Modelos de Filas de Espera
|
|
- Vergílio Van Der Vinne Aquino
- 8 Há anos
- Visualizações:
Transcrição
1 Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento Advertência Autores João Moura Pires Susana Nascimento Este material pode ser livremente usado para uso pessoal ou académico e sem qualquer autorização prévia do autor desde que acompanhado desta declaração do autor. Para uso comercial (por exemplo em cursos pagos) o uso deste material requer a expressa autorização do autor. 2 MQ-06/07 1
2 Sumário Estrutura básica de Modelos de Filas de Espera Distribuição Exponencial Processo de nascimento e morte Modelos de filas de espera baseados no processo de nascimento e morte Modelos com distribuições não exponenciais Modelos com prioridades nas filas 3 Sumário (A1-FE) Estrutura básica de Modelos de Filas de Espera Distribuição Exponencial Processo de nascimento e morte Modelos de filas de espera baseados no processo de nascimento e morte Modelos com distribuições não exponenciais Modelos com prioridades nas filas 4 MQ-06/07 2
3 Processo básico de Fila de Espera Sistema de Fila de Espera Fonte de Entrada Clientes Fila Mecanismo de Serviço Clientes servidos 1. Uma fonte de entrada gera ao longo do tempo clientes que solicitam um serviço. Os clientes entram no Sistema de Fila de Espera ejuntam-se a uma Fila de Espera Em certos instantes é escolhido um membro da fila, para ser servido, de acordo com alguma regra conhecida por Disciplina da Fila de Espera. O Cliente seleccionado é servido por um mecanismo de serviço Quando um serviço é concluído para um cliente, este sai do sistema de Fila de Espera. 5 Processo básico de Fila de Espera Sistema de Fila de Espera Fonte de Entrada Clientes Fila Mecanismo de Serviço Clientes servidos Dimensão da população que pode ser servida Padrão estatístico como os clientes são gerados ao longo do tempo para serem servidos 6 MQ-06/07 3
4 Processo básico de Fila de Espera Sistema de Fila de Espera Fonte de Entrada Clientes Fila Mecanismo de Serviço Clientes servidos Capacidade da Fila (número de clientes que pode conter) Disciplina da Fila de espera 7 Processo básico de Fila de Espera Sistema de Fila de Espera Fonte de Entrada Clientes Fila Mecanismo de Serviço Clientes servidos Número de canais paralelos de serviço - número de servidores Tempo de serviço - Distribuição de probabilidades - 8 MQ-06/07 4
5 Fonte de entrada - População alvo - Dimensão: número total de clientes que podem requerer serviços do sistema Infinito: a fonte é ilimitada. Cálculos são mais simples É assumido quando a dimensão é finita mas grande Finito: a fonte é limitada. Modelo analítico mais complicado pois o número de clientes dentro do sistema (na fila ou a ser servidos) afecta o número de clientes fora do sistema. Este modelo deve ser adoptado sempre que o ritmo a que os clientes são gerados pela fonte depende significativamente do número de clientes que estão dentro do sistema. 9 Fonte de entrada - População alvo - Padrão estatístico segundo o qual os clientes se apresentam para serem servidos: Distribuição de Poisson - O número de clientes gerados (que aparecem para ser servidos) até um certo tempo t segue uma distribuição de Poisson. Assume que a chegada de clientes ao sistema é independente do número de clientes presentes -> população infinita. Tempo entre chegadas de clientes ao sistema - Distribuição exponencial 10 MQ-06/07 5
6 Fila de Espera Dimensão da fila de Espera Infinita A suposição de fila de capacidade infinita é a forma mais geral, mesmo quando a capacidade for finita mas suficientemente grande. Finita Quando o limite é finito e pequeno de tal modo que a capacidade da fila possa ser atingida com frequência, então assume-se que a capacidade é um número finito Modelo mais complexo Disciplina da Fila de Espera Primeiro a chegar, primeiro a ser servido Aleatório Prioridades 11 Mecanismo de Serviço Organização Uma ou mais infraestruturas de serviço Se for mais de uma, cada cliente deve ser servido sequencialmente por todas elas Cada infraestrutura de serviço é composta por um ou mais servidores em paralelo 12 MQ-06/07 6
7 Mecanismo de Serviço Tempo de Serviço Para cada servidor é necessário especificar a distribuição de probabilidades dos tempos de serviço (eventualmente um por cada tipo de cliente) Em geral todos os servidores têm a mesma distribuição de probabilidades Distribuições de probabilidades comuns Distribuição Exponencial Distribuição degenerada (constante) Distribuição de Erlang 13 Sistema de Fila de Espera Elementar Uma única fila de Espera Uma única infraestrutura de serviço Um ou mais servidores Sistema de Fila de Espera Mecanismo de Serviço Clientes Fila C C C C C C C C S 1 S 2 Clientes servidos C S 3 14 MQ-06/07 7
8 Hipóteses de independência Os tempos entre chegadas são independentes e identicamente distribuidos Os tempos de serviço são independentes e identicamente distribuidos? /? / s Distribuição de tempos Entre chegadas Número de servidores Distribuição de tempos serviços 15 Modelos?/?/s Notação usada para as distribuições M: distribuição Exponencial (Marcoviana) D: distribuição Degenerada (tempos constantes) E k : distribuição de Erlang com parâmetro k G: distribuição Geral ou arbitrária Exemplos M/M/s M/G/1 16 MQ-06/07 8
9 Terminologia e Notação (1) Estado do Sistema: número de clientes dentro do sistema de fila de espera (na fila ou a ser servido pelos servidores) Comprimento da fila: número de clientes na fila à espera de serviço = Estado do Sistema - número de clientes a serem servidos N(t): número de clientes no sistema no instante t (t 0) P n (t): probabilidade de estarem exactamente n clientes no sistema no instante t, conhecido o número de clientes no instante t = 0. s: número de servidores (canais paralelos) no sistema. 17 Terminologia e Notação (2) n : ritmo médio de chegadas de novos clientes quando estão n clientes no sistema (número esperado de chegadas por unidade de tempo) Se n é constante para todos os valores de n, ou seja quando o ritmo de chegada não depende do número de clientes no sistema, denota-se por. 1/ éo tempo esperado entre chegadas de novos clientes. 18 MQ-06/07 9
10 Terminologia e Notação (3) µ n : ritmo médio de serviço global do sistema (número médio de clientes que terminam o seu serviço por unidade de tempo). Observação: µ n é um valor combinado do ritmo de serviço de todos os servidores ocupados. µ : Quando o ritmo médio de serviço, por servidor ocupado, é constante para todos os valores de n. µ n = sµ quando n s, isto é, quando todos os servidores estão ocupados 1/µ éo tempo esperado de serviço 19 Terminologia e Notação (4) ρ = /(sµ) é o factor (taxa) de utilização da infraestrutura de serviço, isto é, a fracção de tempo esperado em que os servidores estão ocupados: µ é o número médio de clientes que terminam o seu serviço por unidade de tempo por servidor sempre ocupado s o número de servidores sµ é o número médio de clientes que terminam o seu serviço por unidade de tempo supondo que todos os servidores estão ocupados, ou seja, é a capacidade de serviço do sistema por unidade de tempo. é o número esperado de novos clientes por unidade de tempo 20 MQ-06/07 10
11 Terminologia e Notação: Regime Estacionário Sistema em Regime Estacionário A distribuição de probabilidade do sistema mantem-se a mesma ao longo do tempo. Grandezas definidas para o sistema em regime estacionário P n - probabilidade de estarem exactamente n clientes no sistema L - número esperado de clientes no sistema L q - comprimento esperado da fila de espera (excluindo os clientes que estão a ser servidos) W - Tempo passado no sistema (incluindo o tempo de serviço) para cada cliente; W = E(W) W q - Tempo de espera no sistema (excluindo o tempo de serviço) de cada cliente; W q = E(W q ) 21 Relações entre L, W, L q e W q Assumindo que n, ritmo médio de chegadas ao sistema, é constante e igual a para todo n, verifica-se num regime estacionário: e L = W L q = W q (Fórmula de Little) Se n não toma o mesmo valor para todos os valores de n, então, é possível substituir por valor médio dos n ao longo do tempo. 22 MQ-06/07 11
12 Relações entre L, W, L q e W q Assumindo que o tempo médio de serviço é um valor constante 1/µ para n 1, então: W = W q + 1/µ (Tempo passado no sistema= Tempo passado à espera + tempo de serviço) 23 Resumo da terminologia Sistema de Fila de Espera n, N(t) Mecanismo de Serviço Clientes Fila C C C C C C C C S 1 S 2 Clientes servidos C S 3 s n µ n µ # por unidade de tempo 1/ n 1/ 1/µ n 1/µ tempo Tempos entre chegadas Tempos de serviço Factor de utilização ρ = /(sµ) sµ - capacidade 24 MQ-06/07 12
13 Resumo da terminologia - Regime estacionário Clientes Número esperado de clientes no sistema Sistema de Fila de Espera L n, N(t) Mecanismo de Serviço Fila C S 1 µ Clientes C C C C C C C S 2 servidos 1/ L 1/µ q Número esperado de clientes na fila C S 3 s W W = E(W) W q 1/µ W q = E(W q ) L = W L q = W q W = W q + 1/µ 25 Distribuição Exponencial Caracterização de um sistema de Filas de Espera Distribuição de probabilidades dos tempos entre chegadas Distribuição de probabilidades do número de clientes novos Distribuição de probabilidades dos tempos de serviço Requisitos para um modelo teórico Suficientemente realista Previsões razoáveis Suficientemente simples Matematicamente tratável Distribuição Exponencial 26 MQ-06/07 13
14 Distribuição Exponencial com parâmetro α T uma variável aleatória (v.a.) que respresenta o tempos entre chegadas ou os tempos de serviço f T (t) = αe αt para t 0 0 para t < 0 Função densidade P[T t] =1 e αt P[T > t] = e αt para t 0 Probabilidades acumuladas E(T ) = 1 α var(t ) = 1 α 2 Esperança Matemática Variância 27 Distribuição Exponencial com parâmetro α = 4 f T (t) = αe αt para t 0 0 para t < 0 Função densidade f (t ) (para α = 4) t E(T) = 1/α = 1/4 28 MQ-06/07 14
15 Distribuição Exponencial com parâmetro α f (t ) α = α = t 29 P1: f T (t) é uma função estritamente decrescente em t P[0 T t] > P[t T t + t] para t > 0 e t > 0 P[0 T 1/α] = f (t ) (para α = 4) P[1/α T 2/α] = P[2/α T 3/α] = t 30 MQ-06/07 15
16 P1: f T (t) é uma função estritamente decrescente em t É mais provável que os valores de T sejam pequenos do que grandes, isto é, valores inferiores a menos de metade de E(T), ou seja inferiores a 1/(2α). P[0 T 1/α] = : Inferior a E(T) P[0 T 0.5/α] = : Inferior a metade de E(T) P[0.5/α T 1.5/α] = : Inferior a metade de E(T) E(T) E(T) 1.5E(T) P1: f T (t) é uma função estritamente decrescente em t A distribuição exponencial é adequada para tempos de serviço quando este é em geral muito curto e ocasionalmente muito longo. Bancos de hospitais, Bancos, lojas, etc A distribuição exponencial é adequada para tempos entre chegadas, em situações em que potencias clientes desistem (e voltam mais tarde) quando outro cliente já está na fila. Vão aparecendo mais ou menos regularmente (curtos intervalos) com intervalos ocasionalmente longos sem aparecer nenhum cliente. 32 MQ-06/07 16
17 P2: Falta de memória P[T > t + t T > t] = P[T > t] para t > 0 e t > 0 P[T > t + t T > t] = = P[T > t,t > t + t] P[T > t] P[T > t + t] P[T > t] = e α(t+ t) e α t = e αt = P[T > t] 33 P2: Falta de memória A distribuição de probabilidades do restante tempo até ao próximo evento (chegada de um novo cliente) é a mesma independentemente de há quanto tempo ocorreu o último evento (chegada do último cliente) Tempo entre chegadas O tempo até a próxima chegada é independente de quando aconteceu a última chegada Tempo de serviço Situações com diferentes tempos de serviço.. 34 MQ-06/07 17
18 P3:O mínimo de várias exponenciais independentes é uma distribuição exponencial Sejam T 1, T 2,, T n variáveis aleatórias independentes com distribuições exponenciais de parâmetros α 1, α 2,, α n. Seja U uma v.a U = min{t 1, T 2,, T n } Se T i representa o instante em que ocorre um destes eventos, então U representa o instante em que o primeiro dos n eventos ocorre. P[U > t] = P[T 1 > t,t 2 > t,...,t n > t] = P[T 1 > t]p[t 2 > t]...p[t n > t] α t α t α nt = e 1 e 2 Le n i α t = e i= 1 n α i i=1 α U = 35 P3:O mínimo de várias exponenciais independentes é uma distribuição exponencial Tempo entre chegadas Considerar que existem n tipos de clientes diferentes com diferentes distribuições exponenciais com α 1, α 2,, α n P2 (falta memória) O tempo que falta, a partir de um dado instante, até à chegada de um cliente de tipo i tem também uma exponencial de parâmetro α i (mesma distribuição). P3 (mínimo é exponencial) O tempo que falta, a partir de um dado instante, até à chegada de um cliente de qualquer tipo tem também uma exponencial de parâmetro: n α i i=1 α U = 36 MQ-06/07 18
19 P3:O mínimo de várias exponenciais independentes é uma distribuição exponencial Tempo de serviço Assuma-se que existem n (i.e. s) servidores em paralelo com a mesma distribuição exponencial (com parâmetro µ) dos tempo de serviço Se T i é o tempo de serviço que ainda falta, a partir de um dado instante, para o servidor i, então a distribuição de probabilidades do tempo até que um próximo servidor termine o serviço éuma exponencial com parâmetro nµ. Ou seja o sistema multi-servidor pode ser visto como um sistema mono- servidor cuja distribuição do tempo de serviço é nµ. 37 P4: Relação com a distribuição de Poisson Seja X(t) o número de ocorrências de um evento no intervalo de tempo entre 0 e t (t 0) uma variável aleatória com a seguinte distribuição de probabilidade P[X(t) = n] = (αt)n e αt para n = 0,1,... n! X(t) tem uma distribuição de Poisson com parâmetro αt. A correspondente esperança matemática é: E(X(t)) = αt Então, o número esperado de eventos por unidade de tempo é α. (α é designado de ritmo médio de ocorrência de eventos) 38 MQ-06/07 19
20 P4: Relação com a distribuição de Poisson Com n = 0 temos: P[X(t) = 0]= e αt que é a probabilidade de que o primeiro evento ocorra depois do tempo t. Trata-se de uma distribuição exponencial de probabilidade sobre t. Quando os eventos são contados numa base contínua, o processo contínuo {X(t); t 0} é designado de Processo de Poisson 39 P4: Relação com a distribuição de Poisson Tempos entre chegadas Tempos de serviço Exponencial Número de chegadas Número de serviços completados Poisson 40 MQ-06/07 20
21 P4: Relação com a distribuição de Poisson 0.4 Prob[X(t) = n] t=1 t=2 t= n 41 P4: Relação com a distribuição de Poisson Se os tempos de serviço seguem uma distribuição exponencial de parâmetro µ então define-se X(t) como o número de serviços concluídos por um servidor continuamente ocupado durante um tempo t, com α = µ. Para modelos multi-servidores o número de serviços concluídos por n servidores continuamente ocupados durante um tempo t, com α = nµ 42 MQ-06/07 21
22 P4: Relação com a distribuição de Poisson Se os tempos entre chegadas de novos clientes seguem uma distribuição exponencial de parâmetro então definimos X(t) como sendo o número de chegadas durante um tempo t, com α = (que é o ritmo médio de chegadas). 43 P5: t 0, P[T t + t T > t] α t para pequeno t T é o tempo desde o último evento (chegada ou conclusão de um serviço) Estamos a supor que já passou o tempo t sem que o próximo evento tenha ocorrido (P[T t + t T > t] ) A propriedade 2 (falta memória), (P[T > t + t T > t] = P[T > t] para t > 0 e t > 0), já indica que a probabilidade de o próximo evento ocorrer num próximo intervalo t (de tamanho fixo) é constante independentemente de t (o tempo que já passou), qualquer que seja a dimensão de t. P5 indica que se t for pequeno, então: A probabilidade pode ser aproximada por α t A probabilidade é proporcional a t considerando diferentes valores pequenos 44 MQ-06/07 22
23 P5: t 0, P[T t + t T > t] α t para pequeno t P[T t + t T > t] = P[T t] e x =1+ x + x n n! n=2 =1 e α t =1 1+α t ( α t) n n! n=2 P[T t + t T > t] α t para pequenos valores de t. 45 P6: Insensível à Agregação e Desagregação Supondo que existem n tipos de clientes e que a chegada de cada um deles é um processo de Poisson com parâmetro i. Assumindo que são processos independentes então a chegada de todos os clientes (independentemente do seu tipo) é também um processo de Poisson com parâmetro = n Inversamente, se a probabilidade de chegar um cliente do tipo i for p i,então i = p i 46 MQ-06/07 23
24 Distribuição de Erlang com parâmetro k - distribuição gamma - Função densidade Média f (t) = (µk)k (k 1)! t k 1 e kµt para t 0 µ e k são parâmetros positivos. k é inteiro E(T ) = 1 µ Desvio Padrão StDev(T ) = 1 k 1 µ parâmetro k define o grau de variabilidade dos tempos de serviço relativamente á média. 47 Distribuição de Erlang com parâmetro k - distribuição gamma - f(t) µ k = k = 3 k = 2 k = 1 1/µ t k = 1 : Exponencial k = : Degenerada (tempo constante) 48 MQ-06/07 24
25 Distribuição de Erlang com parâmetro k - distribuição gamma - Sejam T 1, T 2,, T k k variáveis aleatórias independentes identicamente distribuídas com distribuição exponencial com esperança de 1/(kµ) Então a variável aleatória T = T 1 + T T k tem uma distribuição de Erlang com parâmetros µ e k. Quando o serviço é composto por uma sequência de serviços, cada um deles com uma distribuição exponencial, o tempo total de serviço tem uma distribuição de Erlang. 49 Sumário Estrutura básica de Modelos de Filas de Espera Distribuição Exponencial Processo de nascimento e morte Modelos de filas de espera baseados no processo de nascimento e morte Modelos com distribuições não exponenciais Modelos com prioridades nas filas 50 MQ-06/07 25
26 Introdução A maioria dos modelos elementares de filas de espera assume que as entradas- chegadas de novos clientes- e as saídas- saídas de clientes- do sistema de fila de espera ocorre de acordo com o processo de nascimento e morte, em que: Nascimento: chegada de clientes ao sistema. Morte: saída de clientes (com serviço concluído) do sistema. 51 Hipóteses do Processo de Nascimento e Morte Estado do sistema- N(t) - número de clientes no sistema Dado N(t) = n, então a D.P do tempo até à próxima chegada éuma exponencial de parâmetro n. Dado N(t) = n, então a D.P do tempo até à próxima saída é uma exponencial de parâmetro µ n. As variáveis aleatórias tempo até à próxima chegada e tempo até à próxima saída são mutuamente independentes. As transições de estado (alteração de N(t)) são: n n + 1 (um único nascimento) n n - 1 (uma única morte) 52 MQ-06/07 26
27 Diagrama de estados Dado N(t) = n, a D.P do tempo até à próxima chegada ser uma distribuição exponencial de parâmetro n P4 n é o ritmo médio de chegadas (média de chegadas por unidade de tempo) Dado N(t) = n, a D.P do tempo até à próxima saída ser uma distribuição exponencial de parâmetro µ n. P4 µ n é o ritmo médio de saídas (média de saídas por unidade de tempo) n-1 n n-1 n n+1 Uma transição possível µ n µ n+1 53 Condições em regime estacionário Seja E n (t) o número de vezes que o processo entrou no estado n até ao instante t Seja L n (t) o número de vezes que o processo saiu do estado n até ao instante t Naturalmente que se verifica E n (t) - L n (t) 1 E n (t) L n(t) 1 t t t E lim n (t) L n(t) t t t = 0 E n ( t) lim = ritmo médio de vezes que o processo entra no estado n t t L n (t) = ritmo médio de vezes que o processo sai do estado n t lim t 54 MQ-06/07 27
28 Condições em regime estacionário: Eq. de Equilíbrio O número esperado de vezes que o processo entra no estado n, para qualquer valor de n 0, é igual ao número esperado de vezes que o processo sai desse estado. lim t E n (t) L = lim n (t) t t t E n (t) = L n (t) Seja P n a probabilidade de o processo estar no estado n em regime estacionário. P n é proporcional ao tempo que o processo se encontra no estado n 55 Eq. de Equilíbrio para o estado n = 0 L 0 (t) - número esperado de vezes que o processo sai do estado n = 0 P Tempo que está no estado n = 0 x Número médio de clientes que chegam ao sistema por unidade de tempo P 0 a probabilidade de o processo estar no estado n = 0 em regime estacionário. P 0 é proporcional ao tempo em que o processo se encontra no estado n = 0 L 0 ( t) = P MQ-06/07 28
29 Eq. de Equilíbrio para o estado n = 0 E 0 (t) - número esperado de vezes que o processo entra no estado n = 0 0 P P 1 Tempo que está no estado n = 1 x Número médio de clientes que saiem do sistema por unidade de tempo µ 1 E 0 (t) = µ 1 P 1 57 Eq. de Equilíbrio para o estado n = 0 E 0( t) = L0 ( t) Nº estimado de vezes que processo entra no estado igual Nº estimado de vezes que processo sai do estado L 0 ( t) = P0 0 E 0 ( t) = P1 µ 1 0 P P 1 µ 1 P 0 0 = P 1 µ 1 58 MQ-06/07 29
30 Diagrama de estados n-2 n-1 n n-2 n-1 n n+1 µ 1 µ 2 µ 3 µ n-1 µ n µ n+1 59 Eq. de Equilíbrio para o estado n L n (t) - número estimado de vezes que o processo sai do estado n µ n n n-1 n n+1 P n L n (t) = P n ( n + µ n ) Tempo que está no estado n x Número médio de clientes que chegam ao sistema por unidade de tempo (transições para n +1) + Número médio de clientes que saiem do sistema por unidade de tempo (transições para n -1) 60 MQ-06/07 30
31 Eq. de Equilíbrio para o estado n E n (t) - número esperado de vezes que o processo entra no estado n n-1 n-1 n n+1 P n-1 µ n+1 P n+1 E n (t) = P n 1 n 1 + P n+1 µ n+1 Tempo que está no estado n-1 x Número médio de clientes que chegam ao sistema por unidade de tempo (transições para n) + Tempo que está no estado n+1 x Número médio de clientes que saiem do sistema por unidade de tempo (transições de n +1) 61 Eq. de Equilíbrio para o estado n E n (t) = L n (t) Nº estimado de vezes que processo entra no estado n é igual Nº estimado de vezes que processo sai do estado n E n (t) = P n 1 n 1 + P n+1 µ n+1 L n (t) = P n ( n + µ n ) n-1 n n-1 n n+1 P n-1 P n+1 µ n µ n+1 P n ( n + µ n ) = P n 1 n 1 + P n+1 µ n+1 62 MQ-06/07 31
32 Eq. de Equilíbrio para um processo de nascimento e morte Estado n-1 n E n (t) = L n (t) 0 P 0 = µ 1 P 1 ( 1 + µ 1 ) P 1 = 0 P 0 + µ 2 P 2 ( 2 + µ 2 ) P 2 = 1 P 1 + µ 3 P 3 ( n-1 + µ n-1 ) P n-1 = n-2 P n-2 + µ n P n ( n + µ n ) P n = n-1 P n-1 + µ n+1 P n+1 63 Probabilidades do regime estacionário Estado 0: 1 P1 = 0 P µ 0 1 P 20 P= 1 0 +µ P µ P 1 2 = (µ µ 2 ( 1 P 11 +µ 1 )P 0 P 10 ) P 2 = 1 P µ 2 1 P 2 = 1 0 µ 2 µ 1 P 0 2 n P 31 P= 2 1 +µ P 3 P 3 = ( +µ 2 )P µ (µ µ 3 2 P 2 1 P 1 ) P 3 = 2 P µ 3 2 P 3 = P n = n 1 P µ n n 1 P n = n µ n...µ 2 µ 1 P 0 µ 3 µ 2 µ 1 P 0 C n = n µ n...µ 2 µ 1 para n 1 P n = C n P 0 para n = 0, 1, C n =1 para n = 0 P n =1 64 MQ-06/07 32
33 Probabilidades do regime estacionário C n n µ n K µ 2µ 1 = para n 1 C n =1 para n = 0 P n = C n P 0 P n =1 para n = 1, C n P 0 =1 C n P 0 =1 P 0 = C n 1 65 Determinação de L, L q, W, W q Clientes 1/ Número esperado de clientes no sistema Sistema de Fila de Espera L n, N(t) Mecanismo de Serviço Fila C S 1 Clientes C C C C C C C servidos L q Número esperado de clientes na fila C S 2 S 3 L = E(n) = np n L q = E(n s) = (n s)p n O número de servidores, s, representa o número de clientes que podem ser servidos simultaneamente, i.e., clientes que não estão na fila de espera n=s 66 MQ-06/07 33
34 Determinação de L, L q, W, W q Clientes 1/ Fila C C C C C C L q n, N(t) Mecanismo de Serviço C C C L S 1 S 2 S 3 Clientes servidos W W = E(W) W q W q = E(W q ) W = L W q = L q onde é a média do ritmo de chegada = E( n ) = n P n 67 Condições para o regime estacionário O sistema atinge sempre um regime estacionário: Seexistir um n tal n = 0 Número finito de estados Se n e µ n tiverem o mesmo valor para todo o n, isto é, se e µ estiverem definidos e a taxa de utilização for menor que 1, ou seja ρ = / (s µ) < 1 O sistema não está em sobre utilização O sistema não atinge um regime estacionário se C n = n=1 68 MQ-06/07 34
35 Resultados de séries geométricas (e não só) N+1 1 x = 1 x N x n para x 1 x n = 1 1 x para x <1 x n n! = e x 69 Exemplos Alguns problemas da 7ª edição MQ-06/07 35
36 Dois servidores em regime estacionário (s = 2) Número de clientes no sistema varia entre 0 e 4 P 0 =1/16; P 1 =4/16; P 2 =6/16; P 3 =4/16; P 4 =1/16; Determinar 1. L (número esperado de clientes no sistema). 2. L q (número esperado de clientes na fila). 3. O número esperado de clientes a serem servidos. 4. Para um ritmo médio de chegada de 2 clientes por hora determinar o tempo esperado de espera no sistema (W) e o tempo esperado de espera na fila (W q ). 5. Supondo que os dois servidores têm o mesmo tempo esperado de serviço, determine o seu valor L (número esperado de clientes no sistema). L = 4 n.p n = = 2 2. L q (número esperado de clientes na fila). L q = (n 2).P n = = 8 3 n=2 3. O número esperado de clientes a serem servidos. n = 1 - apenas um cliente está a ser servido n = 2, 3, 4 - estarão dois clientes a serem servidos =1.P (P 2 + P 3 + P 4 ) = ( ) = MQ-06/07 36
37 Para um ritmo médio de chegada de 2 clientes por hora determinar o tempo esperado de espera no sistema (W) e o tempo esperado de espera na fila (W q ). = 2 ritmo médio de chegada de 2 clientes por hora w = L = 2 2 =1 hora w = L q = 3 8 = hora 5. Supondo que os dois servidores têm o mesmo tempo esperado de serviço, determine o seu valor. Tempo esperado serviço = 1 µ = W W q = hora Dois sistemas de fila de espera Q 1, Q 2. 2 = 2 1 ; µ 2 = 2 µ 1 ; L 2 = 2 L 1 Determinar W 2 /W 1 W 2 = L 2 2 W 1 = L 1 1 W 2 W 1 = L 2 2 L 1 1 = L 2 1 L 1 2 = 2 2 =1 74 MQ-06/07 37
38 Modelo G/G/1 Verifique as seguintes relações a) L = L q P 0 L = L q quando não existem clientes no sistema (n = 0) L = L q +1 quando existem ao menos um cliente no sistema (n > 0) L = L q.p 0 + (L q + 1)(1 - P 0 ) = L q P 0 b) L = L q + ρ L = W = (W q +1/µ) = W q + /µ = L q + ρ c) P 0 = 1 - ρ a) = b) L q + ρ = L q P 0 P 0 = 1 - ρ L = W L q = W q W = W q +1/µ Mostrar que L = np n s 1 s 1 + L q + s 1 P n L = np n = np n + np n = np n + (n s)p n + sp n s 1 L = np n + L q + sp n s 1 n=s L = np n + L q + s P n n=s s 1 s 1 L = np n + L q + s 1 P n s 1 n=s s 1 n=s n=s 76 MQ-06/07 38
39 Sistema com dois servidores (s = 2) 1/ = 2 horas; 1/µ = 2 horas para cada servidor; Um cliente chegou ao meio dia Interpretando os dados = 1/2; µ = 1/2; µ n = 1/2 para n = 1; µ n = 2(1/2) = 1 para n = 2; a) Prob de que a próxima chegada seja: i) Antes das 1:00 PM ii) Entre a 1:00 PM e as 2:00 PM iii) Depois das 2:00 PM 77 Distribuição Exponencial com parâmetro α T uma variável aleatória que respresenta o tempos ente chegadas ou os tempos de serviço f T (t) = αe αt para t 0 0 para t < 0 Função densidade P[T t] =1 e αt P[T > t] = e αt para t 0 Probabilidades acumuladas E(T ) = 1 α var(t ) = 1 α 2 Esperança Matemática Variançia 78 MQ-06/07 39
40 Distribuição Exponencial com parâmetro α = 4 f (t ) (para α = 4) t E(T) = 1/α = 1/ P[próxima chegada seja antes da 1:00 PM] = = P[T < t =1] =1 e 1 = P[próxima chegada seja entre a 1:00 PM e as 2:00 PM] = = P[1 < T < 2]= P[T < 2] P[T <1] =1 e = P[próxima chegada seja depois das 2:00 PM] = = P[T > t = 2]= e 2 = MQ-06/07 40
41 b) Prob[próxima chegada entre a 1:00 PM e 2:00 PM sabendo que não chegou nehum cliente até à 1:00PM] Propriedade 2: Sem memória Prob[T entre a 1:00 PM e 2:00 PM T > 1:00 PM] = Prob[T entre a 12:00 PM e 1:00 PM] = c) Prob[ # chegadas entre 1:00 PM e as 2:00 PM = k] i) k = 0; = e 1 2 = ii) k = 1; = 1 2 e 1 2 = iii) k 2; =1 [e e 1 2 ] = P[X(t) = n] = (t)n e t n! Distr. Poisson d) Ambos os servidores estão ocupados à 1:00 PM. Qual a probabilidade de que nenhum dos clientes tenha o serviço completo: i) Antes de 2:00? µ n = 1 para n = 2; = e 1 = ii) Antes da 1:10? P[T > t] = e t = e 1(1/6) = iii) Antes da 1:01? = e 1(1/60) = MQ-06/07 41
42 Sumário Estrutura básica de Modelos de Filas de Espera Distribuição Exponencial Processo de nascimento e morte Modelos de filas de espera baseados no processo de nascimento e morte Modelos com distribuições não exponenciais Modelos com prioridades nas filas 83 Modelos de filas de espera baseados no processo de nascimento e morte A maioria dos modelos elementares de filas de espera assume que as entradas (chegadas de novos clientes) e as saídas (saídas de clientes) do sistema de fila de espera ocorre de acordo com o processo de nascimento e morte. Dizem-se modelos com entradas de Poisson e tempos de serviço exponenciais. Os ritmos de chegada de clientes ( n ) e ritmos de clientes servidos (µ n ) podem ser quaisquer valores não negativos. Os diferentes modelos de filas de espera diferem apenas nas hipóteses de como n e µ n variam em função de n. 84 MQ-06/07 42
43 Modelos M/M/s s = 1 s > 1 M/M/s com fila de espera de dimensão finita k s = 1 s > 1 M/M/s com população de chamada de dimensão finita s = 1 s > 1 Modelos com e/ou µ variando com o valor de n. s = 1 s > 1 85 M/M/s Assume que: Os tempos entre chegadas são independentes e identicamente distribuídos de acordo com uma exponencial Os tempos de serviço são independentes e identicamente distribuídos de acordo com uma exponencial Consequentemente é constante e independente de n; n = para n = 0, 1, 2 µ é constante e independente de n; µ n = µ para n = 1, 2, 86 MQ-06/07 43
44 M/M/s (caso s = 1) n = para n = 0, 1, 2 µ n = µ para n = 1, 2, n-2 n-1 n n+1 µ µ µ µ µ µ Se ρ = /µ < 1 (o ritmo de chegada dos clientes não excede a capacidade de serviço do sistema) e o sistema atinge um regime estacionário. 87 Simplificações no caso M/M/s (s = 1) n = para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 C n = n µ n...µ 2 µ 1 para n 1 C n =1 para n = 0 C n = ( µ ) n = ρ n para n 0 P n = C n P 0 para n = 1, P n = ρ n P 0 para n = 0, 1, P 0 = x n C n = 1 1 x 1 para x <1 P 0 = ρ n 1 1 = 1 ρ 1 P n = (1 ρ)ρ n para n = 0, 1, =1 ρ 88 MQ-06/07 44
45 Simplificações no caso M/M/s (s = 1) n = para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 L = E(n) = L = np n n(1 ρ)ρ n L = (1 ρ) nρ n = (1 ρ)ρ nρ n 1 = (1 ρ)ρ L = (1 ρ)ρ d dρ L = ρ n ρ (1 ρ) = µ (1 µ ) = (µ ) P n = (1 ρ)ρ n para n = 0, 1, d dρ (ρ n ) d 1 = (1 ρ)ρ dρ 1 ρ = (1 ρ)ρ 1 (1 ρ) 2 89 Simplificações no caso M/M/s (s = 1) n = para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 L q = E(n s) = (n s)p n P 0 =1 ρ L = (µ ) n=s L q = (n 1)P n = n.p n P n = L (1 P 0 ) = L ρ L q = n=1 L = P n n=1 n=1 n.p n = 0.P 0 + n.p n = n.p n =1= P 0 + P n (µ ) µ = n=1 n=1 n=1 µ µ 2 µ(µ ) µ(µ ) L q = 2 µ(µ ) 90 MQ-06/07 45
46 M/M/s (s = 1) - Resumo: P n, L, L q n = para n = 0, 1, 2 µ n = µ para n = 1, 2, s= 1 P n = (1 ρ)ρ n para n = 0, 1, P 0 =1 ρ Distribuição de probabilidades ρ = µ <1 L = L q = (µ ) 2 µ(µ ) Número esperado de clientes no sistema Número esperado de clientes na fila < µ 91 M/M/s (s = 1) - Tempo de espera no sistema: W C n + 1 Fila C C C C C C Mecanismo de Serviço C S n Clientes servidos W - quanto tempo tem que esperar sabendo que existem actualmente n clientes no sistema? Tem que esperar que esses n clientes sejam servidos + o seu próprio tempo de serviço Deve esperar n + 1 tempos de serviço exponenciais 92 MQ-06/07 46
47 M/M/s (s = 1) - Tempo de espera no sistema: W W - quanto tempo tem que esperar sabendo que existem actualmente n clientes no sistema? Deve esperar n + 1 tempos de serviço exponenciais Sejam T 1, T 2,, T n+1 n variáveis aleatórias independentes identicamente distribuídas com distribuição exponencial com parâmetro µ, correspondendo aos tempos de serviço. Então a variável aleatória S n+1 = T 1 + T T n+1 representa o tempo de espera dado que já existam n clientes no sistema. S n+1 tem uma distribuição de Erlang A probabilidade de já existirem n clientes no sistema é P n P[W > t] = P n P[S n+1 > t] 93 M/M/s (s = 1) - Tempo de espera no sistema: W P[W > t] = P n P[S n+1 > t] S n+1 é uma distribuição de Erlang com k = n + 1 de exponenciais com parâmetro µ k V.A. independentes e identicamente distribuídas com distribuição exponencial com parâmetro kµ f (t) = (µk)k (k 1)! t k 1 e kµt k n + 1 µ µ/(n + 1) P[S n+1 > t] = P[S n+1 > t] =1 (µ)n+1 t n! t (µ)n+1 0 n! t n e µt dt t n e µt dt k n + 1 k -1 n µk µ 94 MQ-06/07 47
48 M/M/s (s = 1) - Tempo de espera no sistema: W P[W > t] = P n P[S n+1 > t] P[W t] = G(t) e d G(t) = g(t) dt P n = (1 ρ)ρ n P[W > t] =1 G(t) 1 G(t) = (1 ρ)ρ n [1 (µ)n+1 t n e µt dt] 0 n! g(t) = (1 ρ)ρ n (µ) n+1 t n e µt n! g(t) = (1 ρ)µe µt t (t) n n! Derivando em ordem a t ρ = µ = (1 ρ)µe µt e t x n n! = e x 95 M/M/s (s = 1) - Tempo de espera no sistema: W, W g(t) = (1 ρ)µe µt e t g(t) = (1 ρ)µe ( µ)t = µ(1 ρ)e µ(1 ρ)t P[W > t] =1 G(t) t P[W > t] =1 µ(1 ρ)e µ(1 ρ)t = e µ(1 ρ)t 0 P[W > t] = e µ(1 ρ)t para t 0 Distribuição Exponencial com parâmetro µ(1 - ρ) W = E(W) = 1/µ(1 - ρ) = 1/(µ - ) 96 MQ-06/07 48
49 M/M/s (s = 1) - Tempo de espera na fila: W q, W q W q - Tempo de espera na fila n = 0 P(W q = 0) = P 0 = 1 - ρ n > 0 P[W q > t] = P n P[S n > t] n=1 P[W q > t] = (1 ρ)ρ n P[S n > t] n=1 P n = (1 ρ)ρ n n = m +1; m = n 1 P[W q > t] = (1 ρ)ρ m+1 P[S m+1 > t] = ρ P m P[S m+1 > t] m=0 m=0 P[W q > t] = ρp[w > t] = ρe µ(1 ρ)t Não é exactamente uma exponencial, pois P[W q = 0] > 0 97 M/M/s (s = 1) - Tempo de espera na fila: W q, W q W q - Tempo de espera na fila n = 0 P[W q = 0] = P 0 = 1 - ρ n > 0 P[W q > t] = ρp[w > t] = ρe µ(1 ρ)t W = E(W q ) = /µ(1 - ρ) = /µ(µ - ) P[W q > t W q > 0]= P[W q > t] P[W q > 0] = e µ(1 ρ)t P[W q > 0] = 1 - P[W q = 0] = ρ 98 MQ-06/07 49
50 M/M/s (s = 1) - Resumo n = para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 < µ P n = (1 ρ)ρ n para n = 0, 1, P 0 =1 ρ Distribuição de probabilidades L = (µ ) L q = 2 µ(µ ) Número esperado de clientes no sistema e na fila P[W > t] = e µ(1 ρ)t para t 0 W = E(W) = 1/(µ - ) P[W q > t] = ρe µ(1 ρ)t para t 0 W q = E(W q ) = /µ(µ - ) 99 M/M/s (s = 1) - Resumo - comentado n = para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 < µ P n = (1 ρ)ρ n para n = 0, 1, P 0 =1 ρ Distribuição de probabilidades L = (µ ) L q = 2 µ(µ ) Número esperado de clientes no sistema e na fila W = L W = E(W) = 1/(µ - ) W q = W 1 µ W q = L q W q = E(W q ) = /µ(µ - ) 100 MQ-06/07 50
51 M/M/s (s = 1) - Gráfico: L, L q L = (µ ) L q = 2 µ(µ ) 1 L L q L q = L (1 P 0 ) ρ 101 M/M/s (s = 1) - Gráfico: P 0, P 1, P 0 P P P ρ 102 MQ-06/07 51
52 M/M/s (s = 1) - Gráfico: P n 1 ρ = ρ = n n ρ = ρ = n n 103 M/M/s (caso s > 1) RESUMO n = para n = 0, 1, 2 µ n = nµ para n = 1, 2,, s µ n = sµ para n = s, s + 1, s-2 s-1 s s+1 µ 2µ 3µ (s-1)µ sµ sµ Se ρ = /(sµ) < 1 (o ritmo de chegada dos clientes não excede a capacidade de serviço do sistema) e o sistema atinge um regime estacionário. 104 MQ-06/07 52
53 Simplificações no caso M/M/s (s > 1): C n n = para n = 0, 1, 2 µ n = nµ para n s; µ n = sµ para n > s C n = n µ n...µ 2 µ 1 para n 1 C n =1 para n = 0 C n = 1 n! () n para n =1,2,...,s µ 1 s! () s µ sµ () (n s) = () n µ para n = s,s +1,... (n s) s!s 105 Simplificações no caso M/M/s (s > 1): P 0 n = para n = 0, 1, 2 µ n = nµ para n s; µ n = sµ para n > s 1 1 n! ( µ ) n para n =1,2,...,s P 0 = C n C n = 1 s! () s µ () (n s) () n µ sµ = para n = s,s +1,... (n s) s!s s 1 P 0 = 1 n! () n µ + 1 s! µ n=s () s sµ () (n s) 1 s 1 = 1 n! µ () n + 1 s! () s µ sµ m=0 () m 1 m = n - s 106 MQ-06/07 53
54 Simplificações no caso M/M/s (s > 1): P 0 n = para n = 0, 1, 2 s 1 P 0 = 1 n! () n µ + s! 1 () s µ sµ m=0 µ n = nµ para n s; µ n = sµ para n > s () m 1 x n = 1 1 x ρ = /(sµ) < 1 para x <1 s 1 P 0 = 1 n! () n µ + s! 1 1 /(sµ) () s 1 µ Simplificações no caso M/M/s (s > 1): P n n = para n = 0, 1, 2 P n = C n P 0 para n = 1, C n = µ n = nµ para n s; µ n = sµ para n > s 1 n! ( µ ) n para n =1,2,...,s 1 s! () s µ sµ () (n s) = () n µ para n = s,s +1,... (n s) s!s () n P 0 0 n s 1 n! µ P n = () n µ s!s P (n s) 0 n s 108 MQ-06/07 54
55 Simplificações no caso M/M/s (s > 1): L q n = para n = 0, 1, 2 L q = E(n s) = L q = jp s+ j j=0 = j j=0 (n s)p n n=s ( /µ)s s! ρ j P 0 jρ j s! j=0 ( /µ) = P s 0 = P 0 ( /µ) s s! ρ d dρ = P 0 ( /µ) s µ n = nµ para n s; µ n = sµ para n s j = n s; n = s + j P s+ j = ρ d s! j=0 1 ( /µ) ( 1 ρ) = P s ρ 0 s!(1 ρ) 2 dρ (ρ j ) ( µ ) s+ j P s!s j 0 = ( µ ) s s! = P 0 ( /µ) s s! ρ d dρ P n = ( µ ) j P s j 0 = ρ j j=0 () n µ s!s P (n s) 0 () s µ s! () j P sµ M/M/s (s > 1) - Resumo: P 0, P n, L q, L, W q, W n = para n = 0, 1, 2 s 1 P 0 = 1 n! () n µ + s! 1 L q = P 0 ( /µ) s s!(1 ρ) 2 () s 1 µ µ n = nµ para n s; µ n = sµ para n > s 1 /(sµ) 1 ( ) n P 0 0 n s 1 n! µ P n = () n µ s!s P (n s) 0 n s W q = L q L = W = (W q + 1 µ ) = L q + µ W = W q + 1 µ 110 MQ-06/07 55
56 M/M/s (s > 1) - Resumo: P 0, P n, L q, L, W q, W n = para n = 0, 1, 2 µ n = nµ para n s; µ n = sµ para n > s P[W > t] = e µt 1+ P 0 ( /µ) s µt(s 1 /µ) 1 e s!(1 ρ) s 1 /µ P[W q > t] = (1 P[W q = 0])e sµ(1 ρ)t P[W q = 0]= s 1 P n 111 M/M/s (s > 1) - L 112 MQ-06/07 56
57 M/M/s (s > 1) - P Um exemplo M/M/s - Hospital Ritmo médio de chegada: 1 paciente cada 1/2 hora Cada médico precisa em média de 20 minutos para tratar cada paciente Considerando uma hora como a unidade de tempo: 1 = 1 2 hora = 2 clientes por hora 1 µ = 1 3 hora µ = 3 clientes por hora Vamos considerar dois cenários: S = 1 S = MQ-06/07 57
58 Um exemplo M/M/s - Hospital P n (n 2) L q W P[W q > 0] P[W q > 1/2] P[W q > 1] P[W q > t] P[W > t] s = 1 (1/3)(2/3) n L 2 3/4 W q 2/3 h = 40 m 1/24 h = 2.5 m 4/3 1 h (2/3)e -t e -t s = 2 ρ 2/3 = /3 = P 0 1/3 1/2 P 1 2/9 1/3 (1/3)n 1/12 3/8 h = 22.5 m (1/6)e -4t (1/2)e -3t (3 - e -t ) 115 Um exemplo M/M/s - Hospital - P n P n s = 1 s = n 116 MQ-06/07 58
59 Um exemplo M/M/s - Hospital - P[W q > t] P[W q >t] s = 1 s = t 117 Modelos M/M/s s = 1 s > 1 M/M/s com fila de espera de dimensão finita k s = 1 s > 1 M/M/s com população de chamada de dimensão finita s = 1 s > 1 Modelos com e/ou µ variando com o valor de n. s = 1 s > MQ-06/07 59
60 M/M/s/K Assume que num modelo M/M/s A fila de espera é finita. O número de clientes no sistema não pode ultrapassar um valor K, ou seja a capacidade da fila é K - s. Quando um cliente chega ao sistema e a fila está cheia, abandona o sistema. Os tempos entre chegadas são independentes e identicamente distribuídos de acordo com uma exponencial Os tempos de serviço são independentes e identicamente distribuídos de acordo com uma exponencial 119 M/M/s/K A única modificação é: n = para n = 0,1,...,K 1 0 para n K Porque n = 0 para alguns valores de n, este modelo pode convergir para um regime estacionário, mesmo quando ρ = sµ MQ-06/07 60
61 M/M/s/K - Interpretação Este modelo pode traduzir situações Sala de espera de dimensão limitada: Clientes desistem quando chegam ao sistema e este tem K clientes no sistema, ou seja se estão na fila K - s clientes. Este modelo M/M/s/K tende para M/M/s quando K tende para infinito. 121 M/M/s/K (caso s = 1) RESUMO n = para n = 0, 1,, K - 1 µ n = µ para n = 1, 2,, K K-2 K-1 K µ µ µ µ µ ρ = /µ. para n = 0,1,...,K 1 n = 0 para n K 122 MQ-06/07 61
62 Simplificações no caso M/M/s/K (s = 1): C n, P 0 n = para n = 0, 1, 2, K µ n = µ para n = 1, 2, s = 1 C n = n µ n...µ 2 µ 1 para n 1 C n =1 para n = 0 C n = ( µ ) n = ρ n C n = 0 para n = 0,, K para n K P 0 = C n 1 K P 0 = ρ n 1 = 1 ρk+1 1 ρ 1 = 1 ρ 1 ρ K+1 ρ 1 N+1 1 x = 1 x N x n para x 1 Se ρ = 1 C n = 1 Se ρ = 1 P 0 = 1/(K+1) 123 Simplificações no caso M/M/s/K (s = 1): P n n = para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 P n = C n P 0 P 0 = 1 ρ 1 ρ K+1 para n = 1, P n = 1 ρ 1 ρ ρ n K+1 para n = 0, 1,, K C n = () µ n = ρ n C n = 0 para n = 0,, K para n K Se ρ = 1 P n = 1/(K+1) 124 MQ-06/07 62
63 Simplificações no caso M/M/s/K (s = 1): L n = para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 L = E(n) = L = np n K n 1 ρ 1 ρ K+1 ρ n P n = 1 ρ 1 ρ ρ n K+1 L = 1 ρ 1 ρ ρ K n 1 nρ K+1 = 1 ρ 1 ρ ρ K d K+1 dρ (ρ n ) = 1 ρ 1 ρ ρ d K K+1 dρ L = 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 = 1 ρ dρ 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 dρ 1 ρ L = 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 dρ 1 ρ para n = 0, 1,, K ρ n 125 Simplificações no caso M/M/s/K (s = 1): L = 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 dρ 1 ρ = 1 ρ (K +1)ρK ρ K+1 1 ρ (1 ρ) (1 ρk+1 )( 1) (1 ρ) 2 = 1 ρ 1 ρ ρ (K +1)ρK (1 ρ)+(1 ρ K+1 ) K+1 (1 ρ) 2 = ρ (K +1)ρK (1 ρ)+(1 ρ K+1 ) (1 ρ K+1 )(1 ρ) d f (x) = f ' (x) dx g(x) g(x) f (x).g' (x) g(x) 2 = ρ (K +1)ρK +(K +1)ρ K+1 +1 ρ K+1 (1 ρ K+1 )(1 ρ) = ρ (K +1)ρK + Kρ K+1 +1 (1 ρ K+1 )(1 ρ) = ρ 1 ρ (K +1)ρK+1 1 ρ K MQ-06/07 63
64 Simplificações no caso M/M/s/K (s = 1): L ρ (K +1)ρK + Kρ K+1 +1 (1 ρ K+1 )(1 ρ) = ρ (K +1)ρK+1 1 ρ 1 ρ K+1 = ρ (K +1)ρK+1 = ρ(1 ρk+1 ) (K +1)ρ K+1 (1 ρ) 1 ρ 1 ρ K+1 (1 ρ K+1 )(1 ρ) = ρ(1 ρk+1 ) (K +1)ρ K+1 + ρ(k +1)ρ K+1 (1 ρ K+1 )(1 ρ) = ρ 1 ρk+1 (K +1)ρ K +(K +1)ρ K+1 (1 ρ K+1 )(1 ρ) = ρ (K +1)ρK + Kρ K+1 +1 (1 ρ K+1 )(1 ρ) 127 Simplificações no caso M/M/s/K (s = 1): L n = para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 L = E(n) = L = np n K n 1 ρ 1 ρ K+1 ρ n P n = 1 ρ 1 ρ ρ n K+1 L = 1 ρ 1 ρ ρ K n 1 nρ K+1 = 1 ρ 1 ρ ρ K d K+1 dρ (ρ n ) = 1 ρ 1 ρ ρ d K K+1 dρ L = 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 = 1 ρ dρ 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 dρ 1 ρ L = 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 dρ 1 ρ = ρ (K +1)ρK+1 1 ρ 1 ρ K+1 para n = 0, 1,, K ρ n 128 MQ-06/07 64
65 Simplificações no caso M/M/s/K (s = 1): L 100 L (M/M/1) 10 L (M/M/1/K=50) L (M/M/1/K=10) L = ρ 1 ρ M/M/1 L = ρ (K +1)ρK+1 1 ρ 1 ρ K+1 M/M/1/K 129 Simplificações no caso M/M/s/K (s = 1): L q n = para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 L q = L (1 P 0 ) quando s =1 L q = ρ (K +1)ρK+1 1 ρ 1 ρ K+1 L q = ρ (K +1)ρK+1 1 ρ 1 ρ K+1 (1 1 ρ 1 ρ K+1) ρ ρk+1 1 ρ K+1 L = ρ (K +1)ρK+1 1 ρ 1 ρ K+1 P 0 = 1 ρ 1 ρ K+1 L q = ρ 1 ρ (K + 2)ρK+1 ρ 1 ρ K MQ-06/07 65
66 Simplificações no caso M/M/s/K (s = 1): W, W q n = para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 W = L = n P n = P n K 1 W q = L q P n = 1 ρ 1 ρ ρ n K+1 para n = 0, 1,, K K 1 P n = = (1 P K ) 131 Simplificações no caso M/M/s/K (s = 1):Resumo n = para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 P n = 1 ρ 1 ρ ρ n K+1 para n = 0, 1,, K L = ρ (K +1)ρK+1 L 1 ρ 1 ρ K+1 q = ρ 1 ρ (K + 2)ρK+1 ρ 1 ρ K+1 W = L W q = L q = (1 P K ) 132 MQ-06/07 66
67 M/M/s/K (caso s > 1) RESUMO n = para n = 0, 1,, K - 1 Assuminos que s < K s-1 s s+1 K-2 K-1 K µ 2µ 3µ sµ sµ sµ sµ n = para n = 0,1,...,K 1 0 para n K nµ para n = 0,...,s µ n = sµ para s n K 133 M/M/s/K (caso s > 1): C n C n = n µ n...µ 2 µ 1 para n 1 C n =1 para n = 0 n = para n = 0,1,...,K 1 0 para n K nµ para n = 0,...,s µ n = sµ para s n K ( /µ) n 0 n s n! ( /µ) s n s C n = s n K s! sµ 0 n > K 134 MQ-06/07 67
68 M/M/s/K (caso s > 1): P n, P 0 P n = C n P 0 K P 0 = C n para n = 1, 1 ( /µ) n P 0 0 n s n! ( /µ) n P n = P s!s n s 0 s n K 0 n > K s ( /µ) n P 0 = n! ( /µ)s + s! K n=s+1 sµ n s M/M/s/K (caso s > 1): L q L q = E(n s) = L q = (n s)p n n=s K ( /µ)s (n s) s! n=s = P 0( /µ) s s! sµ n s P 0 K (n s) sµ n=s n s = P 0( /µ) s s! ( /µ)s P n = s! sµ ( sµ ) K (n s) sµ n=s n s n s 1 P 0 s n K = P 0( /µ) s s! = P 0( /µ) s s! ( sµ K s ρ j=0 K s j 1 ) jρ j=0 d dρ (ρ j ) j = n s; n = s j = 0;n = K j = K s = P 0( /µ) s ρ d s! dρ K s ρ j j=0 ρ MQ-06/07 68
69 M/M/s/K (caso s > 1): L q L q = E(n s) = L q = P 0( /µ) s s! (n s)p n n=s ρ d K s dρ j=0 ρ j ( /µ)s P n = s! sµ n s P 0 s n K = P 0( /µ) s ρ d 1 ρ k s+1 s! dρ 1 ρ = P 0( /µ) s ρ 1 ρk s (k s)ρ K s (1 ρ) s! (1 ρ) 2 L q = P 0( /µ) s s!(1 ρ) ρ ( 1 2 ρk s (k s)ρ K s (1 ρ) ) 137 M/M/s/K (caso s > 1): L L = E(n) = L = L = s 1 np n np n + np n s 1 s s 1 np n + L q + s 1 P n n=s = np n + (n s)p n + sp n n=s n=s s 1 s 1 s 1 = np n + L q + sp n = np n + L q + s 1 P n n=s 138 MQ-06/07 69
70 M/M/s/K (caso s > 1): W, W q W = L = n P n = P n K 1 W q = L q ( /µ)s P n = s! sµ n s P 0 s n K K 1 P n = = (1 P K ) 139 M/M/s/K (caso s > 1): Resumo ( /µ) n P 0 0 n s n! ( /µ) n P n = P s!s n s 0 s n K 0 n > K s ( /µ) n P 0 = n! ( /µ)s + s! s ( ) L = np n L q = P 0( /µ) s s!(1 ρ) 2 ρ 1 ρk s (k s)ρ K s (1 ρ) K n=s+1 sµ n s 1 s 1 + L q + s 1 P n W = L W q = L q = (1 P K ) 140 MQ-06/07 70
71 Um exemplo Uma companhia de telefones com 3 linhas. s = 3 As chamadas chegam de acordo com uma distribuição de poisson com um ritmo de 6 por hora = 6 A duração de cada chamada tem uma distribuição exponencial com uma duração média de 15 minutos 1/µ = 15 m = 0.25 h µ = 4 Se todas as linhas estiverem ocupadas as chamadas são colocadas em espera até uma linha fique livre K = 141 Um exemplo P 3 L q W P[W > 0] P[W q > 0] P[W > 0.1] (6 min) P[W q > 1] (6 min) s = 3, K = ρ 6/(3. 4) = 0.5 P 0 P P L 1.74 W q 0.03 h= 2.37 m 0.29 h = 17.4 m P n n 142 MQ-06/07 71
72 Um exemplo Qual a probabilidade de uma chamada ser imediatamente atendida? P[chamada imediatamente atendida] =1 - P[W q > 0] = P[chamada imediatamente atendida] = = P[pelo menos um servidor livre] = = P 0 + P 1 + P 2 = = Um exemplo Determinar a distribuição de probabilidades do número de chamadas em espera P[n chamadas em espera] = P n P 0 = P 0 + P 1 + P 2 + P 3 = P n = P n + 3 (n 1) chamadas em espera 144 MQ-06/07 72
73 Um exemplo Se as chamadas se perderem (não ficam em espera) quando todas as linhas estão ocupadas, determinar a probabiliade de perder uma chamada. Modelo M/M/s/K com s = 3 e K = 3 Sistema de espera sem fila Sistema de perdas de Erlang 145 Um exemplo ρ 6/(3. 4) = 0.5 P 0 P P P 3 L q W s = 3, K = L 1.74 W q 0.03 h= 2.37 m 0.29 h = 17.4 m s = 3, K = 3 6/(3. 4) = h = 15 m MQ-06/07 73
74 Um exemplo Se as chamadas se perderem (não ficam em espera) quando todas as linhas estão ocupadas, determinar a probabiliade de perder uma chamada. P[perder uma chamadas] = P[3 servidores ocupados] = P 3 = Modelos M/M/s s = 1 s > 1 M/M/s com fila de espera de dimensão finita k s = 1 s > 1 M/M/s com população de chamada de dimensão finita s = 1 s > 1 Modelos com e/ou µ variando com o valor de n. s = 1 s > MQ-06/07 74
75 M/M/s com população de chamada finita Assume que num modelo M/M/s A população de chamada é finita, de dimensão N O número de clientes no sistema n só pode tomar os valores 1, 2,, N. Quando existem n clientes no sistema então só existem n - N clientes potenciais que permanecem na fonte de entrada. Exemplo O problema de um serviço de manutenção (com um ou mais técnicos) que tem a responsabilidade de reparar máquinas que avariam de um conjunto de N máquinas. 149 M/M/s com população de chamada finita Cada cliente ou está dentro do sistema ou está fora do sistema. Assume-se que cada cliente o tempo que está fora do sistema (i.e., o intervalo de tempo entre a saída e a próxima entrada do mesmo cliente) segue uma distribuição exponencial com um parâmetro. n Sistema de fila de espera N - n A distribuição de probabilidade do tempo que falta até à próxima chegada ao sistema é o mínimo das distribuições do tempo que falta dos N - n potenciais clientes (fora do sistema) Propriedades 2 e 3 da Exponencial n = (N - n) P2: Falta de Memória P3: Mínimo de várias exponenciais 150 MQ-06/07 75
76 M/M/s com população de chamada finita P2: Falta de Memória A distribuição de probabilidades do restante tempo até ao próximo evento (chegada de um novo cliente) é a mesma independentemente de há quanto tempo ocorreu o último evento (chegada do último cliente); O tempo até a próxima chegada é independente de quando aconteceu a última chegada P3: Mínimo de várias exponenciais Sejam T 1, T 2,, T n variáveis aleatórias independentes com distribuições exponenciais de parâmetros α 1, α 2,, α n. Se T i representa o instante em que ocorre um destes eventos, então U representa o instante em que o primeiro dos n eventos ocorre. Seja U uma V.A, U = min{t 1, T 2,, T n }. U tém uma distribuição exponencial com parâmetro α U n α i i=1 α U = 151 M/M/s com população de chamada finita A única modificação é: (N n) para n = 0,1,...,N n = 0 para n N Porque n = 0 para alguns valores de n, este modelo pode convergir para um regime estacionário, mesmo quando ρ = sµ MQ-06/07 76
77 M/M/s com população de chamada finita (caso s = 1) n = (N - n) para n = 0, 1,, N µ n = µ para n = 1, 2, N (N-1) (N-2) (N-n+2) (N-n+1) n-2 n-1 n N-1 N µ µ µ µ µ µ (N n) para n = 0,1,...,N n = 0 para n N 153 M/M/s - população de chamada finita (s = 1) : C n C n = n µ n...µ 2 µ 1 para n 1 C n =1 para n = 0 (N n) para n = 0,1,...,N n = 0 para n N para n = 0,, N C n = (N n +1)...(N 1)N µ N! C n = (N n)! µ n n para n N C n = MQ-06/07 77
78 M/M/s - população de chamada finita (s = 1) : P 0,P n P 0 = C n 1 P n = C n P 0 N! C n = (N n)! µ n n N N! P 0 = (N n)! µ 1 N! P n = (N n)! µ n P 0 para n = 1, 2,, N 155 M/M/s - população de chamada finita (s = 1) : L q, L L q = E(n s) = N (n s)p n n=s L q = (n 1)P n n=1 L q = N +µ (1 P 0) L = E(n) = L = np n N np n = np n P n + P n = np n = (n 1)P n +(1 P 0 ) N n=1 N n=1 N n=1 K K n=1 = L q +(1 P 0 ) L = N µ (1 P 0 ) = N +µ (1 P 0 ) +(1 P 0 ) 156 MQ-06/07 78
79 M/M/s - população de chamada finita (s = 1) : W q, W W = L = n P n = (N n)p n N N = N P n np n N W q = L q = N L = (N L) = (N L) W = L (N L) W q = L q (N L) 157 População de chamada finita (s = 1) : Resumo (N n) para n = 0,1,...,N n = 0 para n N n N N! P 0 = (N n)! µ n N! P n = P 0 (N n)! µ L = N µ (1 P 0 ) 1 para n = 1, 2,, N L q = N +µ (1 P 0) W = L (N L) W q = L q (N L) = (N L) 158 MQ-06/07 79
Modelos de Filas de Espera
Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autor João Moura Pires (jmp@di.fct.unl.pt) Este material pode
Leia maisModelos de Filas de Espera
QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Modelos de Filas de Espera Métodos Quantitativos 2004/2005 João Moura Pires Sumário Estrutura básica de Modelos de Filas de
Leia maisGeração de Números Aleatórios e Simulação
Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana
Leia maisSistemas de Filas: Aula 1. Amedeo R. Odoni 10 de outubro de 2001
Sistemas de Filas: Aula 1 Amedeo R. Odoni 10 de outubro de 2001 Tópicos em Teoria das Filas 9. Introdução a sistemas de filas; lei de Little, M/M/1 10. Filas Markovianas (processo de renovação) 11. Fila
Leia maisTeoria das filas. Clientes. Fila
Teoria das filas 1 - Elementos de uma fila: População Clientes Fila Servidores 1 3 Atendimento Características de uma fila:.1 Clientes e tamanho da população População infinita > Chegadas independentes
Leia maisVamos denominar 1/µ o tempo médio de atendimento de um cliente. Tem-se, então que:
Vamos admitir que o tempo de atendimento (tempo de serviço) de clientes diferentes são variáveis aleatórias independentes e que o atendimento de cada consumidor é dado por uma variável S tendo função densidade
Leia maisFilas de Espera. Slide 1. c 1998 José Fernando Oliveira FEUP
Filas de Espera Slide 1 Transparências de apoio à leccionação de aulas teóricas Versão 1 c 1998 Filas de Espera 1 Introdução Fenómeno corrente no dia-a-dia Slide 2 clientes pessoas, veículos ou outras
Leia maisUtilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência.
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesta abordagem paramétrica, para estimar as funções básicas da análise de sobrevida, assume-se que o tempo de falha T segue uma distribuição
Leia maisIntrodução à Teoria das Filas
Introdução à Teoria das Filas If the facts don't fit the theory, change the facts. --Albert Einstein Notação Processo de Chegada: Se os usuários chegam nos instantes t 1, t 2,..., t j, então as variáveis
Leia maisDepartamento de Informática. Análise de Decisão. Métodos Quantitativos LEI 2006/2007. Susana Nascimento snt@di.fct.unl.pt.
Departamento de Informática Análise de Decisão Métodos Quantitativos LEI 26/27 Susana Nascimento snt@di.fct.unl.pt Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento (snt@di.fct.unl.pt)
Leia maisPor que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo:
Por que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo: que cada pessoa disponha do uso exclusivo de uma rua para se movimentar;
Leia maisExercícios Resolvidos da Distribuição de Poisson
. a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado
Leia maisProbabilidade. Distribuição Normal
Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aulas passadas Modelagem de sistemas via cadeias de Markov Aula de hoje Introdução à simulação Gerando números pseudo-aleatórios 1 O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisSimulação de Evento Discreto
Simulação de Evento Discreto Simulação de evento discreto As variáveis de estado modificam-se apenas pela ocorrência de eventos Os eventos ocorrem instantaneamente em pontos separados no tempo São simulados
Leia maisObjetivos. Teoria de Filas. Teoria de Filas
Objetivos Teoria de Filas Michel J. Anzanello, PhD anzanello@producao.ufrgs.br 2 Teoria de Filas Filas estão presentes em toda a parte; Exemplos evidentes de fila podem ser verificados em bancos, lanchonetes,
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisGestão de Operações II Teoria das Filas
Gestão de Operações II Teoria das Filas Prof Marcio Cardoso Machado Filas O que é uma fila de espera? É um ou mais clientes esperando pelo atendimento O que são clientes? Pessoas (ex.: caixas de supermercado,
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisModelos Estocásticos. Resolução de alguns exercícios da Colectânea de Exercícios 2005/06 PROCESSOS ESTOCÁSTICOS E FILAS DE ESPERA LEGI
Modelos Estocásticos Resolução de alguns exercícios da Colectânea de Exercícios 2005/06 LEGI Capítulo 7 PROCESSOS ESTOCÁSTICOS E FILAS DE ESPERA Nota: neste capítulo ilustram-se alguns dos conceitos de
Leia maisExercícios de Filas de Espera Enunciados
Capítulo 8 Exercícios de Filas de Espera Enunciados Enunciados 124 Problema 1 Os autocarros de uma empresa chegam para limpeza à garagem central em grupos de cinco por. Os autocarros são atendidos em ordem
Leia maisSimulação Industrial
Licenciatura em Engenharia e Gestão Industrial Simulação Industrial Enunciados de Exercícios Para as Aulas Práticas Acácio M. de O. Porta Nova Departamento de Engenharia e Gestão Instituto Superior Técnico
Leia maisUma introdução à Teoria das Filas
Uma introdução à Teoria das Filas Introdução aos Processos Estocásticos 13/06/2012 Quem nunca pegou fila na vida? Figura: Experiência no bandejão Motivação As filas estão presentes em nosso cotidiano,
Leia maisIntrodução a Avaliação de Desempenho
Introdução a Avaliação de Desempenho Avaliar é pronunciar-se sobre as características de um certo sistema. Dado um sistema real qualquer, uma avaliação deste sistema pode ser caracterizada por toda e qualquer
Leia maisLogo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:
MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado
Leia maisCapítulo 3 Modelos Estatísticos
Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia maisMúltiplos Estágios processo com três estágios Inquérito de Satisfação Fase II
O seguinte exercício contempla um processo com três estágios. Baseia-se no Inquérito de Satisfação Fase II, sendo, por isso, essencial compreender primeiro o problema antes de começar o tutorial. 1 1.
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisDistribuição de Erlang
Distribuição de Erlang Uma variável aleatória exponencial descreve a distância até que a primeira contagem é obtida em um processo de Poisson. Generalização da distribuição exponencial : O comprimento
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisProbabilidade. Distribuição Binomial
Probabilidade Distribuição Binomial Distribuição Binomial (Experimentos de Bernoulli) Considere as seguintes experimentos/situações práticas: Conformidade de itens saindo da linha de produção Tiros na
Leia mais2 Modelo Clássico de Cramér-Lundberg
2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que
Leia maisPE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,
Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisTipos de variáveis aleatórias
Tipos de variáveis aleatórias Variáveis aleatórias discretas se assumem um conjunto finito ou infinito numerável de valores. Exemplos: número de pintas que sai no lançamento de um dado; registo, a intervalos
Leia mais2 Atualidade de uma base de dados
2 Atualidade de uma base de dados Manter a atualidade de uma base de dados é um problema que pode ser abordado de diferentes maneiras. Cho e Garcia-Molina [CHO] definem esse problema da seguinte forma:
Leia mais29/Abril/2015 Aula 17
4/Abril/015 Aula 16 Princípio de Incerteza de Heisenberg. Probabilidade de encontrar uma partícula numa certa região. Posição média de uma partícula. Partícula numa caixa de potencial: funções de onda
Leia maisMedidas e Incertezas
Medidas e Incertezas O que é medição? É o processo empírico e objetivo de designação de números a propriedades de objetos ou eventos do mundo real de forma a descreve-los. Outra forma de explicar este
Leia maisUNIVERSIDADE SÃO JUDAS TADEU
UNIVERSIDADE SÃO JUDAS TADEU TEORIA DAS FILAS FERNANDO MORI prof.fmori@gmail.com A teoria das filas iniciou com o trabalho de Erlang (1909) na indústria telefônica no inicio do século vinte. Ele fez estudos
Leia maisAula 11 Esperança e variância de variáveis aleatórias discretas
Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição
Leia maisARTº 1º (ÂMBITO) ARTº 2º (REQUERIMENTO DE APLICAÇÃO DO ESTATUTO)
REGULAMENTO DO ESTATUTO APLICÁVEL AOS ESTUDANTES PORTADORES DE DEFICIÊNCIA Conselho Científico (Deliberação CC-47/2008 de 26 de junho) 11 07 2012 01 ARTº 1º (ÂMBITO) O presente regulamento aplica-se aos
Leia maisAspecto Fluidez no Estudo de Interseção Semaforizada e não Semaforizada
SP 01/07/92 NT 151/92 Aspecto Fluidez no Estudo de Interseção Semaforizada e não Semaforizada Núcleo de Estudos de Tráfego 1. Introdução Além da segurança, o semáforo influi muito nos atrasos sofridos
Leia maisCAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO
CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO Em quase todas as nossas atividades diárias precisamos enfrentar filas para atender as nossas necessidades. Aguardamos em fila na padaria, nos bancos, quando trafegamos
Leia maisModelos, em escala reduzida, de pontes e barragens. Simuladores de voo (ou de condução), com os quais se treinam pilotos (ou condutores).
SIMULAÇÃO 1 Introdução Entende-se por simulação a imitação do funcionamento de um sistema real recorrendo a uma representação desse sistema. Com essa representação modelo, pretende-se realizar experimentações
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisUm estudo da correlação dos resultados patrimoniais e operacionais das seguradoras Francisco Galiza, Mestre em Economia (FGV)
Um estudo da correlação dos resultados patrimoniais e operacionais das seguradoras Francisco Galiza, Mestre em Economia (FGV) Este estudo aborda a correlação entre os resultados operacionais e patrimoniais
Leia maisAvaliação de Desempenho de Sistemas
Avaliação de Desempenho de Sistemas Modelo de Filas M/M/1 e M/M/m Prof. Othon Batista othonb@yahoo.com Modelo de Filas Nas aulas anteriores vimos a necessidade de se utilizar uma distribuição para representar
Leia maisNuma turma de 26 alunos, o número de raparigas excede em 4 o número de rapazes. Quantos rapazes há nesta turma?
GUIÃO REVISÕES Equações e Inequações Equações Numa turma de 6 alunos, o número de raparigas ecede em 4 o número de rapazes. Quantos rapazes há nesta turma? O objectivo do problema é determinar o número
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisA MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1
A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1 A IMPORTÂNCIA DA MATEMÁTICA O desenvolvimento das sociedades tem sido também materializado por um progresso acentuado no plano científico e nos diversos domínios
Leia maisMAT1154 ANÁLISE QUALITATIVA DE PONTOS DE EQUILÍBRIO DE SISTEMAS NÃO-LINEARES
MAT1154 ANÁLISE QUALITATIVA DE PONTOS DE EQUILÍBRIO DE SISTEMAS NÃO-LINEARES VERSÃO 1.0.2 Resumo. Este texto resume e complementa alguns assuntos dos Capítulo 9 do Boyce DiPrima. 1. Sistemas autônomos
Leia maisInstituto Superior Técnico. 19 de Janeiro de 2001. Parte I
Exame de Compressão e Codificação de Dados Secção de Telecomunicacções DEEC, Instituto Superior Técnico 19 de Janeiro de 1 Parte I Esta parte do exame é constituida por 20 perguntas de resposta múltipla.
Leia maisExercício de Revisao 1
Exercício de Revisao 1 Considere que seu trabalho é comparar o desempenho de dois algoritmos (A e B) de computação gráfica, que usam métodos diferentes para geração de faces humanas realistas. São sistema
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisIntrodução a Teoria das Filas
DISC. : PESQUISA OPERACIONAL II Introdução a Teoria das Filas Prof. Mestre José Eduardo Rossilho de Figueiredo Introdução a Teoria das Filas Introdução As Filas de todo dia. Como se forma uma Fila. Administrando
Leia maisCAPACITORES. Vestibular1 A melhor ajuda ao vestibulando na Internet Acesse Agora! www.vestibular1.com.br
CAPACITORES DEFINIÇÕES Quando as placas do capacitor estão carregadas com cargas iguais e de sinais diferentes, estabelece-se entre as placas uma diferença de potencial V que é proporcional à carga. Q
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisDELIBERAÇÃO CVM Nº 731, DE 27 DE NOVEMBRO DE 2014
Aprova a Interpretação Técnica ICPC 20 do Comitê de Pronunciamentos Contábeis, que trata de limite de ativo de benefício definido, requisitos de custeio (funding) mínimo e sua interação. O PRESIDENTE DA
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisCrescimento em longo prazo
Crescimento em longo prazo Modelo de Harrod-Domar Dinâmica da relação entre produto e capital Taxa de poupança e produto http://fernandonogueiracosta.wordpress.com/ Modelo keynesiano Crescimento = expansão
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisVersão 1.0 09/Set/2013. www.wedocenter.com.br. WeDo Soluções para Contact Center Consultorias
Verificação do Modelo de Erlang Ponto de Análise: Processo de chegada de contatos Operações de Contact Center Receptivo Por: Daniel Lima e Juliano Nascimento Versão 1.0 09/Set/2013 Ponto de Análise Processo
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisCurso: Engenharia de Produção. Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística. Curso: Engenharia de Produção
λ número médio de clientes que entram no sistema por unidade de tempo; µ número médio de clientes atendidos (que saem do sistema) por unidade de tempo; Servidores (mecânicos) no sistema; número de máquinas
Leia maisPlaneamento de um Posto de Abastecimento de Combustível
Introdução aos Computadores e à Programação 2007/2008, 2º Semestre 1º Trabalho de OCTAVE Planeamento de um Posto de Abastecimento de Combustível 1. Introdução Pretende-se instalar um posto de abastecimento
Leia maisINSTITUTO FEDERAL DO ESPÍRITO SANTO CAMPUS SERRA BACHARELADO EM SISTEMAS DE INFORMAÇÃO LISTA DE EXERCÍCIOS (VARIÁVEIS ALEATÓRIAS) ALUNO(A):
INSTITUTO FEDERAL DO ESPÍRITO SANTO CAMPUS SERRA BACHARELADO EM SISTEMAS DE INFORMAÇÃO LISTA DE EXERCÍCIOS (VARIÁVEIS ALEATÓRIAS) ALUNO(A): 1) A demanda quotidiana por um determinado produto no mercadinho
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisCOS767 - Modelagem e Análise Aula 2 - Simulação. Algoritmo para simular uma fila Medidas de interesse
COS767 - Modelagem e Análise Aula 2 - Simulação Algoritmo para simular uma fila Medidas de interesse Simulação O que é uma simulação? realização da evolução de um sistema estocástico no tempo Como caracterizar
Leia maisDescreve de uma forma adequada o
EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada
Leia maisAnálise de Algoritmos: Melhor caso, pior caso, caso médio
Análise de Algoritmos: Melhor caso, pior caso, caso médio Fernando Lobo Algoritmos e Estrutura de Dados II 1 / 25 Sumário Rever um problema e um algoritmo que já conhecem. Descrevê-lo em pseudo-código
Leia maisUNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2
UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0
Leia maisUma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.
Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de
Leia maisMétodos Quantitativos Prof. Ms. Osmar Pastore e Prof. Ms. Francisco Merlo. Funções Exponenciais e Logarítmicas Progressões Matemáticas
Métodos Quantitativos Prof. Ms. Osmar Pastore e Prof. Ms. Francisco Merlo Funções Exponenciais e Logarítmicas Progressões Matemáticas Funções Exponenciais e Logarítmicas. Progressões Matemáticas Objetivos
Leia maisX.0 Sucessões de números reais 1
«Tal como a tecnologia requer as tøcnicas da matemætica aplicada, tambøm a matemætica aplicada requer as teorias do nœcleo central da matemætica pura. Da l gica matemætica topologia algøbrica, da teoria
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES 1
CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,
Leia maisDistribuições: Binomial, Poisson e Normal. Distribuição Binomial
Distribuições: Binomial, Poisson e Normal Distribuição Binomial Monitor Adan Marcel e Prof. Jomar 1. Uma remessa de 800 estabilizadores de tensão é recebida pelo controle de qualidade de uma empresa. São
Leia maisSimulação Estocástica
Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias
Leia maisPodemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em um projeto.
Discussão sobre Nivelamento Baseado em Fluxo de Caixa. Item aberto na lista E-Plan Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em
Leia maisImposto progressivo. vem inteirinho, sem nenhum imposto, e no segundo há que se pagar 15%, isto é, 165, restando apenas 935.
Imposto progressivo Eduardo Colli Neste texto, falaremos um pouco sobre uma modalidade de tributação dos salários, adotada no Brasil, que é o Imposto de Renda com tabela progressiva. Nosso intuito é apenas
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisDistribuições de Probabilidade Distribuição Binomial
PROBABILIDADES Distribuições de Probabilidade Distribuição Binomial BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia mais4. Curvas planas. T = κn, N = κt, B = 0.
4. CURVAS PLANAS 35 4. Curvas planas Nesta secção veremos que no caso planar é possível refinar a definição de curvatura, de modo a dar-lhe uma interpretação geométrica interessante. Provaremos ainda o
Leia maisMAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisCadeias de Markov. Geovany A. Borges gaborges@ene.unb.br
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br
Leia maisEstabilidade. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1
Estabilidade Carlos Alexandre Mello 1 Introdução Já vimos que existem três requisitos fundamentais para projetar um sistema de controle: Resposta Transiente Estabilidade Erros de Estado Estacionário Estabilidade
Leia maisExercícios Resolvidos sobre probabilidade total e Teorema de Bayes
Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes Para ampliar sua compreensão sobre probabilidade total e Teorema de Bayes, estude este conjunto de exercícios resolvidos sobre o tema.
Leia maisTeoria de Filas Aula 15
Teoria de Filas Aula 15 Aula de hoje Correção Prova Aula Passada Prova Little, medidas de interesse em filas Medidas de Desempenho em Filas K Utilização: fração de tempo que o servidor está ocupado Tempo
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento
33 Capítulo 4 Teoria de Filas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de sistemas de comunicação de dados. Muita atenção deve ser dada aos processos
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia mais3 Método de Monte Carlo
25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional
Leia mais5 Transformadas de Laplace
5 Transformadas de Laplace 5.1 Introdução às Transformadas de Laplace 4 5.2 Transformadas de Laplace definição 5 5.2 Transformadas de Laplace de sinais conhecidos 6 Sinal exponencial 6 Exemplo 5.1 7 Sinal
Leia maisOpções Reais. Processos Estocásticos. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos
Modelando Incerteza Opções Reais A incerteza em um projeto pode ter mais do que apenas dois estados. Na prática, o número de incertezas pode ser infinito Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio
Leia mais