Tutorial Teoria das Filas, Notas de estudo de Informática
arnaldo-araujo-11
arnaldo-araujo-11

Tutorial Teoria das Filas, Notas de estudo de Informática

61 páginas
50Números de download
1000+Número de visitas
Descrição
Material Sobre a aplicação de teoria das filas sobre a analise de desempenho de sistemas
70 pontos
Pontos de download necessários para baixar
este documento
Baixar o documento
Pré-visualização3 páginas / 61
Esta é apenas uma pré-visualização
3 mostrados em 61 páginas
Esta é apenas uma pré-visualização
3 mostrados em 61 páginas
Esta é apenas uma pré-visualização
3 mostrados em 61 páginas
Esta é apenas uma pré-visualização
3 mostrados em 61 páginas
Microsoft Word - TeoriaFilas_Cajado.doc

1

UNIVERSIDADE FEDERAL DO MARANHÃO - UFMA CENTRO TECNOLÓGIO - CT CURSO: CIÊNICIA DA COMPUTAÇÃO DISCIPLINA : TEORIA DAS FILAS E SIMULAÇÃO

Teoria das Filas Luciano Cajado Costa1

1 Professor Substituto da Universidade Federal do Maranhão

Teoria das Filas

2

1. TEORIA DAS FILAS

Todas as pessoas já passaram pelo aborrecimento de ter que esperar em

filas. Nós esperamos em fila quando estamos num engarrafamento, quando estamos no

supermercado aguardando para pagar nossas compras, nos bancos e em muitas outras

situações.

As formações de filas ocorrem porque a procura pelo serviço é maior do que

a capacidade do sistema de atender a esta procura. A razão pelo qual os gerentes dos

estabelecimentos e o poder público não aumentam suas capacidades de atendimento

podem ser resumidas basicamente por dois motivos : inviabilidade econômica e

limitação de espaço.

Dessa forma, a Teoria das Filas tenta através de análises matemáticas

detalhadas encontrar um ponto de equilíbrio que satisfaça o cliente e seja viável

economicamente para o provedor do serviço.

1.1 Descrição do Problema de Filas

Um sistema de filas pode ser descrito como clientes chegando, esperando

pelo serviço, se não forem atendidos imediatamente, e saindo do sistema após serem

atendidos. O termo cliente é usado de maneira geral e não implica necessariamente num

cliente humano, como por exemplo, um processo esperando para utilizar a CPU. A

figura 1.1 mostra um processo de filas típico.

Figura 1.1 – Um processo de filas típico

A teoria das filas foi desenvolvida para prover modelos que retratem

previamente o comportamento de um sistema que forneça serviços que possuam

demandas que aumentem aleatoriamente

Existem muitas aplicações respeitáveis da teoria, a maioria das quais tem

sido documentadas na literatura de probabilidade, pesquisa operacional e engenharia

industrial. Alguns exemplos são fluxo de Tráfego (veículos, aeronaves, pessoas,

comunicações), escalonamento (pacientes em hospitais, jobs em máquinas, programas

Teoria das Filas

3

em computadores) e projetos de atendimentos à serviços (bancos, correios, parques de

diversão, restaurantes fast-food).

1.2 Características dos Processos de Filas

Na maioria dos casos, seis características básicas de processos de filas

fornecem uma descrição adequada de um sistema de filas: (1) padrão de chegada dos

clientes, (2) padrão de serviço dos servidores, (3) disciplina de filas, (4) capacidade do

sistema, (5) número de canais de serviço e (6) número de estágio de serviços.

1.2.1 Padrão de Chegada dos Clientes

Nos processos de filas comuns, os processos de chegadas são estocásticos,

ou seja, desenvolvem-se no tempo e no espaço conforme leis de probabilidade. Assim,

é necessário conhecer a distribuição de probabilidade descrevendo os tempos entre as

sucessivas chegadas dos clientes (tempos de interchegada). Também é necessário saber

se os clientes podem chegar simultaneamente (chegada batch), e se assim, qual a

distribuição de probabilidade do tamanho do batch.

A reação do cliente ao entrar no sistema também é importante, de maneira

que, um cliente pode decidir esperar sem problema, independente do tamanho da fila,

ou, por outro lado, o cliente pode decidir não entrar no sistema caso a fila esteja muito

grande. Assim, se o cliente decide não entrar na fila após a chegada, ele é conhecido

como decepcionado. Um cliente pode, por sua vez, entrar na fila, mas depois de um

tempo perder a paciência e decidir partir. Nos eventos que existem duas ou mais linhas

paralelas, os clientes podem mudar de uma fila para outra. Estas situações são exemplos

de filas com clientes impacientes.

Um fator final que pode ser considerado apesar do padrão de chegada é a

maneira no qual o padrão muda com o tempo. Um padrão de chegada que não muda

com o tempo (ou seja, que a distribuição de probabilidade descrevendo o processo de

chegada é independente do tempo) é chamado padrão de chegada estacionário. Um que

não é independente do tempo é chamado não-estacionário.

1.2.2 Padrões de Serviço

A maior parte da discussão mencionada nos padrões de chegada é valida

para discussão dos padrões de serviço. A mais importante é que uma distribuição de

Teoria das Filas

4

probabilidade é necessária para descrever a seqüência de tempos de serviços dos

clientes. Os serviços também podem ser simples ou batch.

O processo de serviço pode depender do número de clientes esperando pelo

serviço. Um servidor pode trabalhar mais rápido se a fila estiver aumentando, ou, caso

contrário, pode ser tornar confuso é ficar mais lento. A situação na qual o serviço

depende do número de clientes na fila é conhecida como serviço dependente do estado.

Embora este termo não seja usado na discussão de padrões de chegada, o problema dos

clientes impacientes podem ser considerados como chegadas dependentes do estado,

desde que o comportamento da chegada depende da quantidade de congestionamento no

sistema.

Serviços, como chegadas, podem ser estacionários ou não estacionários com

respeito ao tempo. Por exemplo, o aprendizado pode ser considerado um fator de

produtividade, de forma que, o serviço pode se tornar mais eficiente quando experiência

é obtida, ou seja, não importa o número de clientes na fila ( dependência do estado) e

sim o período de tempo em atividade ( dependência do tempo). Claro, que um sistema

pode ser ao mesmo tempo não-estacionário e dependente do estado.

1.2.3 Disciplina de Filas

A disciplina de filas refere-se a maneira como os clientes são escolhidos

para entrar em serviço após uma fila ser formada. A maioria das disciplinas comuns que

podem ser observadas na vida diária é FCFS (First-Come-First-Served), ou seja, o

primeiro a chegar é o primeiro a ser servido. Entretanto, existem outras disciplinas, tais

como, LCFS(Last-Come-First-Served), aplicável em sistemas de controle de estoque

onde o item mais recente é mais fácil de ser apanhado, e diversas outras disciplinas

baseadas em esquemas de prioridade.

Existem duas situações gerais em disciplinas de prioridade. No primeiro

caso, que é chamado de preemptivo, o cliente com a mais alta prioridade é permitido

entrar em serviço independentemente de outro cliente com menor prioridade estar sendo

servido, de forma que, o cliente com menor prioridade é interrompido e tem seu

trabalho reiniciado mais tarde. Quando reiniciado, ele pode iniciar do ponto onde parou

ou reiniciar todo o processo. Na segunda situação de prioridade, chamado caso não-

preemptivo, os clientes com mais alta prioridade vão para o início da fila, mas só

Teoria das Filas

5

entram em serviço quando o cliente sendo atendido deixa o sistema, mesmo que ele

tenha uma prioridade baixa.

1.2.4 Capacidade do Sistema

Em alguns processos de filas existe uma limitação física da quantidade de

espaço na fila, de modo que, se as filas alcançarem um certo comprimento, nenhum

novo cliente poderá entrar no sistema até que espaço disponível seja obtido com o

atendimento de um cliente e a conseqüente diminuição do tamanho da fila. Estas

situações são referidas como sistemas de filas finitos, ou seja, existe um limite finito do

tamanho máximo do sistema.

1.2.5 Número de Canais de Serviço

Quando o número de canais de serviço são definidos, tipicamente estão

sendo determinados o número de estações de serviços paralelos que podem servir os

clientes simultaneamente. A figura 1.1 ilustra um sistema com canal simples, enquanto

a figura 1.2 mostra duas variações dos sistemas multicanais. Os dois sistemas

multicanais diferem pelo fato que o primeiro possui uma única fila, enquanto o segundo

possui uma fila para cada canal. Uma barbearia com várias cadeiras é um exemplo do

primeiro tipo de multicanal, assumindo que não exista um estilo particular de corte de

cabelo. Por outro lado, um supermercado e um restaurante fast-food preenche a segunda

espécie de multicanal. É geralmente assumido que os mecanismos de canais paralelos

operam independentemente um do outro.

Figura 1.2(a) – Sistema Multicanal com Fila Única

Teoria das Filas

6

Figura 1.2(b) – Sistema Multicanal com Fila Individual.

1.2.6 Estágios de Serviço

Um sistema de filas pode ter um único estágio de serviço, como no caso da

barbearia, ou pode ter vários estágios. Um sistema de multi-estágio pode ser

exemplificado como um procedimento de exame físico, onde cada paciente passa por

diversos exames, tais como: sangue, vista, urina e etc. Em alguns sistemas multi-estágio

reciclagem ou retorno podem ocorrer. Reciclagem é comum em processos de

manufatura, onde inspeções de controle de qualidade são realizadas sendo que se

alguma peça não se adequa ele deve ser reprocessada. Um exemplo de sistema multi-

estágio com retorno é mostrado na figura 1.3.

Figura 1.3 – Sistema de Filas Multi-Estágio com Retorno

As seis características de sistemas de filas discutidas nesta seção são

suficientemente gerais para descrever um processo sob estudo. Assim, antes de realizar

qualquer análise matemática, é necessário descrever adequadamente o processo sendo

modelado, de forma que, o conhecimento das seis características básica são essenciais

nesta tarefa.

Teoria das Filas

7

1.3 Notação

A notação de processos de filas mais utilizada atualmente foi proposta por

Kendall, em 1953, e é descrita por um série de símbolos, tais como, A/B/m/k/M, onde A

indica a distribuição de interchegada dos clientes, B o padrão de serviço de acordo com

uma distribuição de probabilidade para o tempo de serviço, m o número de canais de

serviços paralelos (servidores), k a capacidade do sistema e M a disciplina de filas.

Alguns símbolos padrões para estas características são mostradas na Tabela 1.1. Por

exemplo, a notação M/D/2/∞/FCFS indica um processo de filas com tempos de

interchegada exponenciais, tempos de serviço determinísticos, dois servidores paralelos,

capacidade ilimitada e disciplina de fila First-Come-First-Served.

Características Símbolo Explicação M Exponencial D Determinístico Ek Tipo k-Erlang (k = 1,2,...) Hk Mistura de k exponenciais PH Tipo Fase

Distribuição de Tempo de Interchegada (A) e Distribuição de Tempo de Serviço (B)

G Geral

Número Paralelo de Servidores (m) 1,2,..., ∞ Restrição na capacidade do sistema (k) 1,2,..., ∞

FCFS First Come First Served LCFS Last Come First Served RSS Seleção Aleatória por Serviço PR Prioridade

Disciplina da fila (M)

GD Disciplina Geral Tabela 1.1 – Notação de Fila – A/B/m/k/M

Em muitas situações só os três primeiros símbolos são utilizados, de

maneira que, é assumido que o sistema tem capacidade ilimitada e possui uma disciplina

FCFS. Neste caso, M/D/2/∞/FCFS poderia ser indicado apenas por M/D/2.

Os símbolos na tabela 1.1 são auto-explicativos, entretanto, alguns deles

merecem algum complemento. Por exemplo, o símbolo G representa uma distribuição

de probabilidade geral, isto é, resultados nestes casos são aplicáveis para qualquer

distribuição de probabilidade.

Pode parecer estranho que o símbolo M seja usado como exponencial. O uso

de E pode ser confundido com Ek que é usado para representar uma distribuição Erlang

tipo k. Assim, M é usado ao invés disso, onde M é originado da propriedade sem

memória ou Markoviana da distribuição exponencial.

Teoria das Filas

8

1.4 Medindo a Performance do Sistema

Geralmente existem três tipos de respostas de interesse do sistema : (1)

alguma medida de tempo de espera que um cliente típico pode ser forçado a encarar; (2)

uma indicação da maneira pelo qual os clientes podem ir se acumulando; e (3) uma

medida de tempo ocioso dos servidores. Desde que a maioria dos sistemas de filas tem

elementos estocásticos, estas medidas freqüentemente são variáveis aleatórias e

possuem distribuições de probabilidade, ou pelo menos valores esperados.

Existem dois tipos de tempo de espera de clientes, o tempo que o cliente

gasta na fila e o tempo total do cliente no sistema (tempo na fila + tempo de serviço). A

importância desses dois tipos de tempo de espera depende do estudo que está sendo

realizado. Por exemplo, num parque de diversão, o tempo de espera na fila é que deixa o

cliente infeliz. Por outro lado, no reparo de uma máquina é o tempo total no sistema que

se deseja minimizar, de maneira a ter a máquina o mais rápido possível em produção.

Correspondentemente, existem duas medidas de acumulos de clientes : o

número de clientes na fila e o número de clientes no sistema. Estas medidas são

importantes na definição do tamanho do espaço reservado para os clientes esperarem.

As medidas de ociosidade dos serviços podem incluir a porcentagem de tempo que um

servidor particular está ocioso, ou o tempo que o sistema está desprovido de clientes.

A tarefa do analista de filas é determinar as medidas apropriadas de

efetividade de um dado processo, ou projetar um sistema ótimo. No projeto de um

sistema o analista pode querer balancear o tempo de espera dos clientes contra o tempo

de ociosidade do servidor de acordo com alguma estrutura de custos. Se os custos de

serviço ocioso e tempo de espera podem ser obtidos diretamente, eles podem ser usados

para determinar o número ótimo de canais e as taxas de serviço nos quais esses canais

devem operar. Também para projetar a sala de espera é necessário definir o tamanho da

fila, que pode ser calculado pelo atraso do cliente na fila e pelo tempo de ociosidade do

servidor. Em qualquer situação, o analista tentará resolver o problema através de

métodos analíticos, caso isto falhe, o analista deverá proceder com uma simulação.

1.5 Alguns Resultados Gerais

Nesta seção serão apresentados alguns resultados gerais e relacionamentos

para filas G/G/1 e G/G/c.

Teoria das Filas

9

Denotando a taxa média de clientes chegando no sistema de filas como λ e a

taxa média de serviço como µ, sendo que uma medida de congestionamento para um

sistema c-server é ρ≡λ/cµ. Quando ρ > 1 (λ > cµ), o número médio de chegadas no

sistema excede a taxa média de serviço do sistema, de forma que, quando o tempo

avança a fila se tornará cada vez maior, impedindo qualquer situação de equilíbrio e

fazendo com que novos clientes não possam mais se juntar a fila.

Assim, para obter uma situação de equilíbrio, ρ deve ser estritamente menor

do que um. Quando ρ = 1, ao menos que as chegadas e os serviços sejam

determinísticos e bem escalonados, nenhum estado de equilíbrio existe, desde que a

aleatoriedade impedirá a fila de se esvaziar, de forma que, a mesma crescerá sem

limites. Por essa razão, se a taxa média de serviço e a taxa média de chegada são

conhecidas, o número médio de servidores paralelos requeridos para garantir a solução

de estado de equilíbrio pode ser imediatamente calculado encontrando o menor c que

satisfaça a equação λ/cµ < 1.

O que é mais freqüentemente desejado na solução de modelos de filas é

encontrar a distribuição de probabilidade para o número total de clientes no sistema no

tempo t, N(t), que é obtido através do número de clientes na fila no tempo t, Nq(t), mais

aqueles em serviço, Ns(t). Assim, seja pn(t) = Pr{N(t) = n}, e pn = Pr{N=n} no estado de

equilíbrio. Considerando filas c-servidor no estado de equilíbrio, duas medidas de

valores esperados de maior interesse são o número médio no sistema,

L = E[N] =  ∞

=0n

npn,

e o número esperado na fila,

Lq = E[Nq] =  ∞

=1n

(n-c) pn

1.5.1 Fórmulas de Little

Um dos mais poderosos relacionamentos em teoria das filas foi

desenvolvido por John Little no início dos anos 60. Little relacionou o tamanho médio

do sistema em estado de equilíbrio com o tempo médio de espera dos clientes, também

em estado de equilíbrio, da seguinte forma. Uma vez que Tq é o tempo que um cliente

gasta esperando na fila antes de entrar em serviço e T o tempo total que um cliente gasta

Teoria das Filas

10

no sistema (T = Tq + S, onde S é o tempo de serviço, e T, Tq e S são variáveis

aleatórias), duas medidas de p erformance do sistema freqüentemente utilizadas com

respeito aos clientes são Wq = E[Tq] e W = E[T], ou seja, o tempo médio de espera na

fila e o tempo médio de espera no sistema, respectivamente. Partindo desse princípio, as

fórmulas de Little são

L = λW (1.1a)

Lq =λWq (1.1b)

Assim, só é necessário encontrar uma dos quatro valores esperados, em

vistas das fórmulas de Little e do fato de que E[T] = E[Tq] + E[S], ou,

equivalentemente, W = Wq + 1/µ, onde µ, como antes, é a taxa média de serviço.

Figura 1.4 – Percurso do período de ocupação

O exemplo da figura 1.4 ilustra os conceitos das fórmulas de Little por

considerar um intervalo de ocupação de um servidor. O número de clientes (Nc) que

chega no período (0,T) é 4.

Os cálculos de L e W são

L = [1(t2-t1) + 2(t3-t2) + 1(t4-t3) + 2(t5-t4) + 3(t6-t5) + 2(t7-t6) + 1(T-t7)]/T =

= (área sob a curva)/ T

= (T + t7 + t6 - t5 - t4 + t3 - t2 - t1)/T (1.2a)

e W = [(t3-t1) + (t6-t2) + (t7-t4) + (T- t5)]/4 =

= (T + t7 + t6 - t5 - t4 + t3 - t2 - t1)/T

= (área sob a curva)/ Nc (1.2b)

Dessa forma, das equações 1.2a e 1.2b verifica-se que a área sob a curva é

LT = WNc, que resulta L = WNc/T. A fração Nc/T é o número de clientes chegando no

período T, ou seja, λ, de modo que, L = λW.

Teoria das Filas

11

Um resultado interessante que pode ser derivado das fórmulas de Little é

que a relação entre W e Wq é

L – Lq = λ (W - Wq) = λ(1/µ) = λ/µ. (1.3)

Mas, L – Lq = E[N] - E[Nq] = E[N-Nq] = E[S], de modo que, o número de clientes em

serviço no estado de equilíbrio é λ/µ, que será denotado por r. Note que num sistema de

servidor simples r = ρ e também segue que

L – Lq =  ∞

=0n

npn -  ∞

=1n

(n-1)pn =  ∞

=1n

pn = 1 – p0

Disto, pode-se derivar a probabilidade de um servidor estar ocupado em um

sistema multiservidor no estado de equilíbrio, sendo esta probabilidade denotada por pb.

Desde que já foi mostrado que o número esperado presente no sistema em estado de

equilíbrio é r. segue da simetria dos c servidores que o número esperado presente e um

servidor é r/c. Então, por um simples argumento de valor esperado, pode-se mostrar que

pb = ρ, uma vez que,

r/c = ρ = 0(1- pb) + 1pb

Para uma fila com servidor simples (G/G/1), a probabilidade do sistema estar ocioso

(N=0) é a mesma da probabilidade do servidor estar ocioso. Assim, p0 = 1- pb, neste

caso, e p0 = 1- ρ = 1 – r = 1 - λ/µ. A quantidade r = λ/µ, número esperado de clientes em

serviço, tem uma outra conotação interessante. Na média cada cliente precisa de 1/µ

unidades de tempo de serviço e o número médio de clientes chegando no sistema é λ, de

modo que, o produto λ(1/µ) é quantidade de trabalho chegando para o sistema por

unidade de tempo. Dividindo isto pelo número de servidores c (que resulta ρ) obtém-se

a quantidade média de trabalho chegando para cada servidor por unidade de tempo. A

tabela 1.2 sumariza o resultado desta seção.

ρ = λ/cµ Intensidade de Tráfego; Taxa de Carga de Trabalho oferecida para um servidor

L = λW Fórmulas de Little Lq = λWq Fórmulas de Little W = Wq + 1/µ Argumento de valor esperado pb = λ/cµ = ρ Probabilidade de ocupação de um servidor

qualquer r =λ/µ Número esperado de clientes em serviço; Taxa de

carga de trabalho oferecida L = Lq + r Resultado combinado p0 = 1 - ρ Probabilidade de um sistema G/G/1 estar vazio.

Teoria das Filas

12

L = Lq + (1 - p0) Resultado combinado para G/G/1 Tabela 1.2 - Sumário dos Resultados Gerais para Filas G/G/c

1.6 Exemplo de um Modelo de Filas Orientado à Eventos

Nesta seção será mostrado como eventos aleatórios de chegadas e serviços

completos interagem em um sistema com um único servidor para formar uma fila. Este

exemplo será iniciado no tempo 0 com a chegada do primeiro cliente e então o sistema

terá seu estado atualizado toda vez que uma chegada ou partida ocorrer.

Considere o caso elementar de uma taxa de chegada constante para um canal

simples com taxa de serviço constante. Assuma que o sistema possua uma disciplina

FCFS e que no tempo t = 0 não exista nenhum cliente esperando e o canal esteja vazio.

Seja λ o número de chegadas por unidade de tempo, e 1/λ o tempo constante entre

sucessivas chegadas. Similarmente, se µ é a taxa de serviço em termos de serviços

completos por unidade de tempo quando o servidor está ocupado, então 1/µ é o tempo

de serviço constante. É desejável calcular o número de clientes no sistema num tempo

arbitrário t, denotado por n(t), e o tempo que o n-ésimo cliente deve esperar na fila para

obter serviço, denotado por Wq(n).

Supondo que tão logo um serviço seja completado um outro será iniciado, o

número no sistema (incluindo clientes em serviço) no tempo t é determinado pela

equação

n(t) = {número de chegadas no intervalo (0,t]}

– {número de serviços completos no intervalo (0,t]} (1.4)

Geralmente existem dois tempos de espera de interesse – o tempo gasto pelo

n-ésimo cliente esperando pelo serviço (ou atraso na fila), que será denotado por Wq(n);

e o tempo do n-ésimo cliente gasto no sistema, que será denotado por W(n) .

Figura 1.6 – Tempos de Esperas Sucessivas G/G/1

Teoria das Filas

13

Para encontrar o tempo de espera na fila até que o serviço comece, observa-

se que as filas de espera Wq(n) e Wq(n+1) de dois clientes sucessivos em qualquer fila com

servidor simples são relacionados pela simples relação de recorrência

Wq(n+1) = Wq(n) + S(n) – T(n) (Wq(n) + S(n) – T(n) > 0), (1.5) 0 (Wq(n)+ S(n) – T(n) <= 0),

onde S(n) é o tempo de serviço do n-ésimo cliente T(n) é o tempo de interchegada entre o

n-ésimo cliente e o n-ésimo primeiro cliente. Isto pode ser visto por um simples

diagrama mostrado na figura 1.6.

Tabela 1.3 Entrada de Dados

i. 1 2 3 4 5 6 7 8 9 10 11 12

Tempos de interchegada entre os clientes i+1 e i

2 1 3 1 1 4 2 5 1 4 2 -

Tempo de serviço do cliente i.

1 3 6 2 1 1 4 2 5 1 1 3

Neste exemplo o status do sistema é atualizado quando eventos ocorrem,

registrando itens de interesse, e calculando medidas de efetividade. Modelos de filas

orientados à eventos atualizam o estado do sistema só quando eventos (chegadas ou

partidas) ocorrem. Desde de que não existe uma unidade de tempo básica para todos os

eventos, o relógio mestre é incrementado por um quantidade de tempo variável, a invés

de uma quantidade de tempo fixa, como seria em modelos de filas orientados por tempo.

A abordagem orientada à evento será ilustrada aqui utilizando os dados de chegada e

serviço mostrados na Tabela 1.3.

Tabela 1.4 – Modelo de Filas orientado à eventos. (1) (2) (3) (4) (5) (6) (7) (8)

Tempo do Relógio Mestre

Chegada/ Partida do Cliente i

Tempo que a chegada i entre em serviço

Tempo que a chegada i parte.

Tempo na Fila

Tempo no sistema

No. na Fila após o relógio mestre ser atualizado

No. no sistema após o relógio mestre ser atualizado

0 1-A 0 1 0 1 0 1 1 1-D 0 0 2 2-A 2 5 0 3 0 1 3 3-A 5 11 2 8 1 2 5 2-D 0 1 6 4-A 11 13 5 7 1 2 7 5-A 13 14 6 7 2 3 8 6-A 14 15 6 7 3 4

11 3-D 2 3 12 7-A 15 19 3 7 3 4 13 4-D 2 3

Teoria das Filas

14

14 8-A;5-D 19 21 5 7 2 3 15 6-D 1 2 19 9-A;7-D 21 26 2 7 1 2 20 10-A 26 27 6 7 2 3 21 8-D 1 2 24 11-A 27 28 3 4 2 3 26 12-A;9-D 28 31 2 5 2 3 27 10-D 1 2 28 11-D 0 1 31 12-D 0 0

Tirando-se a média das colunas (5) e (6) na tabela 1.4 obtém-se que o atraso

médio na fila dos 12 clientes foi 40/12 = 10/3, enquanto seu tempo de espera médio no

sistema foi 70/12 = 35/6. Além disso, a taxa de chegada média é igual a 12/31 clientes

por unidade de tempo, desde que existem 12 clientes no intervalo de 31 unidades de

tempo observadas. Assim, aplicando-se a lei de Little para estes números tem-se que o

tamanho médio do sistema L sob o tempo completo foi

L = λW = (70/12)/(31/12) = 70/31.

O tamanho médio da fila pode calculado similarmente.

1.7 Processo de Poisson e Distribuição Exponencial

Os mais comuns modelos de filas estocásticos assumem que os tempos de

interchegada e serviço obedecem uma distribuição exponencial ou, equivalentemente,

que a taxa de chegada e a taxa de serviço seguem uma distribuição de Poisson. Desse

modo, nesta seção será dado ênfase ao Processo de Poisson, bem como, sua relação com

a distribuição exponencial. Contudo, inicialmente será considerado um processo de

chegada geral.

1.7.1 Processo de Chegada

Assuma um sistema onde os clientes cheguem com intervalos de tempo

aleatórios entre chegadas. Estas chegadas são eventos discretos assíncronos que dirigem

o sistema, ou seja, o sistema só faz uma transição de um estado para outro no tempo que

um evento ocorre. O primeiro cliente chega no tempo T1, o segundo no tempo T2, e

assim por diante. Assume-se que os tempos de interchegada X1, X2, ... são variáveis

aleatórias contínuas independentes com a mesma distribuição FX (IID). Esta

propriedade é referida como estacionaridade do tempo. Para manter a trilha do estado

do sistema, isto é, quantos clientes chegaram, poderia-se por exemplo definir

Teoria das Filas

15

Sn = Números de chegadas até o tempo Tn.

Então {Sn : n = 1,2,...} é um processo estocástico de tempo discreto. Sob reflexão vê-se

que Sn é igual a n para todo n, de modo que, este processo não é muito interessante,

pois, ele apenas mantém-se incrementando por um a cada passo. Realmente, a

informação interessante não é quantas chegadas tem existido, mas quando as chegadas

ocorreram, implicando que um processo estocástico contínuo pode ser o modelo

apropriado. Assim, define-se N(t) = Sn para todo Tn <= t < Tn+1 como número de

chegadas até o tempo t>0. Chama-se {N(t) : t>=0} um processo de contagem de

chegada, ou um processo de chegada, ou um processo de contagem.

1.7.2 O Processo de Poisson

Para um processo de chegada arbitrário o tempo da n-ésima chegada é

Tn = X1 + X2 + ... + Xn (1.6)

Quando Xi ~ exp(λ) é chamado um processo de Poisson. O parâmetro λ é

chamado de a taxa do processo de Poisson. Para analisar este processo será explorado o

fato que a soma das variáveis aleatórias exponenciais tem uma distribuição chamada

distribuição de Erlang, isto é, Tn tem uma distribuição n-Erlang(λ). O fato importante

sobre a distribuição de Tn é que ela completamente determina os caminhos de

amostragem dos seus processos de chegada, Isto é facilmente visto por observar que o

evento { Tn <= t} ocorre se e somente se o evento {N(t) >= n} ocorre, isto é

{ Tn <= t}  {N(t) >= n}

Em outras palavras, o tempo da n-ésima chegada é menor que ou igual a t,

se e somente se, tenha existido pelo menos n-chegadas até o tempo t. Usando FDC de

Erlang pode-se portanto obter

P{N(t) >= n} = P{ Tn <= t} = 1 -  −

=

1

0

n

i

e-λt(λt)j/j!.

Aqui utilizou-se que para uma variável aleatória de Erlang X ~ n-Erlang(λ)

a função de distribuição FX(x) = 1 -  −

=

1||

0

x

i

e-λt(λt)j/j!. Agora pode-se calcular a FDC de

N(t):

FN(t)(n) = P{N(t) <= n}= 1 - P{N(t) >= n + 1} =  =

n

j 0

e-λt(λt)j/j! . (1.7)

Portanto, a função máxima de N(t) é

Teoria das Filas

16

pN(t)(n) = P{N(t) = n} = FN(t)(n) - FN(t)(n-1) = e-λt(λt)n/n!. (1.8)

Isto é a função máxima de uma variável aleatória com uma distribuição de

Poisson com parâmetro λt, de onde vem a razão para o fato deste processo ser chamado

de Processo de Poisson. Isto é, para um processo de chegada de Poisson com taxa de

chegada λ, a distribuição do número de chegadas em t unidades de tempo é Poisson com

parâmetro λt.

O processo de Poisson tem muitas propriedades interessantes. As duas mais

fundamentais são que os incrementos das chegadas são ambos independentes e de

tempo estacionário. Incrementos independentes significa que para um tempo arbitrário

t>=0 e um intervalo de tempo ∆t >= 0, o número de chegadas no período de tempo (t, t

+ ∆t] é independente do número de chegadas até o tempo t, isto é,

P{N(t + ∆t) – N(t) = m, N(t) = k} (1.9)

= P{N(t + ∆t) – N(t) = m}* P{N(t) = k}

Quanto ao fato que as chegadas tem incrementos estacionários significa que

a distribuição do número de chegadas não muda com o tempo, isto é, novamente para

um tempo arbitrário t >=0 e um intervalo de tempo ∆t >=0,

P{N(t + ∆t) – N(t) = m} = P{N(0 + ∆t) – N(0) = m} = P{N(∆t) = m} (1.10)

Pela equação (1.8) está é uma distribuição de Poisson com parâmetro c, de

modo que, o número esperado de novas chegadas em qualquer período de comprimento

∆t é

E[N(t + ∆t) – N(t)] = λ∆t. (1.11)

Em palavras, o número esperado de chegadas em um intervalo de tempo

fixo é proporcional a taxa de chegada e o comprimento do intervalo de tempo, que é a

razão porque o parâmetro λ é referido como a taxa do processo de chegada.

Um processo de Poisson Simples

Considere um processo de Poisson {N(t) : t >= 0} com taxa λ = 2. Pode-se

usar a propriedade independência, a propriedade tempo-estacionário e a função máxima

da distribuição de Poisson para calcular várias quantidades. Por exemplo,

P{N(5) = 4| N(4) = 2} = P{N(5) = 4, N(4) = 2} P{ N(4) = 2}

= P{N(4+1) – N(4) = 2, N(4) = 2} P{ N(4) = 2}

Teoria das Filas

17

= P{N(4+1) – N(4) = 2}* P{N(4) = 2} P{ N(4) = 2}

= P{N(4+1) – N(4) = 2} = P{N(1) = 2}

= (1.λ)2 e-1.λ = (1.2)2 e-1.2 2! 2!

= 2e-2 = 0.27.

Note que primeiro foi utilizado a definição de probabilidade condicional,

então foi utilizada a simples observação que {N(5) = 4, N(4) = 2}, se e somente se {N(4

+ 1) - N(4) = 2, N(4) = 2}, e depois que os incrementos independentes e a

estacionaridade do tempo reduzem o problema, de forma que, a função máxima da

distribuição pode ser utilizada.

1.7.3 Distribuição Exponencial

Como dito anteriormente, desde que os tempos de interchegada do processo

de Poisson são exponencialmente distribuídos é interessante olhar esta distribuição um

pouco mais de perto. Para tanto, seja X ~ exp(λ) exponencial com parâmetro λ.

Assumindo que o tempo é iniciado em zero e mantendo as aplicações de fila em mente,

pode-se para propósitos de ilustração pensar em X como o tempo da chegada do

próximo cliente.

Assuma que em algum tempo fixo t > 0 foi checado se alguma chegada

ocorreu e descobriu-se que a chegada ainda não ocorreu. Denote o tempo de t até o

momento em que a chegada efetivamente ocorreu como Rt. Para determinar a

distribuição de Rt simplesmente calcula-se a função de distribuição

P{Rt <= r} = 1 - P{Rt > r}.

Optou-se por olhar o evento Rt > r, haja visto que torna-se mais fácil obter

P{Rt > r} = {X > t + r | X > t} (1.12)

= P{X > t + r , X > t} P{X > t}

= P{X> t + r} P{X > t}

= e-λ(t + r)/ e-λt

= e-λr

= P{X > r}.

Teoria das Filas

18

Assim, pode-se obter a função de distribuição P{Rt <= r} = 1 - P{Rt > r} =

1 - e-λr = P{X <= r}, que implica que Rt é exponencialmente distribuído com parâmetro

λ, o mesmo que X. O que isso significa é que sempre que para-se para checar se um

cliente chegou e ele não chegou, então o tempo restante até ele chegar tem a mesma

distribuição que o tempo anterior a checagem. Esta propriedade, que é única para a

distribuição exponencial em relação a todas as distribuições contínuas , é conhecida

como propriedade markoviana ou falta de memória da distribuição exponencial.

1.8 Processos Estocásticos e Cadeias de Markov

Um processo estocástico é a abstração matemática de um processo empírico

cujo desenvolvimento é governado por leis probabilísticas (o processo de Poisson é um

exemplo). Do ponto de vista da teoria da probabilidade matemática, um processo

estocástico é melhor definido como um conjunto de variáveis aleatórias, {X(t), t ε T},

definido sobre algum conjunto de índices ou espaço de parâmetro T. O conjunto T é

algumas vezes também chamado de faixa de tempo, e X(t) denota o estado do processo

no tempo t. Dependendo da natureza da faixa de tempo, o processo é classificado como

um processo de parâmetro contínuo ou de parâmetro discreto como a seguir:

1. Se T é uma seqüência contável, por exemplo, T ={..., -2,-1,0,1,2,...} ou

T = {0,1,2,...}, então o processo estocástico {X(t), t ε T} é dito ser um

processo de parâmetro discreto definido no conjunto de índices de T.

2. Se T é um intervalo ou uma combinação de intervalos algébricos, por

exemplo, T = {t:-∞ < t < +∞} ou T = {t:0 < t < +∞}, então o processo

estocástico {X(t), t ε T} é chamado de processo de parâmetro contínuo

definido no conjunto de índices de T.

1.8.1 Processo de Markov

Um processo estocástico de parâmetro discreto {X(t), t=0,1,2,...} ou

processo estocástico de parâmetro contínuo {X(t), t > 0} é dito ser um processo de

Markov se, para qualquer conjunto dos n pontos de tempo t1 < t2 < ... < tn no conjunto de

índices ou faixa de tempo do processo, a distribuição condicional de X(tn), dados os

Teoria das Filas

19

valores de X(t1), X(t2), X(t3), ..., X(tn-1), depender só do valor imediatamente precedente,

X(tn-1); mais precisamente, para quaisquer números reais x1, x2, ..., xn,

P{X(tn) <= xn | X(t1) = x1, ..., X(tn-1) = xn-1}

= P{X(tn) <= xn | X(tn-1) = xn-1}.

Em uma linguagem não matemática pode-se dizer que, dado a condição

“presente” do processo, o “futuro” é independente do “passado”, ou seja, o processo

está sem memória.

Os processos de Markov são classificados de acordo com;

1. A natureza do conjunto de índices do processo (se de espaço de

parâmetro discreto ou contínuo), e

2. A natureza do espaço de estado do processo (se de espaço de estado

discreto ou contínuo).

Um número real x é dito ser estado do processo estocástico {X(t), t ε T} se

existe um ponto de tempo t em T tal que a P{x – h < X(t) < x + h} é positivo para todo

h > 0. O conjunto de estados possíveis constitui o espaço de estado do processo. Se o

espaço de estado é discreto, o processo de Markov é geralmente chamado de cadeia de

Markov, sendo que os processos de Markov de parâmetro discreto com espaço de estado

discreto são conhecidos como cadeias de Markov planas, e os processos de Markov de

parâmetro contínuo com espaço de estado discreto são conhecidos como cadeias de

Markov de tempo contínuo.

Tabela 1.5 Classificação do Processo de Markov

Tipo de Parâmetro

Espaço de Estado Discreto Contínuo

Discreto (Parâmetro Discreto)

Cadeia de Markov

Cadeia de Markov de

Parâmetro Contínuo

Contínuo Processo de Markov de

Parâmetro Discreto

Processo de Markov de

Parâmetro Contínuo

Quando o processo de Markov tem um espaço de estado contínuo e um

espaço de parâmetro discreto, ele é conhecido como processo de Markov de parâmetro

discreto. Por outro lado, se ambos espaço de estado e espaço de parâmetro forem

contínuos então o processo de Markov será chamado de processo de Markov de

parâmetro contínuo. A tabela 1.5 sumariza estas classificações do processo de Markov.

Teoria das Filas

20

1.8.2 Cadeias de Markov de Parâmetro Discreto

Considere uma cadeia de Markov com dois estados. Um dos estados

denotado por 1 representará um “sucesso”, enquanto o outro estado representará uma

“fracasso” sendo denotado por 0.

Suponha que se a n-ésima tentativa resultar em fracasso então a

probabilidade de fracasso na n-ésima primeira tentativa é 1 - α e a probabilidade de

sucesso nesta mesma tentativa é igual a α. Similarmente, se a n-ésima tentativa resultar

em sucesso então as probabilidades de sucesso e fracasso na n-ésima primeira tentativa

são 1 - β e β, respectivamente. Estas probabilidades são chamadas de probabilidades de

transição, podendo serem escritas na seguinte forma matricial, também conhecida como

matriz de transição :

0 1

0 1 - α α P = 1 β 1 - β

O elemento da matriz na posição (j,k) denota a probabilidade condicional

de uma transição para um estado k no tempo n + 1 dado que o sistema está no estado j

no tempo n.

Exemplo 1.1 Chuva em Tel Aviv.

Em um estudo de chuvas em Tel Aviv, Gabriel e Nenmann encontraram que

uma cadeia de Markov de dois estados daria uma boa descrição da ocorrência de dias

chuvosos e secos durante o período chuvoso de Dezembro, Janeiro e Fevereiro. Para

tanto, eles denominaram dia seco como estado 0 e dia chuvoso como estado 1.

Realizando a amostragem de um período de 37 anos, eles descobriram que a

probabilidade α de ocorrência de um dia chuvoso após um dia seco era de 0.250 e a

probabilidade β de ocorrência de um dia seco após um dia chuvoso era de 0.338,

formando a matriz de transição mostrada abaixo:

S C

S 0.750 0.250 P = C 0.338 0.662

Teoria das Filas

21

Denotando a linha do vetor P(n) = (P0(n), P1(n)) como a probabilidade de

encontrar o sistema no estado 0 ou 1 no tempo n quando as probabilidades iniciais dos

dois estados são dados por P(0) = (P0(0), P1(0)). Este evento pode ocorrer de duas maneiras

mutuamente exclusivas. O estado 0 foi ocupado no tempo n –1 e nenhuma transição de

estado ocorreu no tempo n, de forma que este evento tem a probabilidade P0(n-1)(1 - α).

Alternativamente, o estado 1 foi ocupado no tempo n - 1 e uma transição do estado 1

para o estado 0 ocorreu no tempo n, de forma que este evento tem a probabilidade P1(n -

1)β. Considerações, tais como estas levam as seguintes relações de recorrência:

P0(n) = P0(n - 1)(1 - α) + P1(n - 1)β,

P1(n) = P0(n - 1)α + P1(n - 1) (1-β),

que em notação de matriz podem ser escritas como

P(n) = P(n - 1) P, (1.13)

e em iteração

P(n) = P(n - 2) P 2 = P0Pn. (1.14)

Assim, dado as probabilidades iniciais P0 e a matriz de transição de

probabilidade P, pode-se encontrar qualquer probabilidade de ocupação de estado em

qualquer tempo n usando a equação 1.14.

Denotando o elementos (j,k) de Pn por pjk(n). Se o sistema está inicialmente

no estado 0, então P(0) = (1,0) e P(n) = (p00(n), p01(n)). Por outro lado, se o sistema está

inicialmente no estado 1, então P(0) = (0,1) e P(n) = (p10(n), p11(n)).

Assim,

pjk(n) = P{Xn = k | X0 = j}

Estas quantidades pjk(n) são chamadas probabilidades de transição n-passos.

Esta é uma matriz equivalente as conhecidas equações de Chapman-Kolmogorov (CK)

para este processo de Markov, mostrada abaixo:

pjk(n) = r pir(n - k)prj(k)

Exemplo 1.2 Chuva em Tel Aviv.

Utilizando a matriz do exemplo 1.1 pode-se calcular P5, a partir de P2, P3 =

P2P, P5 = P3P2, de maneira que o resultado encontrado é mostrado na matriz abaixo:

Teoria das Filas

22

S C

S 0.580 0.420 P = C 0.568 0.432

Assim, por exemplo se 1 de Janeiro é um dia seco a probabilidade que 6 de

Janeiro seja um dia seco é 0.580, enquanto que se 1 de Janeiro é um dia chuvoso, a

probabilidade de 6 de Janeiro ser um dia seco é de 0.568.

Uma questão que eleva-se, é que após um período suficientemente longo de

tempo o sistema se estabilizará para um situação de equilíbrio estatístico na qual as

probabilidades de ocupação de estado serão independentes das condições iniciais. Se

isto for verdade existe uma distribuição de probabilidade de equilíbrio π = (π0, π1) e,

quando n  ∞, π satisfará claramente a condição

π = πP,

ou π(I – P) = 0. (1.15)

A condição π = πP será demonstrada na próxima seção.

Assim,

π0α - π1β = 0, -π0α + π1β = 0.

Este é um sistema de equações homogêneas e só terá uma solução não zero

se o determinante |I – P| não existir. Claramente, |I – P| existe e pode-se obter a solução

única utilizando a seguinte condição

π0 + π1 = 1

Note que se a distribuição de probabilidade é π, então

P(1) = πP = π, P(2) = P(1)P = πP = π,

e P(n) = π (n= 1,2,...)

Assim, a distribuição P(n) é estacionária se P(0) = π, ou seja, não muda com o

tempo.

Exemplo 1.3 Chuva em Tel Aviv.

Usando-se a matriz P do exemplo 1.1, obtém-se que as probabilidades de

equilíbrio são

π0 = 0.575, π1 = 0.425, como mostrado abaixo:

Teoria das Filas

23

S C

S 0.575 0.425 P10 = C 0.575 0.425

1.8.3 Propriedades de Longa Execução do Processo de Markov

Nesta seção será abordada as propriedades de longa execução das cadeias de

Markov, com ênfase principal as propriedades do limite de movimentação de um estado

para outro,

limn 

∞Pij(n) = πj, ∀j∈ S,

que quando existir, refere-se a distribuição limítrofe para a cadeia de Markov.

Para tanto, considere uma cadeia de Markov e suponha que

limn 

pij(n) = πj (para todo i);

isto é, para um longo período, a probabilidade que o processo esteja no estado j, dado

que ele iniciou no estado i é independente do estado inicial i. Isto significa que Pn possui

um limite quando n tende para infinito, de forma que, todas as linhas de Pn se tornam

idênticas. πj ,neste caso, é chamado de probabilidades de estado de equilíbrio ou

limítrofe da cadeia de Markov.

Considere agora a probabilidade incondicional após n passos de π(n) = π(0)Pn,

isto é,

πj(n) = i πi(0)pij(n)

Então

limn 

∞πj(n) = limn 

∞i πi(0)pij(n) = i πi(0)limn 

pij(n)

= i πi(0) πj = πj i πi(0) = πj ,

e consequentemente πj(n) tende para o mesmo limite que pij(n) e é independente das

probabilidades iniciais e do parâmetro de tempo n.

Partindo do mesmo princípio de que P(n) = P(n-1)P, demonstrado

anteriormente, tem-se que

limn 

∞π(n) = limn 

∞π(n - 1) = π,

de forma que,

π = πP.

Teoria das Filas

24

Estas equações bem conhecidas são chamadas de equações estacionárias da

cadeia de Markov, e suas soluções são chamadas de distribuições estacionárias.

É possível, em alguns casos, obter soluções para (1.15) mesmo quando

nenhuma distribuição do limite existe. Assim, quando existe uma distribuição do limite,

isto implica uma solução para (1.15) , e a distribuição estacionária resultante é a

distribuição do limite. Mas, o contrário não é verdadeiro, isto é, a solução para (1.15)

não implica na existência de uma distribuição limítrofe.

Dessa forma, faz-se necessário encontrar outras maneiras de verificar a

existência da distribuição limítrofe. Uma das maneiras mais utilizadas é identificar os

tipos de estados pertencentes a uma cadeia de Markov e utilizar sua propriedades para

determinar a existência da distribuição.

Para tanto, suponha que uma cadeia esteja inicialmente em um dado estado j

e defina a probabilidade de j voltar a ser ocupado após n transições como

fjj =  ∞

=1n

fjj(n).

Se fjj é igual a 1 então o estado é chamado recorrente. Por outro lado, se fjj é

menor que 1 então j é um estado transiente. Quando fjj =1,

mjj =  ∞

=1n

nfjj(n)

é o tempo de recorrência médio, ou seja, o tempo médio para que o estado j volte a ser

visitado. Se mjj < ∞, então j é conhecido como um estado recorrente positivo, enquanto

se mjj = ∞, então j é um estado recorrente nulo.

Suponha que quando a cadeia ocupa o estado j, subseqüentes ocupações do

estado j só ocorram nos tempos t,2t,3t,...quando t é um inteiro maior que 1. Quando isto

ocorre, o estado j é chamado de periódico com período t. Um estado que não é periódico

é conhecido como aperiódico, sendo que se além de ser aperiódico ele for recorrente

positivo então ele é conhecido como ergódico.

Para exemplificar observe a cadeia de Markov com espaço de estado S = 0,1

e matriz de transição:

0 1

0 0 1 P = 1 1 0

Teoria das Filas

25

é periódica com período 2, pois, assumindo que o estado inicial seja X0 = 0

ele só poderá probabilisticamente voltar a ser ocupado após 2 transições de estados, ou

seja, em P3, P5, P7, ...

Em particular, para qualquer j ∈ S,

limn 

∞Pij(n) = πj,

existe, se somente se, j é aperiódico.

Um estado j é dito se comunicar com um estado k se é possível alcançar k a

partir de j num número finito de transições. Por outro lado, se j se comunica com k e k

se comunica com j então esta relação é conhecida como intercomunicação entre j e k.

Além disso, uma cadeia de Markov onde todos os estados se comunicam é chamado

irredutível, caso contrário, a cadeia é dita redutível. Um subconjunto de estados onde a

cadeia de Markov entre e nunca mais saia é chamado de conjunto fechado.

Identificar todos os subconjuntos irredutíveis habilita a classificação dos

estados em recorrentes ou transientes:

 Estados que pertencem a um subconjunto fechado irredutível são

recorrentes.

 Estados que não pertencem a um subconjunto fechado irredutível são

transientes.

Note também que se dois estados se comunicam então ambos são

recorrentes ou transientes.

Para fixar a idéia de como os estados são classificados observe o exemplo

abaixo:

P = [0.1 0.3 0.6 0 0 0 1 0 0 0 0 0 0.8 0.2 0 0 0 0.7 0.3 0 0.5 0 0 0.5 0]

Em P existem dois conjuntos fechados irredutíveis R1 = {2} e R2 = {3,4},

de modo que, estes estados são recorrentes. Os estados transientes são, portanto, por

exclusão, T = {1,5}. A explicação para o conjunto R1 ser fechado é que se o estado 2

for alcançado, nunca mais ocorrerá uma transição de estado. O mesmo acontece para o

conjunto R2, pois, se 3 ou 4 forem alcançados, as transições de estado ficarão

permanentemente entre esses dois estados. Já nos estados 1 e 5, existem probabilidades

de transição diretamente ou indiretamente para os conjuntos fechados R1 e R2, de forma

Teoria das Filas

26

que, caso isso aconteça 1 e 5 nunca mais serão revisitados. Além disso, todos os estados

são aperiódicos.

Exemplo da Falha em uma Máquina

Seja,

0, se a máquina for reparada no dia n,. Xn = 1, se a máquina estiver operando no dia n

uma cadeia de Markov com a matriz de transição,

0 1

0 0.2 0.8 P = 1 0.1 0.9

Utilizando do fato mostrado anteriormente que π = πP tem-se que

π = limn 

∞π(n) = (1/9, 8/9)

é um vetor de probabilidade de estado de longa execução. Se a execução for iniciada

com π (0) = π = (1/9, 8/9) então o vetor de probabilidade de estado no primeiro passo

será

π (1) = (1/9, 8/9) ( 0.2 0.8 = (1/9,8/9) 0.1 0.9)

Em outras palavras, quando uma cadeia é iniciada com uma distribuição

limítrofe π como vetor de probabilidade de estado inicial, então após uma transição o

vetor de probabilidade de estado será o mesmo.

Isto significa que quando o estado de longa execução for alcançado a cadeia

de Markov entrará num estado de equilíbrio ou estacionário, isto é, num sentido

probabilístico nada muda deste ponto em diante. Por este motivo, que esta distribuição é

conhecida como distribuição estacionária.

1.8.4 Cadeias de Markov de Parâmetro Contínuo

Os modelos discretos são úteis para responder a questões pontuais, no que

diz respeito ao tempo, entretanto, quando se deseja saber, por exemplo, qual o tempo

esperado exato do reparo de uma máquina ou o tempo exato até que duas máquinas em

funcionamento sejam desligadas para reparo, o modelo discreto não é satisfatório.

Assim, faz-se necessário a inclusão de um processo estocástico de tempo contínuo {

Teoria das Filas

27

X(t) : t > 0}, onde X(t) é o estado do sistema no tempo t>=0. Se o modelo contínuo é

adotado, o interesse geralmente recai sobre

 quanto tempo o sistema fica em um dado estado, e

 dado seu estado atual, para qual estado o processo se moverá.

Inicialmente, será tentado modelar a segunda dessas questões. Se for

assumido que a probabilidade de mover de um estado para outro só depende do estado

atual e não do comportamento passado, isto é, se o processo não possui memória, então

as transições de estado podem ser descritas como uma cadeia de Markov,

[ 0 γ1 1 - γ1

P = γ2 0 1 - γ2

γ3 1 - γ3 0]

onde γ1 é a probabilidade de uma máquina quebrar quanto existem duas operando, 1 - γ1

é a probabilidade de duas máquinas quebrarem simultaneamente, e assim por diante.

Esta é uma matriz de transição de uma cadeia de Markov embutida que descreve as

transições entre estados para este processo de tempo contínuo. Note que como o

processo é contínuo não existe nenhuma transição de um estado para ele mesmo. Esta

cadeia de Markov embutida é metade do que é necessário para descrever o processo

acima. A outra metade é quanto tempo um processo fica em um dado estado, ou tempo

de permanência. Para este exemplo, o tempo de permanência Ti no estado i = 0,1,2 é

T0 = Tempo até que um ou mais máquinas falhem.

T1 = Tempo até que uma máquina falhe ou seja reparada.

T0 = Tempo até que um ou mais máquinas sejam reparadas.

Um processo estocástico de tempo contínuo, onde as transições podem ser

escritas com a cadeia de Markov e o tempo de permanência é uma variável aleatória

com uma distribuição arbitrária é chamado de processo semi-Markov. Quando um

modelo de uma cadeia de Markov é construído, o foco esta no processo de mudança de

estado, ao invés de quanto tempo o sistema ficou em um dado estado, que é de interesse

em muitas aplicações. Por exemplo, quanto tempo uma máquina está operando ? Quanto

tempo ela está ociosa ? Quanto tempo um cliente tem que esperar por um serviço? Se

essas questões são de interesse existe a necessidade de modelar o sistema como um

processo estocástico de tempo contínuo

Teoria das Filas

28

Assim, seja { Y(t) : t >= 0} um processo estocástico de tempo contínuo com

espaço de estado S. Então, Y(t) : t >= 0 é uma cadeia de Markov de tempo contínuo

(CMTC). Se para todos os tempos s,t >= 0,

1. A propriedade de markov

P{Y(t) = j | Y(s) = i, Y(u) = yu, 0 <= u < s} = P {Y(t) = j | Y(s) = i} se

mantém, e (1.16)

2. O tempo estacionário for dado por,

P{Y(t) = j | Y(s) = i} = P {Y(t - s) = j | Y(0) = i} (1.17)

Isto é equivalente aos processos que descrevem as transições de estado de

uma cadeia de Markov com o tempo gasto em cada estado sendo exponencialmente

distribuído. Em outras palavras o CMTC é um processo semi-Markov com tempos de

permanência exponencialmente distribuídos. As cadeias de Markov que descrevem as

transições de estado são conhecidas como cadeias de Markov embutidas.

Exemplo de uma CMTC simples.

Assuma que o tempo até que um cliente chegue seja exponencialmente

distribuído com taxa λ e o tempo que ele leva para ser servido e parta tenha a mesma

distribuição com taxa µ. Assim, se existem i > 0 clientes então o tempo até que um

cliente chegue ou parta, e o estado do sistema mude, é exponencialmente distribuído

com taxa λ + µ.

Um CMTC com espaço de estado S = {1,2, ..., n}é caracterizado pelo vetor

de estado inicial π(0) = (π1(0) π2(0) ... πn(0)), onde πi(0) = P{Y0 = 1} e sua matriz geradora,

também conhecida como matriz de intensidade ou gerador infinitesimal possui a

seguinte forma:

[-q0 q01 q02 q03...

Q = q10 -q1 q12 q13...

q20 q21 -q2 q23...]

Aqui qij é a taxa na qual o processo de move do estado i para o estado j, e

qii = -j≠iqij.

A matriz geradora para esta CMTC simples é

[-λ0 λ0 0 0 0...

µ1 -(λ1 + µ1) λ1 0 0...

Q = 0 µ2 -(λ2 + µ2) λ2 0...

Teoria das Filas

29

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

... ... ... ... ...]

que pode ser facilmente memorizada da seguinte forma:

qi,i+1 = λi, qi,i-1 = µi (µi ≠ 0) qrj (caso contrário) qi = λi + µi (q0 = λ0)

Para o CMTC simples, a matriz de transição P da cadeia de Markov

embutida pode ser obtida a partir da matriz geradora Q, usando as seguintes regras:

λi / (λi + µi) (j = i +1, i >=1), pij = µi / (λi + µi) (j = i -1, i >=1), 1 (i=0, j=1), 0 (caso contrário).

Assim,

[ 0 1 0 0 0...

µ1 / (λ1+ µ1) 0 λ1 / (λ1+ µ1) 0 0...

P = 0 µ2 / (λ2+ µ2) 0 λ2 / (λ2+ µ2) 0...

... ... ... ... ...]

Calcular a cadeia de Markov torna possível a classificação dos estado, haja

visto que o estado i ∈ S é transiente/recorrente para a CMTC, se e somente se, é

transiente/recorrente para a cadeia de Markov embutida. Quando µ >= λ todos os

estados são recorrentes e transientes, em caso contrário.

A distribuição estacionária π pode ser calculada através das equações

abaixo:

0 = πQ, (1.17)

1 = π1.

As mesmas interpretações anteriores são mantidas, mas não existe nenhum

problema com a periodicidade, isto é, tão longo seja o tempo que se esteja observando

em um conjunto irredutível de estados recorrentes, ou sabendo o conjunto iniciado, a

distribuição estacionária pode ser interpretada como:

 A fração de tempo de longa execução gasta em cada estado.

 A probabilidade de encontrar o processo em um dado estado depois de

um longo tempo.

Teoria das Filas

30

Um processo de poisson é um caso especial de um processo de nascimento-

puro, onde tal processo apresenta a seguinte matriz geradora e cadeia de Markov

embutida, sendo que no processo de Poisson λi = λ.

[-λ0 λ0 0 0 0...

0 -λ1 λ1 0 0...

Q = 0 0 -λ2 λ2 0...

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

... ... ... ... ...],

[ 0 1 0 0 0...

0 0 1 0 0...

P = 0 0 0 1 0...

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

... ... ... ... ...]

1.9 Processo de Nascimento – Morte

Agora será estudado uma cadeia de Markov de tempo contínuo chamada

processo de nascimento - morte. Como anteriormente, seja {Y(t) : t >= 0} uma CMTC

com espaço de estado S = {0,1,2,...}. Agora, assuma que no estado 0 só existe um

evento en(0) que pode ocorrer, e quando ocorre então o estado do sistema é incrementado

de um. Em qualquer outro estado i > 0, existem dois eventos possíveis: um nascimento

en(i) e uma morte em(i). Se em(i) ocorre o estado do sistema é decrementado de um e se en(i)

ocorre o estado do sistema é incrementado de um. λi e µi serão chamados de taxas de

nascimento e morte, no estado i, respectivamente. A matriz geradora será dada por

[-λ0 λ0 0 0 0...

µ1 -(λ1 + µ1) λ1 0 0...

Q = 0 µ2 -(λ2 + µ2) µ2 0...

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

... ... ... ... ...],

e a cadeia de Markov embutida será dada por

Teoria das Filas

31

[ 0 1 0 0 0...

µ1/(λ1 + µ1) 0 λ1/(λ1 + µ1) 0 0...

P = 0 µ2/(λ2 + µ2) 0 λ2/(λ2 + µ2) 0...

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

... ... ... ... ...]

Note que este processo já foi olhado anteriormente onde todos os i ∈ S

satisfazem λi = λ, µi = µ (a CMTC simples); µi = 0 (processo de nascimento puro); λi =

λ, µi = 0 (o processo de Poisson).

Dessa forma, se for desenhado um diagrama com as transições de estados

será verificado que o fluxo de entrada em um estado e igual ao seu fluxo de saída.

Figura 1.7 – Diagrama de Balanço

Assim, com as condições apropriadas em µi e λi, uma solução de estado de

equilíbrio existe e pode ser determinada de 0 = pQ, de forma que, equações de balanço

para o processo de nascimento e morte podem ser geradas como a seguir :

0 = - (λj + µj)pj + λj -1pj –1 + µj + 1pj +1 (j >= 1), (1.18)

0 = -λ0p0 + µ1p1

Rescrevendo, obtém-se que

pj +1 = (λj + µj)pj - λj -1pj –1 (j >= 1), µj + 1 µj + 1

p1 = (λ0 /µ1)p0.

p2 = (λ1 + µ1)p1 - λ0p0 µ2 µ2

= (λ1 + µ1) λ0 p0 - λ0 p0 µ2 µ1 µ2

= λ1λ0p0 µ2µ1

p3 = (λ2 + µ2)p2 - λ1p1 µ3 µ3

Teoria das Filas

32

= (λ2 + µ2) λ1λ0p0 - λ1λ0p0 µ3 µ2µ1 µ3µ1

= λ2λ1λ0p0, µ3µ2µ1

.

.

.

O padrão que parece estar emergindo é que

pn = λn-1λn-2 . . . λ0p0, (n >=1) (1.19) µnµn-1 . . . µ1

= p0∏ =

n

i 1

(λi-1/µi)

e por indução pode-se comprovar que a fórmula esta correta. Entretanto, para os

propósitos deste curso não será necessário a demonstração.

Agora, desde que o somatório das probabilidades tem que ser igual a um,

segue que

p0 = (1 +  ∞

=1n

=

n

i 1

(λi-1/µi))-1 (1.20)

Estes tipos de equações são muito úteis para gerar uma variedade de

modelos de filas. Por exemplo, adotando-se λn = λ e µn = µ obtém-se uma fila M/M/1.

2. MODELOS DE FILAS APLICADOS A

PROCESSOS MARKOVIANOS DE NASCIMENTO E

MORTE SIMPLES

O propósito deste capítulo é desenvolver um conjunto de modelos de filas

pela aplicação direta dos resultados obtidos no capítulo anterior para o processo de

nascimento e morte.

2.1 Soluções de Estado de Equilíbrio para Modelos M/M/1

As funções densidade para os tempos de interchegada e tempos de serviço

para as filas M/M/1 são dadas, respectivamente, como

Teoria das Filas

33

a(t) = λe-λt,

b(t) = µe-µt,

onde 1/λ então é o tempo de interchegada médio e 1/µ é o tempo de serviço médio.

Tempos de interchegada, tanto quanto os tempos de serviço, são assumidos serem

estatisticamente independentes. Note que, os tempos de interchegada e serviço são

exponenciais, e as taxas de chegada e serviço condicionais obedecem uma distribuição

de Poisson.

Além disso, o problema M/M/1 é um processo de nascimento e morte com

λn = λ e µn = µ, para todo n. Chegadas podem ser consideradas como nascimentos para o

sistema, desde que, se o sistema está no estado n, ou seja, se existem n clientes no

sistema e uma chegada ocorre, o estado do sistema é atualizado para n + 1. Por outro

lado, a ocorrência de uma partida pode ser considerada como uma morte, de maneira

que, quando este evento ocorre, o sistema será levado para o estado n – 1, estando ele no

estado n. Note que isto vale para todos os valores onde n é maior ou igual a 1.

Consequentemente, utilizando-se as equações 1.18, obtém-se as equações de estado de

equilíbrio como

0 = - (λ + µ)pn + λpn –1 + µpn +1 (n >= 1), (2.1a)

0 = λp0 + µp1,

ou

pn +1 = (λ + µ)pn - λpn –1 (n >= 1), (2.1b) µ µ

p1 = (λ /µ)p0.

2.1.1 Balanço Estocástico

Um atalho para obter diretamente as equações estacionárias (2.1) é por meio

das equações de balanço mostrada anteriormente, onde o fluxo de entrada em um estado

tem que ser igual ao fluxo de saída deste mesmo estado, quando as condições de estado

de equilíbrio existem. Tais procedimentos de balanço de fluxo são conhecidos como

balanço estocástico. Para reforçar, considere um estado n (n>=1) em uma fila M/M/1.

Então um diagrama de estado pode ser construído como na figura 2.1.

Teoria das Filas

34

Figura 2.1 Diagrama de Transição de Taxa – M/M/1.

Neste diagrama, do estado n, o sistema vai para o estado n - 1 se um serviço

é completado ou para n + 1 se uma chegada ocorre. O sistema pode ir para o estado n de

n – 1 se uma chegada ocorre ou para o estado n de n + 1 se um serviço é completado. As

taxas de fluxos são em termos de λ e µ, de modo que, o fluxo total médio para fora do

estado n é igual a λpn + µpn, enquanto o fluxo total médio para dentro do estado n é

igual a λpn-1 + µ pn+1.

Pode-se olhar pn como a porcentagem de tempo no estado de equilíbrio que

o sistema permanece no estado n. As equações 2.1 são chamadas de equações de

balanço global, desde que, elas equacionam o fluxo total médio de entrada no estado

com o fluxo total médio de saída deste mesmo estado. Contudo, numa análise mais

além, pode-se referir a uma equação de balanço detalhada informando o fluxo médio

dentro e fora de estados adjacentes. Para ilustrar, coloque uma linha artificial na figura

2.1 entre os estados n e n + 1. O fluxo médio através desta barreira deve ser também

igual a 0 para condições de estado de equilíbrio, isto é, o fluxo para a direita deve ser

igual ao fluxo para a esquerda. Isto resulta que a equação λpn = µpn+1. Da mesma forma,

se for colocada uma barreira entre os estados n e n-1, obtém-se λpn-1 = µpn. Note que

somando as duas equações resulta nas equações de balanço global de (2.1a).

Esta análise de balanço de fluxo entre dois estados trabalha neste caso por

causa da característica de nascimento e morte, onde só estados adjacentes podem

diretamente se comunicar, com taxas de transição constantes. Para modelos

Markovianos mais gerais, isto não é necessariamente verdadeiro, de modo que, a análise

de balanço detalhada pode ser muito mais complicada.

Teoria das Filas

35

2.2 Métodos de Solução de Equações Diferenciais de Estado

de Equilíbrio

2.2.1 Método Iterativo de Solução de Equações Diferenciais de

Estado de Equilíbrio para {pn}

Com isso quer-se dizer que utilizando-se iterativamente as equações de

balanço global dada na equação (2.1) ou as equações de balanço local (detalhada)

obtém-se uma seqüência de probabilidades de estado, p1, p2, p3, ..., cada uma em termos

de p0. Assim, desde que o sistema M/M/1 é realmente uma processo de nascimento e

morte com taxas de nascimento e morte constantes, pode-se diretamente aplicar a

equação (1.19) com λn = λ e µn = µ para todo n. Disto segue que

pn = p0∏ =

n

i 1

λ/µ (n >= 1)

= p0(λ/µ)n, (2.2)

Para obter p0, utiliza-se do fato de que a soma das probabilidades deve ser

igual a 1, ou seja,

1 =  ∞

=0n

(λ/µ)np0,

Chamando λ/µ de ρ para filas de servidor simples, pode-se rescrever a

equação acima da seguinte maneira

p0 = 1 /  ∞

=0n

ρn

Agora  ∞

=0n

ρn é a série geométrica 1 + ρ + ρ2 + ρ3 + . . . e converge, se e

somente se, ρ < 1. Assim, para a existência de uma solução de estado de equilíbrio, ρ =

λ/µ deve ser menor que 1, ou equivalentemente, λ deve ser menor µ. Isto faz sentido,

pois, se λ > µ, a taxa média de chegada é maior que a taxa média de serviço, de maneira

que, o servidor não conseguirá atender aos clientes na mesma proporção em que eles

chegam, fazendo com que ocorra a formação de filas. Já para λ = µ, não existe nenhuma

resposta intuitiva, pois, nenhuma solução de estado de equilíbrio existe quando λ = µ,

Teoria das Filas

36

desde que, é improvável que as chegadas ocorram exatamente nos tempos em que os

clientes em serviço terminam de serem atendidos.

Fazendo uso de uma expressão bem conhecida para a soma dos termos de

uma progressão geométrica,

 ∞

=0n

ρn = 1 / (1 - ρ) (ρ < 1),

tem-se que

p0 = (1 - ρ) (ρ = λ/µ < 1). (2.3)

Assim, a solução de estado de equilíbrio completa para um sistema M/M/1 é

a função de probabilidade geométrica

pn = (1 - ρ)ρn (ρ = λ/µ < 1). (2.4)

2.2.2 Medidas de Efetividade

As distribuições de probabilidade de estado de equilíbrio para o tamanho do

sistema permiti-nos calcular as medidas de efetividade do sistema. Duas de interesse

imediato são o número esperado no sistema e o número esperado na fila em um estado

de equilíbrio. Para derivar isto, seja N a variável aleatória “número de clientes no

sistema em estado de equilíbrio” e L represente seu valor esperado. Assim,

L = E[N] =  ∞

=0n

npn

= (1 - ρ)  ∞

=0n

nρn (2.5)

Considerando o somatório

 ∞

=0n

nρn = ρ + 2ρ2 + 3ρ3 + . . .

= ρ(1 + 2ρ + 3ρ2 + . . .)

= ρ ∞

=1n

nρn-1.

Pela equação acima, observa-se que  ∞

=1n

nρn-1 é simplesmente a derivada do  ∞

=1n

ρn com

respeito a ρ, dado que o somatório e operações de diferenciação podem ser trocados.

Como

Teoria das Filas

37

 ∞

=0n

ρn = 1/(1-ρ),

consequentemente,

 ∞

=1n

nρn-1 = d[1/(1 - ρ)]/dρ = 1/( 1- ρ)2.

Assim, o número esperado no sistema em estado de equilíbrio é então

L = (ρ( 1- ρ)) / ( 1- ρ)2 = ρ/( 1- ρ) = λ/(µ - λ). (2.6)

Agora, adotando a variável aleatória “número na fila em estado de

equilíbrio” como Nq e seu valor esperado por Lq, tem-se pela fórmula de Little

apresentada anteriormente que

Lq =  ∞

=1n

(n-1)pn =  ∞

=1n

npn -  ∞

=1n

pn

= L – (1- p0) = ρ/( 1- ρ) - ρ.

Isto porque,  ∞

=0n

pn= 1, consequentemente,  ∞

=1n

pn = 1 - p0.

Note que Lq = L – (1- p0) se mantém para filas com um único servidor onde os clientes

chegam um de cada vez. Assim, o comprimento médio da fila é

Lq = ρ2/( 1- ρ) = λ2/(µ (µ - λ)). (2.7)

Existe também o interesse em conhecer o tamanho da fila esperado onde a

fila nunca está vazia, que será denotado aqui por L’q . Assim, pode-se escrever

L’q = E[Nq| Nq ≠ 0]

=  ∞

=1n

(n-1)p’n =  ∞

=2n

(n-1)p’n ,

onde p’n é a distribuição de probabilidade condicional de n no sistema dado que a fila

não está vazia, ou p’n = Pr{n no sistema | n >=2}. Das leis de probabilidade condicional,

p’n = Pr{n no sistema e n >=2} Pr{n>=2}

= pn/ ∞

=2n

pn (n>=2)

= pn 1 – (1 - ρ) – (1 - ρ)ρ

= pn / ρ2,

Teoria das Filas

38

pois, se  ∞

=0n

npn = (1 - ρ) ∞

=0n

nρn (2.5), então, retirando-se o multiplicador n das duas

parcelas, tem-se que  ∞

=2n

pn = (1 - ρ) ∞

=2n

ρn, menos as parcelas referentes a n = 0, que é

igual a (1 - ρ) e n = 1, que é igual a (1 - ρ)ρ. Desse modo, a distribuição de

probabilidade {p’n} é a distribuição de probabilidade {pn} normalizada por omitir os

casos n = 0 e 1. Assim,

L’q =  ∞

=2n

(n-1) (pn / ρ2)

= L - p1 – (1 - p0 - p1). ρ2,

Consequentemente,

L’q = 1/ (1- ρ) = µ/(µ - λ). (2.8)

Note que a generalização para Pr{n>=2} é intuitiva, de maneira que,

Pr{N>=n} = ρn

Para completar a parte básica desta apresentação, pode-se utilizar das

equações de Little apresentadas anteriormente que o tempo de espera W e o atraso na

fila Wq, dadas as condições de estado equilíbrio, para uma fila M/M/1 são

W = L / λ = ρ = 1/ (µ - λ) (2.9) λ (1- ρ)

Wq = Lq / λ = ρ2 = ρ/ (µ - λ) (2.10) λ (1- ρ)

Para exemplificar todas as medidas de efetividade apresentadas até o

momento observe o exemplo abaixo:

Exemplo 2.1 – A Sra. Cutt possui uma salão unissex. Ela não marca hora, de forma que,

o atendimento ocorre numa disciplina FCFS. Ela acredita que está muito ocupada aos

sábados pela manhã, de modo que, ela está estudando a possibilidade de contratar uma

assistente e possivelmente mudar-se para um estabelecimento maior. Entretanto, antes

de tomar essa decisão ela deseja saber qual o número médio de clientes no salão e qual

o número médio de clientes esperando para serem atendidos.

Para tanto, a Sra. Cutt observou que os clientes chegavam ao salão de

acordo com um processo de Poisson com uma taxa média de chegada de 5/h. Além

disso, foi observado que o tempo de atendimento era exponencialmente distribuído com

Teoria das Filas

39

uma taxa média de 10 minutos. De posse destes dados, tem-se que λ = 5/h e µ = 1/10

min = 6/h. Isto dá um ρ de 5/6. De (2.6) e (2.7), a Sra. Cutt encontra que L = 5 e Lq =

41/6. O número médio esperando quando existe pelo menos uma pessoa esperando é

obtido de (2.8) como L’q = 6. Ela também está interessada em saber a porcentagem de

tempo que os clientes são atendidos sem terem que esperar em fila, ou seja, a

probabilidade que uma chegada ocorra e o sistema esteja vazio. A probabilidade disto é

p0 = 1 - ρ = 1/6. Desse modo, 16.7% do tempo Cutt está ociosa, fazendo com que o

próximo cliente a chegar possa ser atendido sem ter que esperar. Devido ao fato do

processo de Poisson governar sua chegada e por causa de sua propriedade

completamente aleatória a porcentagem de clientes que entrarão em serviço diretamente

sem ter que esperar é 16.7% também. Por outro lado, 83.3 % dos clientes devem esperar

antes de serem atendidos.

A sala de espera de Cutt tem quatro assentos, de forma que, ela está

interessada em saber a probabilidade de um cliente, após chegar, não ter lugar para

sentar. Isto pode ser facilmente calculado como

Pr{encontrar nenhum assento} = Pr{N>=5} = ρ5 = 0.402. Isto implica que

em pouco mais de 40% do tempo, os clientes não encontrarão lugar para sentar.

Por fim, utilizando-se as equações (2.9) e (2.10) obtém-se que o tempo de

atendimento no salão e o atraso na fila são, respectivamente, W = 1h e Wq = 5/6h,

resultados não muito agradáveis.

2.2.2.1 Distribuições de Tempo de Espera

Apesar da Sra. Cutt já possuir informações que justifiquem a ampliação de

seu negócio, ela não tem condições de responder, dadas as condições atuais, qual a

probabilidade que o atraso na fila seja superior a 45 minutos. Dessa forma, as seguintes

formulações matemáticas devem ser levantadas para atender a tal requisito de

informação.

Seja Tq a variável aleatória “tempo gasto esperando na fila” e Wq(t)

represente sua distribuição de probabilidade cumulativa. Até agora, a disciplina de filas

não tem tido nenhum efeito em nossas derivações. Contudo, ao levar em consideração

tempos de espera individuais, a disciplina deve ser especificada, sendo neste caso,

assumido que ela é do tipo FCFS. A variável aleatória tempo de espera tem uma

propriedade interessante em que ela é parte discreta e parte contínua. O tempo de espera

Teoria das Filas

40

é, para maior parte do tempo, uma variável contínua, exceto que existe uma

probabilidade não zero que o atraso seja zero, isto é, um cliente entrando em serviço

imediatamente após sua chegada. Assim, tem-se que

Wq(0) = Pr{Tq <= 0} = Pr{Tq = 0} = Pr{sistema vazio na chegada} = q0.

Pode-se denotar a probabilidade condicional de n no sistema dado que um

chegada está próxima a ocorrer por qn. Entretanto, estas probabilidades nem sempre são

iguais a probabilidade pn com o qual se está trabalhando. Isto porque, pn são

probabilidade incondicionais de n em um ponto qualquer no tempo. Para encontrar a

distribuição do tempo de espera virtual, ou seja, o tempo que o cliente teria que esperar

caso chegasse num tempo qualquer, será utilizado pn. Contudo, para a entrada de

Poisson, qn = pn. Assim,

Wq(0) = p0 = 1 - ρ.

Resta, portanto, encontrar, Wq(t) para t >0.

Considere Wq(t), a probabilidade de um cliente esperar um tempo menor ou

igual a t para ser atendido. Se existem n clientes no sistema na chegada de um cliente, a

ordem para que o cliente entre em serviço no tempo entre 0 e t é que todos os n clientes

existentes no sistema tenham que ser servidos até o tempo t. Desde que a distribuição de

serviço é markoviana, a distribuição do tempo requerido para os n clientes serem

atendidos é independente do tempo da chegada atual e a convolução de n variáveis

aleatórias exponenciais é do tipo n-Erlang. Complementando, desde que a entrada é

Poisson, os pontos de chegada são uniformemente espaçados e consequentemente a

probabilidade que uma chegada encontre n no sistema é idêntica a distribuição

estacionária do tamanho do sistema. Portanto, pode-se escrever que

Wq(t) = Pr{Tq <= t} = Wq(0) +  ∞

=1n

Pr{n clientes atendidos <=t |

chegada encontra n no sistema}. pn.

= 1 - ρ + (1 - ρ) ∞

=1n

ρnot µ(µx)n-1 e-µx dx

(n – 1)!

= 1 - ρ + ρ(1 - ρ)ot µe-µx  ∞

=1n

(µxρ)n-1 dx

(n – 1)!

= 1 - ρ + ρ(1 - ρ)ot µe-µx(1 - ρ) dx

Teoria das Filas

41

= 1 - ρe-µ(1 - ρ)t ( t > 0).

Assim, a distribuição de tempo de espera em fila é

Wq(t) = 1 - ρe-µ(1 - ρ)t ( t >= 0) (2.11)

Com o resultado de (2.11), a Sra. Cutt é capaz de calcular a probabilidade

que um cliente chegando ter que esperar mais que 45 minutos como 5/6 e-3/4 = 0.3936.

Partindo do que foi demonstrado acima, pode-se definir o tempo total gasto

pelo cliente num sistema M/M/1 (incluindo tempo de serviço) da seguinte maneira. Seja

T a variável aleatória que representa o tempo total do cliente no sistema com W(t), w(t)

e W sendo, respectivamente, a distribuição cumulativa, a função densidade e o valor

esperado de T. Além disso, pode ser mostrado que a espera no sistema tem uma

distribuição exponencial negativa, tal que,

W(t) = 1 - e-(µ - λ)t ( t >= 0) (2.12) w(t) = (µ - λ)e-(µ - λ)t ( t > 0)

2.3 Filas com canais paralelos (M/M/c)

Agora nossa atenção será direcionada para modelos multiservidores M/M/c

no qual cada servidor possui uma distribuição de tempo de serviço exponencial

distribuída identicamente e independentemente, com o processo de chegada de novo

assumido ser Poisson. Dada as condições de que a entrada é Poisson, o serviço é

exponencial e o número de servidores é igual a c, tem-se um processo de nascimento e

morte. Assim, λn = λ para todo n, faltando, portanto, determinar µn para que se possa

utilizar a fórmula 2.2 aplicada a processos de nascimento e morte.

Se existem mais que c clientes no sistema, todos os c servidores devem estar

ocupados com uma taxa média de serviço µ, com a taxa média de saída do sistema

sendo igual a cµ. Quando existem menos que c clientes no sistema, n < c, por exemplo,

só n dos c servidores estão ocupados, fazendo com que o sistema passe a ter uma taxa

média de saída de nµ. Portanto, µn pode ser escrito como

nµ (1<=n<c) µn = cµ (n>=c). (2.13)

Utilizando (2.13) na equação (2.2) e o fato que λn = λ para todo n, obtém-se

__λn___ p0 (1<=n<c), n!µn pn = __λn___ p0 (n>=c). (2.14) cn-cc!µn

Teoria das Filas

42

Para encontrar p0, será levado em consideração o fato que as probabilidades

devem somar um, que implica que

p0 = [ −

=

1

0

c

n

λn/(n!µn) +  ∞

=cn

λn/( cn-cc!µn)]-1.

Adotando r = λ/µ e ρ = r/c = λ/cµ, tem-se que

p0 = [ −

=

1

0

c

n

rn/n! +  ∞

=cn

rn/( cn-cc!)]-1.

Fazendo uso de uma expressão bem conhecida para a soma dos termos de

uma progressão geométrica,

 ∞

=0n

ρn = 1 / (1 - ρ) (ρ < 1),

tem-se que

 ∞

=cn

rn/( cn-cc!) = (rc/c!)  ∞

=cn

(r/c)n-c = (rc/c!)  ∞

=0n

(r/c)m =

= (rc/c!)___1___ (r/c = ρ < 1). (1 - ρ)

Finalmente, pode-se escrever que

p0 = ( −

=

1

0

c

n

rn/n! + rc__ )-1 (r/c = ρ < 1) (2.15)

c!(1 - ρ)

Note que a condição para a existência de uma solução de estado de

equilíbrio aqui é λ/(cµ) < 1; isto é, taxa média de chegada deve ser menor que a taxa

média potencial máxima de serviço do sistema, que é intuitivamente o que seria

esperado. Uma outra coisa que pode ser notada da equação (2.15) é que quando c = 1,

(2.15) reduz-se para a equação do modelo M/M/1 mostrado anteriormente.

Baseando-se nas probabilidades de estado de equilíbrio dada nas equações

(2.14) e (2.15) pode-se derivar medidas de efetividade para o modelo M/M/c, de

maneira similar as utilizadas no modelo M/M/1.

Primeiro será considerado o tamanho da fila esperado Lq, haja visto que esta

medida é computacionalmente mais fácil de determinar que L, desde que, só é

necessário tratar-se com pn para n >= c. Assim,

Lq =  ∞

+= 1cn

(n-c) pn =  ∞

+= 1cn

(n-c)(rn/cn-cc!) p0

Teoria das Filas

43

= (rc/c!)p0  ∞

+= 1cn

(n-c)(rn-c/cn-c),

substituindo-se n-c por m, tem-se que

Lq = (rc/c!)p0 ∞

=1n

mρm = (rc/c!)ρp0 ∞

=1n

mρm-1 =

= (rc/c!)ρp0 d ( ∞

=1n

ρm) = (rc/c!)ρp0 d (1/(1-ρ) – 1)

dρ dρ

= rcρp0__. c!(1-ρ)2

Assim,

Lq =( rcρ . ) p0 (2.16) c!(1-ρ)2

Para encontrar L agora, emprega-se a fórmula de Little para obter Wq, então

utiliza-se Wq para encontrar W = Wq + 1/µ, e finalmente emprega-se novamente a

fórmula de Little para calcular L = λW. Assim, obtém-se que

Wq = Lq/λ = ( rc ) p0 (2.17) c!(cµ)(1-ρ)2

desde que, ρ = λ/(cµ).

W = 1/µ + ( rc_. ) p0 (2.18) c!(cµ)(1-ρ)2

e

L = r + ( rcρ __. ) p0 (2.19) c!(1-ρ)2

Note que o resultado final para L poderia ser obtido diretamente Lq por

utilizar L = Lq + r.

Embora as distribuições de probabilidade de tempos de espera, W(t) e Wq(t),

são sejam necessárias para obter W e Wq, para que questões a respeito das

probabilidades de uma espera serem maiores que uma determinada quantidade possam

ser respondidas, faz-se necessário a utilização dessas distribuições.

Dessa forma, definindo Tq como a variável aleatória “tempo gasto

esperando na fila” e Wq(t) sua FDC, tem-se que

Wq(0) = Pr{Tq = 0} = Pr{<= c –1 no sistema} =

=  −

=

1

0

c

n

pn = p0 −

=

1

0

c

n

rn/n!.

Teoria das Filas

44

Agora para avaliar o rn/n!, tem-se da expressão (2.15) para p0 que

=  −

=

1

0

c

n

rn/n! = [1/p0] – [rc/(c!(1-ρ))].

Dessa forma, tem-se que

Wq(0) = p0(_1_ - ___rc__) = 1 - __rcp0___) (2.20) p0 c!(1-ρ) c!(1-ρ)

Para Tq > 0 e assumindo uma disciplina FCFS,

Wq(t) = Pr{Tq <= t} = Wq(0) +  ∞

=cn

Pr{n –c + 1 clientes atendidos <=t |

chegada encontra n no sistema}. pn.

= Wq(0) + p0 ∞

=cn

__rn__ ot cµ(cµx)n-c e-cµx dx

cn-cc! (n –c)!

Cortando-se cn-c de dentro da integral com cn-c que está dividindo rn ,cortando –se o c

que multiplica µ(cµx)n-c com o c correspondente de c! tem-se que

= Wq(0) + p0 ∞

=cn

__rn__ ot µ(µx)n-c e-cµx dx

(c-1)! (n –c)!

Agora, retirando-se c parcelas de rn (rn-c)) e passando-as para dentro da integral, com a

troca do somatório com a integral, pode-se retirar rc/(c-1)! do somatório e da integral já

que estes são constantes para equação e não interferiram no somatório. Assim,

= Wq(0) +_rcp0 ot µe-cµx  ∞

=cn

(µrx)n-c dx

(c-1)! (n –c)!

Contudo, já foi visto anteriormente que  ∞

=cn

(µrx)n-c dx = eµxr. Logo, (n –c)!

= Wq(0) +_rcp0 ot µe-cµxeµxr dx = Wq(0) +_rcp0 ot µe-µx(c-r) dx (c-1)! (c-1)!

= Wq(0) +_rcp0__ (1 - e-(cµ - λ)t). c!(1- ρ)

Substituindo Wq(0) de (2.20) tem-se que

Wq(t) = 1 - _rcp0__ e-(cµ - λ)t). (2.21) c!(1- ρ)

De (2.21) nota-se que

Teoria das Filas

45

Pr{ Tq > t} = 1 - Wq(t) = _rcp0__ e-(cµ - λ)t). c!(1- ρ)

de modo que, a probabilidade condicional Pr{ Tq > t | Tq > 0} = e-(cµ - λ)t).

Para encontrar a fórmula para a FDC do tempo de espera no sistema, deve-

se dividir a situação em duas possibilidades separadas: aquelas cujos clientes não

tiveram nenhum atraso na fila [probabilidade Wq(0)]; e aquelas onde a espera no

sistema é o atraso na fila mais o tempo de serviço [probabilidade 1 - Wq(0)]. A primeira

dessas duas classes de clientes tem uma FDC que é idêntica a distribuição de tempo de

serviço exponencial, com média 1/µ; a segunda tem uma FDC obtida da convolução da

distribuição do tempo de serviço com uma segunda distribuição exponencial tendo

média 1/(cµ - λ). Esta convolução também pode ser escrita como a diferença de duas

funções exponenciais,

Pr{ Tq <= t} = c(1 - ρ) (1 - e-µt) - 1 (1 - e-(cµ - λ)t). c(1 - ρ) – 1 c(1 - ρ) - 1

Assim, a FDC da espera no sistema M/M/c pode ser escrita como

W(t) = Wq(0)[ 1 - e-µt] + [1 - Wq(0)]

X [ c (1 - ρ) (1 - e-µt) - _ 1 (1 - e-(cµ - λ)t)] c(1 - ρ) – 1 c(1 - ρ) - 1

= c(1 - ρ) - Wq(0) (1 - e-µt) - 1 - Wq(0) (1 - e-(cµ - λ)t). c(1 - ρ) – 1 c(1 - ρ) – 1

Exemplo 2.2 – Uma clínica de olhos da cidade oferece consultas grátis todas as quartas a

tarde. Existem três oftalmologistas no prédio. Um teste, leva em média, 20min, e o

tempo atual é achado ser aproximadamente exponencialmente distribuído ao redor desta

média. Os clientes chegam de acordo com um processo de Poisson com média de 6/h,

sendo que os pacientes são atendidos numa base FCFS. Os planejadores do hospital

estão interessados em saber: (1) qual é o número médio de pessoas esperando; (2) a

quantidade média de tempo que um paciente gasta na clínica; e (3) a porcentagem média

de tempo ocioso de cada um dos oftalmologistas. Assim, deseja-se saber Lq, W e a

porcentagem de tempo ocioso de um servidor.

Para responder a estas questões será calculado inicialmente p0, desde que,

ele aparece em todas as fórmulas derivada das medidas de efetividade. Dessa forma,

tem-se que c = 3, λ = 6/h e µ = 1/(20min) = 3/h. Assim r = λ/µ = 2, ρ = 2/3, e de (2.15)

tem-se que

Teoria das Filas

46

p0 = (1 + 2 + 22/2! + 23 )-1 = 1/9 3!(1-2/3)

Da equação (2.16) tem-se que

Lq = (232/3 __. )1/9 = 8/9, 3!(1-2/3)2

e das equações (2.16) e (2.18) que

W = 1/µ + Lq/λ = 1/3 + (8/9)/6 = 13/27h = 28.9min.

Para o último item, já foi visto (tabela 1.2) que a fração média de tempo ocioso de

qualquer servidor em um sistema M/M/c é igual a 1 - ρ. Para este problema, portanto,

casa oftalmologista está ocioso 1/3 do tempo, desde que a intensidade tráfego é ρ = 2/3.

Dados os três servidores no prédio, dois deles estarão ocupado em qualquer tempo (em

média), uma vez que r = 2. Além disso, a fração de tempo que existe pelo menos uma

oftalmologista ocioso pode ser calculada aqui como p0 + p1 + p2 =

Pr{Wq = 0} = 1 - __rcp0___ = 1 - __23(1/9)__ = 1 – 4/9 = 5/9. c!(1-ρ) 3!(1-2/3)

2.4 Filas com Canais Paralelos e Limitação na Capacidade do

Sistema (M/M/c/K)

Nesta seção o estudo será feito em cima de um modelo de nascimento e

morte com servidor paralelo M/M/c/K, na qual existe um limite K colocado no número

permitido no sistema em qualquer tempo. A abordagem aqui é idêntica para modelos

com capacidade infinita (M/M/c), exceto que a taxa de chegada λn agora deve ser 0

sempre que n >= K. Então segue da equação (2.14) que as probabilidades de tamanho

do sistema em estado de equilíbrio são dadas por

__λn___ p0 (1<=n<c), n!µn

pn = __λn___ p0 (c<= n <= K). (2.22) cn-cc!µn

Da condição de que as probabilidades devem somar 1 resultará p0.

Novamente, a computação é idêntica a utilizada no modelo M/M/c, exceto que agora

ambas as séries na computação são finitas e assim não existira nenhum requerimento

que a intensidade do tráfego ρ seja menor que 1. Assim,

p0 = [ −

=

1

0

c

n

λn/(n!µn) +  =

K

cn

λn/( cn-cc!µn)]-1.

Teoria das Filas

47

Para simplificar, considere o segundo somatório acima, com r = λ/µ e ρ =

r/c:

 =

K

cn

rn/( cn-cc!) = (rc/c!)  =

K

cn

ρn-c

rc 1 - ρk-c+1 (ρ ≠ 1), = c! 1 - ρ

rc (K – c + 1) (ρ = 1). c!

Assim,

( −

=

1

0

c

n

(rn/n!) + (rc/c!) 1 - ρk-c+1)-1 (ρ ≠ 1),

p0 = 1 - ρ (2.23)

( −

=

1

0

c

n

(rn/n!) + (rc/c!) (K – c + 1))-1 (ρ = 1).

O próximo passo será encontrar o comprimento da fila esperado (ρ ≠ 1):

Lq =  +=

K

cn 1

(n –c)pn = (rc/c!)p0  +=

K

cn 1

(n –c)(rn-c/cn-c)

= (rc/c!)p0ρ +=

K

cn 1

(n –c)ρn-c-1

Substituindo-se n-c por i tem-se que

= p0rcρ −

=

cK

i 1

iρi-1 = p0rcρ d (1 - ρK-c +1),

c! c! dρ 1 - ρ

ou

= p0rcρ [ 1 - ρK-c +1 - ( 1- ρ)(K – c + 1) ρK-c]. (2.24) c! (1 - ρ)2

Para ρ = 1, é necessário empregar a regra de L’Hôpital duas vezes, de forma que, para

os propósitos deste curso não será demonstrado.

Para obter o tamanho esperado do sistema, será utilizado a fórmula de Little

L = Lq + r aplicada ao modelo M/M/c. Entretanto, para o caso do espaço de espera

finito, será necessário ajustar a fórmula de Little, haja visto que existe uma fração pk de

chegadas que não se juntam ao sistema, pois, estas chegadas ocorreram quando não

existe nenhum espaço disponível na fila. Assim, a taxa efetiva de chegada vista pelos

Teoria das Filas

48

servidores é λ(1 - pk), de modo que, a esta taxa de ajuste para a entrada será denotada

por λeff. O relacionamento entre L e Lq deve, portanto, ser restruturado para este modelo

como L = Lq + λeff/µ = Lq + λ( 1 - pk)/µ = Lq + r( 1 - pk). Sabe-se que a quantidade r( 1 -

pk) deve ser menor que c, desde que o número médio de clientes em serviço deve ser

menor que o número total de servidores disponíveis. Isto sugere a definição de alguma

coisa, tal como, ρ eff = λeff/µ, que deveria ser menor que 1 para qualquer modelo M/M/c

mesmo que nenhuma restrição exista nos valores de ρ = λ/cµ.

Os valores esperados para os tempos de espera podem ser prontamente

obtidos das fórmulas de Little como

W = L = L , (2.25) λeff λ(1 - pk)

Wq = W – 1/µ = Lq/λeff

Para modelos M/M/1/K, todas as medidas de efetividade reduzem-se para

expressões consideravelmente mais simples, como a seguir

1 - ρ (ρ ≠ 1), p0 = 1 - ρk+1 (2.26)

1/(K+1) (ρ = 1).

(1 - ρ)ρn (ρ ≠ 1), pn = 1 - ρk+1 (2.27)

1/(K+1) (ρ = 1).

e

ρ - ρ(Kρk + 1) (ρ ≠ 1), Lq = 1- ρ 1 - ρk+1 (2.28)

K(K-1) (ρ = 1). 2(K + 1)

com L = Lq + (1 – p0). Note que este relacionamento final implica que 1 - p0 = λ(1 –

pk)/µ, de modo que, esta equação pode ser rescrita na forma µ(1 - p0)= λ(1 – pk)

indicando que a taxa efetiva de saída do sistema deve ser igual a sua taxa efetiva de

entrada.

A derivação da FDC do tempo de espera é um pouco complicada, desde que

as séries são finitas, embora elas possam ser expressas em termos de somas de Poisson

cumulativas, como será mostrado agora. Antes de mais nada é necessário derivar as

Teoria das Filas

49

probabilidades de ponto de chegada {qn}, desde que a entrada não é mais Poisson

devido a limitação K no sistema e qn ≠ pn.

Para determinar qn será utilizado o teorema de Baye, de forma que

qn ≡ Pr{n no sistema | chegada acabou de ocorrer} =

= Pr{chegada ocorrer | n no sistema}pn = 0kPr{chegada ocorrer | n no sistema}pn =

= lim pn[λ∆t + o(∆t) ]

∆t->0  −

=

1

0

K

n pn[λ∆t + o(∆t)]

= λpn = pn / 1- pk ( n <= K – 1).

λ −

=

1

0

K

n

pn

Utilizando-se a mesma formulação apresentada em 2.21 para Wq(t) tem-se

que

Wq(t)= Pr{Tq<= t} = Wq(0) +  −

=

1K

cn

Pr{n – c + 1 serviços completados em <=t |

|a chegada encontrou n no sistema}.qn desde que não podem existir chegadas unindo-se a o sistema depois de ter encontrado K

no sistema, segue que

Wq(t) = Wq(0) +  −

=

1K

cn

qn ot cµ(cµx)n-c e-cµx dx

(n –c)!

= Wq(0) +  −

=

1K

cn

qn [ 1 - t∞ cµ(cµx)n-c e-cµx dx]

(n –c)!

Agora, é conhecido que

t ∞ λ(λx)m e-λx dx = 

=

M

i 0

(λt)i e-λt

m! i!

Assim, tomando m = n - c e λ = cµ obtém-se

t ∞ cµ(cµx)n - c e- cµx dx = 

=

cN

i 0

(cµt)i e-cµt

n – c! i!

e conseqüentemente

Teoria das Filas

50

Wq(t) = Wq(0) +  −

=

1K

cn

qn -  −

=

1K

cn

qn  −

=

cN

i 0

(cµt)i e-cµt

i!

= 1 -  −

=

1K

cn

qn  −

=

cN

i 0

(cµt)i e- cµt.

i!

Exemplo 2.3 – Considere uma estação de inspeção de emissão de gases poluentes de

automóveis com três boxes de inspeção, onde cada boxe tem capacidade para apenas um

carro. É razoável assumir que carros esperam de tal maneira que quando um boxe se

torna livre, o carro no início da fila entra no boxe. A estação pode acomodar quatro

carros esperando (sete na estação) a cada tempo. O padrão é Poisson com uma média de

um carro a cada minuto durante os períodos de pico. O tempo de serviço é exponencial

com média de 6 minutos. I. M. Fussy, o inspetor chefe, deseja saber o número médio no

sistema nos períodos de pico, a espera média (incluindo serviço), e o número esperado

por hora que não podem entrar na estação devido a lotação máxima ser atingida.

Usando minutos como unidade de tempo básica , λ = 1 e µ = 1/6. Assim,

tem-se que r = 6 e ρ = 2 para este sistema M/M/3/7. Primeiro será calculado p0 da

equação (2.23) encontrando

p0 = ( 2

0

6n + 63 1 - 25)-1 = [(1 + 6 + 18) + 36(31)]-1 =

n! 3! 1 - 2 p0 = (1 + 6 + 18) + 36(31)]-1 = (25 + 1116)-1 = 1/1141.

Da equação (2.24) obtém-se que

Lq = p0(63)2 [ 1 - 25 + 5(24)] = 72p0 [-31 + 80] = 3528/1141. 3!

de modo que

L = Lq + r(1 – pk) = 3528 + 6( 1 - __ 67 ) = 9606 = 6,06 carros 1141 (34)(3!)(1141) 1141

Para encontrar a espera média nos períodos de pico, a Equação (2.25) é utilizada

obtendo-se

W = L = L = L = 12,3minutos. λeff λ(1 - p7) 1 - p067(343!)

O número esperado de carros por hora que não podem entrar na estação é dado por 60λ pk = 60 p7 = 60 p067 = 30,4 carros/h. 343!

Teoria das Filas

51

Como dito anteriormente, a taxa efetiva do sistema é λ(1 - pk), pois, quando se fala em

taxa de chegada, nós estamos nos referindo aquela parcela de clientes que estão fora do

sistema e podem, probabbilísticamente falando, chegar no sistema em algum momento.

Assim, se existem (1 - pk) clientes fora do sistema, então existem pk clientes que já

entrarem no sistema quando a capacidade máxima foi atingida, cada um com uma taxa

de chegada λ. Dessa forma, para verificar-se o número de carros que não conseguiram

entrar no sistema, multiplica-se o número de carros que podem chegar em uma hora

pela taxa de chegada dos pk carros que chegaram no sistema, antes da capacidade

máxima ser atingida, dado por λ pk. O que resultado que o número de carros que não

conseguiram entrar no sistema é igual a 60carros/hora (1 a cada minuto) condicionado

aos λ pk carros que já estão no sistema.

2.5 Fórmula de Erlang (M/M/c/c)

Um caso especial de fila com capacidade limitada M/M/c/K para o qual K =

c, isto é, nenhuma fila é permitida ser formada, é originada de uma distribuição

estacionária conhecida como primeira fórmula de Erlang que pode ser obtida das

equações (2.22) e (2.23) com K = c como

pn = (λ/µ)n / ( c

0 (λ/µ)i) (0 <= n <= c). (2.29)

n! i!

A fórmula resultante para pc é conhecida como fórmula da perda de Erlang e

corresponde a probabilidade de um sistema completo em qualquer tempo em estado de

equilíbrio, definido da seguinte forma

pn = rc / c! (r = λ/µ). 

c

0 ri/i!

Desde que a entrada para M/M/c/c é Poisson, a probabilidade de que uma

chegada seja perdida é igual a probabilidade de que todos os servidores estejam

ocupados. A situação física original que motivou Erlang para gerar este modelo foi uma

rede de telefone simples. As chamadas telefônicas chegam no sistema com uma taxa de

Poisson, os tempos de serviço são mutuamente independentes e exponenciais, e todas as

chamadas que chegam e encontram a linha ocupada, isto é, obtém um sinal de ocupado

são descartadas, de modo que, este modelo tem sempre sido, de fato, de muita utilidade

no projeto de telecomunicações.

Teoria das Filas

52

Entretanto, a grande importância da equação (2.29) é que ela é válida para

qualquer modelo M/G/c/c, independente da forma da distribuição de tempo de serviço.

2.6 Filas com Serviço Ilimitado (M/M/)

Agora será tratado um modelo de filas no qual o serviço é ilimitado, isto é,

existe um número infinito de servidores disponível. Este modelo é frenqüentemente

referido como um problema de servidor amplo. Um exemplo de um self-service é um

bom exemplo do uso deste modelo.

É feito uso do resultado de nascimento e morte geral com λn = λ e µn = nµ,

para todo n, que resulta

pn = (rn/n!)p0, p0 = ( ∞

=0n

(rn/n!))-1.

Mas, as séries infinitas na expressão para p0 é claramente idêntica a representação de er.

Assim, segue que

pn = (rne-r)/n! (n>=0) (2.30)

de modo que, a distribuição de probabilidade de estado de equilíbrio de n no sistema é

Poisson com parâmetro r = λ/µ, sendo que está equação é válida para qualquer modelo

M/G/∞, isto é, pn depende só do tempo de serviço médio e não da distribuição de tempo

de serviço.

O tamanho esperado no sistema é a média da distribuição de Poisson de

(2.30), sendo obtido de L = r = λ/µ. Desde que o número de servidores é infinito, Lq = 0

= Wq. O tempo médio no sistema se tornou meramente o tempo médio de serviço, de

modo que, W = 1/µ, e a função de distribuição de tempo de espera W(t) é idêntica a

distribuição de tempo de serviço, ou seja, exponencial com média 1/µ.

Exemplo 2.4 – A emissora KCAD deseja saber qual o número de telespectadores que ela

pode esperar num programa numa tarde de Sábado no horário principal. A KCAD

obteve de fontes passadas que os telespectadores que ligam sua TVs nos Sábados à tarde

no horário principal obedecem uma distribuição de Poisson com média de 100.000/h.

Existem cinco grandes emissoras na área, e é acreditado que as pessoas escolhem uma

das cinco aleatoriamente. Fontes também tem mostrado que os telespectadores mudam

Teoria das Filas

53

de canal a cada 90 minutos e que os tempo de audiência são exponencialmente

distribuídos.

Desde que a taxa média de chegada ( pessoas sintonizando na KCAD

durante o horário principal nos Sábados à tarde) é 100.000/5 = 20.000/h e o tempo de

serviço médio é 90min ou 1,5h, segue que o número médio de telespectadores a cada

hora é L = 20.000*(2/3) = 40.000/3 = 13334pessoas.

2.7 Filas de Fonte Finita

Nos modelos anteriores foi assumido que a população de onde as chegadas

vinham era infinita, desde que o número de chegadas em qualquer intervalo de tempo é

uma variável aleatória de Poisson com um espaço de amostragem incontável. Agora

será tratado um problema onde a população chegando é finita, digamos de tamanho M, e

a probabilidade de ocorrência de eventos futuros são funções do estado do sistema. Uma

aplicação típica deste modelo é o caso do reparo de uma máquina, onde a população de

chegadas possíveis são as máquinas, sendo que uma chegada corresponde a uma

máquina quebrada e os técnicos são os servidores. Será assumido que existem c

servidores disponíveis, com tempos de serviço exponencialmente distribuídos com

média 1/µ. Já o processo de chegada segue a seguinte descrição. Se uma chegada não

está no sistema no tempo t, a probabilidade de que ela tenha entrado no tempo t + ∆t é

λ∆t + o(∆t), ou seja, o tempo que uma chegada gasta fora do sistema é exponencial com

média 1/λ.

Por causa destas suposições, pode-se usar a teoria de nascimento e morte

desenvolvida anteriormente, com as taxas de nascimento e morte dadas por

λn = (M – n)λ (0<=n<M), 0 (n>=M)

e

µn = nµ (0<=n<c), cµ (n>=c).

usando (1.19) resulta, com r = λ/µ,

M!(M – n)! rnp0 (1<=n <c), n! (2.31)

pn = M!(M – n)! rnp0 (c<=n<M). cn-cc!

Teoria das Filas

54

A forma algébrica de {pn} não permitem cálculos de forma fechada de p0 (também

verdadeiro para Lq, L, W e Wq). Assim, cada um dos coeficientes multiplicando p0 em

(2.31), onde estes coeficientes podem ser denotados por {an, n = 1,2, . . ., M} e então a

computação pode ser completada por

p0 = (1 + a1 + a2 + . . . + aM)-1.

Para encontrar o número médio de clientes no sistema, ou seja, o número

médio de máquinas em reparo, será usado a definição do valor esperado, obtendo-se

L =  =

M

n 1

npn = p0 =

M

n 1

nan.

Contudo, para obter Lq, W e Wq, deve-se primeiro encontrar a taxa efetiva média de

chegadas no sistema. Como mostrado anteriormente, a taxa de chegada média quando o

sistema está no estado n é (M – n)λ. Somando todos os valores possíveis de n depois de

pesar cada termo pela probabilidade pn apropriada, obtém-se que

λeff =  −

=

1

0

M

n

(M – n)λ pn = λ(M – L). (2.32)

A equação (2.32) é certamente intuitiva, desde que, na média, L estão no sistema e,

conseqüentemente, na média, M – L estão fora e cada um tem uma taxa média de

chegada de λ. Agora, para Lq, é sabido de demonstrações anteriores que

Lq = L - λeff/µ = L – r(M – L). (2.33)

e segue das fórmulas de Little que

W = L e Wq = Lq (2.34) λ(M – L) λ(M – L)

Para a versão de servidor simples deste problema, a expressão para as

probabilidades de estado do sistema encontradas em (2.31) reduz-se para

pn = M! rnp0 (0<=n <M), (M – n)!n! e o resto da análise é idêntica.

Exemplo 2.5 – Uma fábrica de semicondutores utiliza cinco robôs na fabricação de

placas de circuito. Os robôs quebram periodicamente, e a companhia possui dois

técnicos para consertá-las. Quando uma é consertada, o tempo até a próxima quebra é

pensado ser exponencialmente distribuído com uma média de 30h. A fábrica tem um

backlog de encomendas, garantindo que todos os robôs em condições operacionais

estarão trabalhando. O tempo de reparo para cada serviço é exponencialmente

Teoria das Filas

55

distribuído com uma média de 3h. O gerente da fábrica deseja saber o número de robôs

operacionais a qualquer hora, o tempo parado de cada robô que necessita de reparo e a

porcentagem de tempo ocioso de cada técnico.

Para responder a qualquer destas questões, deve-se primeiro calcular p0.

Neste exemplo, M = 5, c = 2, λ = 1/30 e µ = 1/3, resultando em r = λ/µ = 1/10.

Utilizando (2.31) obtém-se os cinco {an} multiplicadores como (a1 = 5/10 = ½; a2 =

1/10; a3 = 15/1000 = 3/200; a4 = 15/10000 = 3/2000; a5 = 15/200000 = 3/40000. E assim

segue que

p0 = (1 + ½ + 1/10 + 3/200 + 3/2000 + 3/40000)-1 = 40000/64663 = 0,619.

O número médio de robôs operacionais é dado por M – L, onde

L = p0(1 x 1/2 + 2 x 1/10 + 3 x 3/200 + 4 x 3/2000 + 5 x 3/40000) =

=30055/64663 = 0,465

Assim 5 – 0.465, ou 4.535, robôs estão em condições operacionais na

média. O tempo para do pode ser encontrado de (2.34) e é

W = 30055 / 64663 = 901650/29326 = 3,075h. 1/30(5 – (30055/64663))

A fração média de tempo ocioso de cada servidor é

p0 +1/2 p0 = p0(1 + ½) = 60000/64663 = 0,9278.

Assim, cada técnico está ocioso 92,78% do tempo. Partindo deste valor alto para o

tempo ocioso, o gerente está interessado em saber qual seriam os resultados acima se o

número de técnicos fosse decrementado em um. O resultados seria,

p0 = 0,564, L = 0,640, M – L = 4,360, W = 4,400h

Desde que quatro robôs estão ativos em qualquer uma das situações e o tempo de parada

para reparo de uma máquina elevou-se para mais ou menos uma hora ao reduzir um

funcionário, o gerente pode decidir mover um dos técnicos para outra área.

Este modelo pode ser generalizado para incluir o uso de robôs reservas.

Assume-se agora que existem Y robôs reservas em mão, de modo que, quando uma

robô em operação falha, ele é imediatamente substituído por um reserva. Entretanto, se

um robô falhar e todas os reservas estiverem sendo utilizados então o sistema se tornará

reduzido. Quando uma máquina for reparada, ela ficará como reserva (a menos que o

sistema esteja reduzido, onde ela entrará imediatamente em serviço. Para este modelo,

λn é diferente de antes e é dado por

Teoria das Filas

56

Mλ (0<=Y<=M) λn = (M – n + Y) (Y<=n<Y + M),

0 (n>=Y + M).

Novamente considerando c reparadores, tem-se que

µn = nµ (0<=n<c), cµ (n>=c).

Assumindo, inicialmente, que c <=Y e usando a equação (1.19) mais uma vez, obtém-se

Mn rnp0 (0<=n <c), n!

pn = Mn rnp0 (c<=n<Y) (2.35) cn-cc!

MY M! rnp0 (Y<=n<Y+M). (M- n + Y)! cn-cc!

Se Y é muito grande tem-se uma população infinita de clientes com taxa média de

chegada Mλ para λ.

Quando c > Y, tem-se que

Mn rnp0 (0<=n <=Y), n!

pn = MY M! rnp0 (Y+1<=n<c) (2.36) (M- n + Y)!n!

MY M! rnp0 (c<=n<Y+M). (M- n + Y)! cn-cc!

Deve ser notado que quando Y = 0 (sem reservas), a Equação (2.36) reduz-se para

(2.31). Observe que o uso direto da equação (2.36) para obter os coeficientes {an}pode

ser meio bagunçado quando M e Y são grandes. Felizmente, pode-se evitar tal

dificuldade usando a relação de recursão pn+1 para pn, que está naturalmente fora das

formulações de nascimento e morte, sendo uma conseqüência direta das equações de

balanço local. As equações de balanço podem ser escritas em forma recursiva da

seguinte forma

pn+1 =(λn/µn+1) pn,

de modo que, para problema sem reservas segue que

M – n rp0 (0<=n <c - 1), n+1

pn+1 = M – n) rp0 (c<=n<M - 1). c

A probabilidade do sistema vazio, p0, pode ser encontrada como

anteriormente para modelos sem reserva por mais uma vez usar o fato que as

Teoria das Filas

57

probabilidades devem somar um, de modo que, a computação de p0 é feita sobre somas

finitas. O mesmo é verdadeiro para L e Lq. Para obter os resultados para W e Wq

comparável a equação (2.34) é necessário obter novamente a taxa média efetiva de

chegada λeff. Para obter λeff, pode-se usar a equação (2.33) diretamente ou pode-se usar

lógica similar a utilizada na equação (2.32), como a seguir,

λeff =  −

=

1

0

y

n

pn +  +

=

MY

Yn

(M- n + Y)λ pn =

= λ(M -  +

=

MY

Yn

(n - Y)pn). (2.37)

Como um ponto final para fechar esta seção, suponha que se deseje encontrar a

distribuição de tempo espera. O procedimento padrão empregado até agora tem sido

encontrar o tempo de espera de um cliente chegando condicionado a existência de n no

sistema no ponto de chegada, e então incondicionando com respeito a distribuição

estacionária {qn}, onde {qn} são as probabilidades de estado dado que uma chegada

ocorreu. Como no caso para M/M/c/K, tem-se que qn ≠ pn, de forma que, antes de obter

a FDC do sistema ou tempo na fila, é necessário relacionar as probabilidades de tempo

geral pn com a probabilidade qn de uma chegada encontrar n no sistema. Para o

problema da fila com fonte finita (problema do reparo da máquina sem reservas), as

duas probabilidades são relacionadas como

qn = (M – n) pn, k

onde k é uma constante normalizadora apropriada determinada pelo somatório de qn

para 1. Para provar isto será usado novamente o teorema de Baye como na situação

M/M/c/K da seção 2.4:

Pr{n no sistema | chegada acabou de ocorrer} =

= Pr{n no sistema}Pr{chegada acabou de ocorrer | n no sistema} = n(Pr{n no sistema} Pr{chegada acabou de ocorrer | n no sistema}) =

= lim pn[(M – n)λ∆t + o(∆t) ] ∆t->0 n pn[M – n) λ∆t + o(∆t)]

= (M – n) pn = (M – n) pn. n(M – n)pn M - L

Uma propriedade interessante que pode ser provada é que qn(M), a probabilidade do

ponto de chegada para o caso do reparo de máquinas sem reservas com M máquinas, é

igual a probabilidade de tempo geral para o mesmo modelo só que com M – 1

Teoria das Filas

58

máquinas, dada por pn(M-1). Isto não é necessariamente o caso quando existem

máquinas reservas disponíveis. De fato, quando existem máquinas reservas, qn(M) pode

ser mostrado ser

Mpn (0<=n <Y - 1),

M -  +

=

MY

Yn

(n - Y)pn

qn = (M – n + Y ) pn (Y<=n<Y + M - 1).

M -  +

=

MY

Yn

(n - Y)pn

Isto não é igual a pn(M-1), mas é igual pn(Y-1), isto é, se for reduzido o tamanho da

população por um, retirando-se uma máquina reserva, então as probabilidades de tempo

geral da população reduzida é igual as probabilidades de ponto de chegada da população

original.

As distribuições de tempo de espera serão de novo em termos de somas de

Poisson cumulativas, como no modelo M/M/c/K. A análise procede como segue:

Wq(t) Pr{Tq<= t} = Wq(0) +  −+

=

1MY

cn

[Pr{n – c + 1 serviços completados em <=t |

|a chegada encontrou n no sistema}.qn]

= Wq(0) +  −+

=

1MY

cn

qn ot cµ(cµx)n-c e-cµx dx

(n –c)!

= Wq(0) +  −+

=

1MY

cn

qn [ 1 - t∞ cµ(cµx)n-c e-cµx dx]

(n –c)!

= 1 -  −+

=

1MY

cn

qn  −

=

cN

n 0

(cµt)i e- cµt.

i!

2.8 Serviço Dependente do Estado

Nesta seção será tratado o caso de filas Markovianas com serviç

dependentes do estado, isto é, a taxa de serviço médio depende do estado do sistema

(número no sistema). Em muitas situações reais, os servidores podem acelerar quando

ocorre uma longa formação de filas. Por outro lado, pode acontecer de um servidor com

pouco tempo de atividade (sem experiência) ficar mais lento quando estas formações

ocorrem, fazendo com que a taxa média de serviço caia tornando o sistema

congestionado. São esses tipos de situações que serão considerados agora.

Teoria das Filas

59

O primeiro modelo que será considerado é um no qual um servidor simples

tem duas taxas médias, digamos lento e rápido. O trabalho é feito na taxa lenta até que

existam k clientes no sistema, momento onde a taxa do servidor é acelerada. Este

mecanismo de serviço pode ser uma máquina com duas velocidades. Será assumido que

os tempos de serviço são Markovianos, mas a taxa média µn dependerá do estado n do

sistema. Além disso, nenhum limite no sistema será imposto. Assim, µn é dado por

µn = µ1 (1<=n<k), (2.39) µ (n>=k).

Assumindo que o processo de chegada é Poisson com parâmetro λ e

utilizando a equação (1.19), tem-se que

ρ1nρ0 (0 <= n < k), (2.40) pn = ρ1k-1ρn-k+1ρ0 (n >= k)

onde ρ1 = λ/µ1 e ρ = λ/µ < 1. Devido ao fato de que probabilidades devem somar 1,

segue que

p0 = ( −

=

1

0

k

n

ρ1n +  ∞

=kn

ρ1k-1ρn-k+1)-1,

de mo que,

(1 - ρ1k + ρρ1k-1)-1 (ρ1 ≠ 1, ρ < 1), p0 = 1 - ρ1 1 - ρ (2.41)

[ k + ρ/(1-ρ)]-1 (ρ1 = 1, ρ < 1).

Note que se µ1 = µ, as equações (2.40) e (2.41) reduzem-se para aquelas apresentadas

no modelo M/M/1.

O tamanho esperado do sistema para ρ1 ≠ 1 é obtido da seguinte maneira:

L = E[N] =  ∞

=0n

npn = p0( −

=

1

0

k

n

nρ1n +  ∞

=kn

nρ1k-1ρn – k + 1)

= p0[ρ1 −

=

1

0

k

n

nρ1n-1 + ρ1(ρ1/ρ)k-2 ∞

=kn

nρn – 1]

= p0[ρ1 d  −

=

1

0

k

n

ρ1n + ρ1(ρ1/ρ)k-2 d  ∞

=kn

ρn ]

dρ1 dρ

= p0[ρ1 d (1 - ρ1k) + ρ1(ρ1/ρ)k-2 d 1 - 1 - ρk ] dρ1 (1 - ρ1) dρ 1 - ρ 1 - ρ)

Assim, finalmente,

Teoria das Filas

60

L = p0(ρ1[1 + (k – 1) ρ1k - kρ1k-1] + ρρ1k-1[k – (k-1) ρ] ) (2.42) (1 - ρ1)2 (1 - ρ1)2

Uma vez de posse de L pode-se obter Lq usando os dois últimos relacionamentos da

Tabela 1.2 como

Lq = L – (1 - p0),

e W e Wq das fórmulas de Little como W = L/λ e Wq = Lq/λ.

Note que a relação W = Wq + 1/µ não pode ser usado aqui, desde que µ não é constante,

mas depende do chaveamento do sistema no ponto k. Entretanto, pela combinação das

equações acima, tem-se que

W = Wq + (1 - p0)/ λ

que implica que o tempo de serviço esperado é (1 - p0)/ λ.

Exemplo 2.6 – Um estabelecimento comercial possui uma máquina de polimento de

carros com duas velocidades. Na velocidade baixa, a máquina leva 40 minutos, em

média, para polir um carro. Na velocidade alta, leva só 20 minutos na média. Uma vez

que o chaveamento da baixa velocidade para alta é feito, os tempos atuais podem ser

assumidos seguirem uma distribuição exponencial. Os clientes são atendidos na base do

primeiro a chegar é o primeiro a ser atendido, e uma vez que, o estabelecimento está

numa região de baixa densidade populacional e área de tráfego, não existe nenhum

limite no número de clientes que podem esperar.

É estimando que os clientes cheguem de acordo com um processo de

Poisson com um tempo de interchegada médio de 30 minutos. Os donos do

estabelecimento desejam calcular o efeito de duas medidas: chaveamento para alta

velocidade quando existem quaisquer clientes esperando, ou seja, dois ou mais no

sistema e chaveamento para ata velocidade só quando mais que um cliente estiver

esperando, ou seja, três ou mais no sistema. É desejado saber o tempo de espera média

sob as duas políticas.

É, portanto, necessário calcular W para o caso k = 2 e k = 3. Para isto é

necessário calcular p0 das equação (2.41) e L da equação (2.42) e finalmente das

fórmulas de Little. Antes de realizar estes cálculos, primeiro deve-se calcular ρ e ρ1.

Assim,

ρ1 = λ/µ1 = (1/30)/(1/40) = 4/3 e ρ1 = λ/µ = (1/30)/(1/20) = 2/3.

Agora, para o caso 1, k = 2 tem-se que

p0 = 1/5 = 0.2, L = 12/5 = 2.4 carros,

Teoria das Filas

61

W = L/λ = 2.4/(1/30) = 72 minutos = 1 hora e 12 minutos.

Para o caso 2, k = 3 tem-se que

p0 = 3/23 = 0.13, L = 204/69 = 2.96 carros,

W = L/(1/30) = 89 minutos = 1 hora e 29 minutos.

Os donos do estabelecimento sentem que a espera média de 17 minutos ou

mais para realizar o chaveamento das velocidades em 3, aon invés de 2, não tem

nenhum efeito adverso na clientela. Entretanto, custa mais executar a máquina na

velocidade mais alta. De fato, é estimado que custa R$15,00 por hora para operar a

máquina na baixa velocidade e R$24,00 para operar na alta velocidade. Assim, o custo

de operação esperado ao chavear em k é dado por

C(k) = 15 −

=

1

1

k

n

pn + 24 ∞

=kn

pn

= 15 −

=

1

1

k

n

ρ1np0 + 24 (1 -  −

=

1

0

k

n

ρ1np0).

Para o caso 1 tem-se que

C(2) = 15(4/3)(1/5) + 24[1 – 1/5 - (4/3)(1/5)] = R$16,80/h,

enquanto para o caso 2 o custo de operação médio é

C(3) = 15(3/23)[4/3 + 16/9] + 24[1 – 3/23 – (4/3)(3/23) – (16/9)(3/23)] = R$17,22/h.

Até o momento nenhum comentário
Esta é apenas uma pré-visualização
3 mostrados em 61 páginas