Teoria de Filas Markovianas e Aplicações
|
|
- Fernando de Carvalho Madeira
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade Estadual da Paraíba Centro de Ciências e Tecnologia Departamento de Estatística Ednário Barbosa de Mendonça Teoria de Filas Markovianas e Aplicações Campina Grande Julho de 2014
2 Ednário Barbosa de Mendonça Teoria de Filas Markovianas e Aplicações Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado em Estatística do Departamento de Estatística do Centro de Ciências e Tecnologia da Universidade Estadual da Paraíba em cumprimento às exigências legais para obtenção do título de bacharel em Estatística. Orientadora: Divanilda Maia Esteves Campina Grande Julho de 2014
3
4
5 Dedicatória Dedico a minha mãe, Ediane Alves Barbosa, por todo o apoio que ela tem me dado ao longo de toda uma vida e por todo o seu esforço em procurar fazer de mim uma pessoa melhor, e ao meu pai, José Nário Martins de Mendonça (in memorian).
6 Agradecimentos A Deus pelas bençãos a mim concedidas e por nunca ter me desamparado ao longo de toda a minha vida. A professora Divanilda Maia Esteves, por me orientar na construção deste trabalho, por me conceder a oportunidade de participar de um Projeto de Iniciação Científica e por ser sempre prestativa no decorrer da minha carreira acadêmica, tirando minhas dúvidas e fazendo com que eu buscasse sempre o aprendizado de forma correta, no intuito de enriquecer meu conhecimento, preparando-me assim para o futuro. A família: minha mãe, que me ensinou o que é realmente importante na vida, que sempre me colocou em primeiro plano, que deixava de se presentear para me presentear em troca de um sorriso e um beijo e é a pessoa que mais amo nesse mundo, minha vó, Maria Odete Alves Barbosa, que está sempre ao meu lado, a minha noiva, Thuanne Barros de Oliveira, que me deu sempre força e apoio nos momentos difíceis, me entendia quando estava estressado e acreditou sempre em min quando ninguém mais acreditava, e aos meus tios, Hélio Alves Barbosa e José Israel Alves Barbosa, os quais também se fazem bastante presentes em minha vida. Aos demais professores da UEPB que passaram por minha graduação e tiveram sua parcela de contribuição na construção da minha carreira acadêmica, em especial, os professores: Gustavo Henrique Esteves, Tiago Almeida de Oliveira, Ana Patrícia Barros Peixoto, João Gil de Luna, Ricardo Alves de Olinda, Onildo Freire, Vandik Estevam Barbosa e Francisco Guedes Aos colegas e amigos do Busão da cidade de Cubati-PB, os quais passei toda minha graduação viajando até Campina Grande-PB e aos meus colegas de turma.
7 Resumo Um sistema de filas pode ser definido como um sistema onde usuários chegam a um posto de atendimento, buscando algum serviço. O tempo entre chegadas é uma variável aleatória e o tempo gasto para realizar o serviço é outra variável aleatória. Devido a esse caráter aleatório é impossível garantir que términos de serviços coincidam exatamente com chegadas de usuários. Consequentemente há vezes que o serviço completa sua tarefa com um usuário e não encontra mais ninguém disponível com quem trabalhar, tornando assim, o sistema ocioso. Outras vezes um usuário chega e já encontra o serviço ocupado com alguma chegada anterior, então ele poderá aguardar a sua vez ou partir. Isso dependerá da estrutura do sistema, pois em uma fila de banco, por exemplo, o cliente pode esperar, mas quando se trata de uma ligação telefônica simples, em geral, não há opção de espera. Esses são aspectos básicos das filas, mas essas estruturas podem ser mais complexas, considerando outras situações como sistemas com uma capacidade finita de espera ou cliente desistindo do serviço quando demora a ser atendido. Atualmente, este tipo de estudo tem se destacado, especialmente devido às leis estabelecendo um tempo máximo de espera por atendimento em bancos, supermercados e call centers. O objetivo do estudo das filas é estimar os parâmetros envolvidos no modelo e calcular algumas medidas de seu desempenho, como por exemplo, tempo médio que o usuário fica na fila ou tamanho médio da fila, considerando as particularidades de cada caso. Uma vez que se conhece tais medidas, é possível buscar sistemas que atendam eficientemente às necessidades de quem procura o serviço sem que o sistema fique ocioso por muito tempo. Neste trabalho, aplicou-se a teoria das filas Markovianas ao fluxo de pessoas em uma casa lotérica da cidade de Cubati-PB, com o objetivo de comparar as medidas de desempenho em dias que há pagamento do benefício Bolsa Família do Governo Federal com os dias normais, ou seja, em que não há pagamento do benefício. Palavras-chave: Filas Markovianas, Medidas de desempenho, Variável aleatória.
8 Abstract A queuing system can be defined as a system where users get to a service station, looking for some service. The time between arrivals is a random variable and the time taken to perform the service is another random variable. Because of this randomness is impossible to guarantee that services endings coincide exactly with arrivals of users. Consequently there are times when the service completes its task with a user and can not find anyone else available to work with, thus making the system idle. Sometimes a user arrives and longer service busy with some earlier arrival then he can wait your turn or go. This depends on the structure of the system, as in a line at the bank, for example, the client can expect, but when it comes to a simple phone call, in general, no waiting option. These are basic aspects of the queues, but these structures may be more complex, considering other situations as systems with a finite capacity to hold or giving customer service takes when being serviced. Currently, this type of study has been outstanding, especially due to the laws establishing a maximum waiting time for service in banks, supermarkets and call centers. The objective of the study is to estimate the rows of the parameters involved in the model and calculate some measures of performance, such as average time that a user is in the queue or average queue size, considering the particularities of each case. Once you know these measures, it is possible to search efficiently systems that meet the needs of those looking for the service until the system is idle for long. This study applied the theory of Markovian flow of people queuing in a lottery town house Cubati-PB, with the aim of comparing the performance measures in days there Bolsa Família benefit payment from the Federal Government to normal days, meaning that no benefit payment. Keywords: Markovian queues, performance measures, random variable.
9 Sumário Lista de Figuras Lista de Tabelas 1 Introdução p Fundamentação Teórica p Processos Estocásticos p Cadeias de Markov p Classificação dos Estados p Medida Invariante p Processo de Nascimento e Morte p Processo de Poisson p Conceitos Básicos da Teoria de Filas p Estrutura Básica de um Sistema com Fila p Disciplina de Atendimento p Notação de um Sistema com Fila p Medidas de Desempenho p Modelos de Filas Básicos p Modelo M/M/1/ /F IF O p Modelo M/M/1/k/F IF O p Caso particular M/M/1/1/F IF O p Modelo M/M/c/ /F IF O p. 44
10 2.6.4 Modelo M/M/c/k/F IF O p Metodologia p Resultados e Discussões p Modelagem do Sistema em Situação Normal de Funcionamento..... p Modelagem do Sistema em Dias de Pagamento do Bolsa Família.... p Resumo Geral p Conclusões p. 60 Referências p. 62
11 Lista de Figuras 1 Representação esquemática de um sistema com fila p. 30
12 Lista de Tabelas 1 Frequências observadas e esperadas do número de chegadas por minuto e cálculo da estatística X 2 para um dia normal de funcionamento... p Estimativa dos parâmetros e medidas de desempenho para dias normais de funcionamento p Estimativas dos parâmetros e medidas de desempenho para um dia normal de funcionamento, considerando a existência de apenas um posto de serviço p Frequências observadas e esperadas do número de chegadas por minuto e cálculo da estatística X p Medidas de desempenho para dias de pagamento do Bolsa Família... p Comparação entre as Medidas de Desempenho p. 59
13 12 1 Introdução As filas de espera por serviços fazem parte do dia-a-dia das pessoas na sociedade e, como não podem ser evitadas, tendem a ser toleradas, apesar dos atrasos e das inconveniências que causam. Entretanto, os processos geradores de filas podem ser estudados e dimensionados de forma a aliviar os prejuízos em tempo e produtividade, assim como as perdas financeiras que elas acarretam. Entre as medidas que auxiliam no estudo de sistemas com fila, podem-se citar: número médio de elementos na fila, tempo de espera pelo atendimento e tempo ocioso dos prestadores de serviço. Segundo Fogliatti e Mattos (2007), a Teoria de Filas consiste na modelagem analítica de processos ou sistemas que resultam em espera e tem como objetivo determinar e avaliar quantidades, denominadas medidas de desempenho, que expressam a produtividade e/ou operacionalidade desses processos. O estudo dessas quantidades é importante na tomada de decisão quanto à modificação ou manutenção da operação do sistema no seu estado atual, facilita também o dimensionamento racional da infraestrutura, de recursos humanos e financeiros, de equipamentos e instalações, visando um melhor desempenho no geral. Dessa forma, os conceitos e a teoria básica de Filas são fundamentais para a gerência e a administração de sistemas produtivos. Em processos com determinadas características, após seu funcionamento durante um certo período de tempo, as medidas de desempenho tendem a se estabilizar. Neste caso, o intervalo de tempo de funcionamento do sistema, [t 0, t), pode ser dividido em dois subintervalos: [t 0, t ) e [t, t), onde t 0 é o instante de entrada em operação e t é o instante a partir do qual as medidas de desempenho se mantêm estáveis. Diz-se que em [t 0, t ) o sistema se encontra no regime transitório, enquanto que em [t, t) o sistema se encontra no regime estacionário, os quais falaremos mais adiante. No regime transitório, a variabilidade das medidas de desempenho dificulta as representações analíticas das mesmas, sendo necessários para tal, conhecimentos matemáticos avançados. No regime estacionário, a estabilidade dessas medidas permite o uso dos
14 13 respectivos valores esperados para a avaliação do sistema. Neste trabalho, foi feito um estudo da Teoria das Filas Markovianas, bem como alguns conceitos prévios para a construção desta teoria. Alguns aspectos principais deste estudo serão apresentados na Fundamentação Teórica. Depois, aplicou-se tal teoria em um conjunto de dados referente ao fluxo de clientes em uma casa lotérica na cidade de Cubati-PB. O intuito foi comparar as medidas de desempenho para aqueles dias em que há pagamento do benefício Bolsa Família com aqueles dias em que não há.
15 14 2 Fundamentação Teórica Boa parte deste trabalho consistiu em estudar a teoria envolvida no estudo das filas. Este capítulo contém alguns pontos importantes estudados. Primeiramente, serão apresentados os principais conceitos relacionados a Processos Estocásticos, Cadeias de Markov e Processos de Poisson, que são tópicos fundamentais para quem queira estudar Teoria de Filas. Em seguida, serão apresentados, de modo sucinto, algumas definições e resultados relacionados a essa teoria. 2.1 Processos Estocásticos De modo geral, pode-se dizer que um processo estocástico é qualquer processo que evolui de maneira aleatória. Mais formalmente, segundo Fogliatti e Mattos (2007), um processo estocástico {X(t) : t T } é uma coleção de variáveis aleatórias, isto é, para cada t T, X(t) é uma variável aleatória. O conjunto T é chamado conjunto de índices. O conjunto de todos os valores que as variáveis X(t) podem assumir é chamado espaço de estados S do processo estocástico. Frequentemente, o índice t é interpretado como tempo t, e por isso, em geral, X(t) é vista como o estado do processo no tempo t. Daí, de uma maneira alternativa, pode-se definir um processo estocástico como uma família de variáveis aleatórias que descreve a evolução de algum processo físico através do tempo. Se {X(t), t T } é um processo estocástico com espaço de estados S e conjunto de índices T, então considera-se que: ˆ Se S for enumerável, o processo é dito discreto ou a valores inteiros (do inglês, integer-valued). Se S é um intervalo da reta (ou o próprio R) então dizemos que é um processo a valores reais (do inglês, real-valued) ˆ Se o conjunto de índices T for enumerável, então dizemos que o processo é a tempo
16 15 discreto e, em geral, consideramos T = {0, 1, 2,... } e usamos {X n, n 0} em lugar de {X(t), t T }. Se T = [0, ), X(t) é dito um processo a tempo contínuo. Um aspecto importante que deve ser considerado é a estrutura de dependência associada à sequência de variáveis aleatórias. Em Estatística, um caso a se destacar é aquele em que as variáveis são independentes. Neste caso, o processo de inferência sobre os parâmetros envolvidos no modelo fica mais simples, uma vez que a distribuição conjunta das variáveis pode ser escrita como o produto das distribuições unidimensionais. Quando não se observa independência, busca-se descobrir o alcance e a forma de dependência. Um caso de dependência particularmente importante no estudo de processos estocásticos é a dependência de Markov. Definição 2.1 Um processo estocástico {X(t), t 0} é dito ser markoviano se para t 0 < t 1 < < t n+1, P [X(t n+1 ) = x n+1 X(t 0 ) = x 0, X(t 1 ) = x 1,..., X(t n ) = x n ] = P [X(t n+1 ) = x n+1 X(t n ) = x n ], para qualquer escolha x 0, x 1,..., x n+1 em S e qualquer n. Isto quer dizer que, uma vez que conhecemos o estado atual da cadeia, os estados passados não influenciam o futuro. É possível generalizar um pouco mais esse caso, dizendo que um processo estocástico {X(t), t 0} é markoviano de ordem k se para t 0 < t 1 < < t n+1, P [X(t n ) = x n X(t 0 ) = x 0, X(t 1 ) = x 1,..., X(t n 1 ) = x n 1 ] é igual a P [X(t n ) = x n X(t n k ) = x n k,... X(t n 1 ) = x n 1 ], para qualquer escolha x 0, x 1,..., x n+1 em S e qualquer n. Isto quer dizer que o estado atual da cadeia é influenciado pelas k observações mais recentes do processo. Um processo Markoviano que possui o espaço de estados discreto é denominado Cadeia de Markov. O comportamento da Cadeia de Markov {X(t) : t T } de parâmetro contínuo com espaço de estados discreto, o qual pode ser considerado sem perda de generalidade como S = {0, 1, 2,...}, é caracterizado pela distribuição inicial X(t 0 ) = l, l = 0, 1, 2,..., onde t 0 é o instante inicial de observação, e pelas probabilidades (condicionais) de transição
17 16 entre os estados i e n, P in (v, z), definidas por: P in (v, z) = P [X(z) = n X(v) = i], 0 v z, v, z T, i, n S, com: P in (v, v) = { 1, se i = n, 0, caso contrário 2.2 Cadeias de Markov Uma Cadeia de Markov é um Processo Estocástico com espaço de estados discreto. Se o conjunto de índices for um conjunto enumerável, então tem-se uma Cadeia de Markov a tempo discreto, caso contrário, tem-se uma Cadeia de Markov a tempo contínuo. Frequentemente, no caso de Cadeias de Markov, usa-se a notação {X n, n N} em lugar de {X(t), t > 0}. Definição 2.2 Um processo {X n : n > 0} assumindo valores em um conjunto S é uma Cadeia de Markov se dado o estado presente, o futuro não é influenciado pelo passado, ou seja, P [X n+1 = x n+1 X 0 = x 0, X 1 = x 1,..., X n = x n ] = P [X n+1 = x n+1 X n = x n ]. Além disso, a Cadeia de Markov será dita homogênea no tempo se P (X n+1 = y X n = x) = P (X 1 = y X 0 = x) (2.1) para qualquer n 0. A probabilidade dada pela Equação (2.1) é chamada probabilidade de transição a um passo da cadeia e para facilitar a notação, usa-se P (X n+1 = y X n = x) = P (X 1 = y X 0 = x) = P (x, y), ao que lê-se: a probabilidade de ir do estado x ao y em um passo.
18 17 Quando temos uma cadeia que é homogênea no tempo, suas probabilidades de transição podem ser representadas matricialmente na forma P (0, 0) P (0, 1) P (0, 2) P (1, 0) P (1, 1) P (1, 2) P =. P (2, 0) P (2, 1) P (2, 2) Neste caso, P é a matriz de transição a um passo da cadeia, ou simplesmente matriz de transição da cadeia. Observe que os elementos da matriz são não negativos e que a soma dos elementos de cada linha deve ser igual a 1. Basicamente, para que se possa modelar a evolução de uma Cadeia de Markov, é necessário conhecer como se comporta a cadeia inicialmente e como são feitas as transições a partir daí. As transições passo a passo são modeladas segundo a matriz de transições a um passo. No entanto, seria também interessante modelar as transições em um número maior de passos. Definição 2.3 A função π 0 (x), x S, definida por π 0 (x) = P (X 0 = x) é chamada distribuição inicial da cadeia e é tal que π 0 (x) 0 π 0 (x) = 1 x S Frequentemente, a função de distribuição inicial é apresentada na forma de um vetor: π 0 = [π 0 (0), π 0 (1), π 0 (2),...]. Teorema 2.1 A distribuição conjunta de X 0, X 1,..., X n pode ser expressa em termos da função de transição e da distribuição inicial da seguinte maneira: P (X 0 = x 0, X 1 = x 1,..., X n = x n ) = π 0 (x 0 )P (x 0, x 1 )P (x 1, x 2 )...P (x n 1, x n ).
19 18 A ideia da demonstração do Teorema 2.1 é usar o Teorema da Multiplicação que pode ser encontrado na literatura clássica de probabilidade, que neste caso, seria P (X 0 = x 0, X 1 = x 1,..., X n = x n ) = P (X n = x n X 0 = x 0, X 1 = x 1,..., X n 1 = x n 1 ) P (X n 1 = x n 1 X 0 = x 0, X 1 = x 1,..., X n 2 = x n 2 )... P (X 1 = x 1 X 0 = x 0 )P (X 0 = x 0 ). Definição 2.4 A função de transição a m passos da cadeia é definida como P m (x, y) = P (X m = y X 0 = x), x, y S. A função de transição a m passos da cadeia é a probabilidade de que uma cadeia, que está em um determinado estado x e em m unidades de tempo, passe ao estado y em m passos, sem se importar com o que aconteceu no meio do caminho. A função de transição a m passos também será representada na forma de uma matriz como P m (0, 0) P m (0, 1) P m (0, 2) P m P m (1, 0) P m (1, 1) P m (1, 2) =. P m (2, 0) P m (2, 1) P m (2, 2) Classificação dos Estados Definição 2.5 Um estado y é acessível a partir do estado x se P n (x, y) > 0 para algum n 0. Para dizer que y é acessível a partir de x, usa-se a notação x y. Note que isso implica que o estado y é acessível a partir do estado x se, começando em x, é possível que o processo, em algum tempo, atinja o estado y. Definição 2.6 Se dois estados x e y são acessíveis um a partir do outro, então x e y se comunicam e tal relação será denotada por x y. Observe que a relação de comunicação satisfaz as condições: i) O estado x se comunica com ele mesmo, pois P 0 (x, x) = P (X 0 = x X 0 = x) = 1.
20 19 ii) Se o estado x se comunica com o estado y, isso implica que o estado y se comunica com o estado x. iii) Se o estado x se comunica com o estado y e o estado y se comunica com o estado z, então o estado x se comunica com o estado z. Definição 2.7 Uma Cadeia de Markov é dita ser irredutível se existe apenas uma classe, isto é, se todos os estados se comunicam entre si. Definição 2.8 Se x é tal que P (x, x) = 1, então x é um estado absorvente. Para cada estado x S, seja P x a probabilidade de que, começando no estado x, o processo volte a atingir o estado x em algum tempo, isto é, P x = P (X n = x, para algum n 1 X 0 = x). Definição 2.9 Um estado x é dito recorrente se P x = 1. Se P x < 1, então x é dito transitório. Proposição 2.1 O estado x é recorrente se, e só se, n=1 P n (x, x) =. Isto implica que, se n=1 P n (x, x) <, então o estado é transitório. Corolário 2.1 Se o estado x é recorrente e o estado y se comunica com o estado x, então o estado y é recorrente. Teorema 2.2 Se C S é um conjunto finito fechado irredutível de estados, então todo estado de C é recorrente. Uma consequência dos resultados acima é que um estado transitório é visitado um número finito de vezes (daí o nome transitório). Isso implica que toda cadeia com espaço de estados finito deve ter pelo menos um estado recorrente. Além do mais, se a cadeia tiver espaço de estados finito e for irredutível, então todos os seus estados são recorrentes Medida Invariante Definição 2.10 Considere {X n : n 0} uma Cadeia de Markov com espaço de estados S e função de transição P. Se π(x), x S é tal que π(x) 0, x S
21 20 π(x) = 1 x S além disso π(x)p (x, y) = π(y) (2.2) x S então π é chamada medida invariante da cadeia. A Equação (2.2) pode ser escrita na forma matricial como πp = π, onde P é a matriz de transição da cadeia e π = (π(0), π(1), π(2),...). Como consequência da definição, vemos que ˆ πp = π, ˆ πp 2 = πp P = πp = π, ˆ e de maneira geral πp n = π, para todo n 1. Além do mais, se π 0 = π, então π n = π para qualquer n Processo de Nascimento e Morte De acordo com Fogliatti e Mattos (2007), uma Cadeia de Markov homogênea, irredutível, de parâmetro contínuo, é denominada Processo de Nascimento e Morte (Birth- Death Process) para todo n > 0 se, P (n, n + 1) = λ n P (n, n 1) = 1 λ n = µ n P (n, k) = 0, para qualquer k n 1, n + 1. Em outras palavras, as únicas transições permitidas, em uma unidade de tempo, a partir de um determinado estado n são para seus vizinhos imediatos n 1 ou n + 1. Quando a transição ocorre para estado n + 1 representa um nascimento, e para o estado n 1, uma morte. Para Processos de Nascimento e Morte, as seguintes hipóteses são válidas: 1. no instante inicial t 0 = 0, o sistema está vazio, isto é, N(0) = 0;
22 21 2. nascimentos e mortes são eventos estatisticamente independentes; 3. dado que o sistema está no estado n, no intervalo de tempo (t, t + t), t tão pequeno quanto se queira, a probabilidade de ocorrer: (a) um nascimento é igual a λ n t + o( t); (b) uma morte é igual a µ n t + o( t); (c) mais de um evento (nascimento(s) e/ou morte(s)) é desprezível, igual a o( t), onde, Usando a notação: o( t) lim t 0 t = 0. P n i ( t) = P {ocorrência de i nascimentos em t} e P m j ( t) = P {ocorrência de j mortes em t}, a terceira hipótese pode ser reescrita da forma a seguir: P n 1 ( t) = λ n t + o( t), n = 0, 1, 2,... (2.3) P m 1 ( t) = µ n t + o( t), n = 1, 2,... (2.4) P n i ( t)p m j ( t) = o( t), i, j (i + j) > 1. (2.5) De (2.3), (2.4) e (2.5) obtêm-se as probabilidades de não haver nascimentos, Equação (2.6), nem mortes, Equação (2.7), em intervalos pequenos de tempo, t: P0 n ( t) = 1 λ n t o( t), n = 0, 1, 2,... (2.6) P0 m ( t) = 1 µ n t o( t), n = 1, 2,... (2.7) Com essas hipóteses, determinam-se, para todo n, as probabilidades P n dos estados do processo, como mostrado a seguir. Dividindo-se o intervalo de observação (0, t + t) em dois sub-intervalos disjuntos (0, t] e (t, t + t), verifica-se que o sistema está no estado n > 0 no instante (t + t), para t pequeno, se ocorre um dos seguintes eventos mutuamente excludentes: 1. no instante t, o sistema está no estado n e, no intervalo de tempo (t, t + t), não há nenhum nascimento e nenhuma morte;
23 22 2. no instante t, o sistema está no estado n 1 e, no intervalo de tempo (t, t + t), há um nascimento e não há nenhuma morte; 3. no instante t, o sistema está no estado n + 1 e, no intervalo de tempo (t, t + t), há uma morte e não há nenhum nascimento. O sistema está no estado n = 0 no instante (t + t), para t pequeno, se ocorre um dos seguintes eventos mutuamente excludentes: 1. no instante t o sistema está no estado 0 e, no intervalo de tempo (t, t + t), não há nenhum nascimento; 2. no instante t o sistema está no estado 1 e, no intervalo de tempo (t, t + t), há uma morte e nenhum nascimento. Utilizando as hipóteses 1 e 2 acima e o Teorema da Probabilidade Total, pode-se calcular a probabilidade do sistema estar no estado n no instante (t, t + t): P n (t + t) =P n (t)p0 n ( t)p0 m ( t) + P n 1 (t)p1 n ( t)p0 m ( t) + P n+1 (t)p0 n ( t)p1 m ( t), n 1, (2.8) e P 0 (t + t) = P 1 (t)p n 0 ( t)p m 1 ( t) + P 0 (t)p n 0 ( t) + o( t) (2.9) Substituindo as Equações (2.3), (2.4), (2.5), (2.6) e (2.7) em (2.8) e (2.9), têm-se: P n (t + t) = P n (t)[1 λ n o( t)][1 µ n t o( t)] + P n 1 (t)[λ n 1 t + o( t)][1 µ n 1 t o( t)] + P n+1 (t)[1 λ n+1 o( t)][µ n+1 t o( t)] + o( t) = P n (t) λ n tp n (t) µ n tp n (t) + P n 1(t)λ n 1 t + P n+1 (t)µ n+1 t + o( t), n 1, (2.10) e ainda P 0 (t + t) = P 0 (t)[1 λ 0 t o( t)] + P 1 (t)[1 λ 1 t o( t)][µ 1 t + o( t)] + o( t) = P 0 (t) λ 0 t + µ 1 tp 1 (t) + o( t), (2.11) lembrando que ( t) 2 = o( t) e o( t) t = o( t). De (2.10) e (2.11), obtêm-se: P n (t + t) P n (t) t = λp n (t) µp n (t) + λ n 1 P n 1 (t) + µ n+1 P n+1 (t) + o( t), n 1, t
24 23 e P 0 (t + t) P 0 (t) t Tomando os limites quando t 0, têm-se: = λ 0 P 0 (t) + µ1p 1 (t) + o( t). t dp n (t) dt = λ n P n (t) µ n P n (t) + λ n 1 P n 1 (t) + µ n 1 P n 1 (t), n 1, (2.12) dp n (t) dt = λ 0 P 0 (t) + µ 1 P 1 (t), (2.13) que formam um sistema infinito de equações diferenciais que representam as probabilidades dos estados do sistema. Como o Processo de Nascimento e Morte é uma Cadeia de Markov irredutível, existe um tempo t a partir do qual ele entra no regime estacionário mantendo suas características estáveis. Neste caso, dp n (t) dt = 0, n, t > t. Dessa forma, o sistema de equações diferenciais (2.12) e (2.13) se converte no sistema de equações algébricas 0 = λ n P n µ n P n + λ n 1 P n 1 + µ n+1 P n+1, n 1, (2.14) 0 = λ 0 P 0 + µ 1 P 1. (2.15) Rearranjando (2.14) tem-se: λ n P n µ n+1 P n+1 = λ n 1 P n 1 µ n P n n 1 e usando recorrência, λ n P n µ n+1 P n+1 = λ n 1 P n 1 µ n P n = λ n 2 P n 2 µ n 1 P n 1 = λ 0 P 0 µ 1 P 1. (2.16) De (2.15) e (2.16), tem-se: λ n 1 P n 1 µ n P n = 0 n 1. Então, P n = λ n 1 µ n P n 1 = λ n 1λ n 2 µ n µ n 1 P n 2 =... = λ n 1λ n 2 λ n 3...λ 0 µ n µ n 1 µ n 2...µ 1 P 0
25 24 de onde se conclui que Como n 0 P n = 1, obtém-se: P n = P 0 n i=1 λ i 1 µ i n 1. (2.17) P 0 = 1 + n 1 1 n i=1. (2.18) λ i 1 µ i desde que a soma do denominador de (2.18) seja convergente. A partir das Equações (2.17) e (2.18), tem-se a distribuição limite dos estados do sistema (P 0, P 1, P 2,...), que é também a distribuição do estado do regime estacionário do processo, totalmente determinada pelas taxas de nascimento e morte. As equações (2.14) e (2.15) são denominadas equações de balanço ou de equilíbrio, onde o princípio da conservação de energia é válido, ou seja, para cada estado, o fluxo de quem entra é igual ao fluxo de quem sai. Dessa forma, para qualquer estado n 1, tem-se: λ n 1 P n 1 + µ n+1 P n+1 = λ n P n. e para cada estado n = 0, λ 0 P 0 = µ 1 P Processo de Poisson Um Processo de Poisson ou de Nascimento Puro é uma Cadeia de Markov de parâmetro contínuo onde a única mudança permitida a partir de qualquer estado n é para o estado n + 1 e se processa com uma taxa constante. Então, esse processo pode ser modelado de forma análoga a um Processo de Nascimento e Morte, considerando-se as taxas de nascimento λ n = λ, n e as taxas de morte µ n = 0, n 1. Para o Processo de Poisson, as hipóteses consideradas para o Processo de Nascimento e Morte são válidas, a saber: 1. no instante inicial t 0 = 0, o sistema está vazio, isto é, N(0) = 0; 2. dado que o sistema está no estado n, no intervalo de tempo (t, t + t), t tão
26 25 pequeno quanto se queira, a probabilidade de ocorrer: (a) um nascimento é igual a λ n t + o( t); (b) mais de um evento (nascimento(s)) é desprezível, igual a o( t), onde, o( t) lim t 0 t = 0. As hipóteses 3a) e 3c) acima podem ser reescritas como, P 1 ( t) = λ t + o( t), (2.19) P i ( t) = o( t), i 1. (2.20) A partir das hipóteses 1 e 2, de (2.19), de (2.20) e utilizando-se o Teorema da Probabilidade Total, têm-se: P n (t + t) = P n (t)p 0 ( t) + P n 1 (t)p 1 ( t) + o( t) = (1 λ t)p n (t) + λ tp n 1 (t) + o( t), n 1, o que implica que P n (t + t) = P 0 (t)p 0 ( t) + o( t) = P 0 (t)(1 λ t) + o( t). Usando um procedimento análogo àquele usado para Processos de Nascimento e Morte, pode-se escrever: P n (t + t) P n (t) t = λp n (t) + λp n 1 (t) + o( t), n 1 t e P n (t + t) P n (t) t Tomando-se os limites quando t 0, têm-se: = λp 0 (t) + o( t). t dp n (t) dt dp 0 (t) dt = λ[p n (t) P n 1 (t)], n 1, = λp 0 (t), (2.21) que constituem um sistema infinito de equações diferenciais. A solução da Equação (2.21) é dada por: P 0 (t) = e λt. (2.22)
27 26 Resolvendo-se (2.21) recorrentemente, têm-se: de onde, por indução, P 1 (t) = λte λt, P 2 (t) = (λt)2 e λt, 2! P 3 (t) = (λt)3 e λt, 3!. P n (t) = (λt)n e λt, n 0. n! Observa-se que a variável aleatória discreta que representa o estado do processo em um intervalo de comprimento t segue uma distribuição de Poisson de parâmetro λt, com valor esperado dado por: E[N(t)] = λt O Processo de Poisson pode ser descrito de forma equivalente pela caracterização do tempo entre mudanças sucessivas como uma variável aleatória exponencial: seja T a variável aleatória que representa o tempo entre ocorrências sucessivas em um Processo de Poisson de taxa λ, e seja N(t) a variável aleatória que representa o número de ocorrências num intervalo de tempo de comprimento t. O evento (T > t) é equivalente ao evento (N(t) = 0), então: P (T > t) = P (N(t) = 0) = P 0 (t). (2.23) De (2.22) e (2.23), pode-se determinar a função de distribuição acumulada de T, F T (t) = 1 P (T > t) = 1 P 0 (t) = 1 e λt, t 0 e a função de densidade de probabilidade, f(t) = df (t) dt = λe λt t 0 que é a função de densidade de uma variável aleatória com distribuição exponencial de parâmetro λ. Reciprocamente, se os tempos T entre mudanças sucessivas são variáveis aleatórias independentes, idênticas e exponencialmente distribuídas de parâmetro λ, a variável
28 27 aleatória discreta N(t) que representa o estado do sistema no tempo t segue uma distribuição de Poisson de parâmetro λt. Para demonstrar essa propriedade, seja T n+1 a variável aleatória que representa a soma dos tempos transcorridos entre n + 1 mudanças sucessivas. O evento (T n+1 > t) é equivalente ao evento (N(t) n), então, P (T n+1 > t) = P (N(t) n) = n P i (t) = F N (n) (2.24) i=0 onde F N é a função de distribuição acumulada de N(t). Como os tempos entre mudanças sucessivas seguem idênticas distribuições exponenciais de parâmetro λ, T n+1 tem distribuição de Erlang de parâmetros (n + 1) e λ. Dessa forma, P (T n+1 > t) = t λ(λx) n e λx dx n! Fazendo-se a transformação u = x t e observando-se que t é uma constante, obtém-se: P (T n+1 t) = = = = = = t t t n i=0 n i=0 n i=0 onde Γ(.) é a função Gama, definida por λ n+1 (u + t) n e λu e λt du n! n ( ) n λ n+1 e λu e λt u n i t i i i=0 du n! n λ n+1 e λu e λt n! (n i)!i! un i t i λ n+1 e λt t i (n i)!i! λ n+1 e λt t i (n i)!i! λ n+1 e λt t i (n i)!i! i=0 t t n! e λu u n i du e λu (λu) n i λdu λ n i+1 Γ(n i + 1) λ n i+1 du Para p inteiro, Γ(p) = 0 e u u p 1 du. Γ(p) = (p 1)!
29 28 Dessa forma, De (2.24) e (2.25) P (T n+1 > t) = n i=0 λ n+1 e λt t i (n i)! (n i)!i!λ n i+1 = F N (n) = n (λt) i e λt i=0 i! n (λt) i e λt o que caracteriza N(t) como uma variável de Poisson de parâmetro λt. i=0 i! (2.25) Uma propriedade da distribuição exponencial é a ausência de memória, denominada também propriedade Markoviana, que garante que dada uma informação presente sobre uma variável aleatória Exponencial, seu comportamento futuro independe do passado, isto é, P (T t 1 T t 0 ) = P (0 T t 1 t 0 ). A variável aleatória exponencial é a única variável aleatória contínua com essa propriedade. 2.5 Conceitos Básicos da Teoria de Filas Segundo Hillier e Lieberman (1974), a Teoria de Filas estuda a espera em diversas formas de filas. Tal teoria busca definir maneiras de lidar mais eficientemente com sistemas de filas. Esta definição é possível a partir da determinação da maneira como o sistema de filas funcionará e o tempo médio de espera nas mesmas a partir da utilização de modelos de filas para diversas situações reais. Fogliatti e Mattos (2007) definem um Sistema com Fila como qualquer processo onde usuários oriundos de uma determinada população chegam para receber um serviço pelo qual esperam, se for necessário, saindo do sistema assim que o serviço é completado. Essa espera acontece quando a demanda é maior do que a capacidade de atendimento oferecida, em termos de fluxo. O estudo da Teoria das Filas teve início com o matemático A.K. Erlang no ano de 1909 para o problema de congestionamento de linhas telefônicas na Dinamarca. A.K. Erlang é considerado por alguns autores o pai da Teoria de Filas, devido ao fato de seu trabalho ter se antecipado por várias décadas aos conceitos modernos dessa teoria. Já no ano de 1917, publicou o livro Solutions of Some Problems in the Theory of Probabilities of Significance in Automatic Telephone Exchanges, onde sua experiência ficou documentada. Desde então, as áreas de economia, administração e de processamento de fluxos usu-
30 29 fruíram dessa técnica, destacando-se, entre outros, problemas de congestionamento de tráfego, escoamento de fluxo de carga de terminais, carregamento/descarregamento de veículos, escoamento e fluxo de processamento de informações, formação de estoques, comunicação de computadores. Dentre os trabalhos precursores desenvolvidos em diferentes áreas, podem-se citar, as modelagens apresentadas nas referências: Adams (1936) e Tanner (1951), para o cálculo do tempo médio de espera de pedestres para atravessar uma rua sem sinal; Everett (1953), para o problema de escoamento de fluxo de barcos em terminais portuários; Cobham (1954), para o problema de reparo de maquinárias; Bailey (1954), para o problema de escoamento do fluxo de pacientes na emergência de um hospital; Morse (1962) e Prabhu (1965), para o problema de formação de estoques; Bitran e Morabito (1996), para sistemas de manufaturas. A partir de 1960, a Teoria de Filas foi também utilizada para modelar problemas concernentes à Ciência da Computação, Ramamoorthy (1965) e Courtois (1977). Destacam-se a partir de 1980, as aplicações a redes de filas, Gelembe e Pujolle (1987) e Walrand (1988); em comunicação de computadores, Daigle (1991) e em provedores de internet, Fontanella e Morabito (2001). Das publicações em português sobre Teoria de Filas, podem-se mencionar Novaes (1975), que apresenta aplicações direcionadas ao Planejamento de Transportes, e MA- GALHÃES (1996), que trata de modelos de redes de filas frequentemente aplicados à Ciência da Computação Estrutura Básica de um Sistema com Fila Um sistema com fila é composto por usuários, por canais ou postos de serviço/atendimento e por um espaço designado para a espera. Os usuários chegam segundo um determinado comportamento que caracteriza o processo de chegadas, para serem atendidos em canais ou postos de serviço (que funcionam em paralelo) segundo um padrão de atendimento. Enquanto os postos estão ocupados, os usuários aguardam numa única fila em um espaço designado para tal. Assim que um canal de serviço fica livre, um dos usuários da fila é chamado para atendimento segundo um critério estabelecido pela gerência. Uma vez completado o serviço, o usuário é liberado do sistema. A Figura 1 representa esquematicamente um sistema com fila.
31 30 Figura 1: Representação esquemática de um sistema com fila O processo de chegadas dos usuários é especificado pelo comportamento do fluxo de chegadas dos mesmos ao sistema. Segundo Fogliatti e Mattos (2007), se são conhecidos o número de chegadas e os instantes de tempo em que elas acontecem, esse processo é denominado determinístico, caso contrário, tem-se um comportamento aleatório constituindo um processo estocástico caracterizado por uma distribuição de probabilidade. O caso mais comum e simples, é quando se considera que os clientes chegam segundo um processo de Poisson. O processo de atendimento é especificado pelo comportamento do fluxo de usuários e a sua caracterização é análoga à do processo de chegadas. Os canais ou postos de serviço são os locais onde são atendidos os usuários. O número de postos de um sistema pode ser finito ou infinito. Como exemplo do primeiro caso, podem-se citar os guichês de um posto de pedágio, para o segundo caso, qualquer atendimento do tipo self-service, onde cliente e servidor são a mesma pessoa e onde o serviço está sempre disponível. Segundo Fogliatti e Mattos (2007), a capacidade do sistema é o número máximo de usuários que o mesmo comporta (incluindo fila e atendimento) e pode ser finita ou infinita. Quando a capacidade é finita, os clientes que chegam ao sistema após a capacidade máxima ser atingida são rejeitados. Para o caso de capacidade infinita pode-se citar a espera de navios em ambiente aquaviário para descarregamento em um porto.
32 Disciplina de Atendimento A disciplina de atendimento consiste na maneira pela qual os usuários que estão na fila são selecionados para serem atendidos. Os tipos de disciplinas de atendimento mais utilizados são: ˆ F IF O (first in - first out): os usuários são atendidos na ordem das chegadas. Essa disciplina de atendimento é a mais comumente adotada. ˆ LIF O (last in - first out): o primeiro usuário a ser atendido é o que chegou por último. ˆ P RI (priority service): o atendimento aos usuários segue uma ou mais prioridades preestabelecidas pela gerência do sistema. ˆ SIRO (service in random order): o atendimento aos usuários segue uma ordem aleatória. Vale salientar que há outros tipos de disciplinas de atendimento, inclusive considerando aspectos como atendimento prioritário e desistências. No entanto, como este é apenas um estudo introdutório, tais modelos não foram vistos Notação de um Sistema com Fila A notação utilizada neste trabalho para descrever um sistema com fila é a notação encontrada em boa parte da literatura clássica de estudo de filas e foi proposta por Kendall (1953). Considera-se a forma A/B/C/D/E, onde A e B denotam, respectivamente, as distribuições dos tempos entre chegadas sucessivas e de atendimento, C e D denotam o número de postos de atendimento em paralelo e a capacidade física do sistema, respectivamente e E, uma das siglas que representam as disciplinas de atendimento. Como exemplos de escolhas para A e B, podem-se citar: ˆ D: distribuição determinística ou degenerada; e para comportamento aleatório; ˆ M: distribuição exponencial (Memoryless ou Markoviana); ˆ E k : distribuição Erlang do tipo k; ˆ G: distribuição geral (não especificada).
33 32 Para simplificar a notação, frequentemente as letras D e E da notação acima descrita são omitidas. Quando tais parâmetros não aparecem, considera-se que o sistema tenha capacidade infinita e disciplina de atendimento F IF O Medidas de Desempenho Segundo Fogliatti e Mattos (2007), a utilização da Teoria de Filas permite avaliar a eficiência de um sistema por meio da análise de suas características utilizando medidas de operacionalidade/desempenho. Essas características, na maioria das vezes, mudam ao longo do tempo, sendo então representadas por variáveis aleatórias, cujos valores esperados podem ser utilizados como medidas de desempenho do sistema no regime estacionário. Dentre essas medidas, podem-se citar: ˆ Número médio de usuários na fila (L q ) e no sistema (L). ˆ Tempo médio de espera de um usuário qualquer na fila (W q ). ˆ Tempo médio de permanência de um usuário qualquer no sistema (W ). Outras medidas de desempenho que caracterizam o comportamento do sistema são: ˆ Probabilidade de se ter no máximo um número n 0 pré-fixado de usuários no sistema, P (N n 0 ). ˆ Probabilidade de um usuário qualquer ter que aguardar mais do que um determinado tempo t na fila, P (T q > t). ˆ Probabilidade de se ter algum servidor ocioso em um sistema com c postos de atendimento, P (N < c). 2.6 Modelos de Filas Básicos Nesta seção, serão apresentados modelos de filas representando situações que se comportam como processos Markovianos de nascimento e morte Modelo M/M/1/ /F IF O O modelo M/M/1/ /F IF O, como foi dito anteriormente, pode ser representado como M/M/1 para simplificar a notação. Este modelo é caracterizado por:
34 33 ˆ tempos entre chegadas sucessivas e os tempos de atendimento seguindo distribuições exponenciais; ˆ existe um único posto de atendimento; ˆ não há limitação para o espaço reservado para a fila de espera; ˆ a ordem de acesso de usuários ao serviço segue a ordem das chegadas dos mesmos ao sistema. As chegadas e os atendimentos caracterizam um Processo de Nascimento e Morte, lembrando que somente um único evento pode acontecer em períodos pequenos de tempo. As taxas de chegada (ingresso) ao sistema e de atendimento são constantes e dadas respectivamente por: λ n = λ n 0 e µ n = µ n 1. Segundo Fogliatti e Mattos (2007), no regime estacionário de qualquer processo markoviano P n (t) = P n n 0. Para um processo representado pelo modelo M/M/1 que se encontra nesse regime, substituindo na fórmula (2.17) as taxas λ n e µ n por λ e µ, respectivamente, obtém-se e de (2.18), P n = λn µ n P 0, n 1, (2.26) P 0 = onde a soma geométrica só converge se λ µ [ ( ) ] n 1 λ, µ < 1. Neste caso, tem-se: P 0 = 1 λ µ. (2.27) O parâmetro ρ definido como ρ = λ µ é denominado taxa de ocupação/utilização do sistema, que substituindo em (2.26) e (2.27) leva a P n = ρ n (1 ρ), n 0. (2.28)
35 34 Da Expressão (2.28), observa-se que o número de usuários no sistema segue uma distribuição geométrica modificada de parâmetro (1 ρ) com valor esperado dado por: W = ρ 1 ρ. (2.29) Conforme apresentado na Seção 2.5.4, as medidas de desempenho de um sistema em regime estacionário auxiliam na avaliação da produtividade e no dimensionamento do mesmo. Serão apresentadas a seguir algumas medidas de desempenho correspondentes ao modelo M/M/1. Número médio de usuários no sistema (L) Seja N a variável aleatória discreta que representa o número de usuários no sistema no regime estacionário, com distribuição de probabilidade {P n }, n 0 e valor esperado L. Tem-se, então: Usando a Equação (2.28), segue que L = E[N] = np n. L = (1 ρ) nρ n = (1 ρ)ρ nρ n 1 = (1 ρ)ρ n=1 n=1 dρ n dρ. Se ρ < 1, então ρ n converge e então, n=1 ( dρ n dρ = d ) ρ n. dρ Dessa forma, ( L = (1 ρ)ρ d ) ρ n = (1 ρ)ρ d dρ dρ ( 1 ) 1 ρ 1 = (1 ρ)ρ (1 ρ). 2 De onde se conclui que o que confirma a expressão (2.29) L = ρ 1 ρ,
36 35 Número médio de usuários na fila (L q ) Seja N q a variável aleatória discreta que representa o número de usuários na fila no regime estacionário e L q seu valor esperado. Então, { N 1, N 1, N q = 0, N = 0, de onde L q = E[N q ] = (n 1)P n = n=1 np n n=1 = ρ 1 ρ ρ = ρ ρ + ρ2 (1 ρ) P n = L 1 + P 0 n=1 = ρ2 (1 ρ). Probabilidade de se ter mais do que k elementos no sistema Apesar de se tratar de um sistema com capacidade infinita, estas probabilidades são úteis para se avaliar a necessidade de incluir certas comodidades no local reservado para a fila, como cadeiras, banheiros ou outras instalações. Para este sistema particular de fila, vale P (N k) = P n = n=k ρ n (1 ρ) = (1 ρ) n=k = (1 ρ)ρ k i=0 ρ i = (1 ρ)ρ k 1 1 ρ, i=0 ρ k+1 de onde segue que P (N k) = ρ k. Função de distribuição acumulada do tempo de espera na fila (W q (t)) Considerando-se o sistema no regime estacionário, seja T q a variável aleatória contínua que representa o tempo que um usuário qualquer permanece na fila aguardando por atendimento. Esse tempo depende do número de unidades que se encontram à sua frente e do tempo que essas unidades levam para ser atendidas. Na chegada de um usuário no sistema, podem ser identificados dois eventos mutuamente excludentes:
37 36 1. O sistema está vazio, então, T q = 0; 2. Há n elementos no sistema, n > 0, então, T q > 0. Seja W q (t) a função de distribuição acumulada de T q que expressa a probabilidade de um usuário qualquer aguardar na fila no máximo um tempo t 0. Então, e para t > 0, W q (t) = W q (t) = P (T q t). W q (0) = P (T q 0) = P (N = 0) = P 0 = 1 ρ P (n usuários no sistema e os n serviços completados até t). O evento n serviços completados até t é equivalente ao evento o tempo para completar n serviços é menor do que t. Seja T (n) a variável aleatória contínua que representa a soma dos tempos de atendimento de n usuários consecutivos. Os tempos de serviço são independentes e exponencialmente distribuídos com taxa µ, consequentemente T (n) segue uma distribuição de Erlang de parâmetros n e µ. Então, t 0, W q (t) = W q (0) + = P 0 + P [(n usuários no sistema (T (n) t))] n=1 P n P [T (n) t n usuários no sistema] n=1 = (1 ρ) + ( t [ρ n (1 ρ)] n=1 = (1 ρ) + ρ(1 ρ) = (1 ρ) + ρ(1 ρ)µ Sabendo que (µ λ) = µ(1 ρ), tem-se: t ( 0 t 0 0 µe µx ) µ(µx) n 1 (n 1)! e µx dx ) n=1 e (µ λ)x dx. W q (t) = (1 ρ) + ρ ρe (µ λ)t (λx) n 1 (n 1)! = 1 ρe (µ λ)t. (2.30) dx
38 37 Função de densidade do tempo de espera na fila (w q (t)) Como se sabe, a função de densidade de probabilidade de uma determinada variável aleatória pode ser obtida como a derivada de sua função de distribuição acumulada. Assim, pela Equação (2.30) w q (t) = dw q(t) dt = d(1 ρe (µ λ)t ) dt = ρ(µ λ)e (µ λ)t. Função de distribuição acumulada do tempo de permanência no sistema (W (t)) Com raciocínio análogo ao utilizado para obter W q (t), obtém-se a função de distribuição acumulada do tempo T de permanência no sistema, W (t): W (t) = 1 e µ(1 ρ)t t 0 (2.31) Da expressão (2.31), observa-se que a variável aleatória T, tempo de permanência no sistema, segue uma distribuição exponencial de parâmetro µ(1 ρ), com valor esperado dado por E[T ] = 1 µ(1 ρ) = 1 (µ λ). (2.32) Tempo médio de espera na fila (W q ) O valor esperado de T q, é dado por: W q = E[T q ] = = = 0 0 tw q (t)dt tρ(µ λ)e (µ λ)t dt λ µ(µ λ) = ρ µ λ. Tempo médio de permanência no sistema (W ) Esta média pode ser calculada observando-se que o tempo médio que um usuário qualquer permanece no sistema é igual à soma do tempo médio de espera na fila com o tempo médio de atendimento, ou seja, W = W q + 1 µ = λ µ(µ λ) + 1 µ = 1 µ λ
39 38 o que confirma a expressão (2.32). Probabilidade do tempo de espera na fila ser maior do que um tempo t > 0 Usando a Equação (2.30), segue que P (T q > t) = 1 W q (t) = ρe (µ λ)t. Fórmulas de Little Conforme Fogliatti e Mattos (2007), um importante resultado geral que independe de propriedades específicas das distribuições dos tempos entre chegadas e de atendimento estabelece que: o número médio de usuários num sistema é igual ao produto da taxa média de ingresso pelo tempo médio de permanência de um usuário no mesmo. Este resultado, conhecido como fórmula de Little (LITTLE, 1961 apud FOGLIATTI; MATTOS, 2007), é representado analiticamente por: L = E[Λ]W (2.33) onde E[Λ] é a taxa média de ingressos no sistema. Outras relações entre as medidas de desempenho do sistema, também conhecidas como fórmulas de Little, válidas em geral são: W = W q + E[S] (2.34) onde S é o tempo que um usuário qualquer permanece em atendimento, W q = L q E[Λ] (2.35) e L q = L E[Λ]E[S]. As provas são indutivas e a utilidade deste conjunto de relações reside no fato de que o conhecimento de uma das medidas de desempenho implica o conhecimento das outras. Para o modelo M/M/1, tem-se E[Λ] = λ e E[S] = 1 µ, portanto: L = λ µ λ,
40 39 W = W q = L q = λ λ(µ λ) + 1 µ = 1 µ λ, ρ 2 (1 ρ)λ = λ µ(µ λ), ρ2 1 ρ = λ 2 µ(µ λ) Modelo M/M/1/k/F IF O O modelo M/M/1/k/F IF O será representado como M/M/1/k para simplificar a notação. Tal modelo é caracterizado por: ˆ tempos entre chegadas sucessivas e os tempos de atendimento seguem distribuições exponenciais de parâmetros λ e µ, respectivamente; ˆ existe um único posto de atendimento; ˆ o usuário é atendido conforme sua ordem de chegada; ˆ a capacidade do sistema é limitada a k usuários no sistema. Neste modelo, as chegadas e os atendimentos caracterizam um Processo de Nascimento e Morte. Entretanto, a taxa de ingresso ao sistema, λ n, difere da taxa de chegada para n k, tendo em vista a existência da limitação na capacidade do sistema (igual a k). Neste caso, as taxas de ingresso e de atendimento são dadas respectivamente por: { λ, 0 n < k, λ n = 0, n k e µ n = µ, n 1. Para o estado de regime estacionário do sistema, tem-se: P n (t) = P n, 0 n k. Substituindo, em (2.17), λ n e µ n pelos seus respectivos valores, tem-se: ( ) n λ P n = P 0, 0 < n k. µ
41 40 De (2.18), fazendo ρ = λ, tem-se: µ P0 = 1. k ρ n A soma finita do denominador sempre converge, porém para valores distintos, dependendo de ρ. Dessa forma, de onde, 0 < n k P 0 = P n = 1, se ρ = 1, k+1 1 ρ 1 ρ k+1, se ρ 1, 1, se ρ = 1, k+1 (1 ρ)ρ n 1 ρ k+1, se ρ 1, (2.36) (2.37) Conforme apresentado na Seção 2.5.4, as medidas de desempenho de um sistema em regime estacionário auxiliam na avaliação da produtividade e no dimensionamento do mesmo. Serão apresentadas a seguir algumas medidas de desempenho correspondentes ao modelo M/M/1/k. Número médio de usuários no sistema (L) Por definição L = E[N] = Usando (2.36) e (2.37), e supondo que ρ = 1, L = k np n. k 1 n (k + 1) = 1 (k + 1) k(k + 1) 2 = k 2.
42 41 Se ρ 1, L = = = = 1 ρ (1 ρ k+1 ) (1 ρ)ρ (1 ρ k+1 ) k nρ n = (1 ρ)ρ (1 ρ k+1 ) k dρ n dρ = (1 ρ)ρ (1 ρ k+1 ) ( ) 1 ρ k+1 n=1 k n=1 d dρ nρ n 1 k (1 ρ)ρ (1 ρ k+1 ) d dρ 1 ρ (1 ρ)ρ (1 ρ k+1 ) [ (1 ρ)(k + 1)ρk + 1 ρ k+1 ] (1 ρ) 2 = ρ[1 + kρk+1 ρ k (k + 1)]. (1 ρ)(1 ρ k+1 ) ρ n Em resumo, L = k, se ρ = 1 2 ρ[1+kρ k+1 ρ k (k+1)] (1 ρ)(1 ρ k+1 ), se ρ 1. (2.38) Número médio de usuários na fila (L q ) Sabendo que L q = E[N q ] tem-se que L q = k (n 1)P n = n=1 sendo que L é dado por (2.38). k np n k P n = L 1 + P 0, Tempo médio de permanência no sistema (W ) Para se usar a fórmula de Little (2.33), deve ser feita uma modificação, pois, por existir limitação do espaço reservado para a fila, rejeições acontecem com taxa λp k cada vez que o sistema atinge o estado k. Dessa forma, a taxa de ingressos, λ, não coincide com a taxa de chegadas, λ. A taxa de efetivos ingressos λ, é dada por que substituída em (2.33) leva a n=1 λ = λ λp k = λ(1 P k ), W = L λ(1 P k ).
Aplicação da Teoria de Filas Markovianas no Controle de Fluxo de Usuários. Ednário B. Mendonça 1, Divanilda M. Esteves 2 ISSN:
ISSN: 2317-0840 Aplicação da Teoria de Filas Markovianas no Controle de Fluxo de Usuários Ednário B. Mendonça 1, Divanilda M. Esteves 2 1 Universidade Estadual da Paraíba - UEPB, Brasil. 2 Departamento
Noções 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={
Processos 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,
Cadeias 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
SIMULAÇÃO EM GESTÃO DE OPERAÇÕES E LOGÍSTICA: TOMADA DE DECISÕES EM MELHORIA DE PROCESSOS CAPÍTULO 3: TEORIA DAS FILAS Roberto Ramos de Morais
3 TEORIA DAS FILAS No cotidiano encontram-se filas em diversas situações: ao ir à padaria para comprar pão, na sala de espera do dentista, na compra de ingressos para o cinema, veículos em uma barreira
Modelos 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
Modelos 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
ATeoria 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
Por 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;
TE802 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
ATeoria 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
PROCESSOS 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
Módulo 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
Modelagem 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
Modelos 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
Cadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Processos 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
Teoria 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
Avaliação 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
Cadeias de Markov. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Cadeias de Markov Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 3 e 4 Taylor & Karlin 1 / 71 Cadeias de Markov Seja X 0, X 1,...
Avaliação 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
Sumário. 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
Curso: 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
FILA 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
INTRODUÇÃO 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
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Cadeias de Markov Em 1907, Andrew Markov iniciou um estudo sobre um modelo onde o resultado
Conceitos Básicos, Básicos,Básicos de Probabilidade
Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar
SISTEMAS 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.
Avaliação 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
Avaliação 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
Probabilidade 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
Teoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Simulação a Eventos Discretos. Fernando Nogueira Simulação 1
Simulação a s 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
3. CADEIA DE MARKOV EM TEMPO DISCRETO
3. CADEIA DE MARKOV EM TEMPO DISCRETO 3. Definição Uma Cadeia de Markov em Tempo Discreto é um processo estocástico em que a variável t representa intervalos de tempo, { }e que segue a propriedade de Markov,
Propriedade Markoviana
Cadeias de Markov Cadeias de Markov É um tipo especial de processo estocástico, que satisfaz as seguintes condições: o parâmetro n é discreto (ex: tempo) o espaço de estados E é discreto (coleção de estados
Avaliação 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:
Aula 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
Processos 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
Modelização 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
Fernando 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
Rede 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
Processos 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
Tópicos 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
PLANEJAMENTO 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
Aplicação. Controlo Óptimas. 23º Seminário de Engenharia Mecânica - 4 Junho de Nuno Manuel R. S. Órfão
Aplicação de Cadeias de Markov em Redes de Filas de Espera Políticas de Controlo Óptimas 23º Seminário de Engenharia Mecânica - 4 Junho de 2003 - Nuno Manuel R. S. Órfão nmorfao@estg.ipleiria.pt 1 Sumário
Escola 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
Modelagem e Avaliação de Desempenho
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Exemplos usados na apresentação foram obtidos de Introduction to Probability, C.M.Grinstead
FILAS 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
Lista 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
Processos 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
Análise 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
Tese de Doutorado. Otimização Multiobjetivo em Redes de Filas
Tese de Doutorado Otimização Multiobjetivo em Redes de Filas por Nilson Luiz Castelucio Brito Orientador: Frederico R. B. Cruz Coorientador: Anderson Ribeiro Duarte Março de 2013 ii Nilson Luiz Castelucio
Métodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez
Métodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez Distribuição de probabilidades Contexto O porquê desta aula Ao desenvolvermos
ROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
USO DA TEORIA DE FILAS NA AVALIAÇÃO DA OPERACIONALIDADE DE UMA INTERSEÇÃO SINALIZADA POR SEMÁFORO
USO DA TEORIA DE FILAS NA AVALIAÇÃO DA OPERACIONALIDADE DE UMA INTERSEÇÃO SINALIZADA POR SEMÁFORO Luz Delicia Castillo Villalobos (UTFPR) luz_delicia@yahoo.com.br Resumo O objetivo do presente trabalho
ANÁLISE DE TEORIA DAS FILAS: SISTEMA DE FILAS DE UM SERVIÇO DE PRONTO ATENDIMENTO RESUMO
37 ANÁLISE DE TEORIA DAS FILAS: SISTEMA DE FILAS DE UM SERVIÇO DE PRONTO ATENDIMENTO Francieli de Fátima de Oliveira 1 Mara Lucia Grando; Marcel Belusso; Stefan Antônio Bueno 2 RESUMO A teoria das filas
Estatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Gestão 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,
TE802 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
PROCESSO 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
Modelos Probabilísticos
Modelos Probabilísticos Somente para lembrar... Modelos são extremamente importantes para o estudo do desempenho de um sistema antes de implementá-lo na prática! Foguete proposto tem confiabilidade? Devemos
4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Marcus Vinicius de Oliveira DMAT - Universidade Federal de Minas Gerais. 13 de dezembro de 2011
Simulação de Filas Marcus Vinicius de Oliveira marcus.eletrica@hotmail.com DMAT - Universidade Federal de Minas Gerais 13 de dezembro de 2011 Resumo O objetivo deste trabalho é apresentar um algorítmo
Cadeias de Markov e Campos Aleatórios Markovianos
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE FÍSICA Cadeias de Markov e Campos Aleatórios Markovianos Wagner Gomes Rodrigues Junior Profª Drª Tania Tomé - IFUSP São Paulo 2009 Sumário 1 Cadeias de MarKov 1 SUMÁRIO
Avaliação Quantitativa de Sistemas
Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado
PROCESSOS ESTOCÁSTICOS. Modelagem de falhas, Técnicas de Markov para modelagem da confiabilidade de sistemas
ROCESSOS ESTOCÁSTICOS Modelagem de falhas, Técnicas de Markov para modelagem da confiabilidade de sistemas Modelagem de falhas Confiabilidade de sistemas Necessário modelar o comportamento do sistema,
1 Conceitos Iniciais. 1.1 Grafos
1 Conceitos Iniciais O objetivo deste capítulo é revisar conceitos básicos, mas fundamentais, sobre grafos, passeios aleatórios (random walks) com especial destaque aos passeios aleatórios sobre grafos
Variáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Distribuições Discretas
META: Estudar o comportamento das Variáveis Aleatórias Discretas, bem como das Distribuições Binomial e Poisson e suas aplicações. Entender o comportamento de uma Variável aleatória Contínua. OBJETIVOS:
Estatística 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
PCS 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
Capítulo 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
f(x t =x t )= F(X t =x t )/ x X 1 X 2 X 3 X 4 Representação Gráfica de um Processo Estocástico
CAÍTULO ROCESSOS ESTOCÁSTICOS - Introdução ) A variação de tráfego em um cruzamento que envolve a formação e dissipação de congestionamento de tráfego. ) A variação diária do nível de estoques de um determinado
Estatística 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
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
D 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 2
01. Um lava rápido Automático funciona com somente uma baia. Os carros chegam, conforme uma distribuição de Poisson, em média a cada 12 minutos e podem esperar no estacionamento oferecido se a baia estiver
ANÁLISE MATEMÁTICA IV LEEC SÉRIES, SINGULARIDADES, RESÍDUOS E PRIMEIRAS EDO S. disponível em
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualiação: //003 ANÁLISE MATEMÁTICA IV LEEC RESOLUÇÃO DA FICHA 3 SÉRIES, SINGULARIDADES, RESÍDUOS E PRIMEIRAS
3 Modelo Anaĺıtico para Sistemas Móveis com uma Classe de Usuários
3 Modelo Anaĺıtico para Sistemas Móveis com uma Classe de Usuários Neste capítulo é apresentado o modelo utilizado para o Controle de Admissão de Chamadas oriundas de usuários pertencentes a uma classe.
Classificação de estados em uma cadeia de Markov. Professora Eliana Carvalho
Classificação de estados em uma cadeia de Markov Professora Eliana Carvalho Classificação de estados em uma cadeia de Markov Os estados de uma cadeia de Markov podem ser classificados com base na probabilidade
3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
A estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Teoria 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
LEEC 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
Análise 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
MOQ-12 Cadeias de Markov
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-12 Cadeias de Markov Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Roteiro Introdução Processos Estocásticos
MOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
PARTE 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
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Distribuições 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
Avaliação 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
Probabilidade 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
Introdução aos Sinais e Sistemas
Introdução aos Sinais e Sistemas Edmar José do Nascimento (Análise de Sinais e Sistemas) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia
Se X t = 4 X t+1 = X t+2 =... = 4. Cadeias de Markov Classificação Cadeias ergódicas Cadeias com absorção
Nesta aula... Processos estocásticos 1 2 3 Processos estocásticos: Suponhamos que observamos um conjunto de caracteristicas de um sistema em instantes de tempo discretos 0, 1, 2,... A característica do
Universidade Federal do Ceará
Universidade Federal do Ceará Faculdade de Economia Vicente Lima Crisóstomo Fortaleza, 2011 1 Sumário Introdução Estatística Descritiva Probabilidade Distribuições de Probabilidades Amostragem e Distribuições
FILAS. Mestrado em Engenharia Elétrica Carlos Marcelo Pedroso 2013
FILAS Mestrado em Engenharia Elétrica Carlos Marcelo Pedroso 2013 Ementa Projeto de redes de computadores via estudos analíticos e de ferramentas de simulação. Bibliografia básica JAIN, Raj. The art of
Distribuições 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