Modelos de Filas de Espera
|
|
- Joaquim Tomé Amorim
- 5 Há anos
- Visualizações:
Transcrição
1 QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Modelos de Filas de Espera Métodos Quantitativos 2004/2005 João Moura Pires
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 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 Processo básico de Fila de Espera Sistema de Fila de Espera Fonte de Entrada Clientes Fila Mecanismo de Serviço Clientes servidos O Estes Em Quando Uma Cliente certos fonte clientes um seleccionado momentos de serviço entram entrada é é no concluído gera escolhido é Sistema servido ao longo para por de um Fila do membro um tempo de mecanismo cliente, Espera da clientes este fila, e juntam-se de sai para que serviço do solicitam sistema servido, a uma de um De Fila serviço acordo de Espera com alguma regra conhecida por disciplina da 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 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 Fonte de entrada - População alvo - Dimensão: número total de clientes que podem requisitar 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 analitico mais complicado pois o número de clientes dentro do sistema (na fila ou a ser servidos) afecta o número de clientes fora do sistema Deve ser adoptado este modelo sempre que o ritmo a que os clientes são gerados pela fonte depende significativamente afectada pelo 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 Poissson. Assume que a chegada de clientes ao sistema é independente do número de clientes presentes -> população infinita. Tempo entre chegada de clientes ao sistema - Distribuição exponencial
10 Fila de Espera Dimensão da fila de Espera Infinita A suposição de fila de capacidade infinita é em geral assumida, mesmo quando a capacidade for finita mas grande o suficiente. Finita Quando o limite é finito e pequeno de tal modo que a capacidade da fila possa ser atingido com frequência, então é necessário assumir que a capacidade é um número finito - complica o modelo Disciplina da Fila de Espera Primeiro chegado, primeiro servido Aleatório Prioridades 1
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 1
12 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 1
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 Clientes Fila C C C C C C Mecanismo de Serviço C C S 1 S 2 Clientes servidos C S 3 1
14 Hipóteses de independência Os tempos entre chegadas são independentes e identicamente distribuidas Os tempos de serviço são independentes e identicamente distribuidos? /? / s Distribuição de tempos Entre chegadas Número de servidores Distribuição de tempos serviços 1
15 Modelos?/?/s Notação usada para as distribuições M: distribuição exponencial (Marcoviana) D: distribuição degenerada (tempos constantes) E k : distribuição de Erlang com parametro k G: distribuição geral ou arbitrária Exemplos M/M/s M/G/1 1
16 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. 1
17 Terminologia e Notação (2) λ n : ritmo médio de chegadas de novos clientes quando estão n clientes no sistema (número esperado de chegadas por unidade de tempo) Se λ n é constante para todos os valores de n denota-se apenas λ, ou seja quando o ritmo de chegada não depende do número de clientes no sistema 1/λ é o tempo esperado entre chegadas de novos clientes 1
18 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). Atenção 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 é o tempo esperado de serviço 1
19 Terminologia e Notação (4) ρ = λ/(sµ) é o factor de utilização da infraestrutura de serviço, isto é, a fracção de tempo esperada 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. λ é o número esperado de novos clientes por unidade de tempo 1
20 Terminologia e Notação (5) Regime estacionário A distribuição de probabilidade do sistema mantem-se a mesma ao longo do tempo. Grandezas definidas para o 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 de espera 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 ) 2
21 Relações entre L, W, L q e W q Assumindo que λ n é constante e igual a λ para todo n, verifica-se num regime estacionário: e L = λ W (Formula de Little) L q = λ W q Se λ n não toma o mesmo valor para todos os valores de n, λ então, é possível substituir λ por valor médio dos λ n ao longo do tempo 2
22 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 2
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 λ n λ µ n µ # por unidade de tempo 1/λ n 1/λ 1/µ n 1/µ tempo Tempos entre chegadas Tempos de serviço Factor de utilização ρ = λ/(sµ) sµ - capacidade 2
24 Resumo da terminologia - Regime estacionário Clientes λ 1/λ Número esperado de clientes no sistema Sistema de Fila de Espera Fila C C C C C C L q Número esperado de clientes na fila Mecanismo de Serviço C C C S 1 S 2 S 3 L s n, N(t) µ 1/µ Clientes servidos W W = E(W) W q 1/µ W q = E(W q ) L = λ W L q = λ W q W = W q + 1/µ 2
25 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 2
26 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 Exponencial 2
27 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 2
28 Distribuição Exponencial com parâmetro α = 4 f ( t ) (para α = 4) τ E(T) = 1/α = 1/4 2
29 Distribuição Exponencial com parâmetro α f ( t ) α = α = t 2
30 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] = τ 3
31 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)
32 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 Em situações em que potencias clientes desistem (e voltam mais tarde) quando outro cliente já está na fila, a distribuição expondencial é adequada para tempos entre chegadas. Vão aparecendo mais ou menos regularmente (curtos intervalos) com intervalos ocasionalmente longos sem aparecer nehum cliente. 3
33 P2: Falta de memória P[T > t + t T > t] = P[T > t] para t > 0 e t > 0 P[T > t + Δt T > Δt] = = = P[T > Δt,T > t + Δt] P[T > Δt] P[T > t + Δt] P[T > Δt] e α (t+δt) e αδt = e αt = P[T > t] 3
34 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.. 3
35 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 parametros 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] = e α 1 t e α 2 t...e α n t n = e α i t i=1 α U = α i n i=1 3
36 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 O tempo que falta, a partir de um dado instante, até à chegada de um cliente de tipo i tem também uma exponencial de parametro α i (mesma distribuição). P3 O tempo que falta, a partir de um dado instante, até à chegada de um cliente de qualquer tipo tem também uma exponencial de parametro: n α i i=1 α U = 3
37 P3:O mínimo de várias exponenciais independentes é uma distribuição exponencial Tempo de serviço Quando existem n servidores em paralelo com a mesma distrubuição exponencial (com parametro 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 é uma exponencial com parametro nµ. Ou seja o sistema multi-server pode ser visto como um sistema mono-server cuja distribuição do tempo de serviço é nµ 3
38 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 distribuição de probabilidade X(t) tem uma distribuição de Poisson com parametro αt. A sua esperança 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) P[X(t) = n] = (αt)n e αt n! para n = 0,1,... 3
39 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 chamado de Processo de Poisson 3
40 P4: Relação com a distribuição de Poisson Tempos entre chegadas Tempos de serviço Exponencial Número de chegadas Número de serviços completados Poisson 4
41 P4: Relação com a distribuição de Poisson Se os tempos de serviço seguem uma distribuição exponencial de parametro µ então definimos 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 4
42 P4: Relação com a distribuição de Poisson Se os tempos entre chegadas de novos clientes seguem uma distribuição exponencial de parametro λ então definimos X(t) como o número de chegadas durante um tempo t, com α = λ (que é o ritmo médio de chegadas). 4
43 P4: Relação com a distribuição de Poisson 0.4 Prob[X(t) = n] t=1 t=2 t= n 4
44 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 (P[T > t + t T > t] = P[T > t] para t > 0 e t > 0) já indicava que a probabilidade de o próximo evento ocorrer num proximo 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 é pequeno então A probabilidade pode ser aproximada por α t A probabilidade é proporcional a t considerando diferentes valores pequenos 4
45 P5: t 0, P[T t + t T > t] α t para pequeno t P[T t + Δt T > t] = P[T Δt] e x =1+ x + n=2 x n n! =1 e αδt =1 1+αΔt ( αδt) n n! n=2 P[T t + Δt T > t] αδt para pequenos valores de t. 4
46 P6: Insensivel 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 parametro λ i. Assumindo que são processos independentes então a chegada de todos os clientes (independentemente do seu tipo) é também um processo de Poisson com parametro λ = λ 1 + λ λ n Inversamente, se a probabilidade de chegar um cliente do tipo i for p i, então λ i = p i λ 4
47 Distribuição de Erlang com parametro k - distribuição gamma - Função densidade Média f (t) = (μk)k (k 1)! t k 1 e kμt para t 0 µ e k são parametros positivos. k é inteiro E(T ) = 1 μ Desvio Padrão StDev(T ) = 1 k 1 μ Parametro k define o grau de variabilidade dos tempos de serviço relativamente á média. 4
48 Distribuição de Erlang com parametro k - distribuição gamma - f(t) µ k = k = 3 k = 2 k = 1 1/µ t k = 1 : Exponencial k = : Degenerada (tempo constante) 4
49 Distribuição de Erlang com parametro 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 parametros 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. 4
50 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 5
51 Introdução A maioria dos modelos elementares de filas de espera assume que as entradas (chegadas de novos clientes) e as saidas (saidas de clientes) do sistema de fila de espera ocorre de acordo com o processo de nascimento e morte. Nascimento: chegada de clientes ao sistema Morte: saída de clientes (com serviço concluído) do sistema 5
52 Hipóteses Estado do sistema- N(t) - número de clientes no sistema Dado N(t) = n, a D.P do tempo até à próxima chegada é uma exponencial de parametro λ n. Dado N(t) = n, a D.P do tempo até à próxima saída é uma exponencial de parametro µ n. As variáveis aleatórias tempo até à próxima chegada e tempo até à próxima saída são mutuamente independentes. As transições de estado (alteracão de N(t)) são: n n + 1 (um único nascimento) n n - 1 (uma única morte) 5
53 Diagrama de estados Dado N(t) = n, a D.P do tempo até à próxima chegada é uma exponencial de parametro λ n. P4 λ 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 é uma exponencial de parametro µ n. P4 µ n é o ritmo médio de saídas (média de saídas por unidade de tempo) λ n-1 λ n n-1 n n+1 Uma transição possível µ n µ n+1 5
54 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) t L n(t) t 1 t E lim n (t) L n(t) t t t = 0 lim t lim t E n (t) t L n (t) t = número esperado de vezes que o processo entra no estado n = ritmo médio de vezes que o processo sai do estado n 5
55 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) t = lim t L n (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 5
56 Eq. de Equilíbrio para o estado n = 0 L 0 (t) - número esperado de vezes que o processo sai do estado n = 0 P 0 λ 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 n é proporcional ao tempo que o processo se encontra no estado n = 0 L 0 (t) = λ 0 P 0 5
57 0 1 Indíce Eq. de Equilíbrio para o estado n = 0 E 0 (t) - número esperado de vezes que o processo entra no estado n = 0 P0 λ 0 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 5
58 0 1 Indíce Eq. de Equilíbrio para o estado n = 0 E n (t) = L n (t) L 0 (t) = λ 0 P 0 E 0 (t) = μ 1 P 1 P0 λ 0 P 1 µ 1 λ 0 P 0 = µ 1 P 1 5
59 Diagrama de estados λ 0 λ 1 λ 2 λ n-2 λ n-1 λ n n-2 n-1 n n+1 µ 1 µ 2 µ 3 µ n-1 µ n µ n+1 5
60 Eq. de Equilíbrio para o estado n L n (t) - número esperado de vezes que o processo sai do estado n µ n λ n n-1 n n+1 P n L n (t) = P n (λ 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) 6
61 Eq. de Equilíbrio para o estado n E n (t) - número esperado de vezes que o processo entra no estado n λ n-1 n-1 n n+1 P n-1 µ n+1 P n+1 E n (t) = P n 1 λ 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 entram no sistema por unidade de tempo (transições de n +1) 6
62 Eq. de Equilíbrio para o estado n E n (t) = L n (t) E n (t) = P n 1 λ n 1 + P n+1 μ n+1 L n (t) = P n (λ n +μ n ) λ n-1 λ n n-1 n n+1 P n-1 P n+1 µ n µ n+1 P n (λ n +μ n ) = P n 1 λ n 1 + P n+1 μ n+1 6
63 Eq. de Equilíbrio para um processo de nascimento e morte Estado n-1 n E n (t) = L n (t) λ 0 P 0 = µ 1 P 1 (λ 1 + µ 1 ) P 1 = λ 0 P 0 + µ 2 P 2 (λ 2 + µ 2 ) P 2 = λ 1 P 1 + µ 3 P 3 (λ n-1 + µ n-1 ) P n-1 = λ n-2 P n-2 + µ n P n (λ n + µ n ) P n = λ n-1 P n-1 + µ n+1 P n+1 6
64 Probabilidades do regime estacionário Estado 0: 1 2 n µ 1 P 1 = λ 0 P 0 P 1 = λ 0 μ 1 P 0 Pλ 20 P= λ 1 0 +μp μ P 1 2 = (μ μ 2 (λ 1 P 11 +μ λ 1 )P 0 P 10 ) P 2 = λ 1 P μ 2 1 P 2 = λ λ 1 0 μ 2 μ 1 P 0 Pλ 31 P= 1 +μ λ 2 P 3 P 3 = (λ +μ 2 )P μ μ 1 (μ 3 2 P 2 λ 1 P 1 ) P 3 = λ 2 P μ 3 2 P 3 = λ λ λ P n = λ n 1 P μ n n 1 P n = λ n 1...λ 1 λ 0 μ n...μ 2 μ 1 P 0 μ 3 μ 2 μ 1 P 0 C n = λ n 1...λ 1 λ 0 para n 1 μ n...μ 2 μ 1 P n = C n P 0 para n = 0, 1, C n =1 para n = 0 P n =1 n=0 6
65 Probabilidades do regime estacionário C n = λ n 1...λ 1 λ 0 para n 1 μ n Kμ 2 μ 1 C n =1 para n = 0 P n = C n P 0 P n =1 n=0 para n = 1, C n P 0 =1 n=0 C n n=0 P 0 =1 P 0 = C n n=0 1 6
66 Determinação de L, L q, W, W q Clientes λ 1/λ Número esperado de clientes no sistema Sistema de Fila de Espera Fila C C C C C C L q Número esperado de clientes na fila Mecanismo de Serviço C C C S 1 S 2 S 3 L n, N(t) Clientes servidos L = E(n) = np n L q = E(n s) = (n s)p n n=0 n=s s, o número de servidores, representa o número de clientes que podem ser servidos simultaneamente, i.e., clientes que não estão na fila de espea 6
67 Determinação de L, L q, W, W q Clientes λ 1/λ Fila C C C C C C L q Mecanismo de Serviço C C C S 1 S 2 S 3 L n, N(t) Clientes servidos W W = E(W) W q W q = E(W q ) W = L λ W q = L q λ onde λ é a média do ritmo de chegada λ = E(λ n ) = λ n P n n=0 6
68 Condições para o regime estacionário O sistema atinge sempre um regime estacionário: Se existir um n tal λ n = 0 Número finito de estados Se λ n e µ n tiverem o mesmo valor para todo o n, isto é, se λ e µ estiverem definidos e a taxa de utilização for menor que 1, ou seja ρ = λ / (s µ) < 1 O sistema não está em sobre utilização O sistema não atinge um regime estacionário se C n = n=1 6
69 Resultados de séries geométricas (e não só) N x n n=0 = 1 x N+1 1 x para x 1 x n n=0 = 1 1 x para x <1 n=0 x n n! = e x 6
70 Exemplos Alguns problemas da 6ª edição
71 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 L (número esperado de clientes no sistema). L q (número esperado de clientes na fila). O número esperado de clientes a serem servidos. 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 ). Supondo que os dois servidores têm o mesmo tempo esperado de serviço, determine o seu valor. 7
72 L (número esperado de clientes no sistema). L = L q = 4 n.p n = n= = 2 2. L q (número esperado de clientes na fila). (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 ) = ( ) =
73 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 ). λ = 2 ritmo médio de chegada de 2 clientes por hora w = L λ = 2 2 =1 hora w = L q λ = 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 7
74 Dois sistemas de fila de espera Q 1, Q 2. λ 2 = 2 λ 1 ; µ 2 = 2 µ 1 ; L 2 = 2 L 1 Determinar W 2 /W 1 W 2 = L 2 λ 2 W 1 = L 1 λ 1 W 2 W 1 = L 2 λ 2 L 1 λ 1 = L 2λ 1 L 1 λ 2 = 2 2 =1 7
75 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 = λ W = λ(w q +1/µ) = λw q + λ/µ = L q + ρ c) P 0 = 1 - ρ a) = b) L q + ρ = L q P 0 P 0 = 1 - ρ L = λ W L q = λ W q W = W q +1/µ 7
76 Mostrar que L = np n L = np n n=0 s 1 s 1 s 1 + L q + s 1 P n n=0 n=0 = np n + np n = np n + (n s)p n + sp n n=0 n=s s 1 n=0 n=s n=s L = L = L = s 1 np n + L q + sp n n=0 s 1 n=s np n + L q + s P n n=0 n=0 n=s s 1 s 1 np n + L q + s 1 P n n=0 7
77 Sistema com dois servidores (s = 2) 1/λ = 2 horas; 1/µ = 2 horas para cada servidor; Um cliente chegou ao meio dia Interpretando os dados λ = 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 7
78 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 7
79 Distribuição Exponencial com parâmetro α = 4 f ( t ) (para α = 4) τ E(T) = 1/α = 1/4 7
80 P[próxima chegada seja antes da 1:00 PM] = = P[T < t =1] =1 e λ1 = 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 λ = P[próxima chegada seja depois das 2:00 PM] = = P[T > t = 2] = e λ 2 =
81 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; k = 1; k 2; = e 1 2 = = 1 2 e 1 2 = =1 [e e 1 2 ] = P[X(t) = n] = (λt)n e λt n! Distr. Poisson 8
82 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; ii) Antes da 1:10? = e 1 = = e 1(1/6) = iii) Antes da 1:01? = e 1(1/60) = P[T > t] = e λt 8
83 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 8
84 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 saidas (saidas de clientes) do sistema de fila de espera ocorre de acordo com o processo de nascimento e morte. Dizem-se modelos com entradas de Poissom e tempos de serviço exponenciais. Os ritmos de chegada de clientes (λ 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 λ n e µ n variam em função de n. 8
85 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 λ e/ou µ variando com o valor de n. s = 1 s > 1 8
86 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 λ é constante e independente de n; λ n = λ para n = 0, 1, 2 µ é constante e independente de n; µ n = µ para n = 1, 2, 8
87 M/M/s (caso s = 1) λ n = λ para n = 0, 1, 2 µ n = µ para n = 1, 2, λ λ λ λ λ λ n-2 n-1 n n+1 µ µ µ µ µ µ Se ρ = λ/µ < 1 (o ritmo de chegada dos clientes não excede a capacidade de serviço do sistema) e o sistema atinge um regime estacionário. 8
88 Simplificações no caso M/M/s (s = 1) λ n = λ para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 C n = λ n 1...λ 1 λ 0 para n 1 μ n...μ 2 μ 1 C n =1 para n = 0 C n = ( μ λ ) 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 = C n n=0 1 P 0 = ρ n n=0 1 = 1 1 ρ 1 =1 ρ x n n=0 = 1 1 x para x <1 P n = (1 ρ )ρ n para n = 0, 1, 8
89 Simplificações no caso M/M/s (s = 1) λ n = λ para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 L = E(n) = np n n=0 P n = (1 ρ )ρ n para n = 0, 1, L = n(1 ρ )ρ n n=0 L = (1 ρ ) nρ n = (1 ρ )ρ nρ n 1 d = (1 ρ )ρ n=0 dρ (ρ n ) n=0 L = (1 ρ )ρ d dρ L = ρ n n=0 n=0 = (1 ρ )ρ d dρ ρ (1 ρ ) = λ μ (1 λ μ ) = λ (μ λ ) 1 1 ρ = (1 ρ )ρ 1 (1 ρ ) 2 8
90 Simplificações no caso M/M/s (s = 1) λ n = λ 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 = n=s λ (μ λ ) L q = L q = (n 1)P n = n.p n P n = L (1 P 0 ) = L ρ n=1 L = n=0 P n n=0 n=1 n=1 n.p n = 0.P 0 + n.p n = n.p n =1= P 0 + P n λ (μ λ ) λ μ = n=1 n=1 n=1 λµ λμ λ2 µ(μ λ ) μ (μ λ ) L q = λ 2 μ (μ λ ) 9
91 M/M/s (s = 1) - Resumo: P n, L, L q λ n = λ 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 = λ µ <1 L = L q = λ (μ λ ) λ 2 μ (μ λ ) Número esperado de clientes no sistema Número esperado de clientes na fila λ < µ 9
92 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 9
93 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 parametro 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 existem 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] n=0 9
94 M/M/s (s = 1) - Tempo de espera no sistema: W P[W > t] = P n P[S n+1 > t] n=0 S n+1 é uma distribuição de Erlang com k = n + 1 de exponenciais com parametro µ k V.A. independentes e identicamente distribuídas com distribuição exponencial com parametro kµ f (t) = (μk)k (k 1)! t k 1 e kμt k n + 1 µ µ/(n + 1) P[S n+1 > t] = t P[S n+1 > t] =1 (μ )n+1 t n e μt dt n! t 0 (μ )n+1 t n e μt dt n! k n + 1 k - 1 n µk µ 9
95 M/M/s (s = 1) - Tempo de espera no sistema: W P[W > t] = P n P[S n+1 > t] n=0 P n = (1 ρ )ρ n P[W t] = G(t) e d dt G(t) = g(t) P[W > t] =1 G(t) (μ )n+1 1 G(t) = (1 ρ )ρ n [1 t n e μt dt] n=0 0 n! g(t) = (1 ρ )ρ n (μ ) n+1 t n e μt n=0 n! g(t) = (1 ρ )μe μt n=0 t (λt) n n! Derivando em ordem a t ρ = λ µ = (1 ρ )μe μt e λt n=0 x n n! = e x 9
96 M/M/s (s = 1) - Tempo de espera no sistema: W, W g(t) = (1 ρ)μe μt e λt g(t) = (1 ρ)μe (λ μ)t μ(1 ρ )t = μ (1 ρ)e P[W > t] =1 G(t) t μ(1 ρ )t P[W > t] =1 μ (1 ρ )e = e 0 P[W > t] = e μ(1 ρ )t para t 0 μ (1 ρ )t W = E(W) = 1/µ(1 - ρ) = 1/(µ - λ) Distribuição Exponencial com parametro µ(1 - ρ) 9
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] = 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 μ (1 ρ )t P[W q > t] = ρp[w > t] = ρe Não é exactamente uma exponencial, pois P[W q = 0] > 0 9
98 M/M/s (s = 1) - Tempo de espera na fila: W q, W q W q - Tempo de espera na fila n = 0 n > 0 P[W q = 0] = P 0 = 1 - ρ μ (1 ρ )t P[W q > t] = ρp[w > t] = ρe W = E(W q ) = λ/µ(1 - ρ) = λ /µ(µ - λ) 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 9
99 M/M/s (s = 1) - Resumo λ n = λ para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 λ < µ P n = (1 ρ )ρ n para n = 0, 1, P 0 =1 ρ Distribuição de probabilidades L = λ (μ λ ) L q = λ 2 μ (μ λ ) 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 - λ) P[W q > t] = ρe μ(1 ρ )t para t 0 W q = E(W q ) = λ/µ(µ - λ) 9
100 M/M/s (s = 1) - Resumo - comentado λ n = λ para n = 0, 1, 2 µ n = µ para n = 1, 2, s = 1 λ < µ P n = (1 ρ )ρ n para n = 0, 1, P 0 =1 ρ Distribuição de probabilidades L = λ (μ λ ) L q = λ 2 μ (μ λ ) Número esperado de clientes no sistema e na fila W = L λ W = E(W) = 1/(µ - λ) W q = W 1 μ W q = L q λ W q = E(W q ) = λ/µ(µ - λ) 10
101 M/M/s (s = 1) - Gráfico: L, L q L = λ (μ λ ) L q = λ 2 μ (μ λ ) 1 L L q L q = L (1 P 0 ) ρ 10
102 M/M/s (s = 1) - Gráfico: P 0, P 1, P 0 P P P ρ 10
103 M/M/s (s = 1) - Gráfico: P n 1 ρ = ρ = n n 1 ρ = ρ = n n 10
104 M/M/s (caso s > 1) RESUMO λ n = λ para n = 0, 1, 2 µ n = nµ para n = 1, 2,, s µ n = sµ para n = s, s + 1, λ λ λ λ λ λ s-2 s-1 s s+1 µ 2µ 3µ (s-1)µ sµ sµ Se ρ = λ/(sµ) < 1 (o ritmo de chegada dos clientes não excede a capacidade de serviço do sistema) e o sistema atinge um regime estacionário. 10
105 Simplificações no caso M/M/s (s > 1): C n λ n = λ para n = 0, 1, 2 µ n = nµ para n s; µ n = sµ para n > s C n = λ n 1...λ 1 λ 0 para n 1 μ n...μ 2 μ 1 C n =1 para n = 0 C n = 1 n! 1 s! λ μ ( ) n para n =1,2,...,s λ ( μ ) s λ ( sμ ) (n s) = λ ( μ) n para n = s,s +1,... (n s) s!s 10
106 Simplificações no caso M/M/s (s > 1): P 0 λ n = λ para n = 0, 1, 2 µ n = nµ para n s; µ n = sµ para n > s 1 1 λ n! ( μ) n para n =1,2,...,s P 0 = C n n=0 C n = 1 λ s! ( μ ) s λ ( sμ ) (n s) λ ( μ) n = para n = s,s +1,... (n s) s!s s 1 P 0 = 1 λ n! ( μ ) n + 1 λ s! ( μ ) s λ ( sμ ) (n s) n=0 n=s 1 s 1 = 1 λ n! μ n=0 ( ) n + s! 1 λ ( μ) s λ ( sμ ) m m=0 1 m = n - s 10
107 Simplificações no caso M/M/s (s > 1): P 0 λ n = λ para n = 0, 1, 2 µ n = nµ para n s; s 1 P 0 = 1 λ n! ( μ ) n + s! 1 λ ( μ) s λ ( sμ ) m n=0 m=0 1 x n n=0 = 1 1 x µ n = sµ para n > s para x <1 ρ = λ/(sµ) < 1 s 1 P 0 = 1 λ n! ( μ ) n + s! 1 λ ( μ) s 1 1 λ /(sμ ) n=0 1 10
108 Simplificações no caso M/M/s (s > 1): P n λ n = λ para n = 0, 1, 2 µ n = nµ para n s; P n = C n P 0 para n = 1, C n = 1 n! 1 s! λ μ ( ) n para n =1,2,...,s λ ( μ ) s λ ( sμ ) (n s) = µ n = sµ para n > s λ ( μ) n para n = s,s +1,... (n s) s!s 1 λ n! ( μ ) n P 0 0 n s P n = λ ( μ) n s!s P (n s) 0 n s 10
109 Simplificações no caso M/M/s (s > 1): L q λ n = λ para n = 0, 1, 2 µ n = nµ para n s; µ n = sµ para n s L q = E(n s) = L q = jp s+ j j=0 = j j=0 = P 0 (λ /μ) s (n s)p n n=s (λ /μ )s s! ρ j P 0 jρ j s! j=0 = P 0 (λ /μ) s s! ρ d dρ = P 0 (λ /μ) s j = n s; n = s + j P s+ j = ρ d s! j=0 1 1 ρ ( ) = P 0 (λ /μ) s ρ s!(1 ρ ) 2 dρ (ρ j ) λ ( μ) s+ j P s!s j 0 = λ ( μ) s s! = P 0 (λ /μ) s s! ρ d dρ P n = λ ( μ) j P s j 0 = ρ j j=0 λ ( μ) n s!s P (n s) 0 λ ( μ) s s! λ ( sμ) j P 0 10
110 M/M/s (s > 1) - Resumo: P 0, P n, L q, L, W q, W λ n = λ para n = 0, 1, 2 µ n = nµ para n s; s 1 P 0 = 1 λ n! ( μ ) n + s! 1 λ ( μ) s 1 1 λ /(sμ ) n=0 L q = P 0 (λ /μ ) s s!(1 ρ ) 2 1 P n = µ n = sµ para n > s 1 n! λ μ ( ) n P 0 0 n s λ ( μ) n s!s P (n s) 0 n s W q = L q λ L = λw = λ (W q + 1 μ ) = L q + λ μ W = W q + 1 μ 11
111 M/M/s (s > 1) - Resumo: P 0, P n, L q, L, W q, W λ n = λ 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 (λ /μ ) s s!(1 ρ ) 1 e s 1 λ /μ μt(s 1 λ /μ ) sμ(1 ρ )t P[W q > t] = (1 P[W q = 0])e P[W q = 0] = s 1 P n n=0 11
112 M/M/s (s > 1) - L 11
113 M/M/s (s > 1) - P 0 11
114 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 λ = 1 2 hora λ = 2 clientes por hora 1 μ = 1 3 hora Vamos considerar dois cenários: S = 1 S = 2 µ = 3 clientes por hora 11
115 Um exemplo M/M/s - Hospital s = 1 s = 2 ρ 2/3 = /3 = P 0 1/3 1/2 P 1 2/9 1/3 P n (n 2) (1/3)(2/3) n (1/3) n L q 4/3 1/12 L 2 3/4 W q 2/3 h = 40 m 1/24 h = 2.5 m W 1 h 3/8 h = 22.5 m P[W q > 0] P[W q > 1/2] P[W q > 1] P[W q > t] (2/3)e -t (1/6)e -4t 11
116 Um exemplo M/M/s - Hospital - P n s = 1 s = n 11
117 Um exemplo M/M/s - Hospital - P[W q > t] s = 1 s = t 11
118 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 λ e/ou µ variando com o valor de n. s = 1 s > 1 11
119 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 11
120 M/M/s/K A única modificação é: λ n = λ para n = 0,1,...,K 1 0 para n K Porque λ n = 0 para alguns valores de n, este modelo pode convergir para um regime estacionário, mesmo quando ρ = λ sμ 1 12
121 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. 12
122 M/M/s/K (caso s = 1) RESUMO λ n = λ para n = 0, 1,, K - 1 µ n = µ para n = 1, 2,, K λ λ λ λ λ K-2 K-1 K µ µ µ µ µ ρ = λ/µ. λ n = λ para n = 0,1,...,K 1 0 para n K 12
123 Simplificações no caso M/M/s/K (s = 1): C n, P 0 λ n = λ para n = 0, 1, 2, K µ n = µ para n = 1, 2, s = 1 C n = λ n 1...λ 1 λ 0 para n 1 μ n...μ 2 μ 1 C n =1 para n = 0 C n = ( μ λ ) n = ρ n para n = 0,, K C n = 0 para n K P 0 = C n n=0 1 K P 0 = ρ n = n=0 1 K+1 1 ρ 1 ρ 1 = 1 ρ 1 ρ K+1 N x n n=0 = 1 x N+1 1 x para x 1 Se ρ = 1 C n = 1 Se ρ = 1 P 0 = 1/K 12
124 Simplificações no caso M/M/s/K (s = 1): P n λ n = λ para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 P n = C n P 0 para n = 1, P n = 1 ρ 1 ρ K+1 ρ n para n = 0, 1,, K P 0 = 1 ρ 1 ρ K+1 C n = ( μ λ ) n = ρ n para n = 0,, K C n = 0 para n K Se ρ = 1 P n = 1/K 12
125 Simplificações no caso M/M/s/K (s = 1): L λ n = λ para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 L = E(n) = L = L = L = np n n=0 K n=0 n 1 ρ 1 ρ K+1 ρ n 1 ρ 1 ρ K+1 ρ 1 ρ 1 ρ ρ d K+1 dρ K n 1 nρ n=0 P n = 1 ρ 1 ρ K+1 ρ n = 1 ρ 1 ρ ρ K d K+1 dρ (ρ n ) = 1 ρ n=0 1 ρ ρ d K+1 dρ 1 ρ K+1 = 1 ρ 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 dρ 1 ρ para n = 0, 1,, K K ρ n n=0 L = 1 ρ 1 ρ ρ d K+1 dρ 1 ρ K+1 1 ρ 12
126 Simplificações no caso M/M/s/K (s = 1): L = 1 ρ 1 ρ K+1 ρ d dρ 1 ρ K+1 1 ρ d dx f (x) = f ' (x) g(x) g(x) f (x).g' (x) g(x) 2 = 1 ρ K (K +1)ρ ρ K+1 1 ρ (1 ρ ) (1 ρ K+1 )( 1) (1 ρ) 2 = 1 ρ 1 ρ ρ (K +1)ρ K (1 ρ)+(1 ρ K+1 ) K+1 (1 ρ ) 2 = ρ (K +1)ρ K (1 ρ )+(1 ρ K+1 ) (1 ρ K+1 )(1 ρ ) = ρ (K +1)ρ K +(K +1)ρ K+1 +1 ρ K+1 (1 ρ K+1 )(1 ρ ) = ρ (K +1)ρ K + Kρ K+1 +1 (1 ρ K+1 )(1 ρ ) = ρ 1 ρ (K +1)ρ K+1 1 ρ K+1 12
127 Simplificações no caso M/M/s/K (s = 1): L ρ (K +1)ρ K + Kρ K+1 +1 (1 ρ K+1 )(1 ρ ) = ρ 1 ρ (K +1)ρ K+1 1 ρ K+1 = ρ 1 ρ K+1 (K +1)ρ = ρ(1 ρ K+1 ) (K +1)ρ K+1 (1 ρ) 1 ρ K+1 (1 ρ K+1 )(1 ρ) = ρ(1 ρ K+1 ) (K +1)ρ K+1 + ρ(k +1)ρ K+1 (1 ρ K+1 )(1 ρ ) = ρ 1 ρ K+1 (K +1)ρ K +(K +1)ρ K+1 (1 ρ K+1 )(1 ρ ) = ρ (K +1)ρ K + Kρ K+1 +1 (1 ρ K+1 )(1 ρ ) 12
128 Simplificações no caso M/M/s/K (s = 1): L λ n = λ para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 L = E(n) = L = L = L = np n n=0 K n=0 n 1 ρ 1 ρ K+1 ρ n 1 ρ 1 ρ K+1 ρ 1 ρ 1 ρ ρ d K+1 dρ K n 1 nρ n=0 P n = 1 ρ 1 ρ K+1 ρ n = 1 ρ 1 ρ ρ K d K+1 dρ (ρ n ) = 1 ρ n=0 1 ρ ρ d K+1 dρ 1 ρ K+1 = 1 ρ 1 ρ 1 ρ ρ d 1 ρ K+1 K+1 dρ 1 ρ para n = 0, 1,, K K ρ n n=0 L = 1 ρ 1 ρ ρ d K+1 dρ 1 ρ K+1 = 1 ρ ρ 1 ρ (K +1)ρ K+1 1 ρ K+1 12
129 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 1 ρ (K +1)ρ K+1 1 ρ K+1 M/M/1/K 12
130 Simplificações no caso M/M/s/K (s = 1): L q λ n = λ 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 = L q = ρ 1 ρ ρ 1 ρ (K +1)ρ K+1 1 ρ K+1 (1 1 ρ 1 ρ K+1) K+1 (K +1)ρ ρ ρ K+1 1 ρ K+1 1 ρ K+1 L = P 0 = ρ 1 ρ (K +1)ρ K+1 1 ρ K+1 1 ρ 1 ρ K+1 L q = ρ 1 ρ (K + 2)ρ K+1 ρ 1 ρ K+1 13
131 Simplificações no caso M/M/s/K (s = 1): W, W q λ n = λ para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 W = L λ W q = L q λ λ = λ n P n = λp n n=0 K 1 n=0 P n = 1 ρ 1 ρ K+1 ρ n para n = 0, 1,, K K 1 P n n=0 λ = λ = λ (1 P K ) 13
132 Simplificações no caso M/M/s/K (s = 1):Resumo λ n = λ para n = 0, 1,, K P n = 1 ρ 1 ρ K+1 ρ n para n = 0, 1,, K µ n = µ para n = 1, 2, s = 1 L = ρ 1 ρ K+1 (K +1)ρ L 1 ρ K+1 q = ρ 1 ρ (K + 2)ρ K+1 ρ 1 ρ K+1 W = L λ W q = L q λ λ = λ(1 P K ) 13
133 M/M/s/K (caso s > 1) RESUMO λ n = λ para n = 0, 1,, K - 1 Assuminos que s < K λ λ λ λ λ λ λ s-1 s s+1 K-2 K-1 K µ 2µ 3µ sµ sµ sµ sµ λ n = λ para n = 0,1,...,K 1 0 para n K µ n = nμ para n = 0,...,s sμ para s n K 13
134 M/M/s/K (caso s > 1): C n C n = λ n 1...λ 1 λ 0 para n 1 μ n...μ 2 μ 1 C n =1 para n = 0 λ n = λ para n = 0,1,...,K 1 0 para n K µ n = nμ para n = 0,...,s sμ para s n K (λ /μ ) n 0 n s n! (λ /μ ) s n s λ C n = s n K s! sμ 0 n > K 13
135 M/M/s/K (caso s > 1): P n, P 0 P n = C n P 0 P 0 = K C n n=0 para n = 1, 1 P n = (λ /μ ) n P 0 0 n s n! (λ /μ ) n P s!s n s 0 s n K 0 n > K P 0 = s (λ /μ ) n + n=0 n! (λ /μ )s s! K n=s+1 λ sμ n s 1 13
136 M/M/s/K (caso s > 1): L q L q = E(n s) = K L q = (n s) n=s (n s)p n n=s (λ /μ )s s! λ sμ n s P 0 P n = (λ /μ )s s! λ sμ n s P 0 s n K = P 0(λ /μ ) s s! K (n s) λ sμ n=s n s = P 0(λ /μ ) s s! ( λ sμ K λ ) (n s) sμ n=s n s 1 = P 0 (λ /μ )s s! = P 0 (λ /μ )s s! ρ ( λ sμ K s j=0 K s j 1 ) jρ j=0 d dρ (ρ j ) = P 0(λ /μ ) s s! j = n s; n = s j = 0;n = K j = K s ρ d dρ K s ρ j j=0 ρ 1 13
137 M/M/s/K (caso s > 1): L q L q = E(n s) = L q = P 0(λ /μ ) s s! (n s)p n n=s ρ d dρ K s ρ j j=0 P n = (λ /μ )s s! λ sμ n s P 0 s n K = P 0(λ /μ ) s s! = P 0(λ /μ ) s s! ρ d dρ 1 ρ k s+1 1 ρ ρ 1 ρ K s (k s)ρ K s (1 ρ ) (1 ρ) 2 L q = P 0 (λ /μ )s s!(1 ρ ) 2 ρ 1 ρ K s (k s)ρ K s (1 ρ ) ( ) 13
138 M/M/s/K (caso s > 1): L L = E(n) = np n n=0 L = s 1 np n + np n n=0 s 1 n=s = np n + (n s)p n + sp n n=0 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=0 n=s n=0 n=0 L = s s 1 np n + L q + s 1 P n n=0 n=0 13
139 M/M/s/K (caso s > 1): W, W q W = L λ W q = L q λ P n = (λ /μ )s s! λ sμ n s P 0 s n K λ = λ n P n = λp n n=0 K 1 n=0 K 1 P n n=0 λ = λ = λ (1 P K ) 13
140 M/M/s/K (caso s > 1): Resumo P n = (λ /μ ) n P 0 0 n s n! (λ /μ ) n P s!s n s 0 s n K 0 n > K P 0 = s (λ /μ ) n + n=0 n! (λ /μ )s s! K n=s+1 λ sμ n s 1 L q = P 0 (λ /μ )s s!(1 ρ ) ρ 1 ρ K s (k s)ρ K s s s 1 (1 ρ ) 2 ( ) L = np n + L q + s 1 P n n=0 n=0 W = L λ W q = L q λ λ = λ(1 P K ) 14
141 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 λ = 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 = 14
142 Um exemplo s = 3, K = ρ 6/(3. 4) = 0.5 P n P P P P L q 0.24 L 1.74 W q W 0.03 h= 2.37 m 0.29 h = 17.4 m P[W > 0] 1 P[W q > 0] n P[W > 0.1] (6 min)
143 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 = =
144 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 14
145 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 14
146 Um exemplo s = 3, K = s = 3, K = 3 ρ 6/(3. 4) = 0.5 6/(3. 4) = 0.5 P P P P L q L W q 0.03 h= 2.37 m - W 0.29 h = 17.4 m 0.25 h = 15 m
147 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 =
148 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 λ e/ou µ variando com o valor de n. s = 1 s > 1 14
149 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. 14
150 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 exponencial com um parametro λ. N - n n Sistema de fila de espera 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) Propriedade 2 e 3 da Exponencial λ n = (N - n)λ 15
151 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 parametros 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 parametro α U n α i i=1 α U = 15
152 M/M/s com população de chamada finita A única modificação é: λ n = (N n)λ para n = 0,1,...,N 0 para n N Porque λ n = 0 para alguns valores de n, este modelo pode convergir para um regime estacionário, mesmo quando ρ = λ sμ 1 15
153 M/M/s com população de chamada finita (caso s = 1) λ n = (N - n)λ para n = 0, 1,, N µ n = µ para n = 1, 2, Nλ (N-1)λ (N-2)λ (N-n+2)λ (N-n+1)λ λ n-2 n-1 n N-1 N µ µ µ µ µ µ (N n)λ para n = 0,1,...,N λ n = 0 para n N 15
154 M/M/s - população de chamada finita (s = 1) : C n C n = λ n 1...λ 1 λ 0 para n 1 μ n...μ 2 μ 1 C n =1 para n = 0 λ n = (N n)λ para n = 0,1,...,N 0 para n N para n = 0,, N C n = (N n +1)...(N 1)N λ n μ N! λ C n = n (N n)! μ para n N C n = 0 15
155 M/M/s - população de chamada finita (s = 1) : P 0, P n P 0 = C n n=0 1 P n = C n P 0 C n = N! λ n (N n)! μ P 0 = P n = N n=0 N! λ n (N n)! μ 1 N! λ n (N n)! μ P 0 para n = 1, 2,, N 15
156 M/M/s - população de chamada finita (s = 1) : L q, L L q = E(n s) = L q = N (n s)p n n=s (n 1)P n n=1 L q = N λ +μ λ (1 P 0 ) L = E(n) = L = np n n=0 N np n = np n P n + P n = np n = (n 1)P n +(1 P 0 ) n=0 N n=1 N n=1 N n=1 K n=0 K n=1 = L q +(1 P 0 ) L = N μ λ (1 P 0 ) = N λ +μ λ (1 P 0 ) +(1 P 0 ) 15
157 M/M/s - população de chamada finita (s = 1) : W q, W W = L λ W q = L q λ λ = λ n P n = (N n)λp n n=0 N N n=0 = Nλ P n λ np n n=0 N n=0 = Nλ λl = λ (N L) λ = λ(n L) W = L λ (N L) W q = L q λ (N L) 15
158 M/M/s com população de chamada finita (N s > 1) λ n = (N - n)λ para n = 0, 1,, N µ n = nµ para n = 1, 2, s µ n = sµ para n > s Nλ (N-1)λ (N-2)λ (N-s+2)λ (N-s+1)λ λ s-2 s-1 s N-1 N µ 2µ 3µ (s-1)µ sµ sµ 15
159 M/M/s - população de chamada finita (s > 1) : C n C n = λ n 1...λ 1 λ 0 para n 1 μ n...μ 2 μ 1 C n =1 para n = 0 (N n)λ para n = 0,1,...,N λ n = 0 para n N nμ para n = 0,1,...,s µ n = sμ para n s para n = 0,, s N! λ C n = n (N n)!n! μ para n= s, s + 1,, N N! λ C n = (N n)!s!s (n s) n μ para n > N C n = 0 15
160 M/M/s - população de chamada finita (s > 1) : P 0 P 0 = C n n=0 1 s 1 N! λ P 0 = n (N n)!n! μ + n= 0 N n= s N! λ (N n)!s!s (n s) n μ 1 16
161 M/M/s - população de chamada finita (s > 1) : P n P n = C n P 0 para n = 1, 2,, N P n = N! λ n (N n)!n! μ P 0 0 n s N! λ (N n)!s!s (n s) n μ P 0 s n N 0 n > N 16
162 M/M/s - população de chamada finita (s > 1) : L q, L L q = E(n s) = L q = N (n s)p n n=s (n s)p n n=s L = E(n) = L = np n n=0 N np n = np n + np n = np n + (n s)p n + s P n n=0 s 1 n=1 N n=s s 1 n=0 N n=s N n=s L q = s 1 np n + L q + s(1 P n ) n=0 s 1 n=0 16
163 M/M/s - população de chamada finita (s > 1) : W q, W W = L λ W q = L q λ λ = λ n P n = (N n)λp n n=0 N N n=0 = Nλ P n λ np n n=0 N n=0 = Nλ λl = λ (N L) λ = λ(n L) W = L λ (N L) W q = L q λ (N L) 16
164 M/M/s - população de chamada finita: Nota Hipótese formulada neste modelo 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 exponencial com um parametro λ. Generalização As fórmulas anteriores continuam aplicáveis mesmo quando não se assume tempo que está fora do sistema segue uma exponencial com um parametro λ. Basta que estes tempos sejam identicamente distribuidos com uma média de 1/λ, que podem ter uma qualquer distribuição. Deixa de ser um caso particular do processo de nascimento e morte 16
165 Um exemplo Um técnico de manutenção tem a responsabilidade de manter 3 máquinas s = 1 ; N = 3 Para cada máquina a distribuição de probabilidade do tempo até à próxima avaria é uma exponencial de com uma média de 9 horas 1/λ = 9 horas; λ = avarias por hora 1/λ = dias; λ = avarias por dia O tempo de reparação segue uma distribuição exponencial com uma média de 2 horas; 1/µ = 2 horas; µ = 0.5 reparações por hora 16
166 Um exemplo (M/M/1/N; N = 3; λ = ; µ = 0.5) Distribuição de probabilidade e o número esperado de máquinas que não estão a trabalhar. Máquina que não estão a trabalhar -> máquinas no sistema de fila de espera (n) N P 0 = n=0 N! λ n (N n)! μ P n P n = N! λ n (N n)! μ P 0 P P P P n 16
167 Um exemplo (s = 1; N = 3; λ = ; µ = 0.5) Distribuição de probabilidade e o número esperado de máquinas que não estão a trabalhar. Máquina que não estão a trabalhar -> máquinas no sistema de fila de espera (n) L = N μ λ (1 P 0 ) L = 3 np n n=1 L = L q = P n L q = 3 (n 1)P n n=2 P P P P n 16
168 Um exemplo (M/M/1 com λ = 1/3; µ = 0.5) Vamos considerar um modelo aproximado: Supor que a população de chamada era infinita, em que o ritmo de chegada seria de 3 cada 9 horas. λ = 1/3; µ = 0.5 P n = (1 ρ )ρ n para n = 0, 1, M/M/1/N L = M/M/1 L = M/M/1/N M/M/1 L q = L q =
169 Um exemplo (M/M/1/K com λ = 1/3; µ = 0.5) Vamos considerar outro modelo aproximado: Supor que a população de chamada era infinita, com fila de espera finita (K = 3), em que o ritmo de chegada seria de 3 cada 9 horas. λ = 1/3; µ = 0.5 P n = 1 ρ 1 ρ ρ n K M/M/1/N L = M/M/1 L = 2 M/M/1/K L = M/M/1/N M/M/1 M/M/1/K 16
170 Um exemplo (s = 2; N = 3; λ = ; µ = 0.5) Modelo de polulação de chamada finita mas com 2 técnicos N! λ P 0 = n s 1 (N n)!n! μ + n=0 N! λ (N n)!n!s (n s) n N μ n=s N! λ n (N n)!n! μ P 0 0 n s N! λ P n = (N n)!s!s (n s) n μ P 0 s n N 0 n > N 1 17
171 Um exemplo (s = 2; N = 3; λ = ; µ = 0.5) Modelo de polulação de chamada finita mas com 2 técnicos s = 1 s = P n L L q s = 1 s = 2 W W q n 17
172 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 λ e/ou µ variando com o valor de n. s = 1 s > 1 17
173 Modelos com λ n e/ou µ n dependentes de n Razões para variação de µ n de acordo com o valor de n Quando os servidores são pessoas, na presença de longas filas o serviço tende a ser mais rápido Aumenta o esforço Diminui a qualidade Obtém ajuda externa em algumas tarefas Razões para a variação de λ n de acordo com o valor de n O aparecimento da uma longa fila de espera pode desencorajar novos clientes. Modelos Apenas varia µ n ; Apenas varia λ n ; Ambos variam. Diversos modelos de variação 17
174 Um Modelo de variação de µ n em função de n (s = 1) µ n = n c μ 1 c - coeficiente de pressão µ 1 - ritmo de serviço quando há apenas um cliente λ n = λ C n = (λ /μ 1 )n (n!) c n = 0,1,... µ n c = 1 c = 0.8 c = 0.5 c = 0.4 n 17
175 Um Modelo de variação de λ n em função de n (s = 1) λ n = (n +1) b λ 0 λ n µ n = μ b - coeficiente de pressão b = 0.4 λ 0 - ritmo de chegada quando há não há clientes no sistema C n = (λ 0 /μ ) n n = 0,1,... (n!) b b = 0.8 b = 0.5 b = 1 n 17
176 Um Modelo de variação simultânea de µ n e λ n (s = 1) λ n = (n +1) b λ 0 µ n = n a μ 1 C n = (λ 0 /μ 1 ) n (n!) (a+b) n = 0,1,... 17
177 Um Modelo de variação de µ n e/ou λ n (s = 1) µ n = n c μ 1 λ n = λ C n = (λ /μ 1) n (n!) c n = 0,1,... µ n = μ λ n = (n +1) b λ 0 λ /μ 1 = λ 0 /μ c = b µ n = n a μ 1 λ n = (n +1) b λ 0 λ /μ 1 = λ 0 /μ 1 c = a + b 17
178 Um Modelo de variação simultânea de µ n e λ n (s > 1) µ n e λ n variando em função do número de clientes por servidor, i. e., em função de (n/s) µ n = nμ 1 n s ( ) a μ 1 n s n s λ n = λ 0 n s 1 ( ) b λ 0 n s 1 s n+1 (λ 0 /μ 1 ) n n = 0,1,...,s C n = (n!) (λ 0 /μ 1 ) n n = s,s +1,... s!(n!/s) c s (1 c)(n s) c = a + b 17
179 Valores de P 0 - variação simultânea de µ n e λ n 17
180 Valores de L - variação simultânea de µ n e λ n 18
181 Um exemplo - variação de µ n No hospital o ritmo de serviço tende a aumentar com o número de pacientes à espera As enfermeiras terminam o tratamento e o médico pode passar para outro paciente Novos dados: 24 minutos por paciente se não houver mais pacientes 12 minutos se houver 6 pacientes (5 à espera) 1/µ 1 = 24 min = 0.4 h µ 1 = 2.5 pacientes / hora 1/µ 6 = 12 min = 0.2 h µ 1 = 5 pacientes / hora Ritmo de chegada é de 2 pacientes por hora 18
182 Um exemplo - variação de µ n 1/µ 1 = 24 min = 0.4 h µ 1 = 2.5 pacientes / hora 1/µ 6 = 12 min = 0.2 h µ 1 = 5 pacientes / hora µ n = n c μ 1 µ 6 = 6 c μ 1 6 c = 2 c = 0.4 µ n n 18
183 Um exemplo - variação de µ n µ n = n c μ 1 c = 0.4 µ 6 = 5 µ 1 = 2.5 λ n = 2 λ 0 sμ 1 λ 0 sμ 1 = 2/2.5 = 0.8 (s =1) λ 0 sμ 1 = 2/(2 2.5) = 0.4 (s = 2) P 0 = P 0 = L = L =
184 Um exemplo - variação de µ n µ n = n c μ 1 c = 0.4 µ 1 = 2.5 λ n = 2 s = 1 P 0 = 0.367; L = s = 2 P 0 = 0.440; L = λ 0 sμ 1 = 0.8 λ 0 sμ 1 = 0.4 C n = (λ /μ 1) n (n!) c n = 0,1,... L q = L (1 P 0 ) s =1 L q = L P 1 2(1 P 0 P 1 ) s = 2 W q = L q /λ W = L /λ P[W q > 0] =1 s 1 P n n=0 s = 1 s = 2 P L q W h h W q h h P[W q >0]
185 Um exemplo diferente: enunciado Uma loja contém 3 máquinas idênticas que de tempos a tempos avariam sendo necessário realizar uma operação de manutenção. O tempo requerido pelo sistema de manutenção para realizar essa operação segue uma exponencial com uma média de 30 minutos. Contudo, essa operação de reparação falha, com uma probabilidade de 1/3, sendo nesse caso necessário voltar a repetir a operação e neste caso com sucesso garantido. Depois de reparada, a máquina regressa ao serviço e o tempo até à próxima avaria dessa máquina segue uma exponencial com uma média de 3 horas. 18
186 Enunciado (extraindo dados) Uma loja contém 3 máquinas idênticas que de tempos a tempos avariam sendo necessário realizar uma operação de manutenção. N = 3 O tempo requerido pelo sistema de manutenção para realizar essa operação segue uma exponencial com uma média de 30 minutos. Contudo, essa operação de reparação falha, com uma probabilidade de 1/3, sendo nesse caso necessário voltar a repetir a operação e neste caso com sucesso garantido. 1/µ = 30 min = 0.5 h µ = 2 / h p = 1/3 Depois de reparada, a máquina regressa ao serviço e o tempo até à próxima avaria dessa máquina segue uma exponencial com uma média de 3 horas. 1/λ = 3 h λ = 1/3 / h 18
187 Representação dos estados (n, i) n - número de máquinas na manutenção (número de clientes no sistema). O serviço de manutenção apenas repara uma máquina de cada vez (por ordem de chegada). Se existir pelo menos uma máquina na manutenção está uma máquina a ser reparada Pode estar a ser efectuada a primerira tentativa - i = 1 Pode estar a ser efectuada a segunda tentativa (quando a primeira falha) - i = 2 n {0, 1, 2, 3} n, i i {0, 1, 2} i = 0 não há máquinas em reparação 18
188 Construíndo o diagrama de estados n = 0 N - n = 3 1 = 3. 1/3? 0, 0 1, 1 λ = 1/3 / h 0 máquinas na manutenção 3 máquinas a funcionar 1 máquinas na manutenção (tentativa 1) 2 máquinas a funcionar 18
189 Construíndo o diagrama de estados λ = 1/3 / h 1 0, 0 1, 1 n = 1, tentativa 1 N - n = 2 Avariou outra máquina 2, 1 n = 2, tentativa 1 da primeira N - n = 1 Máquina reparada à primeira tentativa 1, 2 Tentativa 1 falhada n = 1, tentativa 2 N - n = 2 18
190 Construíndo o diagrama de estados λ = 1/3 / h µ = 2 / h p = 1/3 1 n = 1, N - n = 2 0, 0 1, 1 2/3 2 * 1/3 / h 2, 1 n = 2, tentativa 1 da primeira N - n = 1 4/3 2/3 1, 2 (1-1/3) * 2 / h 1/3 * 2 / h n = 1, tentativa 2 N - n = 2 19
191 Construíndo o diagrama de estados λ = 1/3 / h µ = 2 / h p = 1/3 1 0, 0 1, 1 2/3 2, 1 4/3 2/3 2 1, 2 n = 1, tentativa 2 N - n = 2 2/3 2, 2 19
192 Construíndo o diagrama de estados 2, 1 n = 2, 1 reparação na tentativa 1 N - n = 1 1 2/3 1 x 1/3 0, 0 1, 1 2 x 2/3 2, 1 3, 1 4/3 2/3 2/3 λ = 1/3 / h 2 1, 2 2/3 2, 2 µ = 2 / h p = 1/3 19
193 Construíndo o diagrama de estados 2, 2 n = 2, 1 reparação na tentativa 2 N - n = 1 1 2/3 1/3 0, 0 1, 1 4/3 2, 1 3, 1 4/3 2/3 2 2/3 λ = 1/3 / h 2 1, 2 2/3 2, 2 1/3 3, 2 µ = 2 / h p = 1/3 19
194 Construíndo o diagrama de estados 3, 1 n = 3, uma reparação na tentativa 1 N - n = 0 1 2/3 1/3 0, 0 1, 1 4/3 2, 1 4/3 3, 1 4/3 2/3 2 2/3 2/3 λ = 1/3 / h 2 1, 2 2/3 2, 2 1/3 3, 2 µ = 2 / h p = 1/3 19
195 Construíndo o diagrama de estados 3, 2 n = 3, uma reparação na tentativa 2 N - n = 0 1 2/3 1/3 0, 0 1, 1 4/3 2, 1 4/3 3, 1 4/3 2/3 2 2/3 2 2/3 λ = 1/3 / h 2 1, 2 2/3 2, 2 1/3 3, 2 µ = 2 / h p = 1/3 19
196 Construíndo o diagrama de estados 3λ 2λ 1λ 0, 0 1, 1 2, 1 (1 - p)µ (1 - p)µ (1 - p)µ 3, 1 pµ pµ pµ µ µ µ λ = 1/3 / h 1, 2 2λ 2, 2 1λ 3, 2 µ = 2 / h p = 1/3 19
197 Equações de Balanço 1 2/3 1/3 0, 0 1, 1 4/3 2, 1 4/3 3, 1 4/3 2/3 2 2/3 2 2/3 2 1, 2 2/3 2, 2 1/3 3, 2 1.P 00 = (4/3)P P 12 P 11 (2/3 + 4/3 +2/3) = 1.P 00 + (4/3)P P 22 P 32 (2) = (2/3)P 31 + (1/3)P 22 19
198 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 19
199 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 saidas (saidas de clientes) do sistema de fila de espera ocorre de acordo com o processo de nascimento e morte. Dizem-se modelos com entradas de Poissom e tempos de serviço exponenciais. Os ritmos de chegada de clientes (λ 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 λ n e µ n variam em função de n. 19
200 Quando é que estes modelos não são aplicáveis? Quando o tempo entre-chegadas não segue uma exponencial Quando as chegadas estão agendadas de acordo com um horário Quando os tempos de serviço não seguem uma exponencial O tempo de serviço é sensivelmente constante M/G/1 M/D/s M/E k /s 20
201 M/G/1 A entrada é um processo de Poissson (tempo entre chegadas é exponencial) Um único servidor Os tempos de serviço dos clientes são independentes e têm a mesma distribuição de probabilidades (qualquer distribuição) com Média = 1/µ Variância = σ 2 Pode chegar a um regime estacionário quando ρ = λ/µ < 1 20
202 M/G/1 Fórmulas aplicáveis P 0 =1 ρ Se σ 2 = 1/µ 2 M/G/1 M/M/1 L q = λ2 σ 2 + ρ 2 2(1 ρ ) W q = L q λ L = ρ + L q W = W q + 1 μ Notar que: Quando σ 2 aumenta L q (e consequentemente L aumenta) 20
203 M/D/s Tempo de serviço constante - Distribuição degenerada σ 2 = 0 λ n = λ L q = ρ 2 2(1 ρ) (s = 1) M/G/1 M/M/1 M/D/1 L q = λ2 σ 2 + ρ 2 2(1 ρ ) L q = ρ 2 (1 ρ ) L q = ρ 2 2(1 ρ ) 20
204 M/D/s 20
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 Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento
Leia maisModelos 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 maisFilas de Espera. Transparências de apoio à leccionação de aulas teóricas. Versão 1.1 c 2010, 1998 José Fernando Oliveira Maria Antónia Carravilla FEUP
Filas de Espera Transparências de apoio à leccionação de aulas teóricas Versão 1.1 c 2010, 1998 José Fernando Oliveira Maria Antónia Carravilla FEUP Introdução Fenómeno corrente no dia-a-dia clientes pessoas,
Leia maisModelagem e Análise Aula 9
Modelagem e Análise Aula 9 Aula passada Equações de fluxo Tempo contínuo Aula de hoje Parâmetros de uma fila Medidas de desempenho Cálculo do tempo de espera Resultado de Little Parâmetros da Fila chegada
Leia maisAvaliação e Desempenho Aula 18
Avaliação e Desempenho Aula 18 Aula passada Fila com buffer finito Fila com buffer infinito Medidas de interesse: vazão, número médio de clientes na fila, taxa de perda. Aula de hoje Parâmetros de uma
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisCurso: Engenharia de Produção
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 maisPesquisa Operacional II
Pesquisa Operacional II Modelo de Filas Professor: Roberto César A Notação de Kendall Um modelo de fila pode ser descrito pela notação: A/B/c/K/m/Z em que: A = distribuição dos intervalos entre chegadas;
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho
Teoria de Filas - Resumo e Exercícios Pedroso 24 de setembro de 2014 1 Introdução 2 Definições básicas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de
Leia maisModelização do Sistema Produtivo Teoria das Filas de Espera
Modelização do Sistema Produtivo Teoria das Filas de Espera http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves Gil.Goncalves@fe.up.pt 2004/2005 Outline
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia maisModelos Probabilísticos Filas M/M/1, M/G/1. Profa. Jussara M. Almeida 1 o Semestre de 2014
Modelos Probabilísticos Filas M/M/1, M/G/1 Profa. Jussara M. Almeida 1 o Semestre de 2014 Modelos Probabilísticos de Filas R W S λ Notação de Kendall Fila G / G / 1 1 = um único servidor Distribuição dos
Leia maisAula 5. Processo de Poisson. Exemplos.
Aula 5. Processo de Poisson. Exemplos. Exemplo 1. Processo de Poisson com diferentes tipos de eventos. Consideramos um processo de Poisson com intensidade λ. Suponha que em cada instante de ocorrência
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisExercício 7: Resolução: 2º Semestre 2002/2003 Exercícios resolvidos
º Semestre 00/003 Exercícios resolvidos Exercício 7: Num banco de ensaios de automóveis cada diagnóstico consiste em duas fases distintas de teste: uma primeira parte mecânica e outra parte eléctrica.
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 20
Teoria das Filas aplicadas a Sistemas Computacionais Aula 20 Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
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 maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Leia maisLista de Exercícios - SCE131
Lista de Exercícios - SCE131 Prof. Eduardo F. Costa - ICMC - USP http://www.icmc.usp.br/ efcosta Parte 1 - Cadeia de Markov (a tempo discreto) Exercício 1. Seja uma cadeia de Markov com probabilidades
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho
Teoria de Filas - Resumo Pedroso 4 de setembro de 2011 1 Introdução 2 Definições básicas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de sistemas de comunicação
Leia maisInvestigação Operacional 1. Filas de Espera. Transparências de apoio à leccionação de aulas teóricas
Investigação Operacional 1 Filas de Espera Slide 1 Transparências de apoio à leccionação de aulas teóricas Introdução Fenómeno corrente no dia-a-dia Slide 2 clientes pessoas, veículos ou outras entidades
Leia mais(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).
Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),
Leia maisProcessos Estocásticos aplicados à Sistemas Computacionais
Processos Estocásticos aplicados à Sistemas Computacionais Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Parte VI: Introdução aos Processos Estocásticos e Teoria das Filas Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Processos Estocásticos Família de VAs
Leia maisAvaliação de Desempenho de Sistemas Discretos
Processos Estocásticos Avaliação de Desempenho de Sistemas Discretos Parte VI: Introdução aos Processos Estocásticos e Teoria das Filas Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Família de VAs
Leia maisINTRODUÇÃO À TEORIA DAS FILAS
INTRODUÇÃO À TEORIA DAS FILAS Uma fila é caracterizada por: Processo de chegada dos fregueses à fila Tempo de serviço dedicado pelo servidor a cada freguês Número de servidores Espaço disponível para espera
Leia maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisProcessos Estocásticos
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 1 Introdução aos Processos Estocásticos Exercício 1.1 O número de sinais emitidos por uma
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisFILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro
TEORIA DAS FILAS FILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro Ingressa na sala de atendimento Sai da sala de atendimento Pessoa precisa de cuidados médicos
Leia maisRede de Computadores II
Slide 1 Teoria das Filas Ferramenta matemática para tratar de eventos aleatórios. É o estudo da espera em filas. Proporciona uma maneira de definir o ambiente de um sistema de filas matematicamente. Permite
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisCapítulo 3 Processos de Poisson
Capítulo 3 Processos de Poisson Exercício 31 Este exercício decorre de desenvolvimentos efectuados nas aulas teóricas e do Exercício (6) Exercício 32 Procedendo como no Exercício 4, conclui-se que a distribuição
Leia maisPLANEJAMENTO DE TRANSPORTES TT049
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE TRANSPORTES PLANEJAMENTO DE TRANSPORTES TT049 Prof. Diego Fernandes Neris diego.neris@ufpr.br Filas: Problema mais comum na engenharia de transportes e de
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisEscola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção. Teoria da Filas. Prof. Fabrício Maciel Gomes
Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção Teoria da Filas Prof. Fabrício Maciel Gomes Teoria das Filas Por quê das Filas? Procura por um serviço maior do que a capacidade do
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisQuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão. Métodos Quantitativos 2004/2005.
QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão Métodos Quantitativos 2004/2005 João Moura Pires Sumário Introdução Tomada de decisão sem experimentação
Leia maisSISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077
SISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077 6 DISPONIBILIDADE DE EQUIPAMENTOS 6.1 INTRODUÇÃO Diversas teorias em confiabilidade pressupõem o descarte dos componentes de interesse após a primeira falha.
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisEng. de Produção. Introdução à Teoria das Filas. Prof. Ricardo Villarroel Dávalos Fpolis, Abril de 2010
Eng. de Produção Introdução à Teoria das Filas Prof. Ricardo Villarroel Dávalos ricardo.davalos@unisul.br Fpolis, Abril de 2010 Introdução Disciplinas das filas λ e IC c µ e TA População de clientes TF
Leia maisD i s c i p l i n a : P e s q u i s a O p e r a c i o n a l I I T e o r i a d a s F i l a s - L i s t a d e E x e r c í c i o s : 0 4
0. Uma estação de serviço é formada por um único servidor que pode atender um cliente em 0,5 minutos, em média. Os clientes chegam solicitando serviço a um intervalo médio de oito minutos e 24 segundos.
Leia maisAvaliação de Desempenho de Sistemas
Avaliação de Desempenho de Sistemas Introdução à Teoria das Filas Prof. Othon Batista othonb@yahoo.com Notação de uma fila Para analisar um dado sistema é necessário a definição das seguintes características:
Leia maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisCapítulo 2 Processos de Poisson
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 2 Processos de Poisson Exercício 2.1 Seja {X k, k 1} uma sucessão de variáveis aleatórias
Leia maisSimulação de Sistemas
Simulação de Sistemas Daniel Sadoc Menasche e Paulo Aguiar 2012 1/1 Como analisar um sistema? sistema modelo emulador solucão analítica simulador medidas de interesse 2/1 Por que simular? Quando resolver
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisobservado, ainda que o tempo médio de serviço é igual a meio minuto. Determine:
0. Um único servidor em um centro de serviço está ocupado quatro de cada cinco minutos, em média. Foi observado, ainda que o tempo médio de serviço é igual a meio minuto. Determine: (i) O tempo médio de
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
Leia maisProblemas Resolvidos. 1. Distr. Uniforme Contínua. (a) f X (x; a, b) = 1 1 (x µ) 2. (b) µ = E(x) = a+b. e V ar(x) = (b a)2. 2. Distr.
Distribuições Contínuas - Problemas Resolvidos. Distr. Uniforme Contínua (a) f X (x; a, b) = b a (b) µ = E(x) = a+b e V ar(x) = (b a). Distr. Gaussiana (a) f X (x; a, b) = (x µ) π e (b) µ = E(x) = µ e
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas e Sinais CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos
Leia maisGestão de Operações II Teoria das Filas. Prof Marcio Cardoso Machado
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 maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 20 AGA 0505- Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2018 2 / 20 tópicos 1 probabilidades - cont. 2 distribuições de probabilidades 1 binomial 2 Poisson 3
Leia maisProcessos Estocásticos
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisStela Adami Vayego DEST/UFPR
Resumo 9 Modelos Probabilísticos Variável Contínua Vamos ver como criar um modelo probabilístico, o que é uma função densidade de probabilidade (fdp), e como calcular probabilidades no caso de variáveis
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Cadeias de Markov 20/11/2017 Andrei Markov Em 1907, Andrei Markov iniciou um estudo sobre processos onde o resultado de um experimento depende do resultado de
Leia maisPCS 2039 Modelagem e Simulação de Sistemas Computacionais
UNIVERSIDADE DE SÃO PAULO ESCOLA POLITÉCNICA Departamento de Engenharia de Computação e Sistemas Digitais PCS 2039 Modelagem e Simulação de Sistemas Computacionais Graduação em Engenharia de Computação
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisFis.Rad.I /1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 2004)
INTRODUÇÃO À ESTATÍSTICA DE CONTAGEM Fis.Rad.I - 24/1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 24) I. PROBABILIDADE: E E OU Vimos que, para nossas finalidades podemos definir a probabilidade de
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de
Leia maisProbabilidade. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza
Probabilidade Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson Renata Souza Distribuição de Bernoulli Uma lâmpada é escolhida ao acaso Ensaio de Bernoulli A lâmpada
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisProbabilidade Revisão de Conceitos
Probabilidade Revisão de Conceitos Espaço de Amostras A totalidade dos possíveis resultados de um experimento aleatório. Exemplo: jogar dados S = {(1,1),(1,),... (,1),(,)... (6,6)} S é dito o número de
Leia maisCálculo das Probabilidades I - Sexta Lista - Rio, 13/09/2014
Cálculo das Probabilidades I - Sexta Lista - Rio, 13/09/2014 1. O diâmetro X de{ um cabo elétrico é uma variável aleatória com densidade de probabilidade K(2x x dada por 2 ), 0 x 1 0, x < 0 ou x > 1. (a)
Leia maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Distribuições Discretas de Probabilidade Prof. Narciso Gonçalves da Silva www.pessoal.utfpr.edu.br/ngsilva Introdução Distribuições Discretas de Probabilidade Muitas variáveis
Leia maisPROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos
PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS Aula 7 11 e 12 abril 2007 1 Distribuições Discretas 1. Distribuição Bernoulli 2. Distribuição Binomial 3. Distribuição Geométrica 4. Distribuição Pascal
Leia maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisF (x) = P (X x) = Σ xi xp(x i ) E(X) = x i p(x i ).
Variável Aleatória Uma variável aleatória é uma variável numérica, cujo valor medido pode variar de uma réplica para outra do experimento. Exemplos: (i) Variáveis aleatórias contínuas: corrente elétrica,
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Modelos de distribuição Para utilizar a teoria
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisFILAS Conceitos Fundamentais. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
FILAS Conceitos Fundamentais Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Teoria de Filas É uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia mais