UFRJ COPPE Processos Estocásticos e Teoria de Filas

Universidade Federal do Rio de Janeiro COPPE: Programa de Engenharia de Produo rea de Pesquisa Operacional PO Escola Politcnica: Departamento de Engenharia
a Industrial
PROCESSOS ESTOCSTICOS E TEORIA DE FILAS
Prof. Virglio Jos Martins Ferreira Filho
COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)
NDICE 1. PROCESSOS ESTOCSTICOS ................................................................................... 4 1.1. DESCRIO E DEFINIO DE PROCESSOS ESTOCSTICOS ........................... 4 1.1.1. PROCESSO ESTOCSTICOS CONTNUOS / DISCRETOS ............................ 4 1.1.2. DISTRIBUIES DE PROBABILIDADE ............................................................. 5 1.1.3. ALGUNS PROCESSOS ESTOCSTICOS IMPORTANTES .............................. 6 1.2. CADEIAS DE MARKOV EM TEMPO DISCRETO ..................................................... 7 1.2.1. PROBABILIDADE DE TRANSIO EM VRIOS ESTGIOS ........................... 7 1.2.2. PROBABILIDADE DE 1 PASSAGEM E PRIMEIRO RETORNO ..................... 10 1.2.3. CLASSIFICAO DE ESTADO ........................................................................ 10 1.2.4. CADEIAS DE MARKOV ERGDICAS (PROBABILIDADES LIMITE) .............. 11 1.2.5. TEMPO MDIO DE 1 PASSAGEM / RECORRNCIA .................................... 14 1.2.6. CADEIAS DE MARKOV ABSORVENTES ........................................................ 16 1.3. CADEIA DE MARKOV EM TEMPO CONTNUO ..................................................... 18 1.3.1. VISUALIZAO MATRICIAL ............................................................................ 20 1.3.2. TEMPO AT A PRXIMA TRANSIO ........................................................... 21 1.3.3. PROBABILIDADE DE REGIME PERMANENTE (t ) ............................... 23 1.3.4. PROCESSO DE NASCIMENTO E MORTE ...................................................... 23 1.3.5. PROCESSO DE POISSON ............................................................................... 25 1.3.6. TEMPO ENTRE EVENTOS CONSECUTIVOS ................................................. 27 1.3.7. SUPERPOSIO DE PROCESSOS DE POISSON......................................... 27 1.3.8. DECOMPOSIO DE PROCESSOS DE POISSON........................................ 27 1.3.9. TEOREMA DE KHINTHINE ............................................................................... 27 1.4. 2. EXERCICIOS PROPOSTOS DE PROCESSOS ESTOCSTICOS......................... 28 TEORIA DE FILAS ....................................................................................................... 37 2.1. INTRODUO E CONCEITOS BSICOS .............................................................. 37 2.1.1. PORQUE FILAS SO ESTUDADAS................................................................. 38 2.1.2. PRINCIPAIS CARACTERISTICAS DE UMA FILA ............................................ 38 2.1.3. NOTAO DE KENDALL .................................................................................. 40 2.1.4. TERMINOLOGIA E NOTAES....................................................................... 41 2.1.5. RESULTADO DE LITTLE .................................................................................. 42 2.1.6. EXEMPLOS DE SISTEMAS DE FILAS REAIS ................................................. 43 2.1.7. A DISTRIBUIO EXPONENCIAL NA TEORIA DE FILAS.............................. 44 2.1.8. PROCESSO DE POISSON ............................................................................... 49 2.2. FILAS MARKOVIANAS (PROCESSO DE NASCIMENTO E MORTE) ................... 50 2.2.1. SISTEMAS INFINITOS ...................................................................................... 50 2.2.2. SISTEMAS FINITOS.......................................................................................... 56 2.3. MODELO DE ERLANG ............................................................................................ 58 2.3.1. SISTEMA M|EK|S ............................................................................................... 60 2.3.2. SISTEMA EK|M|1 ............................................................................................... 61 2.4. FUNO GERADORA DE MOMENTOS ................................................................ 61 2.4.1. PROPRIEDADES DA FUNO GERADORA DE MOMENTOS ...................... 64 2.5. REDES DE FILAS MARKOVIANAS ........................................................................ 66 2.5.1. SISTEMA ABERTO SEM REALIMENTAO .................................................. 67 2.5.2. SISTEMA FECHADO......................................................................................... 71 2.5.3. SISTEMAS MISTOS OU ABERTOS COM REALIMENTAO ........................ 72 2.5.4. TEOREMA BURKE ............................................................................................ 72 2.6. A FILA M|G|1 ............................................................................................................ 80 2.6.1. MEDIDAS DE DESEMPENHO .......................................................................... 83 2.7. EXERCICIOS PROPOSTOS DE TEORIA DAS FILAS ........................................... 88
Processos Estocsticos e Teoria de Filas
3.
MOVIMENTO BROWNIANO........................................................................................ 94 3.1. PASSEIO ALEATRIO DISCRETO - DISCRETE TIME, DISCRETE STATE, RANDOM WALK ................................................................................................................. 94 3.2. PASSEIO ALEATRIO COM DESVIO - DISCRETE RANDOM WALK WITH DEVIATION.......................................................................................................................... 96 3.3. PASSEIO ALEATRIO COM TAMANHO DO PASSO VARIVEL - DISCRETE TIME CONTINUOS SPACE RANDOM WALK ................................................................... 96 3.4. 3.5. 3.6. PROCESSO DE WEINER ........................................................................................ 97 GENERALIZAO - PROCESSO DE WEINER COM DESVIO ............................. 98 REPRESENTAO DO MOVIMENTO BROWNIANO POR PASSEIO ALEATRIO 99 REFERNCIAS BIBLIOGRFICAS .......................................................................... 102
4.
ANEXO A - RESPOSTAS DOS EXERCCIOS ESTOCSTICOS E DE TEORIA DE FILAS
PROPOSTOS
DE
PROCESSOS
ANEXO B - EXERCICIOS RESOLVIDOS DE PROCESSOS ESTOCSTICOS ANEXO C - EXERCICIOS RESOLVIDOS DE TEORIA DE FILAS
1. PROCESSOS ESTOCSTICOS
1.1.
DESCRIO E DEFINIO DE PROCESSOS ESTOCSTICOS
Segundo Lieberman, um processo estocstico uma coleo de variveis aleatrias indexadas ( X t ), onde t um ndice definido num conjunto T. Assim, um processo estocstico a descrio de um fenmeno aleatrio que varia com o tempo. O processo estocstico X 1 , X 2 , X 3 ... , pode representar a coleo das quantidades de carros que passam por um determinado ponto de uma rodovia, a evoluo dos nveis de estoque semanais de uma firma, o comportamento de uma partcula de gs, variaes nas qualidades dos produtos, variaes nos preos de aes, vendas numa determinada loja, evoluo do nmero de desempregados num determinado pas, etc. O processo estocstico Y1 , Y2 , Y3 ,... representa a evoluo populacional brasileira, desde o ano de 1998 como mostra a Tabela 1.1:
Tabela 1.1 Evoluo populacional brasileira 1998 Habitantes 161.790.311

(Fonte: Denatran)
1999 163.947.554
2000 169.590.693
2001 172.385.826
2002 174.632.960
... ...
Os valores assumidos por um processo estocstico so denominados estados e o conjunto de todos os estados possveis dito espao de estados.
1.1.1. PROCESSO ESTOCSTICOS CONTNUOS / DISCRETOS
Os processos estocsticos podem ser classificados como: a) Em relao ao Estado: - Estado Discreto (cadeia): X(t) definido sobre um conjunto enumervel ou finito. - Estado Contnuo: caso contrrio. b) Em relao ao Tempo: - Tempo Discreto: t finito ou enumervel. - Tempo Contnuo: caso contrrio. Notao: - Processo em tempo contnuo: {X(t), t 0} - Processo em tempo discreto: {X(t), t = 1, 2, 3, ...}
Exemplos: - Estado Discreto e Tempo Contnuo: nmero de usurios em uma fila de banco em um determinado instante, colises entre duas partculas no intervalo de 2 minutos; - Estado Contnuo e Tempo Contnuo: nvel de uma represa observado em um intervalo de tempo; - Estado Discreto e Tempo Discreto: nmero de mquinas avariadas no fim do dia, Quantidade de barris petrleo produzidas ao final do dia por uma determinada multinacional; - Estado Contnuo e Tempo Discreto: cotao de uma ao no fim do dia.
1.1.2. DISTRIBUIES DE PROBABILIDADE
Para um dado valor de t, o processo estocstico X(t) uma varivel aleatria, e a obteno de sua distribuio de probabilidade feita como qualquer outra varivel aleatria. Entretanto, quando t varia ao longo do conjunto T, a informao X(t) no fornecida por uma simples distribuio para um dado t. Para uma informao completa do processo precisamos da distribuio conjunta {X(t), t T}. Com isso podemos prever o comportamento do processo no futuro, conhecendo o comportamento no passado. Quando t contnuo, obter essa distribuio conjunta impossvel, j que o conjunto t no-enumervel. Sob essas circunstncias, vlido assumir que o comportamento do processo pode ser obtido estudando-o em um conjunto discreto de pontos, assim a distribuio conjunta definida nesse conjunto de pontos apropriada. Seja (t1, t2,...,tn), com t1 < t2 < ...< tn, um conjunto discreto de pontos de T. A distribuio conjunta do processo X(t) nesses pontos pode ser definida como segue:
P[ X t1 x1 , X t2 x 2 ,..., X tn x n ]
(1) at chamada
A probabilidade do processo estocstico estar no estado probabilidade de estado ( Pt ) e definida por:
Pt = P[ X t = at ]
(2) p 2 ... p n ... ] chamado vetor de probabilidade de estado.
O vetor p = [ p1
A probabilidade do processo estocstico (com tempo e estado discretos) estar no estado j, dado que estava no estado i, chamada probabilidade de transio ( Pij
m ,n
).
Pij
m ,n
= P[ X n = j | X m = i ]
(3)
Para o caso contnuo, a probabilidade condicional de transio e a probabilidade de estado so definidas, respectivamente, como segue:
F ( x 0 , x1 , t 0 , t1 ) = P[ X (t1 ) x1 | X (t 0 ) = x0 ]
F ( x, t ) = P[ X (t ) x] (5)
(4)
A matriz que armazena todas as probabilidades de transio Pij matriz de probabilidade de transio P
( m,n )
( m,n )
chamada
= [ pij
( m,n )
].
Um processo dito homogneo (no tempo) se a transio depende de t , mas no depende de t 0 . Nesse caso temos:
F ( x0 , x1 , t 0 , t 0 + t ) = F ( x0 , x,0, t ) t 0
O correspondente para estado e tempo discretos
Pij
( m,n )
= Pij
( n)
1.1.3. ALGUNS PROCESSOS ESTOCSTICOS IMPORTANTES Processo de WEINER (Movimento Browniano): a disposio de uma partcula suspensa em um fluido, sujeita a sucessivas colises com partculas vizinhas um exemplo clssico do processo de Weiner. O fenmeno fsico foi descoberto pelo botnico Robert Brown em 1827. A teoria do comportamento desse processo foi desenvolvida por Einstein (1906) e Weiner (1923). Processo de Poisson:
t
processo
estocstico
{X(t)}
tal
que
P[ X (t ) = k ] =
( t ) k!
denominado processo de Poisson. Esse processo
modela, razoavelmente bem, o nmero de chamadas numa cabine telefnica, por exemplo. Processo de Renovao: um exemplo desse processo a vida til de um equipamento onde uma pea que falha substituda por uma pea igual. Processo de Markov: nesse processo toda histria passada resumida no estado atual (memria de curto prazo).
1.2.
CADEIAS DE MARKOV EM TEMPO DISCRETO Um processo estocstico dito ter a propriedade Markoviana se:
P[ X t +1 = j | X t = i; X t 1 = k t 1 ;...; X 1 = k1 , X 0 = k 0 ] = P[ X t +1 = j | X t = i ]
para t = 0, 1, ... e qualquer seqncia i, j, k0, ..., kt-1.
(6)
A expresso acima, equivale a dizer que a probabilidade condicional de qualquer evento futuro, dado qualquer evento passado e o estado presente Xt =i, independente do evento passado e depende somente do estado presente do processo. Ou seja, um processo estocstico dito ser um processo Markoviano, se o estado futuro depende apenas do estado presente e no dos estados passados. Esse tipo de processo estocstico tambm denominado de processo sem memria. Se, para cada i e j
P[ X t +1 = j | X t = i ] = P[ X 1 = j | X 0 = i ], para todos t = 0,1,...

ento, as probabilidades de transio em um estgio so ditas serem estacionrias e so denotadas por pij. Isso implica que as probabilidades de transio no mudam no tempo. Um processo estocstico Xt (t = 0, 1, ...) dito ser uma cadeia de Markov em tempo discreto se tiver o seguinte:
1234-
Um nmero finito de estados, A propriedade markoviana, Probabilidades de transio estacionrias, Um conjunto de probabilidades iniciais P(X0 = i) para todo i. 1.2.1. PROBABILIDADE DE TRANSIO EM VRIOS ESTGIOS
A existncia de probabilidades de transio estacionrias em um estgio tambm implica que, para cada i, j e n (n = 0, 1, 2,...),
P[ X t + n = j | X t = i ] = P[ X n = j | X 0 = i ], para todos t = 0,1,...

Estas probabilidades condicionais so usualmente denotadas por pij(n) e so chamadas de probabilidades de transio em n estgios. Os processos com essas caractersticas so tambm chamados de processos homogneos no tempo.
pij
( n)
= P[ X n = j | X 0 = i ]
A matriz que armazena as probabilidades de transio em n estgios denotada por
(n)
= [ pij
(n)
].
Seja pij(2) a probabilidade de transio do estado i para o estado j em 2 estgios, como mostra a Figura 1.1 a seguir. estado j z i estgio 1 2
Figura 1.1 Probabilidade de Transio do estado i para o estado j em 2 estgios
Podemos escrever:
pij
pij
( 2)
( 2)
= pii pij
=
k =i , z , j kS
(1)
(1)
+ piz p zj
(1)
(1)
+ pij p jj
(1)
(1)
1 ik
p1 , para cada i, j. kj
Em notao matricial:
P ( 2) = P (1) P (1) = PP = P 2 ,
onde:
p11 P = p 21 p31
p12 p 22 p32
p13 p 23 p33
Analogamente:
Pij
( 3)
2 = pik p1 , para cada i, j. kj kS
P ( 3) = P ( 2 ) P (1) = P (1) P ( 2 ) = P 2 P = P 3
De uma maneira geral, podemos estabelecer a equao de Chapman-Kolmogorov:
P ( n ) = P ( nk ) P ( k ) = P n
(7)
Seja pj(1) a probabilidade de estar no estado j no instante 1, como mostra a Figura 1.2: estado z j i estgio 1 2
Figura 1.2 Probabilidade de estar no estado j no instante 1
Podemos escrever:
pj
(1)
= pi
(0)
pij
(1)
+ pj
(0)
p jj
(1)
+ pz
(0)
p zj
(1)
pj
(1)
( = pi( 0 ) pij1) , para cada i, j. iS
Em notao matricial:
p (1) = p ( 0 ) P (1) = p ( 0) P
De uma maneira geral, podemos estabelecer o vetor de estado no instante n:
( n)
= p ( nk ) P ( k )
1.2.2. PROBABILIDADE DE 1 PASSAGEM E PRIMEIRO RETORNO Seja a igualdade:
f ij
(n)
= P[ X n = j | X n 1 j; X n 2 j;...; X 1 j; X 0 = i ] j i , f ij
(n )
Se
a probabilidade de 1 passagem, isto a probabilidade de que o
processo esteja no estado j, no tempo n (e no antes), dado que ele estava no estado i, no tempo 0. Se
j = i , f ij
(n )
a probabilidade de 1 retorno, isto a probabilidade de que sejam
necessrios n passos at atingir o estado j pela 1 vez dado que o processo comea no estado i.
f ij
f ij
(1)
= pij , e para f ij
= pij
( n) n 1
(1)
(1)
n pij , n > 1 .
( n)
f ijk p nk jj
k =1
(8)
F ( n ) = [ f ij( n ) ] , para cada i,j, a matriz de primeira passagem / primeiro retorno.

1.2.3. CLASSIFICAO DE ESTADO Processos Irredutveis: cada estado pode ser alcanado de qualquer outro (atravs de uma seqncia de transies), caso contrrio o processo dito redutvel. A Figura 1.3 mostra um exemplo de processo redutvel.
2 1
3 4
5 6
Figura 1.3 Exemplo de Processo Redutvel
Estado Recorrente: se j aconteceu uma vez certo que ir ocorrer novamente, ou seja, existe uma probabilidade no nula do estado vir a acontecer no futuro.
( lim pijn ) 0 , para cada i. n
10
Estado Transiente: ir ocorrer um determinado nmero de vezes e posteriormente no ocorrer mais.

( lim pijn ) = 0 , para cada i, j estado transiente. n
Vale ressaltar que um processo finito e irredutvel tem todos os estados recorrentes. Estado Nulo: estado recorrente, porm com o tempo de recorrncia infinito. Estado no-nulo: tempo de recorrncia finito. Estado Peridico: estados s podem ocorrer em tempo fixo. Considere a Figura 1.4, neste caso, os estados 1 e 2 s podem ser alcanados num tempo fixo igual a 2. 2 1
Figura 1.4 Exemplo de Estado Peridico
A definio de estado peridico no garante que o estado ocorra, mas se ele acontecer, ter que ser naquele tempo. Estado Absorvente: lim pij
n ( n)
= 1 , para cada i, j estado absorvente
Cadeia Absorvente: possui pelo menos um estado absorvente, como mostra a Figura 1.5, onde os estados 4 e 5 so absorventes.
2 5
Figura 1.5 Exemplo de Cadeia Absorvente
1.2.4. CADEIAS DE MARKOV ERGDICAS (PROBABILIDADES LIMITE) Uma cadeia dita Ergdica se for irredutvel, recorrente, no-nula e aperidica.
( lim pijn ) = j n
(9) ,
11
onde:
j frao do tempo que o processo passa no estado j.

medida que o tempo do processo cresce, o estado inicial perde importncia, assim como o prprio tempo.
= [ j ] (vetor linha)
lim P n = (m rplicas do vetor = [ j ] )
n
Da equao de Chapman-Kolmogorov temos:
P ( n ) = P ( n 1) P
lim P n = lim P n 1 P = {lim P n 1}P
n n n
=P A equao acima representa um sistema de equaes lineares com m sistemas independentes e iguais com m equaes lineares cada um. Isto , m rplicas do sistema abaixo:
= P j = 1 j
Uma outra abordagem para o problema a ser considerada pela utilizao da Lei de Conservao do Fluxo, a qual garante que no estado permanente, o fluxo que sai do sistema igual ao fluxo que entra. FLUXO QUE SAI = FLUXO QUE ENTRA Para anlise atravs da Lei de Conservao de Fluxo, consideremos a Figura 1.6, abaixo: 1
1/2 1/3
1/2 2/3
1/3 2 1/3 1/3 3
Figura 1.6 Exemplo (Lei de Conservao de Fluxo)
12
A matriz P de probabilidades de transio de estados para este exemplo encontra-se descrita a seguir.
0 1 P= 3 2 3
1 2 1 3 1 3
1 2 1 3 0
Conservao do fluxo
1 1 1 2 n 1 : 2 1 + 2 1 = 3 2 + 3 3 1 1 1 1 1 1 n 2 : 2 + 2 + 2 = 1 + 2 + 3 3 3 3 2 3 3 n 3 : 1 3 + 2 3 = 1 1 + 1 2 3 3 2 3
1 = 1 / 3 2 + 2 / 3 3 2 = 1 / 2 1 + 1 / 3 2 + 1 / 3 3
combinao linear
3 = 1 / 2 1 + 1 / 3 2 1 + 2 + 3 = 1
1= 0,323 Resulta em 2= 0,387 3= 0,290
13
1.2.5. TEMPO MDIO DE 1 PASSAGEM / RECORRNCIA Seja Nij varivel aleatria que representa o nmero de estgios necessrios para atingir j pela 1 vez, partindo de i:
P{N ij = n} = f ijn (distribuio do tempo de 1 passagem/1 retorno)
mij = E ( N ij ) = n f ijn
n =1
1 retorno (i = j)
j frao do tempo que o processo passa no estado j.

mij = 1/ j o perodo mdio entre a ocorrncia de j.
Tempo mdio de 1 passagem (i j) Condicionado ao estado no estgio 1
j i mij=1 com probabilidade pij mij=(1+mkj) com probabilidade pik
k j
mkj 0 1 | |
mij = pij *1 + pik (1 + mkj )

k j
mij = pij *1 + pik *1 + pik mkj

k j k j
mij = 1 + pik mkj (10)

k j
Exemplo: Servio de Transporte de Passageiros por um Helicptero Consideremos uma cidade com apenas trs helipontos (Barra Shopping (1), Santos Dumont (2) e Galeo (3)) e um nico helicptero, que recolhe o passageiro de um dos helipontos e os leva at um outro dos helipontos, onde aguardam at que aparea outro passageiro. Um nico passageiro (um grupo com o mesmo destino) atendido de cada vez. Processos Estocsticos e Teoria de Filas 14
Se o helicptero est brevemente no Galeo, qual a probabilidade de que ele volte aps 3 viagens ? Se o helicptero brevemente no Santos Dumont, quantas viagens, em mdia, iro correr at que ele volte ao Santos Dumont? Em um longo perodo de tempo, qual a frao de viagem se destinam ao Barra Shopping? 1/2 1/3 2 1/3 1 1/3 1/3 1/2 2/3 3
Figura 1.7 Exemplo (Servio de Transporte de Passageiros por um Helicptero)
0 1 P= 3 2 3
1 2 1 3 1 3
1 2 1 a matriz de transio de estados. 3 0
O grafo mostrado na Figura 1.7 um recurso muito usado no estudo dos processos estocsticos, denominado diagrama de transio de estados. Soluo:
2 9 17 P3 = 54 4 9
5 12 7 18 19 54
13 36 8 27 11 54
11 . 54
Assim a probabilidade de que o helicptero volte aps 3 viagens
Da equao (9) temos: lim pij = j

n n
Utilizando, por exemplo, a calculadora HP podemos obter:
15
0,322 0,387 0,29 lim P = 0,322 0,387 0,29 n 0,322 0,387 0,29
n
Assim, em um longo perodo de tempo, a frao de viagens que se destinam ao Barra Shopping de 0,322.
Temos que m jj =
1 1 1 ; Assim m22 = = = 2,583 , que representa o 2 0,387 j
nmero mdio de viagens que iro ocorrer at que o helicptero volte ao Santos Dumont.
1.2.6. CADEIAS DE MARKOV ABSORVENTES a) Representao Matricial:
P =
Q R 0 I
b) Probabilidade de Absoro (A)
A = [aij ] , para cada i pertencente aos estados transientes e para cada j pertencente
aos estados absorventes.
aij = f ijn , para cada i pertencente aos estados transientes e para cada j
n =1
pertencente aos estados absorventes. A probabilidade de absoro sempre depende do estado inicial:
j i
absorvente
pij
akj k transiente 0 1 j
aij = pij + pik a kj

k
transiente
16
aij = pij + pik akj , para cada i pertencente aos estados transientes e para cada j
kT
pertencente aos estados absorventes.
AQ* A = R ( I Q) * A = R A = ( I Q) 1 * R (11)
c) Durao mdia do regime transiente Diz-se que eiz o nmero mdio de vezes que o estado transiente z ocupado, dado que o estado inicial i, i pertencente aos estados transientes. Se i j , ento eiz =
p
kT
ik kz
Se i = j , ento eiz = 1 +
p
kT
ik kz
E = [eiz ] , i, z pertencente aos estados transientes. E = ( I Q) 1 d i = eij

jT
(12)
d i a durao mdia do regime transiente, dado que o estado inicial i.

(13)
Exemplo: Uma floresta constituda de dois tipos de rvores: aquelas com at 3 metros e as maiores do que 3 metros. A cada ano 40% das rvores com at 3m morrem, 10% so vendidas por $20 cada, 30% permanecem com at 3 metros e 20% crescem para acima de 3m. Das rvores maiores do que 3m a cada ano so vendidas 50% por $50 cada, 20% por $30 cada e 30% permanecem na floresta. a) Qual a probabilidade de que uma rvore, com menos de 3m, morra antes de ser vendida? b) Se uma rvore (com menos de 3m) plantada, qual o seu valor esperado de venda?
17
1 0,41 0,31 -3 0,11 M 0,2
V50 0,51 +3 0,2 V30
0,31
V20 1
M, V20, V30 e V50 so estados absorventes. -3 -3 +3 P = M V20 V30 V50 0,3 0 0 0 0 0 +3 0,2 0,3 0 0 0 0 M 0,4 0 1 0 0 0 V20 0,1 0 0 1 0 0 V30 0 0,2 0 0 1 0 V50 0 0,5 0 0 0 1
1,428 0,408 1 E = (I Q ) = , 1,428 0
0,571 0,142 0,082 0,204 A = E.R = 0 0,285 0,714 0
a) Probabilidade de que uma rvore, com menos de 3m, morra antes de ser vendida: a 3,M = 0,571 57% b) Valor esperado de venda, se uma rvore com menos de 3m plantada: Vesp = 20*0,142 + 30*0,082 + 50*0,204 = $15,50
1.3.
CADEIA DE MARKOV EM TEMPO CONTNUO
Uma cadeia de Markov em tempo continuo e, como a designao indica uma cadeia de Markov em que a varivel tempo continua, representando instantes ou momentos de tempo (e no perodos de tempo, como para as cadeias em tempo discreto). Assim, uma cadeia de Markov em tempo continuo um processo estocstico {X(t), t 0} com a propriedade de Markov, ou seja, a propriedade de estar no estado j num momento futuro depende apenas do estado presente e no dos estados visitados em qualquer momento passado. Considerando a Grfico 1.1 abaixo, temos:
18
estado
1 0
Grfico 1.1 - Processo de Markov em Tempo Continuo
( pijto ,t ) = pij
( 0 ,t )
= pij (processo homogneo): probabilidade que o sistema esteja no
(t )
estado j, no instante t, dado que ele estava no estado i no instante 0. P(t) = [pijt(t)] No exemplo temos:
p (t ) P (t ) = 00 p10 (t )
Suposies:
p01 (t ) p11 (t )
O processo satisfaz a probabilidade de Markov; O processo estacionrio; A probabilidade de 2 ou mais mudanas de estado acontecerem num certo intervalo de tempo (t ) zero; A probabilidade de uma transio de 0 para 1; ou de 1 para 0 em um certo intervalo
de tempo (t ) proporcional a (t ) :
p01 (t ) = (t ) (14) e p10 (t ) = (t )

Assim temos que:
(15)
p00 (t + t ) = p00 (t ) p00 (t ) + p01 (t ) p10 (t ) p00 (t + t ) = p00 (t )[1 p01 (t )] + [1 p00 (t )] p10 (t ) p00 (t + t ) = p00 (t )[1 (t )] + [1 p00 (t )] (t )
p00 (t + t ) p00 (t ) = ( + ) p00 (t ) t p00 (t + t ) p00 (t ) = ( + ) p00 (t ) t
Processos Estocsticos e Teoria de Filas 19
p00 (t + t ) p00 (t ) = ( + ) p00 (t ) t 0 t dp00 (t ) = ( + ) p00 (t ) dt dp00 (t ) = dt ( + ) p00 (t )
lim
Integrando ambos os lados, temos:
ln[ ( + ) p00 (t )] =t ( + )
( + ) p00 (t ) = ce ( + )t
Como Logo:
p00 (0) = 1 , temos ( + ) = ce0 = .
p00 (t ) =
e ( + ) t
(16)
Analogamente, podemos obter:
p01 (t ) =
e ( + ) t
(17)
p11 (t ) = p10 (t ) =
e ( + ) t
(18)
e ( + ) t
(19)
1.3.1. VISUALIZAO MATRICIAL
dp00 (t ) = p00 (t ) + p01 (t ) dt dp01 (t ) = p00 (t ) p01 (t ) dt dp10 (t ) = p10 (t ) + p11 (t ) dt dp11 (t ) = p10 (t ) p11 (t ) dt
dP(t ) = P(t ) dt
Assim temos:
; Seja =
dP(t ) = P(t ) dt
(20)
1.3.2. TEMPO AT A PRXIMA TRANSIO
p00 (t + t ) = p00 (t ) p00 (t ) p00 (t + t ) = p00 (t )[1 p01 (t )] p00 (t + t ) = p00 (t ) p00 (t )t p00 (t + t ) p00 (t ) = p00 (t )t p00 (t + t ) p00 (t ) = p00 (t ) t p (t + t ) p00 (t ) lim 00 = p00 (t ) t 0 t dp00 (t ) = p00 (t ) dt p00 (t ) = e t
(21)
Um processo estocstico contnuo um processo de Markov se:
{ X (t ), t 0} ,
com espao de estados enumervel E, um processo de Markov se para todo t, s 0 e
jE :
P[ X ( s + t ) = j | X (u ), u s] = P[ X ( s + t ) = j | X ( s )] (22)
O processo ser homogneo se:
P[ X ( s + t ) = j | X ( s) = i ] = pij (t )
(23)
Discretizando e utilizando a equao de Chapman-Kolmogorov temos:
pij (t + t ) = pik (t ) pkj (t )(t )

kE
P (t + t ) = P(t ) P(t )
Clculo de
P(t )
Utilizaremos para tal a expanso em srie de Taylor:
pij (t ) = pij (0) + pij `(0)(t ) +
1 1 pij ``(0)(t ) 2 + pij ```(0)(t ) 3 + ... 6 2
pij (t ) = pij (0) + pij `(0)(t ) + 2 ,

onde:
2 0.
0, i j pij (0) = 1, i = j
pij `(0) =
= ij
dpij (t ) dt
t =0
= ij
[ ]
P (t ) = I + (t )
(24)
Retomando, tnhamos anteriormente:
P (t + t ) = P(t ) + P(t )(t )

Substituindo o resultado obtido em (24) temos:
P (t + t ) = P(t )[ I + (t )] P(t + t ) P (t ) = P(t ) (t ) dP(t ) = P(t ) dt

(25)
chamado gerador infinitesimal.

Propriedades de :
ij
a taxa de transio ou taxa de sada, isto a velocidade com que se escapa de
um estado i para um estado j.
ij
=0
22
1.3.3.
PROBABILIDADE DE REGIME PERMANENTE (t )
No estudo das cadeias de Markov em tempo continuo interessa conhecer as probabilidades estacionarias (t ) de o processo estar em diferentes estados.
lim
dP(t ) = lim P(t ) t t dt d lim P(t ) = lim P(t ) t dt t d = dt
As equaes de regime permanente so as que seguem:
0 = 1 = e
(26)
1.3.4. PROCESSO DE NASCIMENTO E MORTE Os Processos de Nascimento-Morte so processos estocsticos muito utilizados na descrio de Sistemas de Filas de Espera, dada a sua particular estrutura: as transies de um qualquer estado s so possveis para estados vizinhos (i.e., de um estado i para os estados i+1 ou i-1). Adotando-se um espao de estados X ={0, 1, } e considerando que cada estado representa um certo nvel de populao (exemplo: nmero de clientes numa loja, nmero de mensagens num coletor de chamadas, nmero de produtos a processar, etc.), tais transies podem ser facilmente interpretadas. A transio do estado i para o estado i+1 ser um nascimento (por exemplo, chegada de um cliente), uma vez que significa um aumento do nvel da populao. Enquanto que a transio do estado i para o estado i-1 ser uma morte (por exemplo, partida de um cliente), por significar um decrscimo do nvel da populao. Considere a Figura 1.8 abaixo. 0 0 1 1 2 1 2 3 2 3 3 ... n-1 n-1 n n-1 n n+1 n n+1 ...
Figura 1.8 Processo de Nascimento e Morte
23
00 = 10 0 ...
01 0 0 ... ... ... ... 11 12 0 ... ... ... ... . 21 22 23 ... ... ... ...
... ...
... ... ... ... ...
Por questo de simplicidade de notao usaremos:
01 = 0 , 12 = 1 , 23 = 2 ... e 10 = u1 , 21 = u 2 , 32 = u3 , ...
Sendo assim:
00 = 01 11 = (10 + 12 )
...
nn = (n ,n 1 + n ,n +1 )
... Uma outra abordagem para o problema usando a Lei de Conservao do Fluxo: FLUXO QUE SAI = FLUXO QUE ENTRA
0 = 1 = e
0: 1:
0 0 = u1 1
0 01 + 1 11 + 2 21 = 0 0 0 + 1[(1 + u1 )] + 2 u2 = 0 1[(1 + u1 )] = 0 0 + 2 u2
2:
1 (1 + u1 ) 2 (2 + u2 ) + 3 u3 = 0
(2 + u2 ) 2 = 1 1 + 3 u3
Resolvendo o sistema temos:
0:
1 =
0
u1
24
1:
2 = 3 =
1
u2
1 =
10
u2u1
2:
2 10
u3u2u1
0 1 + 0 + 1 0 + 2 1 0 + ... = 1 u uu uuu 1 2 1 3 2 1
Para resolvermos o sistema necessrio que a srie a convergncia da srie.
1.3.5.
PROCESSO DE POISSON
Considere a Figura 1.9: 0 1 2 3 ... n-1 n n+1 ...
Figura 1.9 O processo de Poisson
Equao de Chapman-Kolmogorov (equivalente no caso contnuo):
dP(t ) = P(t ) dt
0 = 0 ...
Da linha

0 ...
temos:
0 ... ... 0 ... ... . ... ... ... ... ... ... 0
... ... ... ...
... p00 (t ) p (t ) ... 10 ; P (t ) = ... ... ... ...
p01 (t ) p11 (t ) ... ...
p02 (t ) p12 (t ) ... ...
... ... ... ...
dp00 (t ) = p00 (t ) dt dp01 (t ) = p00 (t ) p01 (t ) dt dp02 (t ) = p01 (t ) p02 (t ) dt
25
dp0 n (t ) = p0,n 1 (t ) p0 n (t ) dt
Resolvendo o sistema para a linha
temos:
dp00 (t ) = dt p00 (t )
ln p00 (t ) = t
p00 (t ) = ce t ; como p00 (0) = 1 , segue que c = 1 . p00 (t ) = e t

(27)
Assim o tempo de permanncia no estado tem distribuio exponencial.
dp0 n (t ) + p0 n (t ) = p0,n 1 (t ) dt
Multiplicando ambos os lados da equao por
e t temos:
dp (t ) e t 0 n + p0 n (t ) = e t p0,n 1 (t ) dt
de t p0 n (t ) = e t p0,n 1 (t ) dt
Para n = 1 temos:
de t p01 (t ) = e t e t dt de t p 01 (t ) = dt e t p01 (t ) = t + d p01 (t ) = (t + d )e t , como p01 (0 ) = 0 temos: p01 (t ) = te t
( t ) n t p0n (t ) = e n!
(28)
O nmero de eventos tem distribuio de Poisson, com parmetro nmero esperado de eventos ocorrendo no perodo t.
t ,
que o
26
1.3.6. TEMPO ENTRE EVENTOS CONSECUTIVOS Seja
Tn a varivel aleatria correspondente ao tempo entre o (n-1)-simo e o n-
simo evento. Assim T1 o tempo at que o primeiro evento ocorra.
p 00 (t ) = P[nenhumeventoocorranotempot ] p00 (t ) = P[T1 > t ] P[T1 > t ] = e t P[T1 t ] = 1 e t

Generalizando, temos que:
P{Tn t} = 1 e t
(29)
Portanto, o tempo entre eventos consecutivos em um processo de Poisson tem distribuio exponencial.
1.3.7. SUPERPOSIO DE PROCESSOS DE POISSON Se A um processo de Poisson com taxa com taxa
e B um processo de Poisson
ento C tambm um processo de Poisson com taxa
c = A + B .
1.3.8.
DECOMPOSIO DE PROCESSOS DE POISSON
Se A um processo de Poisson ento B e C sero processos de Poisson se a separao for probabilstica e independente.
1.3.9.
TEOREMA DE KHINTHINE
A superposio de um grande nmero de processos de renovao (tempos entre eventos independentes e identicamente distribudas i.i.d) aproximadamente um processo de Poisson.
27
1.4.
EXERCICIOS PROPOSTOS DE PROCESSOS ESTOCSTICOS
01) Uma floresta constituda de dois tipos de rvores: aquelas com at 3 metros e as maiores do que 3 metros. A cada ano 40% das rvores com at 3m morrem, 10% so vendidas por $20 cada, 30% permanecem com at 3 metros e 20% crescem para acima de 3m. Das rvores maiores do que 3m a cada ano so vendidas 50% por $50 cada, 20% por $30 cada e 30% permanecem na floresta. a) Qual a probabilidade de que uma rvore, com menos de 3m, morra antes de ser vendida? b) Se uma rvore (com menos de 3m) plantada, qual o seu valor esperado de venda?
02) Com a chegada da civilizao, os ndios da Aldeia Taipan resolveram instituir um sistema de previdncia social, para o que contaram com a ajuda de um consultor, Mestre em Engenharia de Produo. A primeira etapa do estudo do consultor consistiu em classificar os ndios em trs grupos: crianas, trabalhadores e aposentados. Logo em seguida, utilizando a excelente memria dos ndios, ele inferiu os seguintes dados: durante um perodo de um ano, 959/1000 de todas as crianas permanecem crianas, 40/1000 se tornam adultos trabalhadores e 1/1000 delas morrem; alm disto, ainda durante um dado ano, 960/1000 de todos os adultos trabalhadores permanecem adultos trabalhadores, 30/1000 se aposentam e 10/1000 falecem. A taxa de mortalidade dos aposentados de 50/1000 a cada ano. O nmero de nascimentos de 1000 crianas por ano. a) Supondo que a populao da Aldeia est em regime permanente determine a sua populao, bem como sua estrutura etria (nos trs grupos mencionados). b) Cada aposentado recebe uma penso de $ 5.000 por ano. O fundo de penso custeado pelos pagamentos dos adultos trabalhadores. Com quanto cada adulto trabalhador deve contribuir, por ano, para o fundo de penso?
03) No jogo de Craps, ns jogamos um par de dados de seis faces. No primeiro lanamento, se tirarmos 7 ou 11 ns ganhamos imediatamente. Se tirarmos 2, 3 ou 12 perdemos imediatamente. Se o resultado do primeiro lanamento for 4, 5, 6, 8, 9, 10 ns continuamos a lanar os dados at obtermos um 7, quando perdemos, ou at obtermos o mesmo resultado que o primeiro lanamento, quando ganhamos. Use os seus conhecimentos de Cadeias de Markov para determinar nossa probabilidade de vitria.
04) A Gazeta da Produo tem as seguintes informaes a respeito de seus assinantes: Durante o primeiro ano 20% dos assinantes cancelam suas assinaturas. Daqueles que completaram o 1o ano, 10% cancelam sua assinatura no 2o ano. Daqueles que assinam por mais de 2 anos 4% iro cancel-los durante algum dos prximos anos. Em mdia qual a durao de uma assinatura da Gazeta da Produo?
28
05) O tempo em Pedra Azul pode ser descrito, como dependente do tempo nos dois ltimos dias, pelo seguinte mecanismo: (i) se os ltimos dois dias foram ensolarados ento existe 95% de chance de amanh tambm ser ensolarado; (ii) se ontem esteve chuvoso e hoje ensolarado ento com 70% de chance amanh ser ensolarado; (iii) se ontem estava ensolarado e hoje est chuvoso ento amanh ser um dia chuvoso com 60% de chance; (iv) se os dois ltimos dias foram chuvosos ento amanha ser um dia chuvoso com 80% de chance. possvel modelar o tempo em Pedra Azul como uma cadeia de Markov? Explique porque e construa o diagrama de transio de estados.
06) Suponha que no mercado existem apenas duas marcas de cerveja Mharba e rtica. Dado que a ltima compra de uma pessoa foi uma de Mharba, existe 90% de chance de que sua prxima compra seja de Mharba. Dado que a ltima compra de uma pessoa foi de rtica existe uma probabilidade de 80% de que sua prxima compra seja de rtica. a) Represente o problema por uma cadeia de Markov, apresentando a matriz de probabilidades de transio e o diagrama de transio de estados. b) Dado que uma pessoa acabou de comprar Mharba quanto tempo ser necessrio para que outra compra de Mharba seja realizada? E de tica? Como voc interpreta o tempo neste caso? c) Suponha ainda que cada consumidor faa uma compra de cerveja por semana (1 ano = 52 semanas), e que existam 100 milhes de consumidores de cerveja. Uma unidade de cerveja vendida por $2 e custa cervejaria $1. Por $500 milhes por ano uma firma de propaganda garante diminuir de 10% para 5% a frao dos clientes de Mharba que mudam para rtica depois de uma compra. Deve a cervejaria Mharba contratar a empresa de propaganda?
07) Uma companhia com um vo s 7h45 da manh entre Rio e Braslia no quer que o vo se atrase dois dias seguidos na mesma escala. Se o vo sai atrasado um dia, a companhia faz um esforo especial no dia seguinte para que o vo saia no horrio, e obtm sucesso em 90% das vezes. Se o vo no saiu atrasado no dia anterior, a companhia no toma providncias e o vo sai como escalado em 60% das vezes. Que percentual de vezes o vo sai atrasado? Qual o tempo mdio entre dois vos no horrio?
08) A baco sistemas de computao registra a cada semana uma demanda equiprovvel de 1 ou 2 de seu modelo A500. Todos os pedidos devem ser atendidos do estoque existente. Duas polticas de estoque esto sendo consideradas: Poltica I: Se o estoque de 2 ou menos unidades, coloca-se um pedido de forma que o estoque inicial na prxima semana seja de 4 unidades. Poltica II: Se o estoque de 1 ou menos unidades, coloca-se um pedido de forma que o estoque inicial na prxima semana seja de 3 unidades. Os seguintes custos so observados na baco: Custo de comprar um computador: $4.000 Custo de manter o computador em estoque $100/semana.computador, Processos Estocsticos e Teoria de Filas 29
Custo de efetuar um pedido $500 (alm do custo de $4.000 por computador). Qual poltica tem o menor custo semanal esperado?
09) O programa de treinamento de supervisores de produo de uma determinada companhia consiste de duas fases. A fase 1 a qual envolve 3 semanas de aula terica, seguida da fase 2 a qual envolve 3 semanas de aprendizagem prtica. Pelas experincias anteriores, a companhia espera que somente 60% dos candidatos da fase terica passem para a fase prtica, com os 40% restantes sendo desligados do programa de treinamento. Dos que fazem a parte prtica, 70% so graduados como supervisores, 10% enviados para repeti-la e 20% dispensados. a) Desenhe o diagrama de transio de estados. b) Quantos supervisores pode a companhia esperar formar de seu programa normal de treinamento, se existem 45 pessoas na fase terica e 21 na fase prtica?
10) No instante 0, eu tenho $1. Nos instantes 1, 2, 3, ... eu jogo um jogo no qual eu aposto $1. A cada lance tenho uma probabilidade p de ganhar $1 e probabilidade q= 1 - p de perder $1 Meu objetivo aumentar meu capital para $4, e to logo eu o consiga eu saio do jogo, assim como se eu ficar sem nenhum dinheiro. a) Construa a matriz de probabilidades de transio e o diagrama de transio de estados para a cadeia de Markov que modela o jogo. b) Aps 2 jogadas qual a probabilidade que eu tenha $2 ? E $3? c) Porque no razovel para este jogo falar em probabilidades de regime permanente?
11) O livro de didtico "PO - A Soluo" vende 1 milho de exemplares a cada ano. Alguns dos leitores conservam o livro enquanto outros vendem o livro de volta para a livraria. Suponha que 90% de todos os estudantes que compram um novo livro o vendam de volta, que 80% dos estudantes que compram o livro com um ano de uso o vendam de volta e que 60% dos estudantes que compram um livro com dois anos de uso o vendam de volta. Os livros com 4 ou mais anos de uso j esto muito usados e no so mais negociados. a) Em regime permanente, quantos novos exemplares do livro pode a editora esperar vender do livro? b) Suponha que o lucro da livraria com cada tipo de livro seja de $6 por um livro novo, $3 por um livro com 1 ano de uso, $2 por um livro com 2 anos de uso e de $1 por livro com 3 anos de uso. Qual o lucro esperado por livro vendido?
12) Trs bolas so divididas entre 2 caixas. Durante cada perodo uma bola escolhida aleatoriamente e trocada para a outra caixa. a) Calcule a frao do tempo que uma caixa ir conter 0, 1, 2 ou 3 bolas. b) Se a caixa 1 no contm bolas, em mdia quanto tempo ser decorrido at que ela contenha 1, 2 e trs bolas ?
30
13) Classifique os diversos estados das cadeias de Markov a seguir, dadas por sua matriz de transio. Calcule as probabilidades estacionrias.
0,7 0,3 0 a) P = 0 0,8 0,2 0,4 0,3 0,3 1 / 6 1 / 3 1 / 2 b) P = 1 / 6 1 / 3 1 / 2 1 / 6 1 / 3 1 / 2 1 / 4 3 / 8 3 / 8 c) P = 0 0 1 0 1 0 1 / 2 0 1 / 2 d) P = 0 1 0 2 / 5 0 3 / 5
0 1/ 3 2 / 3 0 0 1/ 5 4 / 5 0 f) P = 0 1/ 4 3 / 4 0 0 7 / 8 1 / 8 0
14) Dois jogadores jogam uma moeda honesta. Se der cara o jogador I paga R$1 ao jogador II, se der coroa o jogador II que paga R$1 ao jogador I. Considere que a quantidade total de dinheiro em jogo (isto a soma das quantias possudas pelos dois jogadores) de R$5. Modele o jogo como uma cadeia de Markov. Dado que o jogador I comeou o jogo com R$3, calcule o tempo esperado do jogo e a probabilidade de que cada um dos jogadores vena o jogo (isto alcance R$5).
15) Quatro meninos (A, B, C e D) brincam de lanar disco. Se o menino A recebe o disco lana-o para B, C ou D com iguais probabilidades; se C recebe o disco lana-o para A ou D com iguais probabilidades; se B ou D recebem o disco, ficam com o mesmo. Modele o problema como uma cadeia de Markov. Desenhe tambm o diagrama de transio de estados. a) Se o disco est com C qual a probabilidade de D ficar com o disco? b) Se A est com o disco qual a probabilidade do disco terminar com B? Processos Estocsticos e Teoria de Filas 31
16) Considere um jogador que a cada lance de um jogo tem uma probabilidade p de ganhar uma unidade e probabilidade q= 1 - p de perder uma unidade. Assumindo que sucessivos lances so independentes qual a probabilidade que comeando com i unidades a fortuna do jogador alcance n antes de chegar a 0?
17) Uma loja de mquinas fotogrficas estoca um modelo de mquina fotogrfica particular que pode ser encomendado semanalmente. Sejam D1, D2, ..., Di,... variveis aleatrias que representam a demanda pelas mquinas durante a semana i. Seja Xo o estoque existente de mquinas, e Xi o nmero de mquina disponveis ao final da semana i. Sbado noite a loja faz uma encomenda que ser entregue em tempo para a abertura da loja na 2a feira. A poltica de encomendas da loja (s,S)=(1,3); ou seja, se no Sbado a noite a quantidade de mquinas em estoque for menor que s=1 (nenhuma mquina em estoque), ento a loja encomendar (at) S=3 mquinas; caso contrrio nenhuma mquina ser encomendada. suposto que haja perdas de vendas quando a demanda exceder o estoque disponvel. As variveis aleatrias podem ser avaliadas iterativamente pela expresso:
max{(3 Dt +1 ),0}, se X t < 1 X t +1 = max{( X t Dt +1 ),0},se X t 1

Considerando que a demanda tem uma distribuio de Poisson com mdia 1, a matriz de transio de uma etapa dada por: 0.080 0.632 0.264 0.080 0.184 0.368 0.368 0.184 0.368 0 0.368 0.368 0.368 0 0 0.368
a) Descreva como a matriz de transies pode ter sido obtida. b) Se o processo iniciou com um estoque de 3 mquinas qual o tempo esperado para que o estoque se esgote ? c) Qual a probabilidade de encontrar o estoque com 0, 1, 2, 3 e 4 mquinas ? d) Qual o tempo mdio entre duas encomendas?
18) Um naturalista est observando o comportamento de um sapo em um pequeno lago, no qual h 4 ninfias (plantas aquticas). O sapo circula entre estas 4 plantas pulando de uma para outra, as quais so numeradas arbitrariamente de 1 a 4. A probabilidade do sapo pular de uma planta para outra inversamente proporcional a distncia entre elas (isto , o sapo prefere pular para uma planta mais perto do que para uma mais longe). As distncias entre as plantas so: 2 1 2 3 Processos Estocsticos e Teoria de Filas 6/5 3 2 6/7 4 3/2 1/2 3/4 32
a) Defina a matriz de transio b) Calcule as probabilidades de regime permanente c) Interprete estas probabilidades em termos do comportamento do sapo. d) Explique, do ponto de vista do sapo, o que significam as hipteses de Markov e de estacionariedade.
19) Se-segura Companhia de Seguras classifica seus clientes de acordo com seu histrico de acidentes (do cliente). Um cliente que no tenha tido nenhum acidente nos ltimos dois anos tem uma anualidade de $100. Clientes que tenham tido acidentes em ambos os anos tem uma anualidade de $400. Clientes que tenham tido acidente em somente um dos ltimos dois anos tem uma anualidade de $300. Um cliente que tenha tido um acidente no ltimo ano tem 10% de chance de ter um acidente no ano corrente. Se o cliente no tiver tido nenhum acidente no ltimo ano ele tem 3% de chance de ter um acidente no ano corrente. Para um dado ano, qual a anualidade mdia paga por um cliente da Se-segura?
20) DOFOGO uma companhia produtora de foges, famosos pela sua qualidade. A companhia tem uma poltica de 2 anos de garantia, onde ela garante a substituio de qualquer fogo que falhe durante este perodo. A companhia est planejando fazer uma campanha promocional onde pretende estender a garantia para trs anos. Como forma de avaliar o impacto desta nova poltica foram coletados os seguintes dados: 3% dos foges novos falham durante o primeiro ano de operao; 5% dos foges com mais de um ano de uso falham durante o segundo ano de operao; 7% dos foges com mais de dois anos de uso falham durante o terceiro ano de operao. Observe que um fogo substitudo no coberto pela garantia. a) Use cadeias de Markov para predizer quantos foges devero ser repostos com a nova poltica. b) Supondo que o custo de repor um fogo seja de $100 e que a DOFOGO venda 10.000 foges por ano, qual o impacto monetrio da mudana de poltica de garantia?
21) O proprietrio de uma barbearia de uma s cadeira est pensando em expandi-la devido ao fato de haver muita gente em espera. As observaes indicam que durante o perodo de tempo requerido para cortar o cabelo de uma pessoa, podem haver 0, 1 2 e 3 novas chegadas com probabilidade 0,3; 0,4; 0,2; 0,1; respectivamente. A cada tem capacidade fixa de 6 pessoas, incluindo aquela que estiver cortando o cabelo. a) Desenhe o diagrama de transio de estado e determine a matriz de probabilidade de transio. b) Determine a probabilidade que a casa esteja lotada. c) Dado que a casa esta lotada quanto tempo demora at que ela esteja completamente vazia?
33
22) Suponha que voc conduziu uma srie de testes sobre um procedimento de treinamento e verificou que a seguinte matriz de probabilidades descreve o conjunto de respostas corretas e incorretas (j+1)-simo teste Correto j-simo teste Correto Incorreto 0,95 0,01 Incorreto 0,05 0,99
a) Que proporo de respostas corretas se pode esperar de um estagirio absolutamente treinado? b) Que proporo de respostas corretas se pode esperar de um estagirio aps quatro repeties do procedimento, caso a resposta inicial seja igualmente possvel de ser correta ou incorreta? c) Qual a probabilidade de que se obtenha, pela primeira vez, uma resposta correta, exatamente quatro tentativas aps uma resposta incorreta? d) Qual o nmero mdio de tentativas para que se obtenha uma resposta correta aps ter obtido uma resposta incorreta?
23) Um jogador joga um jogo limpo no qual as chances so 2 contra 1. Em outras palavras ele tem 1/3 de probabilidade de ganhar e 2/3 de perder. Se ganhar, ganhar $2. Se perder, perder $1. Suponha que os recursos totais do jogador e do seu oponente sejam $N. Se o capital de qualquer um dos jogadores cair abaixo do ponto em que eles pudessem pagar caso perdessem o jogo seguinte o jogo termina. a) Desenhe o diagrama de transio de estados e determine a matriz de transio. b) Suponha que os dois jogadores concordem em que se o capital de qualquer dos dois cair para $1, eles faro o prximo jogo com chances iguais ganharo ou perdero $1, com igual probabilidade. Desenhe o diagrama de transio de estados e determine a matriz de transio para este caso. c) No caso descrito na letra (b) suponha que o jogador 1 tem $3 e o jogador 2 tem $2, qual a probabilidade do jogador 1 ganhar o jogo ? d) Quantas jogadas durar o jogo?
24) Perfura-se um poo e, medida que a perfurao avana, uma srie de perfis so realizados. Suponha que o poo possa ser classificado em quatro estados, rotulados como se segue: Em curso; Com desvio ligeiro, Com desvio acentuado, Abandonado (por estar to fora de curso, que no se consegue mais atingir o alvo). Suponha ainda que Xn represente o estado do sistema aps a n-sima correo de curso e que o comportamento do poo possa ser modelado por uma cadeia de Markov, com a seguinte matriz de probabilidade de transio:
34
P=
1 1/2 0 0
0 1/4 1/2 0
0 1/4 1/4 0
0 0 1/4 1
a) Se o poo comeou com um desvio ligeiro, qual a probabilidade de que ele eventualmente entre em curso? b) Se o poo tem chances iguais de comear com desvio ligeiro e acentuado, qual a probabilidade de que ele eventualmente entre em curso?
25) Na teoria de anlise de crdito, determinados autores verificaram que a estimativa dos valores considerados como devedores duvidosos costuma seguir dois passos bsicos descritos a seguir: Classificam-se as contas por idade, que refletem o estado em que a conta se encontra: um ms de atraso, dois meses de atraso, etc. Estima-se uma expectativa de perda para cada estado, geralmente com base na poltica da empresa, situao econmico-financeira do cliente e outros fatores relevantes para a anlise do crdito. O segundo tpico merece uma anlise mais detalhada, sendo que atualmente diversos mtodos, principalmente na rea de econometria, esto sendo desenvolvidos. Entretanto, possvel desenvolver um mtodo para estimar a probabilidade de devedores duvidosos, com base nas Cadeias de Markov, atravs do atraso e da inadimplncia existente para uma determinada carteira de crdito de uma instituio financeira. Se em uma determinada data fizermos um levantamento de uma carteira de crdito, poderemos facilmente verificar os seguintes estados das contas em carteira: A0 = valores a serem recebidos que ainda no venceram, ou seja, esto em dia ou com 0 (zero) meses de atraso; A1 = valores a serem recebidos que esto com 1 ms de atraso; ............................. Aj = valores a serem recebidos que esto com j meses de atraso; ............................. An = valores a serem recebidos que esto com n meses de atraso; Essa disposio corresponde a uma classificao da idade das contas a receber, sendo o estado A0 a conta que est em dia, A1 a conta com um ms de atraso, e assim por diante. An a situao dos considerados incobrveis. Na prtica o nmero de idades das contas pode variar de instituio para instituio ou por categorias de crdito, tais como crdito imobilirio, leasing, financiamentos diretos ao consumidor e qualquer outro tipo de operao de crdito. Se considerarmos um levantamento de contas a receber provenientes do perodo i para o perodo seguinte i + 1, que denominaremos de j , a conta poder ser classificada com relao a esses dois ndices, o perodo anterior e o perodo em que se encontra no momento atual. De forma geral, teremos Ajk igual ao levantamento da categoria k no tempo i + 1, o qual proveniente da categoria j no tempo i. Para considerarmos todas as possveis categorias devemos acrescentar mais uma categoria quelas descritas anteriormente. Trata-se da categoria correspondente aos ttulos classificados como pagos, que sero descritos Processos Estocsticos e Teoria de Filas 35
comoPag. Valores classificados em qualquer categoria no perodo i podem mover-se para a categoria dos ttulos pagos ou para qualquer outra categoria de 0 a n no perodo i + 1. Iremos adotar os procedimentos recomendados pelo Banco Central do Brasil, atravs da resoluo 2.682, que determina que os crditos vencidos h mais de 60 (sessenta) dias, sem garantias, sejam transferidos para as contas de Crditos em Liquidao. Em 1 de maro foi levantada uma amostra de 1050 contas, e em 31 de maro foi verificado o comportamento dessas contas: De 01/03 a 31/03 Emitidas at 28/02 Emitidas at 31/01 Emitidas at 31/12 Integ. Pg 150 120 30 Em dia 100 90 40 Atraso 1 ms 150 90 40 Atraso 2 meses 0 150 60 Perda Total 0 0 30 400 450 200
A primeira linha significa que, das faturas emitidas no ms de fevereiro, num total de 400, 150 foram pagas, 100 ainda no venceram e 150 venceram e no foram pagas, contando o atraso de um ms. A segunda linha mostra que, de 450 faturas emitidas no ms de janeiro, 120 foram pagas, 90 ainda no venceram, 90 apresentam atraso de um ms e 150 com atraso de dois meses. Finalmente, a ltima linha mostra que, de 200 faturas emitidas no ms de dezembro, alm da seqncia de pagamentos e atrasos, 30 correspondem perda, ou seja, atraso superior a 2 meses. Seja uma carteira de crdito total de R$ 1.000.000,00, conforme mostramos a seguir: Situao da Carteira Contas em dia Contas com atraso de 1 ms Contas com atraso de 2 meses Valor da carteira Calcule o valor esperado que ser pago. Valor (R$) 800.000 120.000 80.000 1.000.000
36
2. TEORIA DE FILAS
2.1.
INTRODUO E CONCEITOS BSICOS
A teoria das filas envolve o estudo matemtico das filas, ou filas de espera. Filas podem existir na forma de pessoas ou objetos esperando algum tipo de servio ou podem existir num sentido mais abstrato, ou seja, no to visvel, como uma fila de navios esperando para atracar em um porto. Um modelo ou sistema de filas pode ser brevemente descrito da seguinte forma: usurios (ou fregueses ou clientes) chegam para receber um certo servio e, devido indisponibilidade de atendimento imediato, formam uma fila de espera. A Figura 2.1 ilustra esta idia. Os termos usurio e servio so usados com sentido amplo. Podemos estar nos referindo a carros que chegam a um posto de pedgio, mquinas que esperam para serem consertadas, peas que seguem uma linha de montagem ou mensagens que so transmitidas pelos canais de comunicao. Uma rede de filas formada por vrias filas que se interconectam entre si de modo que o usurio ao sair de uma fila pode (com uma certa probabilidade) dirigir-se a outra. Nas redes abertas h fluxo de fregueses entrando e saindo do sistema. Por outro lado, h redes fechadas o nmero de usurios permanece inalterado, isto , no h movimentao de usurios para dentro ou para fora do sistema. Um servio de manuteno de mquinas pode ser visto como uma rede fechada onde M mquinas se alternam entre os centros de manuteno e de operao. Dessas definies bsicas, ramificam-se um sem nmero de outros modelos de filas adequados s varias reas, sempre na busca de melhor representar a realidade.
Fonte de chegadas
Clientes
Fila ||||||||
Sistema de servio
Clientes servidos
Partidas
Sistema de filas
Figura 2.1 - O Processo de Fila Bsico
Em aplicaes, o estudo dos modelos de filas tem como objetivo a melhoria de desempenho do sistema, entendida, entre outros aspectos, como melhor utilizao dos recursos de servio disponveis, menor o tempo de espera e mais rapidez no atendimento. O pioneiro neste estudo foi A. K. Erlang que, no comeo do sculo como engenheiro da companhia dinamarquesa de telefones, estudou o problema de congesto das linhas. A Telefonia permaneceu a principal aplicao de teoria das filas at por volta de 1950. A partir da, um grande nmero de reas tem utilizado essa ferramenta e a vasta literatura o melhor indicador dessa expanso. Processos Estocsticos e Teoria de Filas 37
2.1.1.
PORQUE FILAS SO ESTUDADAS
As filas so estudadas porque em toda fila, embora nem sempre se perceba, existe embutido um problema econmico e este problema econmico surge porque em qualquer fila existem dois custos envolvidos: o custo da fila e o custo do servio. Para exemplificar o que vem a ser estes dois custos, vamos usar o exemplo citado acima sobre o processo de atracao de navios em um porto. Em qualquer porto, existem os locais onde os navios podem atracar. Estes locais so chamados beros. Assim o nmero de beros d o nmero mximo de navios que podem atracar em um porto. Por sua vez, a legislao internacional que regulamenta o trfego martimo determina que se ao chegar a um porto (obviamente na data certa), no houver bero para atracar, a administrao do porto tem que indenizar a companhia, dona do navio, pelo tempo que ele ficar ao largo esperando bero livre para atracar. Em resumo quando, por qualquer motivo, todos os beros de um porto esto ocupados, os navios que chegam formam uma fila (lgica) aguardando sua vez. O custo do servio o custo de construir e manter em funcionamento os beros de atracao. Quanto mais beros oferecidos, ou seja, quanto maior o nvel de servio oferecido, maior este custo. O custo da fila o custo que a administrao do porto tem pelo pagamento das indenizaes aos navios que esperam na fila. Este custo inversamente proporcional ao custo do servio (nmero de beros). Se existem poucos beros o custo do servio ser grande. J se existirem muitos beros, o custo do servio ser grande, mas em compensao, como a fila ser pequena, o custo da fila ser pequeno.
2.1.2.
PRINCIPAIS CARACTERISTICAS DE UMA FILA
Algumas das caractersticas bsicas de uma fila como: chegadas, servio de disciplina de atendimento e capacidade de espera sero descritas a seguir. (a) Chegadas O processo de chegada (arrival process) a descrio de como os usurios procuram o servio. Se eles chegam a intervalos fixos de tempo, o processo de chegadas dito constante ou determinstico. Por outro lado, se as chegadas so aleatrias no tempo, elas formam um processo estocstico e necessrio descrever suas propriedades probabilsticas. A suposio mais comum de que as chegadas formam um processo de renovao, isto , os intervalos entre chegadas so independentes e identicamente distribudos. Em geral, tambm assumida a independncia em relao ao servio, mas possvel aplicar um processo de renovao para as chegadas, condicionado situao do servio. O
38
processo de Poisson um processo de renovao com distribuio exponencial e um dos mais utilizados para modelar as chegadas. Alm de descrever, com boa aproximao, diversas situaes prticas, os processos de Poisson incorporam facilidades no tratamento matemtico proporcionadas pela falta de memria da distribuio exponencial. As distribuies de Erlang e hiperexponencial so tambm bastante utilizadas. Modelos mais complicados envolveriam possveis dependncias entre as chegadas como, por exemplo, a situao onde uma chegada de certo tipo aumentaria ou diminuiria a chance de ocorrncia de outro tipo de chegada. As chegadas mencionadas acima podem ser unitrias ou em um bloco (batches). Neste caso, alm do tempo entre chegadas, tambm o tamanho dos blocos aleatrio. Por exemplo, em aeroportos internacionais, a chegada de passageiros de um certo vo ao posto alfandegrio se d em bloco, onde o tamanho do bloco a lotao do avio. Existem situaes em que as chegadas dependem do nmero de usurios no sistema, podendo at ocorrer a situao em que uma chegada no se junta fila. Isto pode ocorrer por deciso do usurio ou por limitao no espao para espera. O caso clssico, conhecido como sistema com perda (loss system), originou-se do estudo de trfego telefnico onde o usurio completa a chamada ou obtm sinal de ocupado e excludo do sistema. Chegadas com usurios impacientes, que abandonam a fila aps algum tempo de espera, podem tambm ser modeladas. (b) Servio Da mesma forma que o processo de chegada possvel considerar o tempo de servio como sendo determinstico ou aleatrio. A distribuio do tempo de servio pode depender do estado do sistema ou, at mesmo do tipo de usurio a ser servido. Porm a hiptese mais simples a de independncia, isto , o servio um processo de renovao. Dentre as distribuies mais usadas destacam-se a exponencial, Erlang e hiperexponencial. O nmero de servidores disponveis para o atendimento a uma mesma fila tambm deve ser especificado. Neste caso, comum mencionar os servidores esto em paralelo numa referncia a estarem atendendo uma mesma fila. (c) Disciplina de Atendimento A disciplina de atendimento se refere a maneira como os usurios sero selecionados para receber servio. No nosso cotidiano os atendimentos, em geral, se do pela ordem de chegada. A fila no caixa do supermercado, a retirada de carros de um estacionamento e a compra de ingressos para o cinema so exemplos dessa disciplina, que ser referida como FCFS (do ingls, first come first served). Em aplicaes, outras disciplinas podem aparecer. A disciplina LCFS (last come first served) pode ser usada em modelos de arquivo ou de busca em disco rgidos. O servio em ordem aleatria, independente do tempo de chegada, pode servir de modelo para alguns sistemas computacionais. Outra disciplina, que tem aplicao em computao a do processamento ou tempo compartilhado (processor or time sharing) que definida pela dedicao, a todos os usurios presentes no Processos Estocsticos e Teoria de Filas 39
sistema, de uma pequena quantidade de servio de cada vez. Assim, em rodadas sucessivas, o usurio vai recebendo sua dose de atendimento at que sua requisio total de servio seja completada. A disciplina de atendimento pode ainda estabelecer prioridades entre usurios de modo a atender primeiro os de alta prioridade. Em alguns modelos o servio pode at ser interrompido para dar lugar a um usurio de prioridade mais alta. Quando modelos com prioridade so adotados necessrio especificar como se dar a ordem de atendimento dentro da mesma classe de prioridade e, em geral, FCFS utilizada nestes casos. (d) Capacidade do Sistema muito comum haver uma limitao fsica no numero de usurios que podem esperar. Se a capacidade total estiver ocupada, o usurio no poder entrar no sistema e ser perdido ou desviado para outro centro de servio. Essa limitao se relaciona com a chegada, mas a deciso de no se juntar fila no do usurio e sim do sistema de servio. Uma fila caracterizada pelo mximo nmero permissvel de clientes que ela possa conter. As filas so chamadas de infinitas ou finitas, de acordo com esse nmero ser infinito ou finito. A suposio de uma fila infinita o padro para a maioria dos modelos de fila, mesmo para situaes em que na verdade exista um limite superior finito (relativamente grande) no nmero permissvel de clientes, uma vez que, na verdade, exista um limite superior finito (relativamente grande) no nmero permissvel de clientes, uma vez que tratar com um limite superior seria um fator de complicao na anlise. Entretanto, para sistemas de filas em que este limite superior suficientemente pequeno, para que seja, de fato, alcanado com alguma freqncia, torna-se necessrio supor uma fila finita. Variando as caractersticas (a) a (d) acima, podemos obter um grande nmero de modelos, conforme ser apresentado a seguir.
2.1.3.
NOTAO DE KENDALL
O professor D. G. Kendall criou, em 1953, uma notao para sistemas de filas que hoje largamente utilizada. A notao consiste na forma A/B/c/K/Z, onde A descreve a distribuio do tempo entre chegadas, B a distribuio do tempo de servio, c o nmero de servidores, K a capacidade da fila de espera (alguns autores definem K como capacidade total de usurios no sistema) e Z a disciplina de atendimento. Algumas escolhas para A e B so as seguintes: M: Ek: D: U: G: Distribuio Exponencial (de memoryless) Distribuio de Erlang-k Distribuio Determinstica ou degenerada Distribuio Uniforme Distribuio Geral (no especificada)
40
A omisso de K e Z na representao acima indica que a fila tem capacidade infinita e disciplina FCFS. Por exemplo, a fila M/G/1 tem chegadas exponenciais, o servio com distribuio geral e um servidor, no h limite na sala de espera e o atendimento na ordem de chegada. Por outro lado, a fila G/E2/3/15 tem chegadas seguindo uma distribuio geral, o servio segue a distribuio de Erlang-2, existem 3 servidores, a capacidade mxima do sistema 18 (note que a fila mxima tem comprimento 15) e, como nada foi mencionado, a disciplina de atendimento FCFS. De forma resumida ento podemos apresentar o seguinte formato: A/B/c onde, A representa a distribuio de chegadas, B representa a distribuio do servio e c indica o nmero de estaes de servio. Como a distribuio de Poisson inclui as propriedades do processo Markoviano, a notao usada para A e B M quando temos um processo de Poisson.
2.1.4.
TERMINOLOGIA E NOTAES
A menos que seja dito o contrrio, as seguintes notao e terminologia padres sero usadas deste ponto em diante:
Tabela 2.1 Terminologias usadas em Teoria das Filas
Estado do Sistema Comprimento da Fila N (t) Pn (t) S
Nmero de clientes no sistema de fila Nmero de clientes esperando um servio ou estado do sistema menos o nmero de clientes sendo servidos Nmero de clientes no sistema de fila no tempo t (t 0) Probabilidade de que exatamente n clientes estejam no sistema de fila no tempo t, dado o nmero no tempo 0 Nmero de servidores (canais de servio paralelo) no sistema de fila Taxa mdia de chegada (nmero esperado de chegadas por tempo unitrio) de novos clientes, quando n clientes esto no sistema. Taxa mdia de servio para todo o sistema (nmero esperado de clientes concluindo o servio por tempo unitrio) quando n clientes esto no sistema Vide pargrafo seguinte
n , ,
Quando n for uma constante para todo n, esta constante ser denotada por ; quando a taxa mdia de servio por servidor ocupado for uma constante para todo n 1, esta constante ser denotada por (neste caso, n = s , quando n s, de modo que todos os s servidores estaro ocupados). Nestas circunstncias 1/ e 1/ so o tempo entre Processos Estocsticos e Teoria de Filas 41
chegadas esperado e o tempo entre servios esperado, respectivamente. Tambm
= s
o fator de utilizao da instalao de servio, isto , a frao de tempo
esperada em que os servidores esto ocupados, porque /s representa a frao da capacidade do servio do sistema (s) que est sendo utilizada em mdia pelos clientes que chegam (). Tambm necessria alguma notao para descrever os resultados do estado de equilbrio. Quando um sistema de fila tenha comeado a operar recentemente, o estado do sistema (nmero de clientes no sistema) ser grandemente afetado pelo estado inicial e pelo tempo decorrido desde ento. O sistema dito ento estar em condio transiente. Entretanto, depois de j ter passado tempo suficiente, o estado do sistema se torna essencialmente independente do estado inicial e do tempo decorrido (exceto sob circunstncias pouco usuais). O sistema, ento, alcanou essencialmente uma condio de estado de equilbrio. A notao mostrada na Tabela 2.2 supe que o sistema esteja numa condio de estado de equilbrio:
Tabela 2.2 Notao utilizada no estado de equilbrio
N Pn L Lq W q Wq
Nmero de clientes no sistema de fila Probabilidade de que exatamente n clientes estejam no sistema no sistema de fila Nmero de clientes esperando no sistema de fila Comprimento de fila esperado Tempo de espera no sistema (inclui tempo de servio) para cada cliente em particular E () Tempo de espera na fila (exclui o tempo de servio) para cada cliente em particular E (q)
2.1.5.
RESULTADO DE LITTLE
As relaes entre as medidas de desempenho do sistema so conhecidas como frmulas de Little. Estas relaes relacionam o nmero mdio de usurios (L ou Lq) com o tempo mdio de espera (W ou Wq) e tiveram a sua primeira demonstrao formal no trabalho de Little [1961]. Desde ento provas alternativas e extenses tm sido apresentadas e sua validade extrapolou os modelos Markovianos e pode ser verificada para sistemas mais gerais. Supondo que n seja uma constante para todo n. Num processo de fila em estado de equilbrio, foi provado que: L=W Processos Estocsticos e Teoria de Filas 42
Alm disso, a mesma prova tambm mostra que: Lq = W q Se os n no forem iguais, ento poder ser substitudo nestas equaes por /, a taxa mdia de chegada a longo prazo. Supondo agora que o tempo mdio de servio seja uma constante, 1/, para todo n 1. Segue ento que: W = Wq + 1/ Estas relaes so extremamente importantes porque permitem que todas as quatro quantidades fundamentais, L, W, Lq, Wq, sejam imediatamente determinadas, assim que uma delas seja encontrada analiticamente. Isto muito bom porque algumas destas quantidades frequentemente so muito mais fceis de encontrar que outras, quando estamos resolvendo um modelo de fila a partir de princpios bsicos.
2.1.6.
EXEMPLOS DE SISTEMAS DE FILAS REAIS
Uma classe importante dos sistemas de filas que todos ns encontramos em nossas vidas dirias a dos sistemas de servio comerciais, onde os clientes recebem servios de organizaes comerciais. Muitas destas organizaes envolvem servios de pessoa a pessoa num local fixo, tal como uma barbearia (os barbeiros so os servidores), servio de caixa no banco, as caixas de supermercado e uma fila de lanchonete onde cada um se serve (canais de servio em srie). Entretanto, em muitas outras organizaes, isto no ocorre, tais como servios de assistncia tcnica a domicilio (o tcnico de manuteno vai at o cliente), mquina de venda automtica (onde o vendedor uma mquina), e um posto de gasolina (onde os carros podem ser vistos como os clientes). Outra classe importante a dos sistemas de servio de transporte. Para alguns destes sistemas, os veculos so os clientes, tais como os carros esperando num posto de pedgio ou sinaleira de trnsito, um caminho ou navio esperando para ser carregado ou descarregado por carregadores (ou servidores), e avies esperando para aterrisar ou decolar de uma pista (o servidor). Em anos recentes, a teoria de filas, provavelmente tem sido mais aplicada a sistemas de servio internos empresa-indstria, onde os clientes que recebem servios so internos organizao. Exemplos disto so sistemas de manuseio de materiais, onde unidades de manuseio de materiais (ou servidores) movem as cargas (os clientes). Alm disso, as mquinas podem ser vistas como servidores cujos clientes so os trabalhos que esto sendo processados. Um exemplo correlato de grande importncia uma instalao de computador, onde o computador visto como servidor.
43
Ultimamente, tem havido um reconhecimento crescente de que a teoria das filas tambm seja aplicvel a sistemas de servio social. Por exemplo, um sistema judicial uma rede de filas, onde os tribunais so instalaes de servios, os juzes (ou painis de juzes) so os servidores, e os casos esperando para serem julgados so os clientes. Um sistema legislativo uma rede de filas similar, onde os clientes, agora, so os projetos de lei esperando para serem processados. Embora essas sejam quatro grandes classes dos sistemas de filas, elas ainda no esgotam a lista. De fato, a teoria das filas teve inicio no principio deste sculo, com aplicaes na engenharia telefnica, e ainda permanece como uma importante rea de aplicao. Alm disso, todos ns temos as nossas filas pessoais trabalhos de casa, livros para ler, e assim por diante.
2.1.7.
A DISTRIBUIO EXPONENCIAL NA TEORIA DE FILAS
As caractersticas de operao dos sistemas de filas so grandemente determinadas por duas propriedades estatsticas, isto , a distribuio de probabilidade dos tempos entre chegadas e a distribuio de probabilidades dos tempos de servio. Para sistemas de filas reais, estas distribuies podem assumir praticamente qualquer forma (a nica restrio que no podem ocorrer valores negativos). Entretanto, para a formulao de um modelo de teoria de filas como uma representao do sistema real necessrio especificar a forma assumida de cada uma destas distribuies. Para ser til, a forma assumida deveria ser suficientemente realista, para que o modelo fornea predies razoveis, enquanto que, ao mesmo tempo, fosse suficientemente simples, para que o modelo fosse matematicamente tratvel. Nestas bases, a distribuio de probabilidade mais importante na teoria das filas a distribuio exponencial. Suponhamos que a varivel aleatria T represente ou o tempo entre chegadas ou o tempo de servio. Quais as implicaes de supormos que T tenha uma distribuio exponencial para um modelo de filas? Para explorar isso, necessrio examinar cinco propriedades-chave da distribuio exponencial. PROPRIEDADE 1: fT (t) uma funo estritamente decrescente de t (t 0). fT (t) x
1 x
Figura 2.1 Propriedade 1 da Distribuio Exponencial na Teoria das Filas
44
Uma conseqncia da propriedade 1 que: P[0 T t] > P[t T t + t] Para quaisquer valores estritamente positivos de t e t. Isto decorre do fato de que essas probabilidades so a rea sob a curva fT(t), dentro do intervalo de comprimento t indicado, e de que a altura mdia da curva menor para a segunda probabilidade que para a primeira. Por isso, no apenas possvel, como tambm relativamente provvel que T assuma um valor pequeno prximo a zero. De fato,
P[0 T
11 ] = 0,393 2
enquanto
P[
11 31 T ] = 0,383 2 2
de modo que mais provvel que o valor de T assuma seja pequeno, isto , menor que a metade de E(T) e no prximo ao seu valor esperado, isto , no muito longe de metade de E(T), mesmo que o segundo intervalo seja duas vezes maior que o primeiro. O questionamento a ser feito se esta propriedade para T realmente razovel num modelo de fila? Se T representar tempos de servio, a resposta depender da natureza geral do servio envolvido, conforme discutido a seguir. Se o servio requerido for essencialmente idntico para cada cliente, com o servidor realizando sempre a mesma seqncia de operaes de servio, ento os tempos de servio reais tenderiam a estar prximos ao tempo de servio esperado. Podem ocorrer pequenos desvios da mdia, porm usualmente isso se daria apenas por causa das pequenas variaes na eficincia do servidor. Um tempo de servio pequeno, muito abaixo da mdia, seria essencialmente impossvel porque necessria uma certa quantidade de tempo mnimo para realizar as operaes de servio requeridas, mesmo que o servidor esteja trabalhando a toda velocidade. Esta claro que a distribuio exponencial no forneceria uma aproximao precisa para a distribuio de tempo de servio para este tipo de situao. Por outro lado, consideremos o tipo de situao em que as tarefas especficas requeridas dos servidores sejam diferentes, de cliente para cliente. A natureza geral do servio pode ser a mesma, porem o tipo especifico e a quantidade de servio diferem. Por exemplo, este seria o caso no problema do quarto de emergncia do Hospital Municipal. Os mdicos encontram uma grande variedade de problemas mdicos. Na maioria dos casos, eles podem fornecer o tratamento necessrio bem rapidamente, porem, ocasionalmente, um paciente requer cuidados extensivos. Uma distribuio de tempo de servio exponencial parece bastante plausvel para este tipo de situao de servio. Processos Estocsticos e Teoria de Filas 45
Se T representar os tempos entre chegadas, a propriedade 1 exclui situaes em que clientes potenciais que se aproximem do sistema de fila tendam a atrasar a sua entrada se virem outro cliente entrando na sua frente. Por outro lado, isto inteiramente consistente com o fenmeno comum de chegada ocorrendo aleatoriamente, que ser descrito por propriedades subseqentes. PROPRIEDADE 2: Falta de Memria. Esta propriedade pode ser definida matematicamente como: P{T > t + t | T > t} = P{T > t} Para quaisquer quantidades positivas t e t. Em outras palavras, a distribuio de probabilidade do tempo restante at o incidente (chegada ou concluso do servio) que ocorre sempre a mesma, independente de quanto tempo (t) j tenha se passado. Com efeito, o processo esquece sua histria. Este fenmeno surpreendente ocorre com a distribuio exponencial porque
P{T > t + t | T > t} =
P{T > t , T > t + t P{T > t } P{T > t + t } P{T > t }

e (t + t ) e t
e t
Para tempos entre chegadas, esta propriedade descreve a situao comum onde o tempo at a chegada seguinte completamente no influenciado por quando tenha ocorrido a ultima chegada. Para tempos de servio, a propriedade mais difcil de ser interpretada. No deveramos esperar que ela se mantivesse numa situao onde o servidor tivesse que realizar a mesma seqncia fixa de operaes para cada cliente porque, ento, um servio logo implicaria que provavelmente pouco restaria a ser feito. Por outro lado, no tipo de situao onde as operaes de servio requeridas diferem de cliente para cliente, a definio matemtica da propriedade pode ser bastante realstica. Para este caso, se j tiver sido feito um servio considervel para um cliente, a nica implicao pode ser que este cliente em particular requeira mais servios que a maioria. PROPRIEDADE 3: O mnimo de diversas variveis aleatrias independentes exponenciais tem uma distribuio exponencial. Para definirmos esta propriedade matematicamente, faamos com que T1, T2, ..., Tn sejam variveis aleatrias independentes exponenciais, com parmetros 1, 2, ..., n,
46
respectivamente. Faamos tambm com que U seja a varivel aleatria que assuma o valor igual ao mnimo dos valores realmente assumidos por T1, T2, ..., Tn, isto , U = min {T1, T2, ..., Tn} Portanto, se Ti representar o tempo at que um tipo particular de incidente ocorra, ento U representar o tempo at que o primeiro dos n incidentes diferentes ocorra. Notese, agora, que para qualquer t 0,
P{U > t} = P{T1 > t, T2 > t, ..., Tn > t} = P{T1 > t} P{T2 > t} ... P{Tn > t} = e -1t e -2t ... e --nt = exp
t
i =1 i
de modo que U de fato tem uma distribuio exponencial com parmetro:
= i
i =1
Esta propriedade tem algumas implicaes para os tempos entre chegadas nos modelos de filas. Especificamente, vamos supor que existam diversos (n) tipos diferentes de clientes, porm os tempos entre chegadas para cada tipo (tipo i) tenham uma distribuio exponencial com parmetro i (i = 1, 2,..., n). Pela propriedade 2 o tempo restante a qualquer instante especifico at chegada seguinte de um cliente do tipo i teria esta mesma distribuio. Portanto, fazendo com que Ti seja este tempo restante medido a partir do instante em que um cliente de qualquer tipo chegue. A propriedade 3, ento, nos diz que U, os tempos entre chegadas para o sistema de fila como um todo, tem uma distribuio exponencial com parmetro definido pela equao acima. Como resultado, podemos optar por ignorar a distino feita entre os clientes e ainda termos tempos entre chegadas exponenciais para o modelo de fila. Entretanto, as implicaes so ainda mais importantes para tempos de servios nos modelos de filas que tenha mais de um servidor. Por exemplo, considerando a situao em que todos os servidores tenham a mesma distribuio exponencial de tempo de servio, com parmetro . Para este caso, faamos com que n seja o nmero de servidores, prestando servios atualmente, e faamos com que Ti seja o tempo de servio restante para o servidor i (i = 1, 2, ..., n), o qual tambm um distribuio exponencial, com parmetro i = . Segue-se, ento, que o U, o tempo at concluso de servio seguinte, de qualquer destes servidores, tenham uma distribuio exponencial, com parmetro = n. Com efeito, o sistema de fila atualmente seria processado exatamente como um sistema de um servidor nico, onde os tempos de servio tm uma distribuio exponencial com parmetro n. Processos Estocsticos e Teoria de Filas 47
PROPRIEDADE 4: Relao com a distribuio de Poisson. Suponhamos que o tempo entre ocorrncias consecutivas de algum tipo de incidente particular (por exemplo, chegadas, ou concluso de servios por um servidor continuamente ocupado) tenha uma distribuio exponencial com parmetro . A propriedade 4 ento, tem a ver com a implicao resultante quanto a distribuio de probabilidade do nmero de vezes em que este tipo de incidente ocorre dentro de um espao de tempo especfico. Em particular, fazendo com que X(t) seja o nmero de ocorrncias no tempo t (t>0), onde o tempo 0 designa o instante em que se comea a contar. A implicao que:
P{X(t) = n} =
(t )n e t
n!
, para n = 0, 1, 2, ...
isto , X(t) tem uma distribuio de Poisson, com parmetro t. Por exemplo, com n = 0, P{X(t) 0} = e-t o qual exatamente a probabilidade da distribuio exponencial de que o primeiro incidente ocorra depois do tempo t. A mdia desta distribuio de Poisson : E{X(t)} = t de modo que o nmero esperado de incidentes por tempo unitrio . Assim, dito ser a taxa mdia a qual os incidentes ocorrem. Quando os incidentes so contados em uma base contnua, o processo de contagem {X(t): t>0} dito ser um processo de Poisson, com parmetro (a taxa mdia). Esta propriedade fornece informaes teis sobre as concluses dos servios quando os tempos dos servios tm uma distribuio exponencial com parmetro . Isto feito definindo-se X(t) como o nmero de concluses de servios atingido por um servidor continuamente ocupado no espao de tempo t onde = . Para os modelos de filas de servidores mltiplos, X(t) tambm pode ser definido como o nmero de concluses de servios atingido por n servidores continuamente ocupados no espao de tempo t onde = n. A propriedade particularmente til para descrever o comportamento probabilstico das chegadas, quando os tempos entre chegadas tm uma distribuio exponencial com o parmetro . Neste caso, X(t) seria o nmero de chegadas no espao de tempo t, onde = a taxa mdia de chegada. Portanto, as chegadas ocorrem de acordo com um processo de chegada de Poisson. Tais modelos de filas tambm so descritos como uma chegada de Poisson. s vezes dito que as chegadas ocorrem aleatoriamente, entendendo-se por isso que elas ocorrem de acordo com um processo de chegada de Poisson. Uma interpretao Processos Estocsticos e Teoria de Filas 48
intuitiva deste fenmeno que cada perodo de tempo de extenso fixa tem a mesma chance de ter uma chegada, independentemente de quando tenha ocorrido a chegada precedente, como sugerido pela propriedade que se segue. PROPRIEDADE 5: Para todos os valores positivos de t, P {T t + t | T > t} t, para t pequeno. Para uma varivel aleatria T que tem uma distribuio exponencial, com parmetro , a propriedade 2 implica que P{T t + t | T > t} = P{T t} P{T t + t | T > t} = 1 e - t para quaisquer quantidades positivas de t e t. Portanto, como a expanso de srie de ex para qualquer expoente x
ex = 1 + x +
xn n! n =2
segue-se que P{T t + t | T > t} = 1 1 + t -
n=2
( t )n
n!
t, para t pequeno, porque os termos do somatrio tornam-se relativamente negligenciveis para valores suficientemente pequenos de t. Note-se que o valor de t realmente no afeta esta estabilidade. Como indicado anteriormente, T pode representar tanto tempos entre chegadas quanto tempos de servios nos modelos de filas. Por isso, esta propriedade oferece uma aproximao conveniente da probabilidade de que o incidente em questo (chegada ou concluso de servios) ocorra no intervalo (t) de tempo pequeno seguinte. A propriedade tambm mostra que esta probabilidade essencialmente proporcional a t para valores pequenos de t.
2.1.8.
PROCESSO DE POISSON
As propriedades do chamado Processo de Poisson se ajustam muito bem aos modelos bsicos de filas. Este fato fez com que as solues analticas para modelos de filas pudessem ser obtidas para queles modelos. A obteno de solues analticas para
49
modelos que no seguem o Processo de Poisson so, quando viveis, matematicamente complexas e extremamente trabalhosas. A seguir so apresentadas as propriedades fundamentais do Processo de Poisson, j adaptadas para sistemas de filas. Cabe ressaltar que estas propriedades so provadas matematicamente. (1) O nmero de chegadas (ou de servios completados) em uma unidade de tempo especificada independente do numero de chegadas (ou trmino de servios) em qualquer outra unidade. (2) O nmero mdio de chegadas (ou trmino de servios) por unidade de tempo proporcional ao tamanho da unidade de tempo. (3) A probabilidade de ocorrncia de 2 chegadas simultneas (ou trmino de 2 servios) em uma unidade de tempo muito pequena (t) tende a zero. (4) A probabilidade de 1 chegada (ou trmino de servio) ocorrer em uma unidade de tempo muito pequena, t, sempre a mesma, independente do instante t. (5) Se a distribuio das chegadas (discreta) segue a distribuio de Poisson, ento a distribuio do intervalo entre chegadas (continua) segue a Exponencial. Se a distribuio da durao do servio (continua) segue a Exponencial, ento a distribuio dos servios completados (discreta) segue a Poisson.
2.2. 2.2.1.
FILAS MARKOVIANAS (PROCESSO DE NASCIMENTO E MORTE) SISTEMAS INFINITOS 2.2.1.1. Modelo M|M|1
Este o modelo de fila mais simples, a qual possui as seguintes caractersticas: Tamanho permitido para a fila infinito; Chegadas seguindo a distribuio de Poisson; Durao do servio seguindo a distribuio Exponencial; Fila nica com seleo FIFO ( primeiro a entrar, primeiro a sair); 1 estao de servio. A Figura 2.2 apresenta esquematicamente o funcionamento dessa fila.
50
Chegadas Poisson
Sala de espera infinita
Servio Exponencial
Partidas
Figura 2.2 Fila M|M|1
Sejam A(t) = 1 e-t e B(t) = 1 e-t as distribuies do intervalo entre chegadas e de durao do servio, respectivamente. Os parmetros e so referidos como taxas, indicando o nmero mdio de usurios que chegam ou so servidos por unidade de tempo. Denotando por N(t) o nmero de usurios no sistema no instante t, pode-se demonstrar que {N(t); t 0} um processo de Markov em tempo contnuo com o espao de estados sendo os inteiros no negativos. O tempo de espera para fazer uma transio s depende do estado presente e, se o sistema contm pelo menos um usurio, ter distribuio exponencial de parmetro ( + ) correspondente ao mnimo entre duas exponenciais independentes (servio e chegada). No caso de no haver nenhum usurio no sistema, o tempo para uma transio ter distribuio exponencial de parmetro . O processo de Markov N(t) de fato um processo de nascimento e morte com taxas independentes do estado do sistema. Para n > 0, a transio do estado n a n+ 1 se d com taxa e entre n e n 1 com taxa . Quando n = 0, s pode haver chegadas. Dessa forma, chegadas correspondem a nascimentos e o fim de servio a uma morte. A Figura 2.3 apresenta um diagrama com taxas de mudana de processo.
0
0 1
1
2
2
.....
n-1
n
n
n+ 1
n+ 1
.....
n +1
Figura 2.3 Taxas de transio no processo de Markov
A condio bsica para que um sistema de fila seja estvel que a taxa de chegada seja menor do que a taxa de servio, ou seja, / tem que ser menor do que 1. Essa frao o fator de utilizao da fila e ser denotado por para facilitar a visualizao das frmulas. Seja Pn(t) = P(N(t) = n) a distribuio de probabilidade do nmero no sistema no instante t; sua respectiva distribuio estacionria ser Pn. Vamos escrever as equaes de equilbrio do sistema usando o procedimento conhecido como balano de fluxo e, a partir delas, obter a distribuio estacionria.
51
Definimos o fluxo como o produto da probabilidade estacionria pela taxa de transio. Vamos admitir que, em regime estacionrio, o sistema permanece uma frao do tempo Pn no estado n. Dessa forma, se chegam usurios por unidade de tempo, a taxa de fluxo mdio que entra em n + 1, proveniente do estado n, Pn. Se condies de equilbrio existem, ento, para cada estado, o fluxo que sai deve ser igual ao fluxo que entra nesse estado. Para determinar o fluxo total que sai do estado n (n 1), notamos que o sistema vai a n + 1 se uma chegada ocorre e a n 1 se acontece um fim de servio. O fluxo total que entra no estado n vem a partir de n + 1 com um fim de servio ou ento, a partir de n 1, pela ocorrncia de uma chegada, enquanto o fluxo que entra, vem do estado 1 devido a um fim de servio. As equaes de balano so as seguintes: Pn + Pn = Pn + 1 + Pn 1 P0 = P1 Eq. 2.1(a) Eq. 2.1(b)
Esse sistema denominado de equaes de balano global e ser resolvido por induo matemtica. Resolvendo as equaes 2.1 para n = 0,1,2,... temos: P1 = (/) P0 P2 = (/)2 P0 P3 = (/)3 P0 A expresso sugerida seria Pk = (/)k P0. Supomos que seja vlida para K = n e vamos verificar que tambm vale no caso n + 1. de 2.1(a) vem: ( + )(/ )nP0 = Pn+1 + (/)n-1 P0 De onde temos que: Pn+1 = (/)n+1 P0 Essa equao equivalente a Pn+1 = ()n+1 P0 Utilizando a condio de que a soma das probabilidades estacionrias deve ser igual a 1. Calcularemos P0:
Pn = 1 P0 = 1 P0 = 1 P0 = n=0 n =0 n=0 n n
n =0
52
A soma acima a da srie geomtrica de razo que convergir se e s se < 1. Como e so estritamente positivos, essa condio equivale a 0 < < 1. Note que nessa condio, a taxa mdia de servio por unidade de tempo () maior do que a taxa mdia com que os fregueses esto chegando (). Portanto, independente do quanto crescer, a fila se esvaziar de tempos em tempos e o processo de Markov ser recorrente positivo com uma nica distribuio de equilbrio. Efetuando a soma da srie acima obtemos P0 = (1 - ) e ento, Pn = n (1 - ), n 0 , 0 < < 1 A partir da distribuio estacionria, vamos calcular o nmero mdio de usurios na fila e no sistema. Seja N o nmero total de usurios no sistema em regime estacionrio e L sua mdia. Temos:
L = E ( N ) = nPn = n(1 ) n = (1 ) n n
n =0 n =0 n =0
Este ltimo somatrio pode ser reescrito como
n
n=0
= + 2 2 + 3 3 + ... = (1 + 2 + ...) = n n 1
n =1
A derivada de
n em relao a
dada por n
n 1
. Assim, admitindo satisfeitas as
condies para inverter os sinais de somatrio e derivada, obtemos:
L = (1 ) n n 1 = (1 )
n =1
d n d = (1 ) d n = 0 d
n=0
= (1 )
d d
1 1
Conclumos ento que:
L=
(1 )
Seja Nq o nmero de usurios na fila e Lq seu valor esperado. Temos,
L q = E (N q ) = 0 P0 + (n 1)Pn = nPn Pn
n =1 n =1 n =1
53
Ento,
L q = L (1 P0 ) =
2 2 = (1 ) ( )
Outras frmulas para o modelo M/M/1 Tempo mdio (esperado) que cada unidade permanece no sistema:
W=
Tempo mdio (esperado) que cada unidade permanece na fila:
Wq =
( )
Probabilidade de 1 unidade demorar mais de t unidades de tempo no sistema:
P(T > t ) = e (1 )t
Podemos ter ainda as seguintes relaes entre as medidas bsicas:
L q = L = W q L = Lq + = W Wq = W W = Wq + 1
= =
Lq
Modelo M|M|S
2.2.1.2.
Neste tipo de modelo, considera-se que as estaes de servio so equivalentes e prestam servio, individualmente, a mesma taxa mdia
Aqui o fator de utilizao =
54
0 1
s-1
s
S+ 1
n-1 n
n+ 1
.....
3
.....
s s
.....
s
(s-1)
Figura 2.4 Taxas de transio no processo de Markov
Pelo diagrama, mostrado na Figura 2.4, temos:
P1 = P0 2 P2 = P1 = 2 2 P0 2 3 P3 = P2 = 3 3 P0 6
..
s Ps = Ps 1 = s s P0 s! s +1 Ps +1 = Ps = s s +1 P0 s.s!
...
n ns s Pn = Pn 1 = n +1 s n P0 = ns n s s P0 s s! s s!
Podemos escrever da seguinte forma:
Pn = (n s )
s P0 s! s
isso implica que:
n P n 0 n! Pn = s n 1 s! s
P0
,se n s ,se n s
55
Logo, calcularemos P0
P
n=0
s 1 n s = 1 P0 + n s! s n = 0 n!
n s
ns
=1
o que implica em:
s 1 n s + P0 = n s s! (1 ) n = 0 n!
Lq
s 1 (s )n ( s ) s P0 = + s! (1 ) n = 0 n!
(s )s +1 P0 = 2 s s! (1 )
As demais frmulas para L, W, Wq so iguais ao modelo M|M|1. 2.2.2. SISTEMAS FINITOS 2.2.2.1. Modelo M|M|1
Esta a situao na qual a fila pode acomodar somente um nmero finito de usurios, ou seja, se um usurio chega e a fila est cheia, ele vai embora sem esperar o atendimento. Observe que neste caso a taxa de chegada no precisa ser menor que a taxa de servio , pois a fila tem um tamanho fixo (finito). Neste tipo de modelo aparece uma nova varivel (M), que o nmero mximo de usurios que podem estar no sistema, sendo M-1 o nmero permitido na fila. As frmulas para este modelo so:
1 1 M +1 p / P0 = 1 p/ = M +1
n P0 p / Pn = P0 p / = L q = L (1 P0 )
A taxa de chegada dos usurios no sistema . No entanto alguns usurios chegam e encontram a fila cheia, ou seja, vo embora. A taxa de chegada efetiva (ef) d a taxa mdia das unidades que realmente permanecem no sistema.
ef = (1 P0 ) = (1 PM )
As demais frmulas ficam como:
W=
ef
Wq =
Lq
ef
ef
2.2.2.2.
Modelo M|M|s
Fila Finita (s > 1) Nesta seo vamos definir
para simplificar a escrita das frmulas:
Temos ento:
P0 =
1 1 n 1 s n s + n =0 n! s! n = s +1
1 n n! P0 p / n s n P Pn = n 0s p / s < n M s! s 0 p / n > M
Lq =
[1 s! (1 )
P0 s
2
M s
(M s )
(1 )]
L = Lq + s (s n )Pn
n =0
s 1
ef = s (s n )Pn
n =0
s 1
57
Wq =
Lq
ef
W=
ef
W=
ef
onde s o nmero de estaes de atendimento e M o tamanho da populao. Populao Finita Em muitos problemas prticos, a considerao de que a populao de tamanho infinito leva a resultados distorcidos, visto que, na verdade, a populao pequena para ser considerada de tamanho infinito. Quando isto ocorre, a presena de um ou mais usurios no sistema tem um forte efeito na distribuio das chegadas futuras e, o uso de um modelo com populao infinita conduz a resultados errados. Alguns exemplos tpicos so: um pequeno grupo de mquinas que quebram de tempos em tempos necessitando conserto, um pequeno grupo de mecnicos que vo a determinado balco pegar peas ou ferramentas. Num caso extremo do primeiro exemplo, se todas as mquinas esto quebradas, nenhuma chegada pode ocorrer. Isto contrasta com os modelos de populao infinita nos quais a taxa de chegada independente do nmero de usurios que j esto no sistema. Neste tipo de modelo, a taxa de chegada , a taxa de chegada de cada unidade, ou seja, 1/ o tempo mdio entre chegadas de cada unidade. No caso das mquinas, por exemplo, seria o tempo mdio entre quebra de cada mquina. A taxa de chegada efetiva, ef, d a taxa mdia de chegada, considerando-se todos os usurios. As frmulas para este tipo de modelo so bastante complexas e no sero apresentadas aqui.
2.3.
MODELO DE ERLANG
Se uma varivel aleatria t regida por uma distribuio de Erlang, de ordem k, ela pode ser interpretada como equivalente soma de k variveis aleatrias regidas por distribuies exponenciais iguais. Admitamos que o intervalo entre chegadas sucessivas seja regido por uma distribuio de Erlang de ordem k, definida pela funo densidade de probabilidade:
(k )k t k 1e kt , f (t ) = (k 1)!
t0
O valor esperado de t dado por:
58
E [t ] =
e a varincia de t por:
Var [t ] =
1 k2
Para k = 1 tem-se a distribuio exponencial e o processo de chegada Poisson. medida que k aumenta, a varincia tende a zero ( Var t 0 ), a disperso relativa da distribuio diminui, atingindo a situao determinstica quando k . Neste caso, a distribuio de Erlang representa exemplos de tempos de chegadas peridicos ou regulares, isto , um intervalo constante, de 1/, entre chegadas. A Figura 2.5 Distribuio de Erlang mostra o comportamento da distribuio de Erlang para diferentes k. Freqentemente, a distribuio de Erlang apresentada pelo smbolo Ek.
K=20 f(t)
[]
K=6 K=4 K=2 K=1 t Figura 2.5 Distribuio de Erlang
Em resumo, se T1, T2, ..., Tk so variveis aleatrias com distribuies exponenciais idnticas e com valor esperado igual a 1
, ento, T = T1 + T2 + ... + Tk tem distribuio de
Erlang com parmetros k e . Chama-se de servio completo, a soma de k subservios idnticos, ou seja, um servio de Erlang pode ser decomposto em k subservios.
59
.....
Subservios Exponenciais
Figura 2.6 Servidor Erlang
2.3.1.
SISTEMA M|EK|S
No sistema M|M|S os estados correspondem ao nmero de clientes no sistema. No caso de um sistema M|Ek|S os estados correspondem ao nmero de subservios a ser executado e cada cliente traz k subservios. Atravs da Figura 2.7 Diagrama de estados da fila M|Ek|1 pode-se verificar o que foi dito anteriormente; em filas com servidor Erlang, um novo cliente s entra no sistema aps o cliente que est sendo atendido ter passado por todos os k estgios de servio.

k k k k+1
1 k
k-1
2k-1 k
2k
Figura 2.7 Diagrama de estados da fila M|Ek|1
O nmero mdio de clientes na fila para este tipo de sistema dado por:
Lq =
1+ k 2 2k 1
e o nmero mdio de clientes no sistema L = W . A distribuio do tempo de um cliente na fila dada por:
Wq =
Lq
e a distribuio do tempo de um cliente no sistema W = Wq
O fator de utilizao do sistema dado por:
60
Verifica-se, mais uma vez, que se k = 1 , Lq = M|M|1. Enquanto que se k = , Lq = M|D|1.
2 1
, que o resultado do sistema
2(1 )
, que o resultado do sistema determinstico
2.3.2.
SISTEMA EK|M|1
Neste tipo de sistema as distribuies do tempo entre chegadas e de servio so invertidas em relao seo 2.3.1 - SISTEMA M|EK|S. O sistema Ek|M|S opera da seguinte maneira: dado que um cliente acabou de chegar no sistema, ento, uma nova chegada de cliente imediatamente introduzida. Quando esta chegada inserida, ela deve passar atravs de k estgios exponenciais, cada um com parmetro k, como mostra a Figura 2.8 Sistema Ek|M|1 .
K
1
K
2
K
K
|||||||
Figura 2.8 Sistema Ek|M|1
Para este tipo de sistema, o diagrama de estados est mostrado na Figura 2.9
Diagrama de estados para o sistema Ek|M|1
.
K 0 1 K 2 K-1 K K K K+1 2K-1 K 2K
..
Figura 2.9 Diagrama de estados para o sistema Ek|M|1
2.4.
FUNO GERADORA DE MOMENTOS
Nesta seo ser introduzido um importante conceito matemtico que possui muitas aplicaes aos modelos probabilsticos. Para um desenvolvimento rigoroso do assunto seria necessrio um conhecimento matemtico de nvel bem mais elevado do que se prope nesta apostila. No entanto, se evitarmos certas dificuldades matemticas que surgem e aceitarmos Processos Estocsticos e Teoria de Filas 61
que determinadas operaes sejam vlidas, poderemos alcanar uma compreenso suficiente das principais idias abrangidas, a fim de empreg-las inteligentemente. Suponhamos que X seja uma varivel aleatria, isto , X uma funo do espao amostral para os nmeros reais. Ao calcularmos vrias caractersticas da varivel aleatria X, tais como E(X) ou V(X), trabalhamos diretamente com a distribuio de probabilidade de X. Definio. Seja X, uma varivel aleatria discreta, com distribuio de probabilidade p(xi) = P(X = xi), i = 1,2,3....A funo Mx, denominada funo geratriz de momentos de X, definida por:
Mx(t ) = e
j =1
tx j
p( x j )
Se X for uma varivel aleatria contnua com fdp f, definiremos a funo geratriz de momentos por:
Mx(t ) = e tx f ( x)dx
Em qualquer dos casos, o discreto ou o contnuo, Mx(t) apenas o valor esperado de e . Por isso, podemos combinar as expresses acima e escrever:
tx
Mx(t ) = E e tx .
A seguir, sero mostrados alguns exemplos de funes geratrizes de momentos. Exemplo I - Suponha que X seja uniformemente distribuda sobre o intervalo [a,b]. Logo, a fgm ser dada por:
( )
Mx (t ) = =
1 (b a )t
e tx a b a
dx
[e bt e at ], t 0
Exemplo II Suponha que X seja binomialmente distribuda, com parmetros n e p. Neste caso,
62
n Mx(t ) = etk pk (1 p ) n k K k =0
n
n t k nk ( pe ) (1 p ) = k
n k =0
[ pet + (1 p )]n .
A ltima igualdade decorre de uma aplicao direta do teorema binomial Exemplo III - Suponha que X tenha uma distribuio de Poisson com parmetro . Por conseguinte,
Mx(t ) = etk
k =0
e k k!
= e ( e !) k
k =0
t k
=e e
e t
=e
( e t 1)
A terceira igualdade decorre do desenvolvimento de et, em empregada com y = et
(
n =0
yn
n!
)
. Esta foi
Exemplo IV -. Suponha que X tenha uma distribuio exponencial, com parmetro . Logo,
Mx(t ) =
etxe x dx = e x ( t ) dx.
0
Esta integral converge somente se t < . Por isso, a fgm existe somente para estes valores de t. Admitido que essa condio seja satisfeita temos:
0
Mx(t ) = =
t
e x ( t )
, t < .
Visto que a fgm apenas um valor esperado de X, podemos obter a fgm de uma funo de uma varivel aleatria sem primeiro obtermos sua distribuio de probabilidade. Por exemplo, se X tiver distribuio N(0,1) e desejarmos achar a fgm de Y = X2, podemos prosseguir sem obtermos a fgm de Y, bastando para isso escrevermos:
+ 1 2
My (t ) = E (ety ) = E (etX
1 2
exp .(tx 2 x 2 )dx = (1 2t )

2
63
2.4.1. PROPRIEDADES DA FUNO GERADORA DE MOMENTOS Recordemos o desenvolvimento da funo ex em srie de Maclaurin:
ex = 1 + x +
x2 2!
x3 3!
+ ... +
xn n!
+ ....
Sabe-se que esta srie converge para todos os valores de x. Por isso,
etx = 1 + tx + ( tx )! + ... + ( tx )! + .... 2 n

Em seguida,
Mx(t ) = E (etx ) = E (1 + tx + ( tx )! + ... + ( tx )! + ....) 2 n

Para uma soma finita, o valor esperado da soma igual soma dos valores esperados. No entanto, estamos tratando acima com uma srie infinita e por isso no pode, de imediato, aplicar tal resultado. Verifica-se, contudo, que sob condies bastante gerais, esta operao ainda vlida. Admitido que as condies exigidas sejam satisfeitas. Como t uma constante, tomando os valores esperados, podemos escrever:
Mx(t ) = 1 + tE ( X ) + t
E( X 2 ) 2!
+ ... + t
E( X n ) n!
+ ...
J que Mx uma funo de varivel real t, podemos tomar a derivada de Mx(t) em relao a t, isto , M(t):
M (t ) = E ( X ) + tE ( X 2 ) + t
E( X 3 ) 2!
+ ... + t
n 1
E( X n ) ( n 1)!
+ ...,
e fazendo t = 0, verifica-se que somente o primeiro termo permanece, e teremos:
M (0) = E ( X )
Portanto, a derivada primeira da fgm, calculada para t = 0, fornece o valor esperado da varivel aleatria. Se calcularmos a derivada segunda de Mx(t), obteremos:
M (t ) = E ( X 2 ) + tE ( X 3 ) + ... t
e fazendo t = 0, teremos:
n2
E( X n ) ( n 2 )!
+ ...,
M (0) = E ( X 2 ).
64
Admitido que M(n)(0) exista, e continuando dessa maneira, obtemos o seguinte teorema: Teorema 1
M ( n ) (0) = E ( X n ).
Isto , a derivada n-sima de Mx(t), avaliada para t = 0, fornece E(Xn). Exemplo V - Suponha que X tenha uma distribuio binomial com parmetros n e p. Conseqentemente, Mx(t) = [pet + q]n. Por isso,
Mx(t ) =
etxe x dx = e x ( t ) dx.
0
Logo, E ( X ) = M (0 ) = np , o que concorda com nosso resultado anterior. Alm disto, E ( X 2 ) = M (0 ) = np (n 1) p + 1 . Da, V ( X ) = M (0 ) M (0 ) 2 = np (1 p ) . Os dois teoremas seguintes sero de notvel importncia em nossa aplicao da fgm. Teorema 2 Suponha que a varivel aleatria X tenha fgm Mx. Seja Y = X + . Ento, My, a fgm da varivel Y, ser dada por:
My (t ) = e t Mx(t ).
Teorema 3 Sejam X e Y duas variveis aleatrias com fgm e Mx(t) e My(t), respectivamente. Se Mx(t) = My(t) para todos os valores de t, ento X e Y tero a mesma distribuio de probabilidade. Propriedade Reprodutiva Se duas (ou mais) variveis aleatrias que tenham uma determinada distribuio forem adicionadas, a varivel aleatria resultante ter uma distribuio do mesmo tipo que aquelas das parcelas. Esta propriedade denominada Propriedade Reprodutiva (ou aditiva). Exemplo VI - Suponha que X e Y sejam variveis aleatrias independentes, com distribuies N ( 1 , 1 .) e N ( 2 , 2 .) , respectivamente. Faamos Z=X+Y.
2 2
Conseqentemente,
65
2 Mz(t) = Mx(t) My(t) = exp. ( 1t + 12 t 2 ) exp .( 2t + 2 t 2 )

2 2
2 = exp.[ ( 1 + 2 )t + ( 12 + 2 ) t 2 ]
2
Isto representa a fgm de uma varivel aleatria normalmente distribuda, com valor esperado
1 + 2
e varincia
2 12 + 2 .
Portanto, Z ter uma distribuio normal. (Ver
Teorema 3)
Teorema 4 Sejam X1,...,Xn variveis aleatrias independentes. Suponha que Xi tenha distribuio de Poisson com parmetro = 1 + ...+ n. Teorema 5 Suponha que a distribuio de Xi, ..., Xk sejam variveis aleatrias independentes, cada uma com distribuio N(0,1). Ento,
2 S = X 12 + X 2 + ... + X k2 ter distribuio de X k2 .
Teorema 6 Seja Z=X1 + ...Xr, onde Xi so r variveis aleatrias independentes e identicamente distribudas, cada uma com distribuio exponencial, de mesmo parmetro e r. Ento, Z ter uma distribuio gama, com parmetro e r. Consideraes Finais A fgm constitui um poderoso instrumento muito poderoso para estudo de vrios aspectos das distribuies de probabilidades. O emprego muito til no estudo de somas de variveis aleatrias independentes e identicamente distribudas e na obteno de vrias regras aditivas.
2.5.
REDES DE FILAS MARKOVIANAS
Uma rede de filas, ou sistema de mltiplos ns, formada por vrias filas interconectadas entre si com usurios deslocando-se entre elas para receber servio. A rede pode ser aberta ou fechada, dependendo de poder enviar e receber usurios de fora da rede. Isto , em uma rede fechada o nmero total de usurios no se altera, havendo apenas uma permutao nas suas posies. J nas redes abertas, a presena total varia pela chegada ou sada externa de usurios. Algumas consideraes devem ser feitas no estudo de rede de filas. Por exemplo, a estrutura topolgica da rede importante, uma vez que ela descreve as transies possveis entre os ns. Os caminhos feitos por cada cliente tambm devem ser descritos. A natureza do fluxo estocstico, em termos do processo estocstico bsico que descreve este fluxo, tem
66
grande significncia. Considere a rede com dois ns, mostrada na Figura 2.10 Rede de filas
Markovianas com 2 estaes
|||||||
|||||||
Figura 2.10 Rede de filas Markovianas com 2 estaes
Assumindo-se que as chegadas ao sistema obedecem ao processo de Poisson a uma taxa 1 e que o servidor 1 atende com distribuio exponencial a uma taxa 1. Ento, o n 1 representa um sistema de filas M|M|1. Da mesma forma, o n 2, isoladamente, representa um sistema de filas M|M|1. A questo bsica encontrar a distribuio do tempo entre chegadas no n 2, que ser equivalente a distribuio do tempo entre partidas do n 1. Pode-se dizer que, em mdia, o valor da taxa de chegada ao n 2 :
2 = 1 1
se se
1 < 1 1 1
Ou seja, quando 2 = 1, significa que o servidor 1 um limitador e deve-se passar a analisar apenas as filas seguintes a este servidor.
2.5.1. SISTEMA ABERTO SEM REALIMENTAO Uma rede aberta, tambm denominada rede aberta de Jackson, exemplificada na Figura 2.11, consiste de um conjunto de J ns, com as seguintes caractersticas: a) As chegadas externas a cada estao i J ocorrem de acordo com um processo de Poisson de parmetro i, independente das outras chegadas e do servio nas estaes; b) Para cada n i J, o atendimento realizado em ordem de chegada, segundo uma distribuio exponencial de parmetro i(ni), i(0) = 0. A dependncia da taxa ao nmero de usurios no centro de servio permite, entre outras opes, que vrios servidores em paralelo atendam com a mesma taxa;
c) Aps o usurio completar seu servio na estao i, ele move-se para mais servio na estao j, com probabilidade
ri , j
, onde i,,j J. Por outro lado, se o usurio j completou
sua demanda de servio na rede, ele deixa o sistema aps ser atendido na estao i, com
67
k =1 , onde J+1 um n artificial que representa o exterior da probabilidade rede. Todas as transferncias so assumidas serem instantneas e assim, o tempo gasto no sistema proveniente de esperas e atendimentos nas estaes.
ri , J +1 = 1 ri ,k
|||||||
|||||||
r24 2
||||||| |||||||
2 r2e
Figura 2.11 Sistema aberto sem realimentao
Seja R a matriz quadrada de ordem J+1 formada pelas probabilidades de mudana das estaes (incluindo o n externo) e mais a probabilidade para as entradas externas atravs do n i:
rJ +1,i =
k =1
, i J e rJ +1, J +1 = 0 .
k
Dessa forma, R torna-se uma matriz estocstica e, portanto, representando as transies para alguma cadeia de Markov. Da teoria de Cadeias de Markov, diz-se que um estado i comunica-se com outro estado j (i j) quando possvel, em algum nmero de etapas, partir de i e alcanar j. Isto , existe uma seqncia de estaes i0 = i, i1, i2, i3, ..., ik = j, de modo que, para algum ndice k > 0, tem-se:
ri ,i1 ri1i2 ri2i3 ...rik 1ik rik j > 0

A fim de garantir que todos os centros de servio possam receber usurios e que os fregueses que entram tenham probabilidade positiva de sair em algum momento, acrescentase mais duas condies, alm das mencionadas anteriormente:
68
d) Todos os ns da rede podero receber usurios externos de forma direta ou indireta. Isto , j J ou i > 0 ou existe um i tal que i > 0 e i j. e) O usurio servido em i tem probabilidade positiva de sair da rede em uma ou mais etapas. Ou seja, i J ou ri,J+1 > 0 ou existe um j J tal que rj,J+1 > 0 e ij.
Com as condies acima, a cadeia de Markov associada matriz R ser recorrente no nula e as equaes de trfego:
m = m + rik k , m J
k =1
tero soluo nica. Pode-
se interpretar m como a taxa total de entradas ao n m J, sendo resultado da composio das chegadas (externas) com as sadas de estaes que se movimentam para o centro m. Seja N o processo estocstico de dimenso J representando, em tempo contnuo, o nmero de usurios em cada estao de servio da rede. Este processo Markoviano com espao de estados dado pelo produto cartesiano dos nmeros naturais, {0, 1, ...}x J. Deve-se notar que as transies neste processo so de trs tipos: chegadas externas, fim de servio com mudana de n (o que acarreta uma chegada interna) e fim de servio com sada da rede. Se a rede no est vazia, o tempo de espera para uma transio o mnimo entre todos os servios que esto sendo realizados e as chegadas externas. Como todos esses tempos so exponenciais independentes, segue que a espera para uma transio tambm ser exponencial, com parmetro dependendo do estado do sistema antes da transio. Se a rede est vazia, ser necessrio esperar pela primeira chegada, que ser o mnimo entre os tempos de chegadas externas e, portanto, com distribuio exponencial.
2.5.1.1.
FORMA PRODUTO NA REDE ABERTA
Um teorema importante, provado por Jackson, afirma que a distribuio estacionria do nmero de usurios presentes no sistema pode ser calculada pelo produto de distribuies estacionrias marginais (referentes a cada centro). O resultado obtido, tambm chamado de soluo na forma produto, indica que o sistema se comporta como se cada centro de servio i J fosse uma fila com chegadas e servios exponenciais com taxas i e (ni), respectivamente, independente dos demais centros. Assim, no caso de S servidores idnticos, teramos o sistema comportando-se como se fosse uma coleo independente de filas M|M|S. No entanto importante observar que nem sempre as chegadas internas forma um processo de Poisson. Portanto, a forma produto deve ser aplicada com cuidado. A vantagem da forma produto , entre outras, a possibilidade de identificao rpida dos efeitos da mudana dos parmetros de uma estao sobre o desempenho de toda a rede. Para utilizao como constantes normalizadoras a seguir define-se:
69
bi1 =
n =0
[i (1)i (2)...i (n )]
in
onde o termo correspondente a n = 0 igual a 1. Sob a condio de bi < dada por:

1
, i J , o processo N te distribuio estacionria
i n = i (ni ) = in (1 i ) ;
i
()
i =1
com n = (n1 , n2 , n3 ,..., n J ) , i (ni ) =
bi ini , i J e i = i . [ i (1)i (2)...i (ni )] i
Sendo assim, considere a rede de filas aberta mostrada na Figura 2.12.
ESTADO SISTEMA
ESTADO SISTEMA
|||||||
|||||||
|||||||
|||||||
M|M|1 M|M|1
Figura 2.12 Forma Produto Rede Aberta
Pela forma produto tem-se:
P[(K1 , K 2 )] = P1 [K1 ]P2 [K 2 ]
P[(K1 , K 2 )] = (1 1 )1K1 (1 2 ) 2K 2 ,
onde
)(
i =
i < 1, i = {1,2} . i
Considere ainda a rede de filas aberta sem realimentao mostrada na Figura 2.13.
70
||||||| |||||||
1 2 4
1+2
|||||||
1+2+4
|||||||
|||||||
Figura 2.13 Rede aberta sem realimentao
Sejam N1, N2, N3, N4 e N5, os estados em cada n do sistema (1, 2, 3, 4, 5), ento a distribuio de probabilidade conjunta pode ser dada pela equao abaixo:
P[N1 , N 2 , N 3 , N 4 , N 5 ] = P1 [N1 ]P2 [N 2 ]P3 [N 3 ]P4 [N 4 ]P5 [N 5 ]

2.5.2. SISTEMA FECHADO Nas redes de filas fechadas, o nmero de clientes no sistema constante, no h entradas nem sadas externas.
|||||||
|||||||
Figura 2.14 Rede de filas fechada
Seja M o nmero total de clientes na rede, isto , para qualquer t, preciso ter
n
i =1
= M . Como no h entradas nem sadas, a taxa de chegadas externa i igual a zero
para todo i J. A matriz R perde, ento, a linha e a coluna J + 1. A equao de trfego torna-se assim:
m = ri ,k k , m J
Pelas hipteses j apresentadas no item 2.5.1, que trata de rede de filas aberta, a matriz R finita e irredutvel M e a equao acima ter soluo nica com a imposio de alguma condio extra (por exemplo, fixar o valor de um dos s ou de sua soma.
71
2.5.2.1.
FORMA PRODUTO NA REDE FECHADA
Seja o processo N com distribuio estacionria dada por:
n = bM
i =1
()
[i (1)i (2)...i (ni )]
in
para n = (n1 , n2 , n3 ,..., n J ) ,
n
i =1
= M e bM a constante de normalizao.
No caso de sistemas fechados, a constante de normalizao no fatorvel num produto de constantes associadas a cada estao. Assim, no se tem independncia entre o nmero de clientes em cada estao para cada t fixado.
2.5.3. SISTEMAS MISTOS OU ABERTOS COM REALIMENTAO
Considere a rede de filas mostrada na Figura 2.15:
|||||||
1 r
(1-r)
Figura 2.15 Sistema Misto ou Aberto com Realimentao
Os clientes saem da estao a uma taxa , retornam a fila com probabilidade r e, conseqentemente, a uma taxa r e saem do sistema com probabilidade (1-r) e taxa (1-r). No equilbrio, sabe-se que o nmero de clientes que entra no sistema igual ao nmero de clientes que sai do sistema. Portanto, pode-se determinar a taxa atravs da seguinte equao:
= (1 r )
(1 r )
ou seja, = f ( , r ) Quando a probabilidade de retorno fila (r) grande, cada chegada externa seguida por uma rajada interna de chegada.
2.5.4. TEOREMA BURKE
72
Uma propriedade interessante da fila M|M|1, que simplifica bastante a combinao destas filas em uma rede, o fato de que a sada de uma fila M|M|1 com taxa de chegada um processo de Poisson de taxa . Ou ainda: Um processo de Poisson, com parmetro , de chegada a um servidor exponencial gera um processo de Poisson de sada com a mesma taxa . Considere a rede de filas da Figura 2.10 Rede de filas Markovianas com 2 estaes , seja d(t) a funo de distribuio de probabilidade (fdp) que descreve o intervalo entre partidas da fila 1 e seja sua transformada de Laplace denotada por D*(s). Quando um cliente sai da fila 1, existem duas situaes possveis: um segundo cliente est disponvel na fila e pronto para ser atendido ou a fila est vazia. No primeiro caso, o tempo at que o prximo cliente saia da fila 1 ser distribudo exatamente como um tempo de servio desta fila e, neste caso, teremos:
D * (s ) fila1ocupada = B * (s )
Por outro lado, se a fila 1 est vazia at a partida do primeiro cliente, deve-se esperar pela soma de dois intervalos, sendo o primeiro o tempo at que o segundo cliente chegue e o prximo sendo o tempo de atendimento (ou tempo de servio) do segundo cliente; como estes dois intervalos so independentemente distribudos, ento a fdp da soma deve ser a convoluo das fdps de cada intervalo. Certamente, a transformada da soma das fdps ser o produto das transformadas das fdps individuais, ento, tem-se:
D * (s ) fila1vazia = A* (s )B * (s ) ,
onde: A*(s) tempo at a primeira chegada B*(s) tempo do prximo servio Sabe-se que
D * (s ) = B * (s ) + (1 )A* (s )B * (s ) ,
se a chegada obedece a um processo de Poisson, a distribuio do tempo entre chegadas exponencial com taxa l. Portanto,
A* (s ) =
+s
. Da mesma forma, como o servidor
exponencial com taxa , ento, pode-se escrever
B * (s ) =
+s
Substituindo-se A*(s) e B*(s) na equao de D*(s), tem-se:
73
D * (s ) = + s + (1 ) + s + s
Como
, tem-se:
D * (s ) =
+ + s + s
D * (s ) =
+s
Pode-se perceber que as partidas de um sistema M|M|1 em equilbrio s dependem das chegadas.
2.5.4.1.
IMPLICAES DO TEOREMA DE BURKE
Desde que as chegadas nos estados que caminham para frente formam um processo de Poisson, as sadas nos estados que caminham para trs tambm formam um processo de Poisson.
Chegada
Tempo
Sada
Tempo Figura 2.16 Implicaes do Teorema de Burke
Uma vez que o processo para trs estatisticamente o mesmo que o processo para frente, o processo de sada Poisson. Pelo mesmo argumento, o estado deixado por um cliente independente das sadas anteriores. 2.5.4.2. TRANSFORMADA Z
74
Esta seo tem a finalidade de resumir alguns conceitos de Transformada Z, necessrios aos estudos de Teoria das filas. A transformada Z desempenha, para processos discretos, o mesmo papel que a transformada de Laplace em processos contnuos. A transformada Z de uma seqncia em tempo discreto F[n] definida por:
F (Z ) =
n =
F (n)Z n
F (Z ) =
n =
Zn
A transformada pode ser unilateral e, desta forma, transforma-se em:
F (Z ) = F (n )Z n
n =0
F (Z ) = f n Z n
n =0
Esta transformada se chama unilateral e o primeiro caso chamada de transformada Z bilateral. Vejamos alguns exemplos. a) Exemplo 1
Encontre a transformada Z, F (Z ) , para F (n ) = (n) Soluo:
Define-se:
(n ) =
1, se n = 0 , pela definio da transformada Z, tem-se: 0 , se n 0
F (Z ) = 1 Z 0 = 1
b)
Exemplo 2 Seja
segundos. Encontre F (Z ) . Soluo: Neste caso,
F (t ) = l atU (t ) e seja F (n ) a seqncia obtida ao amostrar-se F (t ) a cada T
F (n ) = l anT U (n ) , conseqentemente, F (Z ) = (l aT Z 1 ) .
n n =0
F (Z ) =
n =
l anT F (n)Z n
Sabendo que: Processos Estocsticos e Teoria de Filas 75
k = n1
ak =
n2
a n1 a n2 +1 , 1 a
Tem-se:
Z 1 l at Z n2 1 l aT Z 1 1 Z F (Z ) = = . aT 1 1 l Z Z l aT
(l F (Z ) = lim
aT
) (
0
n2 +1
Se o perodo de amostra T=1, ento:
F (Z ) =
Z . Z l a
Assim, pode-se resumir a definio de transformada Z da seguinte forma:
F (Z ) = f n Z n
n =0
Propriedade importante unidade (Z ) < 1 linearidade inuariancia (no tempo) convoluo Obs. : funo densidade de probabilidade atende a esta condio
logo F (1) = f n = 1
n =0
X varivel aleatria discerta f K = P[x = K ] logo F (Z ) = E X P[x K ] = f K

K n =0
( ) K
K K
momento de X fK
Z
logo F (1) = f K = 1
K K
F (1) = K .Z K 1 f K = K f K = X F
(2 )
(1) = F (1) = K (K 1)Z (K Z ) f K = (K 2 K )f K = K 2 f K K

K K K K
fK = X 2 X
Na Tabela 2.3 encontram-se as transformadas Z das principais seqncias discretas.
Tabela 2.3 Transformada Z principais seqncias discretas
X[n] com n 0 [n]
X[Z] 1
Raio de Convergncia |Z| > R 0
76
Z-m
U[n] n
n an
|a| |a| |a|

1
nan
(n+1)an
A Transformada Z inversa Para que a transformada Z seja til, aconselhvel estar familiarizado com os mtodos para encontrar a transformada Z inversa. A notao para a transformada Z inversa ser Z-1. A transformada Z inversa de X[Z] d como resultado a correspondente seqncia X[n]. Existem quatro mtodos para obtermos a transformada inversa: Mtodo da Diviso Direta; Mtodo Computacional; Mtodo de expanso em fraes parciais; Mtodo da Integral de inverso. O mtodo da diviso direta provm do fato de que se X[Z] est expandida em uma srie de potncias de Z-1, isto , se
77
, ento, X[n] o coeficiente de (Z-k y), por conseguinte, os valores de X[n] podem ser encontrados por inspeo para n = 0, 1, 2,... c) Exemplo 3 Ache X[n] para n = 0, 1, 2, 3, 4, quando:
Soluo: Dividindo o numerador pelo denominador obtm-se:
X [Z ] = 10 Z 1 + 17 Z 2 + 18,4Z 3 + 18,68Z 4 + L
Ao comparar esta expanso X[Z] em uma srie infinita:
obtm-se: X[0]=0, X[1]=10, X[2]=17, X[3]=18,4, X[4]=18,68. Na maioria dos casos, no to simples identificar o trmino geral, mediante a observao de alguns valores da seqncia. O mtodo mais utilizado a decomposio em fraes parciais de X[Z]. Em vista da unicidade da transformada Z, pode-se utilizar a tabela de similaridades de transformadas para identificar as seqncias correspondentes. d) Exemplo 4 Encontre a transformada inversa de:
atravs do mtodo de expanso em fraes parciais. Soluo: Expandindo em fraes parciais, tem-se que: Processos Estocsticos e Teoria de Filas 78
Usando una tabela de transformadas, tem-se: X[n]=9n2n-1-2n+3 para n = 0, 1, 2,...
79
2.6.
A FILA M|G|1
A fila M|G|1 consiste de um sistema de servidor simples, com chegadas Poisson, distribuio do tempo de servio arbitrria, denotada por B(x) e funo de distribuio de probabilidade do tempo de servio denotada por b(x). A distribuio do tempo entre chegadas dada por: A(t) = 1 e-t , t 0 a(t) = . e-t , t 0 com a taxa mdia de chegada de clientes por segundo igual a , um tempo mdio entre chegadas de 1/ segundos e varincia () igual a 1/. Histria passada sumarizada: N(t) - n. de fregueses no sistema no instante t Xo(t) - tempo de servio j recebido pelo fregus em servio no instante t As definies acima so necessrias uma vez que a distribuio do tempo de servio no necessariamente sem memria. Neste caso, verifica-se que o processo aleatrio N(t) no um processo Markoviano. Entretanto, o vetor [N(t), X0(t)] um processo de Markov e um vetor de estado apropriado para o sistema M|G|1, uma vez que ele sumariza toda a histria passada. [ N(t) , Xo(t) ] Sumariza o passado
Cadeia de Markov Analisando o sistema nos instantes de partida: x o(t) = 0 Cadeia de Markov embutida nos instantes de partida:
a = d =
Igualdade entre distribuies estacionrias
No modelo M|G|1 vale a igualdade entre as distribuies estacionrias em tempo contnuo e as imersas nos instantes de chegadas e partidas.
Distribuio do n. de clientes no sistema Para obtermos Distribuio do tempo de espera Distribuio do tempo ocupado
80
Chegadas Poisson:
P[N (t ) = k ] - Probabilidade de um cliente que chegue no instante t encontre K

clientes no sistema
P[N (t ) = k ] = Pka (t )
Para sistemas cuja alterao de estado se de por acrscimo de +/- 1 cliente:
Pka (t ) = Pkd (t ) - Isto , o nmero de clientes encontrado na chegada igual ao n.

de clientes deixados por uma sada. Probabilidade de Transio da Cadeia de Markov: Sejam:
q n = n. de clientes deixados no sistema pela partida de Cn Vn = n. de clientes que chegaram durante a execuo do servio de Cn (que tem
durao Xn)
Cn Xn Servidor Cn Fila Vn Cn Cn + 1 qn 0 Cn + 1 Xn +1
Cn + 1
qn + 1
quando qn = 0
Figura 2.17 Probabilidade de Transio da Cadeia de Markov (1)
Pij = P[q n +1 = j q n = i ]
Dado que
q n +1 < q n 1 impossvel,
q n +1 q n 1
81
0 1 2 1 2 0 0 0 1 .P = 0 0 0 0 0 0 0 0 0
Onde:
3 3 2 1 0
0
... ... ... ... ... ...
k = P[Vn+1 = k ]
Vn depende da durao de Xn (e no de n) em regime estacionrio.
P[X n X ] = P[~ X ] = B( x ) x ~ = k]= P[vn = k ] = P[v k

~ ~ ~ P[v = k ] = k = P[v = k ; x < ~ < x + dx ]dx = P[v = k ~ = x ] ( x )dx x x b 0 0
Para chegadas Poisson:

k (x ) ~ e x b( x ) dx P[v = k ] = k = 0 k!
Sejam
= .x
< 1 (condio de ergodicidade)
Equao fundamental da M|G|1 Cn Servidor Cn Fila Vn + 1 Cn Cn + 1

Figura 2.18 Probabilidade de Transio da Cadeia de Markov (2)
qn 0 Cn + 1 qn + 1 = Vn + 1
qn + 1
q + v se qn > 0 qn +1 = n1 n +1 se qn = 0 vn+1
82
1 qn = 0
se qn > 0 se qn = 0
Equao fundamental da M|G|1
qn+1 = qn qn + vn+1
2.6.1. MEDIDAS DE DESEMPENHO Nesta seo,sero apresentadas algumas medidas de desempenho para o modelo M|G|1. Inicialmente, notamos que as frmulas de Little continuam vlidas e as utilizaremos para deduzir alguns resultados. Nmero mdio de clientes no sistema (em regime estacionrio): O valor esperado do nmero de usurios no sistema (L), nos instantes imediatamente aps uma partida, pode ser calculado conforme demonstrado a seguir.
~ q = lim qn
n
E [q ] = lim E [qn ]
n
Usando a equao fundamental:
lim E [q n +1 ] = lim E [q n q n ] + lim E [vn +1 ]

n n n
~ ~ E [q ] = E [q ] E [q ] + E [v ] ~ E [v ] = E [q ]
Como:
~ E [v ] = .x ,
~ E [q ] = k P[q = k ] = 0 P[q = 0] + 1 P[q = 1] + 2 P[q = 2] + L

k =0
~ E [q ] = P[q = k ]
k =1
Probabilidade sistema ocupado =
.x = = 1 p0
~ Comprimento mdio do sistema: L = E q =
[ ]
~ ~ E v 2 E [v ] 2(1 )
83
[ ]
Sabe-se que para chegadas Poisson: Poisson () V ( z ) =
(t )k e t P[N = k ] =
k!
P[v = k ]z
k =0
V (z servio = x ) =
k =0
(x )k e x z k
k!
V (z servio = x ) =
k =0
(xz )k
k!
= e x .e xz
V (z servio = x ) = e x (1 z )
Chegada e servio independentes:
V (z ) = e x (1 z )b( x )dx
0
Da definio da transformada de LaPlace:
B * (s ) = e bx b( x )dz
0
Ento:
B * (s ) = B * ( z )
Sabe-se que:
dV ( z ) dz
= E[v] z =1
d 2V ( z ) dz 2
z =1
= E[v 2 ] E[v]
dV ( z ) d * = B ( z ) dz dz
d2 d 2V ( z ) = u ( z ) = 2 2 B * ( z ) dz dz
Para z=1:
V (1) = 2 B * (0 ) = 2 x 2
B *' ( s ) = x B *'' ( s ) = x
2
84
E[v 2 ] E[v] = 2 .x
L = n. mdio de clientes no sistema
L = E [q ] = +
2 x 2 2(1 )
2
2 = x2 x Sabe-se que a varincia do tempo de servio b

L=+
. Ento:
2 b2 + 2 2(1 )
Frmula de Pollaczek-Khintchine
L = + Lq
Lq = n. mdio de clientes na fila
Lq =
2 b2 + 2 2(1 )
Usando a frmula de Little temos as expresses para a mdia do tempo de permanncia no sistema (W) e para a media do tempo de permanncia na fila (Wq):
W=
=x+
2 1 2 b + 2 . 2.(1 )
Wq =
Lq
1 2 b2 + 2 . 2.(1 )
Exemplos: 1) M/M/1
b2 =
Lq =
e
2 . 2 2(1 )
2) M/D/1
b2 = 0
Lq =
e
2
2(1 )
Outra forma de obtermos a mdia do tempo de permanncia no sistema e na fila, W e Wq, respectivamente: Processos Estocsticos e Teoria de Filas 85
Considere a Figura 2.18, abaixo.
|||||||
M/G/I
Figura 2.18 Modelo M/G/I
L = .W Lq = .Wq
Wq = Lq x + TVR (Tempo de vida residual do cliente no atendimento) TVR = x2 2x

2 2 = 2 = 1
Para o caso especfico da Exp ( ) : TVR
Distribuio do n. de clientes no sistema (Pn):
lim n >00 Qn ( z ) = E[ z q ] = Q( z )
B * ( z ) Q( z ) = * (1 ).(1 z ) B ( z ) z (Eq. Transformada de P.K. para M|G|1)
Para o caso M|M|1:
b( x) = e x B * ( s) =
s+
B * ( z ) =
z +
Q ( z ) = Z k .P[q = k ]
Pn = (1 ) n
86
M|G|1
Distribuio do tempo de espera:
S * ( s) =
B * ( s ).(1 ).s .B * ( s ) + s
W * ( s) =
Para M|M|1:
(1 ).s .B * ( s ) + s
B * ( s) =
s+
S ( x) = ( )
Distribuio do perodo ocupado:
(t ) = servio no terminado no sistema no tempo t, ou (t ) = tempo necessrio para esvaziar o sistema de todos os clientes presentes no instante t
Servidor conservativo: sistema permanece ocupado enquanto houver cliente no sistema e os clientes s partem do sistema quando o mesmo estiver completamente servido.
Para sistema conservativo:
(t )
independente da disciplina do servio.
F(y): distribuio do perodo ocioso G(y): distribuio do perodo ocupado M|G|1 G*(s) F(y) = 1 e-x (tempo de chegada exponencial) TC perodo ocupado
G*(s) = B*[s + .G*(s)]
87
2.7.
EXERCICIOS PROPOSTOS DE TEORIA DAS FILAS
1) Considere a rede de filas aberta com um nico n, como mostrada abaixo.
Chegadas externas
||||||||||
p
partidas
O n nico uma fila M/M/1 com taxa de servio . Um fregus retorna ao n com probabilidade p depois de completar seu servio. A disciplina da fila PEPS (primeiro a chegar primeiro a ser servido). Pergunta-se: (a) Quanto vale = taxa total de chegada ao n 1? (b) Qual o intervalo permitido para variao de p para que o sistema permanea estvel? 2) No bar de um aeroporto, uma pessoa pode escolher entre tomar um caf servido no balco, ou ento usar uma mquina automtica. No balco s podem ser atendidos, em mdia, 180 pessoa por hora, enquanto a mquina pode atender exatamente 4 pessoas por minuto. A cada hora, 270 pessoas, em mdia, procuram o bar para tomar caf; a probabilidade de uma pessoa preferir o balco de 0,6. Qual a demora mdia de uma pessoa que procura o bar, desde que entra at ser servida de caf?
3) Uma frota de traineiras consome gelo para conservar o peixe durante o tempo passado no mar. O gelo vem em camionetas que transportam 1 tonelada cada (50 barras) e que, no dia da entrega, chegam razo de 5 por hora, em mdia. O pessoal encarregado da descarga tira 1 barra a cada 12 segundos em mdia. O gelo custa $20 a tonelada e, no vero, a perda devida ao derretimento de cerca de 1 quilo por minuto e por tonelada de gelo. Qual o custo esperado do gelo que chega a ser embarcado?
4) Seja a rede de filas abaixo, onde todos os sistemas de filas so M/M/1. Determine: a. Qual o gargalo do sistema? b. Qual a mxima taxa de chegadas externas admissvel? c. Qual o nmero esperado de clientes em todo o sistema para uma taxa de chegadas externas igual a 75% da taxa calculada em (b)? d. Suponha que a taxa calculada em (b) tenha sido ultrapassada, qual o novo gargalo do sistema? e. Se os sistemas de filas fossem M/G/1, o que mudaria nas respostas anteriores (a) at (d)? Dados: 1 = 2 = 15 clientes/hora, 3 = 20 clientes/hora, 4 = 25 clientes/hora. Processos Estocsticos e Teoria de Filas 88
5) Seja a rede de filas markovianas esquematizada abaixo.
1 =
1
1 2
2
3 =
3 4
2 =
2 3
Se 1 = 10 clientes/hora, 2 = 20 clientes/hora, 1 = 20 clientes/hora, 2 = 30 clientes/hora, 3 = 40 clientes/hora. a. Determine o gargalo do sistema (isto , a pior fila). b. Qual a probabilidade de todo o sistema estar ocioso? c. Qual a probabilidade de existir uma nica pessoa no sistema?
6) Em um laboratrio de computao grfica da universidade existem 4 estaes de trabalho, cada uma delas com um tempo entre falhas exponencialmente distribudo com mdia de 40 (50) dias. O laboratrio tem um contrato com o fornecedor, que permite que at duas das estaes sejam reparadas simultaneamente, quando da ocorrncia de defeitos. O tempo de reparo de cada estao pode ser considerado exponencialmente distribudo com durao mdia de 10 dias. Desenvolva um modelo de filas para representar o problema e obtenha: a. o diagrama de transio de estados. b. as equaes de equilbrio e de recorrncia. c. o nmero mdio de estaes em operao normal. d. a percentagem do tempo em que todas as estaes esto paradas.
7) Esto sendo feitos planos para a abertura de um posto de lavagem de carros pequeno, e tem que ser decidido quanto espao para carros a espera. estimado que os clientes chegariam aleatoriamente (i.e. segundo um processo de chegadas Poisson), com uma taxa mdia de um a cada 4 minutos, a menos que a rea de carros a espera esteja lotada, em cujo caso o cliente levaria seu carro a outro lugar. O tempo que pode ser atribudo lavagem de um carro tem uma distribuio exponencial com uma mdia de 3 minutos. Compare a frao de clientes potenciais que seria perdida por causa de espao de espera inadequado se (a) zero, (b) dois ou (c) quatro espaos (no incluindo o carro que est sendo lavado) fossem previstos. (Obs.: Desenvolva a partir do diagrama de transio de estados as expresses necessrias para a soluo do problema.)
89
8) Uma empresa de nibus envia seus nibus para manuteno de rotina a cada 25.000 Km. A garagem fica aberta 24 horas por dia atendida por um nico funcionrio o qual capaz de revisar um nibus de cada vez. O tempo que ele gasta exponencialmente distribudo, com uma mdia de 4 horas. Os nibus chegam garagem segundo um processo de Poisson, a uma taxa mdia de 12 por dia. Os motoristas, entretanto, so instrudos a no entrar na garagem se l j existirem quatro ou mais nibus, mas retornar ao despachante para nova autorizao. Determine: a. o valor esperado de tempo que um nibus aguarda na garagem; b. a perda esperada de dinheiro por dia pela companhia devido capacidade limitada da garagem, se o custo de enviar um nibus a ela e t-lo de volta sem revisar $80.
9) Suponha que todos os proprietrios de carros completem seus tanques quando o nvel atinge exatamente a metade. Normalmente, uma mdia de 7,5 clientes por hora se dirigia a um posto de gasolina com uma nica bomba. O tempo mdio de atendimento de 4 minutos. Com a greve dos caminhoneiros, ocorrida a pouco tempo, um certo pnico se instalou. Para modelar este fenmeno suponha que os proprietrios passaram a completar o tanque quando o nvel est em 3/4 do tanque. Como cada proprietrio est colocando menos gasolina no tanque, durante uma visita ao posto, assuma que o tempo mdio de servio tenha cado para 3 1/2 minutos. Como o pnico afeta L e W?
10) Mecnicos que trabalham no Centro Automotivo Classe A devem retirar as ferramentas e peas que necessitam de uma ferramentaria. Uma mdia de 10 mecnicos por hora chegam procurando por peas. Atualmente a ferramentaria possui um ferramenteiro, que recebe $6,00 por hora e que leva em mdia 5 minutos para atender a cada pedido. estimado que cada mecnica produz $10,00 de servios por hora, cada hora que o mecnico gasta na ferramentaria custa a oficina $10,00. A oficina est analisando a possibilidade de contratar um ajudante de ferramenteiro (a $4,00 por hora). Se este ajudante for contratado o ferramenteiro ter possibilidade de atender a uma requisio em 4 minutos, em mdia. Assuma que os tempos entre chegadas e de servio so exponenciais. Deve o ajudante ser contratado? 11) Modele, usando teoria de filas, um sistema em que o servio tomar sol na praia. Considere que as chegadas a praia seguem um processo Poisson de taxa , e que o tempo que cada pessoa passa na praia aleatrio, podendo ser aproximado por uma distribuio exponencial com mdia 1/. a. Desenhe o diagrama de transio de estados b. Obtenha as equaes de recorrncia
xn = e x ). c. Calcule Pn ( sugesto n = 0 n!
d. Obtenha: L, Lq, W, Wq
90
12) Anlises anteriores indicam que a chegada de clientes em uma dada agncia dos correios segue uma distribuio exponencial com mdia de 30 chegadas por hora. Voc esta fazendo um levantamento na agncia e na presente hora, j decorridos 15 min., j chegaram 10 clientes. Quantos clientes voc espera que ainda cheguem na presente hora? Justifique.
13) A ocupao mdia de uma lanchonete de "fast-food" de 50 pessoas. Sabe-se que chegam a lanchonete 100 pessoas/hora e que em mdia uma pessoa demora 20' para fazer sua refeio. a. Quanto tempo demora um cliente dentro da lanchonete?
b. Qual a percentagem deste tempo gasta na fila? 14) Um nmero indeterminado de duplas de alpinistas se dirige a uma montanha com o intuito de escal-la. Na base do lance inicia da escalada h um plat onde s cabem dois alpinistas e o caminho at este plat estreito e ngreme. Um dos guias do grupo esta na entrada deste caminho, orientando a subida para o plat. De l ele no pode ver nem ouvir o que se passa em cima; mas baseado na experincia, procura evitar que mais de uma dupla esteja esperando na base do lance, dada a falta de espao. Ele sabe que o lance consome, em mdia 12 minutos de cada dupla; se ela deseja que o plat fique sem superlotao em 84% dos casos, quantos alpinistas ele deve encaminhar em mdia, por hora, para l? 15) Um reator nuclear usado para a produo de radioistopos de uso medicinal. Um deles de meia vida particularmente curta, tem uma demanda de 3 doses por semana, em mdia; se uma dose for guardada por mais de 2 semanas em mdia, ela se tornar fraca demais para ser usada. a. Qual ser a produo anual esperada, nestas circunstncias? b. Qual ser o valor esperado do nmero de unidades em estoque?
16) Uma agncia de caderneta de poupana tem k guichs, cada um dos quais pode atender, em mdia, a 180 pessoas por hora. Em um certo dia, a demanda mdia pelos servios da agncia de 440 pessoas por hora. Os guichs esto dispostos em uma linha perpendicular entrada; isto faz com que muitas pessoas entrem na primeira fila que encontram; sem procurar verificar se existe ou no outra fila menor. Estima-se que a probabilidade de uma pessoa entrar na fila i de (2/k).((k+1-i)/(k+1)). Suponha que k = 4 e responda: (a) qual o tempo mdio gasto por uma pessoa que entrou na primeira fila? (b) qual a frao do tempo desocupado do caixa da fila 4 ?
91
17) A e B so duas mquinas de operao manual em uma linha de produo; as peas processadas por A saem dela razo de 10 por hora em mdia e so processadas em seguida por B razo de 12 por hora em mdia. Dado o espao entre A e B, haver congestionamento da linha sempre que existam mais de 2 peas espera do processamento. Qual a frao esperada do tempo de funcionamento da linha, relativa a ocorrncia de congestionamento ?
18) A sada de um tnel uma pista com 2 faixas de trnsito, em mo nica; 100 metros mais adiante h um sinal luminoso que abre o trnsito a cada 20 segundos, deixando passar de cada vez 10 carros. Em um dado momento, os carros esto saindo do tnel razo de 24 por minuto em mdia. Sabendo-se que cada carro ocupa 10 metros de sua faixa de trnsito, pergunta-se: (a) Qual o tamanho mdio do trecho de pista ocupado pelos carros? (b) O sinal enguiou e a CET colocou, provisoriamente, um agente de trnsito que abre o trnsito em mdia a cada 20 segundos. Qual a probabilidade que a fila invada o tnel? 19) Uma famosa vidente, acostumada a prever o futuro de polticos, tem sua agenda cheia de entrevistas marcadas razo de uma por hora (dia de 8 horas). Ela dedica, em mdia, 45 minutos a cada cliente e, para suavizar a espera da clientela, manda servir caf com bolinhos na sala de espera. Uma pequena questo alimentar: se cada pessoa toma uma xcara de caf (100 ml) a cada meia hora, quantos litros de caf devero ser preparados em mdia, por dia? 20) Um mecnico de manuteno de mquinas de cpia eletrosttica trabalha por contrato para a Prefeitura. Ele pode consertar, em mdia, 3 mquinas por dia e o contrato por ele assinado prev que todo chamado seja atendido no mesmo dia com 90% de certeza. Qual a capacidade mensal do servio, com este padro de atendimento? 21) Uma loja de autopeas tem estacionamento com espao para 10 carros. Os carros chegam segundo um processo Poisson a uma mdia de 10 por hora. Sabe-se tambm que o tempo que eles permanecem estacionados tem distribuio exponencial com mdia de 10 min. Determine: a. O nmero mdio de vagas ociosas no estacionamento? b. A probabilidade de um carro que chegue no encontre lugar para estacionar?
xn Sugesto: Para valores de k grandes use = ex . n! n=0

k
92
22) Considere um sistema com um nico atendente tendo uma distribuio de chegadas Poisson com = 10 c/h. Atualmente o atendente trabalha de acordo com uma distribuio exponencial com um tempo mdio de servio de 5 min. A gerncia tem a sua disposio um curso de treinamento que ter como resultado uma melhora (decrscimo) na varincia do tempo de servio, porm com um leve aumento da mdia. Aps a execuo do curso estima-se que o tempo mdio de servio aumentar para 5,5 min., porm o desvio padro decrescer de 5 para 4 min. Deve a gerncia mandar o atendente fazer este curso?
23) K-sucata recebe uma mdia de 15 pedidos por dia de um certo modelo antigo de carro, do qual ela pode atender a 20 pedidos por dia. Entretanto se menos que 3 carros forem alugados, a companhia perde dinheiro da seguinte forma: se somente 2 carros so alugados a perda de $220/dia, se somente 1 carro for alugado a perda de $260/dia e se nenhum carro for alugado a perda de $290/dia. As perdas so, naturalmente, compensadas pelos ganhos quando 3 ou mais carros so alugados. Considerando apenas as perdas, qual ser o valor esperado do prejuzo por dia? Assuma chegadas e servio Poisson e que no existe limitao de tamanho nem desistncias da fila.
93
3. MOVIMENTO BROWNIANO
3.1.
PASSEIO ALEATRIO DISCRETO - DISCRETE TIME, DISCRETE STATE, RANDOM WALK
O "prximo passo" de um bbado pode ser modelado como sendo aleatrio e dependente somente de onde est o p de apoio para aquele passo (que nada mais do que onde parou o passo anterior). Supondo claro que o cho plano, no existem obstrues no entorno, que o cara vai estar em p ao final do passo, que no existe nenhum bar por perto, entre outros. Chamemos de X0 a posio inicial do p de apoio. E Xt a posio do p de apoio no instante t. Algumas suposies para tornar nosso modelo mais amigvel: Todos os passos so do mesmo tamanho (=1 pdb - passo de bbado); Ele est em um corredor apertado e s pode ir pra frente ou pra trs (caso bidimensional); A probabilidade dele ir pra frente ou pra trs 1/2 - ele est em um cho plano e o corredor no tem fim; Cada passo independe dos outros. Com isso, temos que: Xt = Xt-1 +t onde t uma varivel aleatria com a seguinte distribuio discreta: P(t = 1) = P{t = -1} = 1/2
t = 1, 2, ...
Se X 0 = 0, Ento
( t , ...,1, 1, ..., t ) para valor impar de t Xt = ( t , ..., 2, 0, 2, ..., t ) para valor par de t
Como s existem duas opes, a distribuio de Xt binominal. O Grfico 3.1 abaixo ilustra os possveis estados do sistema.
94
X0+3 X0+2 X0+1 X0 X0-1 X0-2 X0-3 t=0 t=1 t=2 t=3
Grfico 3.1 Possveis Estados do Sistema
n para frente Depois de t passos... t n para trs Posio do bebum ser
(t n )(1) + n(+ 1) 2n t
t 1 1 P[ X t = 2n t ] = n 2 2
n t n t t 1 t t = . = 2 n 2 n
Como o Xt varia com t, este processo no estacionrio.
E(X t ) = 0
Neste caso, se no tempo t = 0, X t = 0. Ento, t 0
No tempo t (com p = 1 / 2), em qualquer tempo E (X T ) = X 0 T > t
95
3.2.
PASSEIO ALEATRIO COM DESVIO - DISCRETE RANDOM WALK WITH DEVIATION
Agora vamos imaginar o caso em que o corredor tem uma inclinao. Ou seja, mais fcil (mais provvel) que ele v a uma direo do que outra e assumindo que o bbado em questo consegue se equilibrar nesse corredor inclinado. Sem perder a generalidade, imagine que a probabilidade do passo ser para frente igual a p e que a probabilidade do passo ser para trs igual a q (=1-p). Como j vimos,
t P[ X t = 2n t ] = p n q t n n
Neste caso, se p > q, no tempo t=0, E[Xt]>0, e crescente com t! Ou seja, a medida que o tempo passa espera-se que o bbado esteja descendo a ladeira. Examinando a expresso 2n-t, ela; e zero quando 2n=t. Ou seja, podemos entend-la como sendo a chance de que metade dos passos seja pra frente e metade pra trs. Fica fcil de ver isso examinando um caso extremo como que essa probabilidade se comporta. Para um caso em que p=0,99 e q=0,01 vejam a chance de se andar mais para um lado que para o outro pela expresso acima. 3.3. PASSEIO ALEATRIO COM TAMANHO DO PASSO VARIVEL - DISCRETE TIME CONTINUOS SPACE RANDOM WALK
Reduzindo um pouco nossas suposies, suponha que no suporemos mais a suposio de que os passos so do mesmo tamanho. Pra voc que viajou, s dissemos que no tem mais aquela coisa dos passos serem do mesmo tamanho. Agora a distribuio do tamanho do passo normalmente distribuda com mdia 0 e desvio padro .
t N (0, 2)
Processo Auto-regressivo mdia (Processos de Reverso a mdia) Podemos escrever ainda de forma mais genrica a posio do bbado como sendo:
X t = + X t 1 + t
, constante com 1 < < 1 t passo normalmente distribudos com mdia zero e desvio . Tomando o valor esperado
dessa expresso temos : E[ X t ] = E[ + X t 1 + t ] E[ X t ] = E[ ] + E[ X t 1 ] + E[ t ] E[ X t ] E[ X t 1 ] = Limite quando t E[X ] =
(Processo Estacionrio)
96
Antes de voc pensar que nada mais faz sentido porque achamos uma expresso que no depende de t e ainda chamamos de processo estacionrio tendo dito anteriormente que isso no aconteceria, observe que a expresso anterior era um caso particular desse caso onde o era zero e o era um. Nesse caso, a expresso do regime estacionrio d 0/0. Continua no existindo regime permanente para o personagem em questo. Note se tratar de um Processo Aleatrio de Tempo Contnuo com as seguintes propriedades: (A) Propriedade de Markov (falta de memria) - valor futuro s depende do estado atual; (B) Se realiza a incrementos Independentes - a distribuio de probabilidades de uma mudana no processo em um dado intervalo de tempo independente de qualquer outro intervalo (sem superposio de tempo); (C) A probabilidade de uma transio em um intervalo finito de tempo normalmente distribuda com uma varincia que aumenta linearmente com o intervalo de tempo. Essas propriedades so algumas caractersticas de um processo de Wiener. O Processo de Wiener lembra bastante o bbado no corredor que vimos at agora.
3.4.
PROCESSO DE WEINER Seja Z (t) um processo de Wiener e Z a mudana em Z (transio) correspondente
a um intervalo de tempo t. A relao entre Z e t dada por (definio):
Z = t t
onde t uma v.a. normalmente distribuda com mdia zero e desvio padro 1. Sendo que a varivel aleatria t no tem correlao serial no tempo, isto : cov (t . s) = 0 ts
Podemos dizer que Z uma varivel aleatria com distribuio normal de mdia zero e varincia igual a t. Assim os valores de Z para diferentes intervalos de tempo so independentes. Como conseqncia, Z(t) um processo de Markov (Propriedade 1) com incrementos independentes (Propriedade 2). Analisando uma transio num intervalo de tempo T constitudo de n subintervalos t, isto ,
97
Z = Z (s + T ) Z (s ) = i t , com i independente
n i =1
Z = i t
2 logo Z = 2 i . t = t. 1 = t.n = T i =1 i =1 n
Z normalmente distribuda com mdia zero e varincia n.t = T. Isto , a varincia de uma transio no processo de Wiener cresce linearmente com o horizonte de tempo. Isso quer dizer que, quanto mais pra frente se olha o processo maior a incerteza do mesmo (Propriedade 3). O processo de Wiener no estacionrio. No longo prazo sua varincia tende a ser infinito. Agora vamos analisar no curtssimo prazo, ou seja, a representao diferencial do processo de Wiener. Lim
t 0
dZ = i dt E [dZ ] = 0
2 dZ = E[(dZ 0) 2 ] = E[(dZ ) 2 ] = dt
Logo o processo de Wiener no tem derivada em relao ao tempo. Isso reflete sua natureza imprevisvel. A derivada um indicador de para onde vai uma funo. A resposta no caso de um processo de Wiener "no tenho a menor idia".
Z = t t t
3.5.
t 0
lim
Z t
GENERALIZAO - PROCESSO DE WEINER COM DESVIO
dx Normalmente distribuda com
dx = dt + dZ dx variao do processo x (de Weiner com desvio) dZ variao do processo de Weiner normal parmetro do desvio (constante) parmetro de varincia (constante)
E[dx] = E[ dt + dZ ] E[dx] = dt
dx 2 = E[(dx E[dx]) 2 ] dx 2 = E[( dt + dZ dt ) 2 ] dx 2 = E[( dZ ) 2 ] dx 2 = E[ 2 2 dt ] dx 2 = 2 dt

Considerando o resultado obtido vemos que o valor esperado desse processo linear com a variao do tempo mas possui uma incerteza (varincia) que varia com a raiz quadrada dessa variao de tempo. Exemplo: Considere o preo de uma commodity moderada para um Processo de Wiener em 50 anos e intervalo de tempo de 1 ms com os seguintes parmetros:
= 0,2 / ano = 1 / ano

dx = 0,2 dt dt + 1,0 t 12 12 1 1 X t X t 1 = dt + t dt 60 12 1 1 X t = X t 1 + + t 60 12
Onde t ~ N (0,1) Podemos simular esse processo em planilhas eletrnicas onde o prximo elemento o primeiro somado de uma constante e um fator perturbador dado pelo t. 3.6. REPRESENTAO DO MOVIMENTO BROWNIANO POR PASSEIO ALEATRIO
Seja, x um Processo de Markov com incrementos independentes. Ou seja, a probabilidade de um valor futuro de x depende somente de onde o processo est agora e a probabilidade de subir ou descer em cada perodo independente do que acontece nos perodos prvios. Considere seu incremento como uma varivel aleatria x que assume os valores + ou - h com probabilidades p e q, respectivamente. Considere sua posio inicial
99
sendo X0. O grfico 3.2, abaixo, ilustra as realizaes possveis associadas as suas probabilidades em 3 tempos.
X0+3h X0+2h X0+h X0 X0-h X0-2h X0-3h t=0 t=1 t=2
p3 p2 p 2pq q q2 q3
t=3
3p2q
3pq2
Grfico 3.2 Possveis Estados do Sistema
E (x ) = p.h + q ( h ) = ( p q )h E (x ) = p (h ) + q ( h ) = ( p + q ) (h ) = (h )
2 2 2 2
2 (x ) = E [x E [x ]]2 = E (x )2 2xE[x ] + E (x )2 = E (x )2 E [x ]2 2 (x ) = h 2 [( p q)h]2 = {1 [ p q]2 }h 2 = 4 pqh 2
} [
] [
Consideremos agora que vamos dividir o tempo em n pequenos passos de tamanho t.
t dividido em n passos t t = ou t = n . t n X t X 0 tem distribuio binominal (para passos independentes)
100
Considerando n passos : h t (h )2 2 2 2 ( X t X 0 ) = n . (x ) = n. 4 pq (h ) = 4 pq t t (h )2 = 2 2 2 Usando, h = t (h ) = t t t ( p q ) = 2 h = E (x ) = t = ( p q )h p + q =1 1 1 t t ; q = 1 p = 1 + 2 2 E ( X t X 0 ) = n . E (x ) = n .( p q ) h = t ( p q )
Para n passos, t finito, t 0, n infinito Distribuio binominal nomal
(h )2 h = t .d 2 com mdia t 2 . h t t
com varincia 4. pq.t
Concluses:
=1
= t
(h )2 = 2 . t
t
1. Podemos dizer o Movimento Browniano o limite do passeio aleatrio quando o intervalo de tempo e tamanho do passo tendem a zero. Se mantida a relao:
h = t
2. A relao descrita na frmula acima a nica que faz com que a varincia de (Xt X0) depende de t e no do nmero de passos. 3. A relao entre dx e dt no direta, dx depende de dt. 4. Transies em x em um perodo finito de tempo so normalmente distribudas porque quando n. passos cresce a distribuio binominal tende para a normal. 5. Quando t 0, a distncia total percorrida em um nmero finito de passos tende a infinito.
101
4. REFERNCIAS BIBLIOGRFICAS
(1) (2)
Filho, Virgilio J. M., Notas de Aula de Processos Estocsticos e Teoria das Filas, 2005; Hillier, F. S., Lieberman, G. J., Introduo a Pesquisa Operacional, Editora Campus, RJ, 1988, pp 394-444; Kleinrock, L., Queueing Systems, Vol. 1: Theory, Wiley-Interscience Publication, 1975; Magalhes, M. N., Introduo Rede de Filas, Departamento de Estatstica, Instituto de Matemtica e Estatstica, Universidade de So Paulo, ABE Associao Brasileira de Estatstica, 1996; Novaes, Antnio Galvo Naclrio, Pesquisa Operacional e Transportes, McGraw-Hill, USP, 1975; Santos, M. P., Pesquisa Operacional, Departamento de Matemtica Aplicada Instituto de Matemtica e Estatstica, Universidade Estadual do Rio de Janeiro, 2003; Wagner, Harvey M., Pesquisa Operacional, Prentice Hall, Rio de Janeiro, 1986; Internet:
(3)
(4)
(5)
(6)
(7) (8)
- Apostila de Modelagem e Simulao de Sistemas Computacionais Noes de Processos Estocsticos e Cadeias de Markov Professora Graa Bressan (LARC-PCP/EPUSP 2002) - Notas de Aula do Professor Fernando Nogueira Modelagem e Simulao Cadeias de Markov - Processos Estocsticos Faculdade de Economia Universidade do Porto Rui Alves e Catarina Delgado Setembro/1997
102

UFRJ COPPE Processos Estocásticos e Teoria de Filas

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

UFRJ COPPE Processos Estocásticos e Teoria de Filas

Uploaded by

Copyright:

Available Formats

Universidade Federal do Rio de Janeiro COPPE: Programa de Engenharia de Produo rea de Pesquisa Operacional PO Escola Politcnica: Departamento de Engenharia

PROCESSOS ESTOCSTICOS E TEORIA DE FILAS

Prof. Virglio Jos Martins Ferreira Filho

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

ANEXO A - RESPOSTAS DOS EXERCCIOS ESTOCSTICOS E DE TEORIA DE FILAS

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

DESCRIO E DEFINIO DE PROCESSOS ESTOCSTICOS

Tabela 1.1 Evoluo populacional brasileira 1998 Habitantes 161.790.311

1.1.1. PROCESSO ESTOCSTICOS CONTNUOS / DISCRETOS

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

1.1.2. DISTRIBUIES DE PROBABILIDADE

A probabilidade do processo estocstico estar no estado probabilidade de estado ( Pt ) e definida por:

(2) p 2 ... p n ... ] chamado vetor de probabilidade de estado.

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

denominado processo de Poisson. Esse processo

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

P[ X t +1 = j | X t = i ] = P[ X 1 = j | X 0 = i ], para todos t = 0,1,...

P[ X t + n = j | X t = i ] = P[ X n = j | X 0 = i ], para todos t = 0,1,...

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

A matriz que armazena as probabilidades de transio em n estgios denotada por

Figura 1.1 Probabilidade de Transio do estado i para o estado j em 2 estgios

2 = pik p1 , para cada i, j. kj kS

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

De uma maneira geral, podemos estabelecer a equao de Chapman-Kolmogorov:

Figura 1.2 Probabilidade de estar no estado j no instante 1

( = pi( 0 ) pij1) , para cada i, j. iS

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

1.2.2. PROBABILIDADE DE 1 PASSAGEM E PRIMEIRO RETORNO Seja a igualdade:

a probabilidade de 1 passagem, isto a probabilidade de que o

a probabilidade de 1 retorno, isto a probabilidade de que sejam

F ( n ) = [ f ij( n ) ] , para cada i,j, a matriz de primeira passagem / primeiro retorno.

Figura 1.3 Exemplo de Processo Redutvel

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

Estado Transiente: ir ocorrer um determinado nmero de vezes e posteriormente no ocorrer mais.

= 1 , para cada i, j estado absorvente

Figura 1.5 Exemplo de Cadeia Absorvente

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

j frao do tempo que o processo passa no estado j.

Da equao de Chapman-Kolmogorov temos:

1/3 2 1/3 1/3 3

Figura 1.6 Exemplo (Lei de Conservao de Fluxo)

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

1= 0,323 Resulta em 2= 0,387 3= 0,290

Processos Estocsticos e Teoria de Filas

COPPE Universidade Federal do Rio de Janeiro Programa de Engenharia de Produo (PEP)

P{N ij = n} = f ijn (distribuio do tempo de 1 passagem/1 retorno)

j frao do tempo que o processo passa no estado j.

Tempo mdio de 1 passagem (i j) Condicionado ao estado no estgio 1

j i mij=1 com probabilidade pij mij=(1+mkj) com probabilidade pik

mij = pij *1 + pik (1 + mkj )

mij = pij *1 + pik *1 + pik mkj

mij = pij 1 + pik 1 + pik mkj