número médio de usuários esperando serviço? b) Qual o tempo médio de espera na fila? c) Como a) e b) são afetados se a taxa de serviço é dobrada?
18) Se usuários chegam para serviço de acordo com uma distribuição de Poisson a taxa média de 5/dia, qual deve ser a taxa de serviço média (exponencial) para que o número de usuários no sistema seja menor que 4? 19) Considere um sistema de filas com entrada Poisson. A taxa média de chegadas é 4/hora. O tempo médio no sistema não deve exceder 1 hora. Qual deve ser a taxa de serviço mínima? 20) Uma máquina de Xerox é operada por um funcionário que ganha $3 por hora. O tempo de execução de cada tarefa varia de acordo com uma distribuição exponencial com média de 6 minutos. Assuma chegada Poisson com taxa média de 5 tarefas/hora. Se um dia de 8 horas é usado determine: a) A ociosidade (em %) da máquina. b) O tempo médio de espera de uma tarefa no sistema. c) Se o funcionário só ganhar por horas trabalhadas, qual o ganho médio diário do funcionário? 21) Durante a estação de caça, caçadores chegam a um posto de controle a taxa média de 10/hora. Qual deve ser a taxa mínima de verificação para assegurar que a espera do caçador não será maior que 20 minutos, quando a distribuição da verificação é: a) Constante b) Exponencial As chegadas são Poisson. 22) No exemplo anterior, que fração do tempo o posto estará ocupado? 94
29) Durante as horas de pico, um barbeiro tem fregueses chegando aleatoriamente à taxa de um a cada 25 minutos. Ele tem registrado o tempo de serviço para 100 fregueses. Em horas, a média é de 0,30 e o desvio padrão 0,092. a) Durante as horas de pico, qual o tamanho esperado da fila? b) Se o tempo de serviço fosse exatamente de 20 minutos, qual o tamanho esperado da fila? 30) Uma grande oficina de automóveis tem uma sala com um balcão onde os mecânicos vão apanhar as peças necessárias para consertar os carros. Os mecânicos chegam aleatoriamente para serviço à taxa de 10 por hora. Os mecânicos são atendidos aleatoriamente para serviço à taxa de 12 por hora. O tempo dos mecânicos é avaliado em $7 por hora. Como os mecânicos estão reclamando, a oficina está pensando em contratar assistentes para o balcão de peças. Um assistente deve melhorar a taxa de serviço em 50%. Um segundo assistente deve melhorar a taxa de serviço em 80%. Um assistente custa no entanto, $36 por dia. Considerando o dia com 8 horas de trabalho, faça a justificativa econômica da situação. 31) Um posto de gasolina com uma única bomba recebe fregueses aleatoriamente à taxa de um cada 5 minutos. Um simples atendente pode prestar serviço completo em 4 minutos. Cada freguês dá em média um lucro de $1. Sabe-se que se já existem 3 carros no sistema, os fregueses procuram outro posto. O posto está aberto das 07:00 às 22:00 horas. a) Considerando que as taxas de chegada e de serviço são aplicáveis para todas as horas em que o posto está aberto, qual o lucro diário esperado? b) Se os fregueses esperassem na fila, independente do seu tamanho, qual seria o lucro diário esperado? c) Se o posto contratasse um segundo atendente a taxa média de serviço poderia ser reduzida para 2,5 minutos. Se o atendente ganha $2,50 por hora deve-se contratá-lo? d) Se o posto oferecesse aos fregueses bombons, chaveiros, belas recepcionistas, etc..., a taxa de chegada passaria a um a cada 3 minutos mas em compensação o lucro por freguês passaria a $0,30. Considerando 1 atendente, deve-se implantar esta política? e) E com 2 atendentes?
96
TABELA QUI-QUADRADO �
0,25
0,10
0,05
0,025
0,01
0,005
0,001
1
1,32
2,71
3,84
5,02
6,63
7,88
10,83
2
2,77
4,61
5,99
7,38
9,21
10,60
13,82
3
4,11
6,25
7,81
9,35
11,34
12,84
16,27
4
5,39
7,78
9,49
11,14
13,28
14,86
18,47
5
6,63
9,24
11,07
12,83
15,09
16,75
20,52
6
7,84
10,64
12,59
14,45
16,81
18,55
22,46
7
9,04
12,02
14,07
16,01
18,48
20,28
24,32
8
10,22
13,36
15,51
17,53
20,09
21,95
26,12
9
11,39
14,68
16,92
19,02
21,67
23,59
27,88
10
12,55
15,99
18,31
20,48
23,21
25,19
29,59
11
13,70
17,28
19,68
21,92
24,72
26,76
31,26
12
14,85
18,55
21,03
23,34
26,22
28,30
32,91
13
15,98
19,81
22,36
24,74
27,69
29,82
34,53
14
17,12
21,06
23,68
26,12
29,14
31,32
36,12
15
18,25
22,31
25,00
27,49
30,58
32,80
37,70
16
19,37
23,54
26,30
28,85
32,00
34,27
39,25
97
17
20,49
24,77
27,59
30,19
33,41
35,72
40,79
18
21,60
25,99
28,87
31,53
34,81
37,16
42,31
19
22,72
27,20
30,14
32,85
36,19
38,58
43,82
20
23,83
28,41
31,41
34,17
37,57
40,00
45,31
21
24,93
29,62
32,67
35,48
38,93
41,40
46,80
22
26,04
30,81
33,92
36,78
40,29
42,80
48,27
23
27,14
32,01
35,17
38,08
41,64
44,18
49,73
24
28,24
33,20
36,42
39,36
42,98
45,56
51,18
25
29,34
34,38
37,65
40,65
44,31
46,93
52,62
26
30,43
35,56
38,89
41,92
45,64
48,29
54,05
27
31,53
36,74
40,11
43,19
46,96
49,64
55,48
28
32,62
37,92
41,34
44,46
48,28
50,99
56,89
29
33,71
39,09
42,56
45,72
49,59
52,34
58,30
30
34,80
40,26
43,77
46,98
50,89
53,67
59,70
31
35,89
41,42
44,99
48,23
52,19
55,00
61,10
32
36,97
42,58
46,19
49,48
53,49
56,33
62,49
33
38,06
43,75
47,40
50,73
54,78
57,65
63,87
34
39,14
44,90
48,60
51,97
56,06
58,96
65,25
98
35
40,22
46,06
49,80
53,20
57,34
60,27
66,62
36
41,30
47,21
51,00
54,44
58,62
61,58
67,99
37
42,38
48,36
52,19
55,67
59,89
62,88
69,35
38
43,46
49,51
53,38
56,90
61,16
64,18
70,70
39
44,54
50,66
54,57
58,12
62,43
65,48
72,05
40
45,62
51,81
55,76
59,34
63,69
66,77
73,40
41
46,69
52,95
56,94
60,56
64,95
68,05
74,74
42
47,77
54,09
58,12
61,78
66,21
69,34
76,08
43
48,84
55,23
59,30
62,99
67,46
70,62
77,42
44
49,91
56,37
60,48
64,20
68,71
71,89
78,75
45
50,98
57,51
61,66
65,41
69,96
73,17
80,08
46
52,06
58,64
62,83
66,62
71,20
74,44
81,40
47
53,13
59,77
64,00
67,82
72,44
75,70
82,72
48
54,20
60,91
65,17
69,02
73,68
76,97
84,04
49
55,27
62,04
66,34
70,22
74,92
78,23
85,35
50
56,33
63,17
67,50
71,42
76,15
79,49
86,66
VALORES CRÍTICOS PARA O TESTE DE KOLMOGOROV-SMIRNOV 99
Nível de significância n
α
= 0,10
α
= 0,05
= 0,01
α
1
0,900
0,975
0,995
2
0,684
0,842
0,929
3
0,565
0,708
0,829
4
0,493
0,624
0,734
5
0,447
0,563
0,669
6
0,410
0,519
0,617
7
0,381
0,483
0,576
8
0,358
0,454
0,542
9
0,339
0,430
0,513
10
0,323
0,409
0,489
11
0,308
0,391
0,468
12
0,296
0,375
0,449
13
0,285
0,361
0,432
0,349
0,418
14
0,275
15
0,266
0,338
0,404
16
0,258
0,327
0,392
17
0,250
0,318
0,381
100
18
0,244
0,309
0,371
19
0,237
0,301
0,361
20
0,232
0,294
0,352
25
0,208
0,264
0,317
30
0,190
0,242
0,290
35
0,177
0,224
0,269
40
0,165
0,210
0,252
1,07
1,36
1,63
n
n
n > 40
n
101