Pontifícia Universidade Católica do Rio Grande do Sul Faculdade de Informática

Avaliação Quantitativa de Sistemas
Rafael Chanin Fernando L. Dotti Paulo Fernandes Afonso Sales

Porto Alegre, agosto de 2005.

iii

Resumo Este documento é a primeira versão de um material didático de apoio à disciplina de Avaliação Quantitativa de Sistemas, ministrada aos cursos de Informática da Faculdade de Informática da Pontifícia Universidade Católica do Rio Grande do Sul. Seu uso é limitado a este fim. A reprodução deste material para outros fins é indevida. O documento é organizado conforme as principais partes da referida disciplina. Ao longo do documento (assim como da disciplina) são abordados vários formalismos estocásticos para modelagem de sistemas. Para cada formalismo de modelagem apresentado, procura-se descrevêlo informalmente e formalmente, mostrar a forma de solução a ser empregada, exemplificar, e propor exercícios para fixação de conceitos. O capítulo de Introdução contextualiza o conteúdo a ser abordado e traz, de maneira bastante sucinta, alguns conceitos que se consideram dominados pelo leitor do restante do documento. A seguir, dedica-se um capítulo a cada um dos temas: Processo de Nascimento e Morte, Cadeias de Markov, Redes de Filas de Espera, Redes de Petri Estocásticas e Redes de Autômatos Estocásticos.

iv

.2 Solução para M/M/C/K Exemplificação . . . . Definição Formal . . . . . . .3 Exemplo . . . . . . . . . . . . . . . . .1 2. . . . . . . . . . . . . . . . . . . . . . . .Sumário RESUMO LISTA DE TABELAS LISTA DE FIGURAS LISTA DE SÍMBOLOS E ABREVIATURAS iii vii ix xi Capítulo 1: Introdução 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Propriedades . . . . . . Notação de Teoria das Filas . . . . . . .2 1. . . . . . . . . . . . . . . . . . . . . . . . .6 1. . . Solução . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . Avaliação de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 3. . . . . . . .7 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 9 10 10 10 11 12 13 2. . . . . . . . . . . . . . . . . .1. .1 Escala de Tempo 3. . . . . . . . . . . 3. . . . . . . . . . . . . . . . Exemplificação . .1 Descrição . . . . . . . . . . . . . . . .4. . . . . . . .1 Definição Informal . . . . . . . . . . . . . . Solução . . . . . .1 1. . . . . . . . . . . . . . . . . .5 Capítulo 3: Cadeias de Markov 3. . . . . . . . . . . . . . . . . . . . 3. . . . 2.3. . . . . . . . . . . . . . . . . Técnicas de Avaliação de Sistemas Fases da Avaliação . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 2 4 4 4 6 Capítulo 2: Processo de Nascimento e Morte 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 .3 1.4 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3.2 2. . . . . .5 1. . . . . Noções de Probabilidade . . . . . . . . . . . . . . . . . . . Medidas de Desempenho . . . . . . . . . . . . . . . . . . . . . . . . . .3 3. . . . . . . . . . .3 Definição Informal . . . . Definição Formal . . . . . . . . . . . . . . . . . . . . 17 17 18 18 19 19 20 21 21 3. . . . . . . . . . . . . . . . . . .1 Solução para M/M/1/∞ 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exercícios .4 1. . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . .1 SAN bem definida . . . . . . . . . . . .2 Definição Formal . . . . . . . . . . . . . . . .1 Redes de Petri . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Exemplificação . . .1 Autômatos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . 4. 6. . . Exercícios: Filas Fechadas . . . 3. . . . . . . . . 6. . 6. . . . . . . Definição Formal . . . . .2 Descrição . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . .1 Exemplificação . . . . . . . . . Redes de Petri Estocásticas 6. .3 Vetor de Probabilidade . . . . . . . . . . . . .1 Sistema de Filas . 5. . . . . . . . . .2 Solução para Redes de Filas Fechadas Exemplificação . . .3. . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 5. . . . . . . . . . . . . . . . . . . . . . . . . .6 Capítulo 5: Redes de Autômatos Estocásticos 5. . . . . Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Eventos .3 Tensores . . . . . . . . . . . . .3 Taxas e Probabilidades Funcionais Definição Formal . . .1 Definição Informal . . . . . . . . . . . . . . . . . . . . . . .0.2. . Exercícios . . . . . . . . . . . .5 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . 25 25 25 27 28 29 31 32 32 34 35 4. . . . . . . . . . . . . . . . . . . . . . . . . . .3 Capítulo 6: Redes de Petri Estocásticas 6. . . .3 Definição Informal . . . . . . . . . . . . . . . . . . . . . . . . . .1 4. . . . . . . . . . . . . 22 23 23 Capítulo 4: Redes de Filas de Espera 4. . . . A. . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exercícios . . . . .0. . . . . Solução . . . . . . . . . . . .1 Solução para Redes Abertas . . . . . . . . . . . . Exercícios: Filas Abertas . . . . . . . . . . . . . . . .2 6. . . . .1. . . . . . . . . .3 REFERÊNCIAS BIBLIOGRÁFICAS Apêndice A: Armazenamento do Descritor Markoviano de SAN A. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . .1 Definição Informal . . . . . . 5. . . . .1 Definição Informal . . A. . . . . .1 Exemplificação com rede fechada . . . . . . 71 74 74 74 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . . .5 3. . . . . . . . . . . . . .2 Exemplificação . 4. . . . . . . . . .vi SUMÁRIO 3. 37 37 38 40 40 43 46 47 5. . . . . . . . . . . . . . . . . . . . 51 51 51 55 56 57 61 61 64 69 6. . . . . . . . . . . . . .2. . . . . . . . . . .1. . . . . . . .1.4. . . . .2 4. . . . . . . . . . . . . . . . . . . . . . . .4 4. . . .1. . . . . . . . . . . .2 Gerador Infinitesimal . . . .4. . .1. .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.0. . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 73 A. . . .Lista de Tabelas 6. . . . . . . . .1 Marcações da Figura 6. . . . . . . . . . . . . . . . . . . . . . . . .1 Descritor Markoviano .10 . .

viii LISTA DE TABELAS .

. .2 3. . A. . . Processo de nascimento e morte M/M/1/∞. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Compartilhamento de recursos com exclusão mútua . . . .7 6. . Exemplo de uma Rede de Petri Temporizada . . . . . .9 6. . . . . . . . . . . . . . . . . . . . . . .SPN Árvore de atingibilidade da Figura 6. . . . . . . . . . . . . . 7 9 10 11 12 12 17 19 21 26 26 26 28 29 32 39 39 41 42 52 52 53 54 55 57 58 59 59 62 62 74 Andrei Andreyevich Markov .4 4. . . . . . . . .1 4. . .1 5. . . . . . . . . . . . .4 2. . . . . . . . . . . Modelo em CTMC com quatro estados e seis transições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Processo de nascimento e morte M/M/C/K. . . . . .1 3. . . . . . . .1 2. .5 6. . Modelo em SAN com 2 autômatos. . . . . . Modelo em SAN com 2 autômatos independentes . . . . . . . .11 Estação de serviço com m servidores. . . . . . . . . . . . .2 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Disparo da transição t1 de uma Rede de Petri . . Cadeia de Markov equivalente à Figura 6. Exemplo de rede de filas aberta . . . . . . . . . . . . . .3 2. . . . . . . . . . Exemplo de uma Rede de Petri Estocástica .8 6. Modelo em CTMC com oito estados . . . . . . .2 5. . . . . . . . . . . . 1 evento sincronizante e uma taxa funcional CTMC equivalente ao modelo da Figura 5. . . . . .10 . . . . .3 . . . . . . . Exemplo de uma Rede de Petri marcada . . . . . . . . . . . . . . . . . . . . Exemplificação com rede de fila de espera fechada . . . . . . . .Lista de Figuras 1. . . . . . . . . . . .3 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 2.4 6. . . . . . . . . . . . . . . . . . .6 6. . . . Rede de filas de espera fechada . . Exemplo de representação gráfica de uma Rede de Petri . . . . . . . . . . . . . . . . . . . .2 . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Modelo em SAN com três autômatos . . . . . . . . . . . . . . . . . . . . . .2 6. . . . . . . . . . . . . .3 4. . . . . . . . . . Exemplo de rede de filas fechada . . . . . . . . . . . . . . . . . . .7 . . . . . . . . . . . . Árvore de atingibilidade da Figura 6. . . . . . . . . . . . . . . . . . . . . . . Compartilhamento de recursos com exclusão mútua . . . . . . . . . . . . . . . . . . . Exemplificação de um processo de nascimento e morte. . . . .5 3. . . . . . . . . Tipos de filas . . .6 5. . . . . . . . . .PN . .3 6. . . . . . . . . . . CTMC equivalente ao modelo da Figura 5. . . . . . . . . . . . . . Árvore de atingibilidade da Figura 6. . . . . . . Rede de fila de espera aberta . . . . . . . . . . . .1 6. . . . . . . . . . . . . . . . . .7 . . . . Processo de nascimento e morte M/M/1/4. Processo de nascimento e morte. . . .10 6. . .3 5. . . . . . . . .4 6. . . . .5 4. .1 . . .1 2. .

x LISTA DE FIGURAS .

Lista de Símbolos e Abreviaturas CTMC DTMC PN RS TPN SPN Continuous Time Markov Chains Discrete Time Markov Chains Petri Nets Reachability Set Timed Petri Nets Stochastic Petri Nets 17 18 51 53 56 57 .

xii LISTA DE SÍMBOLOS E ABREVIATURAS .

ilustramos algumas situações para tentar tornar um pouco mais concretos os aspectos que pretendemos tratar. 300 pacotes por segundo. diga: (i) Todas pessoas que entram na fila poderão ser atendidas em prazo limitado? (ii) Quanto % do seu tempo o médico do posto pode dormir em uma maca a sua disposição? (iii) Qual a probabilidade de haver ao menos 1 pessoa tomando chuva na fila. uma fila de capacidade infinita continua. Uma tarefa sai da CPU 30% das vezes para esperar entrada do disco. e dado que 18 pessoas por hora entram na fila e que o único médico do posto atende criteriosamente uma pessoa a cada 3 minutos. • Situação 1 Suponha que à placa de rede de um computador chegam. dando voltas e voltas na quadra.t. A seguir. pergunta-se: quantos pacotes o buffer da placa deve poder armazenar para que a probabilidade de perda de pacote seja menor que 1 em 1000 ? • Situação 2 Suponha que em um posto do INSS 5 pessoas podem ficar sentadas a espera. O disco atende à requisição. Uma entrada da rede chega em média em 20 u. 20% para esperar entrada da rede. Pergunta-se: (i) qual o tamanho médio da fila ready.t. em 10 u. o egresso dos cursos da área de Computação certamente se depara com situações onde tem que analisar uma situação do ponto de vista quantitativo. em média. Desprezando as variações de tamanho de pacote e sabendo que a placa consegue tratar em média 500 pacotes por segundo.Capítulo 1 Introdução 1.1 Motivação Ao longo de sua vida profissional. (ii) dobrar a velocidade de atendimento do disco resulta em alguma modificação significativa no sistema ? . em média. e 50% das vezes por seu tempo de uso de CPU ter expirado (voltando para a fila ready). Lá fora no entanto.t. (unidades de tempo). Supondo que ninguém fura a fila e que ninguém morre na fila. cumprindo um fim específico. em um dia chuvoso? (iv) Qual a probabilidade de exatamente 2 pessoas estarem tomando chuva? • Situação 3 Suponha um sistema operacional embarcado que tem sempre as mesmas 4 tarefas rodando. A CPU atende cada tarefa em média em 5 u.

INTRODUÇÃO • Situação 4 Em redes ad-hoc os pontos roteadores utilizam wireless. a observação do comportamento do sistema ajuda a entender o seu funcionamento. ou ainda uma comparação com um referencial de base. Esta disciplina. Ainda. Supondo uso de tecnologia IEEE 802. toda avaliação científica é feita sobre resultados quantitativos. de forma que esse possa tomar decisões acerca de seu sistema.11: (i) Qual a vazão líquida de dados na rota de 10 estações ? (ii) Aumentando-se o grau de interferência (cada estação interfere com 2 antes e 2 depois).3 Técnicas de Avaliação de Sistemas Existem diferentes técnicas de avaliação de desempenho de sistemas. Dentre as técnicas citadas. esta é a que propicia maior fidelidade dos índices obtidos. No entanto. consiste na observação (monitoração) de sistemas reais. há algumas desvantagens visíveis desta abordagem. como por exemplo. Tais resultados devem ser objetivamente apresentados ao usuário final. Tanto situações anteriores como situações atuais podem ser avaliadas para tornar possível a observação da evolução do sistema. existem basicamente dois tipos de avaliação: • Avaliação qualitativa: quando existe a necessidade de uma comparação com o senso-comum. com a finalidade de previsão e planejamento. sem expressar considerações dos méritos dos valores obtidos. como o nome sugere. que são tradicionalmente divididas em três abordagens distintas [20]: • Monitoração Esta técnica. dentro do contexto de avaliação de sistemas. Em princípio. tem foco no aspecto quantitativo. A aplicação prática da avaliação de desempenho é o conhecimento da situação (estado) do sistema avaliado. Porém. a necessidade da existência do sistema a ser avaliado. elas não podem transmitir simultaneamente. qual o impacto na vazão líquida de dados ? 1. toda avaliação tem por objetivo o estabelecimento de um julgamento qualitativo sobre o sistema avaliado. para este fim é freqüente realizar-se a comparação de resultados de diversos técnicas diferentes. Além disso. cabe salientar que é sempre recomendável um estudo da confiabilidade do método.2 Avaliação de Sistemas Avaliar um sistema é pronunciar-se sobre as características de um certo sistema. Se outra estação estiver neste raio de interferência.2 CAPÍTULO 1. Podem ser ainda avaliadas situações futuras. Imagine uma rota de 10 estações onde cada estação está no raio de interferência de outras duas (anterior e posterior). Dado um sistema real qualquer. 1. • Avaliação quantitativa: baseia-se na formulação de valores específicos. uma avaliação deste sistema pode ser definida como toda e qualquer observação feita sobre ele. Isto pode gerar problemas em relação ao custo e ao . como o próprio nome sugere. pois não é feita nenhuma abstração (modelagem) do sistema em questão. Cada estação wireless tem um raio de interferência. Neste sendito.

porém com um nível de abstração mais alto. mas sim uma resolução analítica1 . passando por uma relação matemática dependente do espaço de estados (sistema de equações dependente do espaço de estados do problema). Uma outra desvantagem é a questão da amostragem. deve-se salientar que esta abstração não deve acarretar na inclusão de erros no modelo nem mesmo na exclusão de características importantes. Porém. da mesma forma que na monitoração. Algumas vezes a complexidade computacional do modelo pode tornar a resolução muito cara. com distribuições de probabilidade convenientes. há um certo nível de abstração. o funcionamento do sistema real é reduzido a relações matemáticas. Este modelo deve descrever as características funcionais do sistema em uma escala adequada de tempo [20]. Este modelo deve conter os detalhes importantes referentes ao sistema. Mesmo assim. Contudo. Como exemplo cita-se o processo de nascimento e morte M/M/1/∞. pode não ser possível pois o problema pode ser estado infinito. também se baseia no desenvolvimento de um modelo do sistema real. não se consegue obter uma resolução numérica. Para alguns de tais casos é possível obter-se solução analítica à forma produto. Neste caso. pois o sistema implementado pode não satisfazer as necessidades. É necessário que se faça o uso correto de técnicas de estatística para que os dados recolhidos tenham validade. Uma vantagem desta técnica em relação as outras descritas é que não há Exemplificando: uma resolução numérica. Além disso. o sistema é descrito em termos de um conjunto de estados em que o mesmo pode se encontrar e de transições estocásticas entre esses estados (uma transição estocástica é aquela cuja ocorrência é descrita por uma variável aleatória [13]). Modelos analíticos podem ser determinísticos ou estocásticos. ficando mais dispendiosa que uma resolução igualmente aceitável em simulação. os parâmetros do sistema são descritos por variáveis aleatórias. No último caso. o comportamento do sistema é analisado probabilisticamente. Em um modelo determinístico. • Métodos Analíticos Esta técnica de avaliação de desempenho. Ainda. o modelo é puramente matemático. todos os parâmetros do sistema são previamente determinados. • Simulação Esta abordagem consiste em construir um modelo que simule o funcionamento do sistema a ser avaliado. Desenvolver modelos analíticos normalmente exige maior abstração de aspectos da realidade. TÉCNICAS DE AVALIAÇÃO DE SISTEMAS 3 tempo. Em outras palavras. permitindo que sejam feitos quantos experimentos forem necessários. tendo que ser abandonado [20]. por se tratar de uma abstração da realidade.1. a quantidade e representatividade das amostras consideradas é muito importante para a obtenção de resultados corretos. Já em um modelo estocástico. com fórmulas independentes do número de estados. a simulação costuma ser menos dispendiosa e consumir menos tempo para que os índices sejam calculados. ou seja. métodos analíticos podem ser empregados com maior facilidade que outros em vários casos. assim como a simulação. Neste tipo de modelo. a fidelidade das medidas tende a ser menor na simulação se compararmos com a monitoração. Comparativamente à monitoração. mas não a sua totalidade. em alguns casos. se comparado a modelos de simulação. 1 .3.

etc. em geral consideram-se 4 fatores para medida de desempenho: • Vazão (throughput): taxa de atendimento de pedidos pelo sistema. são realizados os cálculos e o processamento necessário à obtenção de resultados numéricos sobre o sistema a partir do modelo gerado na etapa anterior. Ao final desta etapa. • Extração ou Resolução: nesta etapa. espaço de frenagem a uma dada velocidade.4 CAPÍTULO 1. • População: quantidade de atendimentos a serem feitos em um determinado instante. CPU: MIPS ou MFLOPS.5 Medidas de Desempenho Desempenho pode ser definido como a maneira como um sistema se comporta. capacidade de aceleração (tempo necessário para ir de 0 Km/h a 100 Km/h). 1. • Tempo de resposta: intervalo de tempo entre o pedido e o início/conclusão do serviço. INTRODUÇÃO a necessidade de se preocupar com um conjunto específico de amostras de funcionamento do sistema para a obtenção dos índices de desempenho. consumo médio de combustível. • Utilização: fatia de tempo em que o sistema permanece ocupado. o desempenho de um sistema é determinado por suas características de execução. 1. • Interpretação: a última etapa compreende a análise dos resultados obtidos e a tomada de decisão sobre alterações e melhorias. o domínio de métodos anlíticos para avaliação de sistemas compreende um ferramental importante para profissionais da área de Informática. avaliar o desempenho de um sistema demanda definir quais características comportamentais interessam ser consideradas. Por exemplo. Redes: pacotes por segundo (pps) ou bits por segundo (bps). A modelagem exige a definição de uma abordagem de modelagem de sistemas. se quisermos avaliar o desempenho de um automóvel.6 Noções de Probabilidade • Fenômeno Determinístico: É possível saber que evento irá acontecer no futuro. Por exemplo. Ex. 1. avanço de uma música em uma fita cassete.4 Fases da Avaliação A avaliação de um sistema exige que sejam seguidos alguns passos: • Modelagem: nesta etapa. Portanto. Sistemas interativos: requisições por segundo.: Sistemas em lotes: jobs por segundo. Sempre se sabe qual será a música seguinte. são realizadas as observações sobre o sistema e definem-se as abstrações com que se vai trabalhar. Isto é. Para sistemas computacionais. iremos considerar fatores tais como velocidade máxima. pois a ordem já é previamente conhecida. . tem-se um modelo do sistema considerado. atendendo a pedidos. Sistemas de processamento de transações: transações por segundo (TPS). Desta forma.

P(coroa)). . que saber o que aconteceu no passado não ajuda a prever o futuro. • Evento discreto: Considera-se a ocorrência de um fenômeno apenas em determinados instantes de tempo dentro de um período (verifica-se fenômeno a cada intervalo de 5 minutos. "Memoryless"significa. • Variável aleatória: Uma variável aleatória é uma função que reflete o resultado de uma experiência aleatória. Estes são exemplos de distribuições discretas de probabilidade.lançar uma moeda. . por exemplo: o tempo entre duas requisições chegarem a um servidor. Seja a experiência aleatória medir o tempo entre dois eventos. P(soma=3). de forma intuitiva. por exemplo). Tome-se como exemplo um . quando o fenômeno observado pode assumir qualquer valor de uma escala. saber o resultados anteriores não afeta de maneira alguma as probabilidades associadas à próxima jogada de moeda.. a sua distribuição de probabilidade. • Evento contínuo: Fenômeno pode ocorrer em qualquer instante de tempo.. • Processo estocástico: um processo estocástico é utilizado para modelar fenômenos onde várias variáveis aleatórias ou distribuições são encontradas. tempo entre falhas de um componente eletrônico. mas não sabemos o valor para uma ocorrência específica. como por exemplo a chegada de trabalhos em um sistema com distribuição exponencial e média 5. Exemplos: jogar moeda (P(cara). isto não aumenta a probabilidade de um trabalho chegar dentro do próximo segundo. ou seja. etc. Por exemplo. • Variável aleatória contínua: Quando pode assumir qualquer valor de um intervalo de números reais. P(soma=12)).1.P(lado6)). Considere um evento contínuo. Esta característica propicia a utilização de métodos analíticos de avaliação. Ao lançar uma moeda não há como saber-se qual lado ficará à vista quando a moeda chegar ao solo. NOÇÕES DE PROBABILIDADE 5 • Fenômeno Aleatório: não é possível saber que evento irá acontecer no futuro. Se até o instante 4 não foi observada nenhuma chegada de trabalho. jogar um dado (P(lado1). probabilidade de obter a primeira cara somente na n=ésima jogada (exemplo de distribuição geométrica).. jogar dois dados e obter uma determinada soma (P(soma=2). para estudá-la. tempo decorrido para abrir a porta novamente.. Assim. Podemos conhecer seu comportamento para um conjunto de valores. Temos também distribuições contínuas de probabilidade. mesmo após inúmeros lançamentos. considerando um evento discreto como jogar moeda para cima. • Variável aleatória discreta: Seu conjunto possível de valores é composto por um número finito ou infinito enumerável de elementos. o tempo entre dois pacotes errados recebidos. é necessário identificar os valores que ela pode assumir e com que freqüência ela ocorre. Assim. com a característica "memoryless"o próximo estado de um sistema não depende dos estados anteriores. • Distribuição de probabilidade: Não é possível saber de antemão o valor de uma variável aleatória e. o tempo entre dois pacotes na rede.6. • Distribuição exponencial: as únicas distribuiçoes com característica "memoryless"são a geométrica (discreta) e a exponencial (contínua).

Se todos os servidores estão ocupados quando da chegada de um cliente. i. como um processo estocástico. Se estamos medindo o tempo de espera. Podemos considerar esta realidade. então o "espaço do processo estocástico"é contínuo. 1. Processo de Markov: se o próximo estado do processo depende somente do estado atual. Cadeias estocásticas são também chamadas de Cadeias de Markov (MC).. Estado Contínuo x Tempo Discreto = Processo de estado contínuo e espaço discreto. então temos espaço de estados discreto (número de requisições) e tempo contínuo (observado continuamente). Os seguintes símbolos são normalmente utilizados para A e B : Não se deixe confundir: o que estamos medindo é o "espaço"e quando medimos é o "tempo"do processo estocástico. então o processo estocásitico é estado contínuo (pois está-se medindo algo contínuo. Suponha que queiramos medir o tempo para acabar todos os processos em qualquer instante. m indica o número de servidores (m ≥ 1) e K indica o tamanho máximo da fila (capacidade).e. Às combinações são dados também os seguintes nomes: Estado Discreto x Tempo Discreto = Cadeia estocástica de tempo discreto. Um servidor atende apenas um cliente por vez.7 Notação de Teoria das Filas Um sistema de filas com apenas uma fila. Suponha que queiramos medir o tempo que uma requisição espera para ser atendida. este será colocado em um buffer (assumindo que há espaço) e espera para ser atendido. os estados passados não importam na determinação do estado futuro. é muito utilizada para decrever sistemas de filas: A/B/m/K onde A indica a distribuição da chegada de cliente. então o "tempo do processo estocástico"é discreto. se medimos para cada processo ou quando um processo acaba. Isto dá origem a várias configurações: Suponha que nosso interesse é saber o tamanho da fila de requisições a qualquer tempo. A seguinte notação. 2 . conhecida como notação de Kendall. Suponha que o interesse é saber o tamanho da fila no momento que uma requisição acabou de ser atendida. Temos duas distribuições envolvidas: (i) a freqüência de chegada de requisições e (ii) o tempo de serviço do servidor. que é o tempo de espera) e o tempo é discreto (pois mede-se para cada requisição)2 . Estado Discreto x Tempo Contínuo = Cadeia estocástica de tempo contínuo.1. dando origem a Cadeias de Markov de Tempo Discreto (DTMC) e de Tempo Contínuo (CTMC). Processo estacionário: quando não muda com o avançar do tempo t.6 CAPÍTULO 1. consiste de um fila de tamanho finito ou infinito e de um ou mais servidores identicos. INTRODUÇÃO servidor de requisições. logo pode estar ocioso ou ocupado. bem como o que desejamos observar dela. B denota a distribuição do tempo de serviço. como pode ser visto na Figura 1. então temos um processo estocástico de tempo e espaço contínuos. então o espaço de estados é discreto (número de requisições) e o tempo é discreto também (pois só será medido o tamanho da fila quando uma requisição acabar de ser atendida). Estado Contínuo x Tempo Contínuo = Processo de estado contínuo e tempo discreto.

• Ek: Distribuição Erlang com k -fases. NOTAÇÃO DE TEORIA DAS FILAS 7 chegada de clientes 1 .1. M/M/1/3 indica que o tempo entre chegadas e o tempo de serviço são regidos por distribuições exponenciais. há apenas 1 servidor e a capacidade da fila é de 3 clientes. • M: Distribuição exponencial (Memoryless). . Por exemplo. . • D: Distribuição determinística. saída de clientes m Servidores Figura 1.1: Estação de serviço com m servidores. • Hk: Distribuição Hyperexponential com k -fases. .7.

INTRODUÇÃO .8 CAPÍTULO 1.

. O nascimento representa a chegada de mais um cliente na fila. o sistema é instável. em média. λ 0 1 λ 2 λ λ λ i+1 i+2 λ . Além disso. Por fim. é mostrado como esse tipo de problema é resolvido. exercícios sobre o tema são sugeridos. • se ρ < 1.1: Processo de nascimento e morte. através de um exemplo. apresenta-se as definições informal e formal de processo de nascimento de morte. µ µ µ µ µ Figura 2. É importante frizar que o tamanho desta fila pode ser tanto infinito quanto finito. o tempo de chegada entre cliente é.1 Definição Informal Processo de nascimento e morte é uma representação através de estados e transições entre esses estados de um sistema com uma fila simples (Figura 2. Como pode ser observado na Figura 2.Capítulo 2 Processo de Nascimento e Morte Neste capítulo.1. em média. significa que chega. . µ i .. • se ρ = 1. há mais saídas do que chegadas de clientes. podemos dizer que λ é a taxa de chegada de clientes e µ é 1 a taxa de serviço dos mesmos.. µ . o sistema é instável. O número de clientes no sistema é ilimitado. em média. Logo. pode-se observar a razão ρ = λ µ (intensidade de tráfego) mostra que: • se ρ > 1. Existe uma solução estacionária para o sistema. Em outras palavras. há mais chegadas do que saídas de clientes. Qualquer número de clientes no sistema é equiprovável.. enquanto a morte representa um cliente que foi atendido. λ representa a taxa que ocorrem nascimentos em um dado estado (taxa de nascimento) e µ representa a taxa que ocorrem mortes em um dado estado (taxa de morte). 2. Em seguida. o mesmo número de clientes que saem do sistema.1). λ e o tempo 1 de serviço de cada cliente é.

λ 2 λ . a definição da função T deve ser restringida. também chamado independente de carga.2 mostra um processo de nascimento e morte M/M/1/∞.. i. y ) usando R: a função T (x. a probabilidade do primeiro estado (estado 0) é determinada sabendo-se a soma de todas outras probabilidades. A segunda é quando o sistema possui capacidade finita. sendo que ambos os casos podem ser solucionados. Assim. também chamado dependente de carga.e. A função T possui domínio em M × M e contradomínio nos R+ . Como o somatório de todas probabilidades tem que ser 1. µ µ µ Figura 2.. T ).3. T é a função de transição a qual associa uma taxa de ocorrência de uma transição de um estado para outro. é taxa de ocorrência da transição do estado x para o estado y . Desta maneira. de outra maneira: . para i > 0 temos que a probabilidade de se encontrar no estado i (Pi ) é: λ Pi = Pi−1 ∗ ( µ ) Ou. Um Processo de Nascimento e Morte é caracterizado pela dupla (M.3 Solução Neste documento seão apresentadas duas formas de resolver processos de nascimento e morte. y ) é válida para todo par de estados x.1 Solução para M/M/1/∞ λ 0 1 A Figura 2. y tal que R(x) = R(y ) − 1 ou R(x) = R(y ) + 1.. 2.2: Processo de nascimento e morte M/M/1/∞. onde: M T (x. A primeira delas é quando o sistema possui capacidade infinita e um servidor (M/M/1/∞). Restrição de T (x. 2. Intuição: a probabilidade de estar no estado i depende da probabilidade de estar no estado i − 1 e das taxas de saída de i − 1 para i e de retorno de i para i − 1. ou seja a função R associa um número natural a cada estado de M. y ) é o conjunto de estados.10 CAPÍTULO 2.2 Definição Formal O Processo de Nascimento e Morte pode ser estado finito ou infinito. Seja: R uma função de rotulação R : M → N. Note que no Processo de Nascimento e Morte somente são possíveis transições entre estados estados vizinhos. PROCESSO DE NASCIMENTO E MORTE 2. a função é definida como T : M × M → R+ . como visto em seção a seguir. podendo ter vários servidores (M/M/C/K).

i≥0 2.3: Processo de nascimento e morte M/M/1/4. SOLUÇÃO λ i Pi = P0 ∗ ( µ ) 11 Agora falta encontrar P0 .3 ilustra a situação onde temos apenas 1 servidor no sistema e capacidade para 4 clientes. Uma forma de solucionar (obter as probabilidades para cada estado) o sistema é como segue: 1 Agradecimentos ao Prof.3. João Batista . invertendo-se: i≥0 ρ = 1−ρ i Seja Sm = m i=0 ρ +1 i Sm+1 = Sm + ρm+1 = m i=0 ρ m+1 i m +1 Sm + ρ = 1 + i=1 ρ m +1 i+1 Sm + ρ =1+ m i=0 ρ m m +1 Sm + ρ = 1 + ρ ∗ i=0 ρi m +1 Sm + ρ = 1 + ρ ∗ Sm Sm − (ρ ∗ Sm ) = 1 − ρm+1 Sm ∗ (1 − ρ) = 1 − ρm+1 ρm+1 Sm = 1− 1−ρ Sejam m → ∞ e ρ < 1: −ρ∞ 1 S∞ = 11 −ρ = 1−ρ Levando à primeira igualdade. Deseja-se mostrar que: 1 =1−ρ ρi 1 i Ou.2.2 Solução para M/M/C/K Este caso pode ser dividido em duas situações: quando o sistema possui apenas um servidor (M/M/1/K) ou quando possui mais de um servidor (M/M/C > 1/K). Sabe-se que: i≥0 Pi =1 Ou seja: i i≥0 ρ ∗ P0 = 1 Assim tem-se que a probabilidade de se encontrar no estado i = 0 (P0 ) é: P0 = Por uma sucessão de manipulações tem-se: P0 = 1 i≥0 1 i≥0 ρi ρi =1−ρ=1− λ µ Este passo pode ser demonstrado da seguinte maneira1 .3. A Figura 2. λ 0 1 λ 2 λ 3 λ 4 µ µ µ µ Figura 2.

4) o modo de resolução é bastante similar. Estabelecendo que P0 = 16. Vamos calcular a probabilidade da fila estar em cada um dos estados.WK pesos para os estados 0 a K.C )∗µ ) Onde min(x.4: Processo de nascimento e morte M/M/C/K.5) com taxa de chegada de clientes igual a 2 taxa de serviço igual a 4. 2. λ 0 1 λ 2 λ λ λ C−1 C λ . λ 0 1 λ 2 λ 3 λ 4 µ µ µ µ Figura 2. porém. • para obter os pesos dos estados onde i > 0 utiliza-se a fórmula para o cálculo de probabilidades: λ i λ ) = (µ ) ∗ W0 Wi = Wi−1 ∗ ( µ • assim obtém-se W0 . após atribuir um peso ao estado i = 0 (por exemplo.. temos que: .5: Exemplificação de um processo de nascimento e morte.. fazendo: Pi = Wi K j =0 Wj Quando C > 1 (Figura 2..PK .y) = y em caso contrário. as mesmas proporções que as probabilidades P0 . A partir disso.. os resultados são normalizados como no caso anterior para obter as probabilidades. entre eles. se x < y ou min(x.. Estes pesos mantém. W0 = 1). Cµ µ 2µ (C − 1)µ Cµ Figura 2. 3µ C−2 . deve-se normalizar os resultados obtidos para que a soma das probabilidades seja 1. utiliza-se a seguinte fórmula para obter pesos para os demais estados: λ Wi = Wi−1 ∗ ( min(i. Assim.y) = x. PROCESSO DE NASCIMENTO E MORTE • primeiramente atribui-se um peso qualquer para o estado i = 0 (W0 ).12 CAPÍTULO 2.4 Exemplificação Supondo um processo de nascimento e morte M/M/1/4 (Figura 2.. Para facilidade de cálculos pode-se utilizar W0 = 1.

a) Logo.5. Uma fila recebe em média um cliente por hora e atende um cliente a cada 12 minutos. quantos carros o canteiro central precisaria suportar para que a probabilidade de não haver mais espaço no mesmo não seja superior ao que ele suporta atualmente? .2. Qual a capacidade ideal desta fila para que a probabilidade dela se encontrar cheia seja menor do que 8%? 3. então. Neste tempo. qual o número máximo de clientes por dia que a mercearia poderia atender? 4. EXERCÍCIOS 13 W0 = 16 λ = (µ ) ∗ W0 λ = ( µ ) ∗ W1 λ ) ∗ W2 = (µ λ = ( µ ) ∗ W3 W1 W2 W3 W4 =8 =4 =2 =1 A soma de todas as probabilidades é igual a 31. Em média. Logo. A emergência do Hospital Marcel Neuts possui capacidade para no máximo sete pacientes. qual a população média da mercearia? Caso contrário. Caso este problema resulte em um modelo que respeite a hipótese da estacionariedade. a avenida Kendal irá sofrer obras. a cada 10 segundos chega um carro no cruzamento. Sabe-se também que um médico leva em média dez minutos para atender um paciente. 810 clientes chegam para serem atendidos. enquanto leva-se em média 12 segundos para realizar o cruzamento da avenida. 1290 = 0. deseja-se saber qual a probabilidade de não haver mais espaço no canteiro central para se realizar o cruzamento? Entretanto.5 Exercícios 1. a) Com isso. 5161 = 0. b) Para que o fluxo do cruzamento não seja prejudicado. 0645 = 0. Sabe-se que um paciente a cada 7. normalizando os valores obtidos chegamos as probabilidades de se encontrar em cada estado do sistema: P0 P1 P2 P3 P4 = = = = = 16 31 8 31 4 31 2 31 1 31 = 0. Dois atendentes atendem um cliente a cada dois minutos por atendente. A avenida Kendal possui um espaço de oito carros em seu canteiro central para realizar o seu cruzamento. Porém. deseja-se saber qual a probabilidade da emergência se encontrar lotada? b) E qual a perda de pacientes por hora? 2. Uma mercearia com capacidade para até 5 clientes abre às 10h e fecha às 19h. o canteiro central não suportará mais dois carros lado a lado e se levará apenas 7. 0323 2. 2581 = 0.5 minutos chega na emergência e que há três médicos trabalhando na mesma.5 segundos em média para se realizar o cruzamento. é possível que dois carros fiquem lado a lado no canteiro central para realizar o cruzamento da avenida.

dando voltas e voltas na quadra. em um dia chuvoso? d) Qual a probabilidade de exatamente 2 pessoas estarem tomando chuva? 8. Sabe-se que chega um cliente a cada 15 minutos para fazer uma reclamação e que há quatro funcionários trabalhando no mesmo. Suponha o mesmo exemplo do INSS. Quando um cliente chega e a fila está cheia.125 horas. diga: a) Todas pessoas que entram na fila poderão ser atendidas em prazo limitado? b) Quanto % do seu tempo o médico do posto pode dormir em uma maca a sua disposição? c) Qual a probabilidade de haver ao menos 1 pessoa tomando chuva na fila. ele vai embora (perda). Deseja-se saber: a) Qual a probabilidade da fila estar vazia? b) Qual a probabilidade da fila estar cheia? c) Qual a perda por hora de clientes? 7. a) A fila respeita a hipótese da estacionariedade? b) Qual é a probabilidade da fila não estar vazia? c) Qual a probabilidade da fila ter 1. Qual a probabilidade do setor de reclamações se encontrar lotado? 6.14 ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § CAPÍTULO 2. e dado que 18 pessoas por hora entram na fila e que o único médico do posto atende criteriosamente uma pessoa a cada 3 minutos. PROCESSO DE NASCIMENTO E MORTE ¦ § ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¦ § ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¦ § ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ ¤ ¥ Avenida Kendal   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡ Canteiro Central ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡   ¡ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ ¢ £ Avenida Kendal ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © ¨ © 5.1 horas e um cliente chega a cada 0. taxa de chegada igual a 10 clientes por hora. Suponha que em um posto do INSS 5 pessoas podem ficar sentadas a espera. c) Quanto % do seu tempo os médicos poderão dormir ou falar mal do sistema de saúde? d) Qual a taxa (clientes por unidade de tempo) de clientes que vão embora pois a fila está cheia? 9. Uma fila com capacidade para até 5 clientes possui 2 servidores. a) Quanto % do seu tempo o médico do posto pode dormir em uma maca a sua disposição? Compare com os resultados para a fila que dá voltas na quadra! b) Qual a taxa (clientes por unidade de tempo) de clientes que vão embora. Supondo que ninguém fura a fila e que ninguém morre na fila. uma fila de capacidade infinita continua. Lá fora no entanto. A sala de espera continua com os mesmos 5 lugares. pelo fato da fila estar cheia? Suponha agora que um novo médico é contratado para o posto do INSS. Cada médico atende a um paciente a cada 3 minutos e 18 pacientes tentam entrar no posto por hora. O setor de reclamações das lojas Tabajara possui capacidade para no máximo quatro clientes. só que somente 5 clientes ficam na fila. Considere um sistema de filas simples com um servidor e sem limite de capacidade onde se atende um cliente em 0. e taxa de atendimento igual a 8 clientes por hora. 2 e 3 clientes? . Sabe-se também que um funcionário leva em média 7 minutos para atender um cliente.

O gerente do banco deve: a) Dispensar um caixa? b) Colocar mais um caixa? c) Colocar mais dois caixas? d) Deixar a fila como está? 11. 240 clientes por dia.5. A recomendação da gerência é manter a fila com no máximo 10 clientes.2. Supondo que 2000 pacotes são gerados por segundo. Cada caixa atende em média um cliente a cada dois minutos. Um roteador serve 3000 pacotes por segundo de um enlace. um pacote por segundo? E aceitando uma perda média de 5 pacotes por segundo. que tamanho a fila poderia ter? . qual o tamanho do buffer em número de pacotes para que seja perdido. EXERCÍCIOS 15 10. em média. Um banco tem dois caixas que funcionam das 10 horas da manhã até as 16 horas da tarde. Desejam ser atendidos no banco. em média.

16 CAPÍTULO 2. PROCESSO DE NASCIMENTO E MORTE .

29] é um formalismo matemático para modelagem de sistemas. apresenta-se a definição formal de MC à escala de tempo contínua (CTMC . bem como um exemplo completo de obtenção do mesmo. Russia. onde os nodos da mesma representam os estados e os arcos representam as transições . demonstra-se as regras necessárias para a obtenção do gerador infinitesimal de um modelo descrito pelo formalismo de MC. 3.1: Andrei Andreyevich Markov Neste capítulo. Em 20 julho de 1922 faleceu na então Petrogrado (agora São Petersburgo). graduouse na Universidade de São Petersburgo (1878) e começou a atuar como professor na mesma universidade em 1886. 25. As transições entre os estados são modeladas por um processo estocástico de tempo contínuo ou discreto definidos por distribuições exponenciais ou geométricas respectivamente. apresenta-se uma definição informal do formalismo de Cadeias de Markov (MC . Além disso.Continuous Time Markov Chains ) englobando os conceitos definidos informalmente. Um modelo descrito pelo formalismo de MC pode ser interpretado como uma máquina de estados. é possível descrever o funcionamento de um sistema utilizando um conjunto de estados e transições entre esses estados. Figura 3. Russia. Em seguida.Capítulo 3 Cadeias de Markov Andrei Andreyevich Markov nasceu em 14 de junho de 1856 em Ryazan. A partir de 1900 estudou processos estocásticos.1 Definição Informal O formalismo de Cadeias de Markov [7.Markov Chains ). Através do uso de formalismo de MC.

Continuous Time Markov Chains ). 3.18 entre os estados do modelo em MC. por uma matriz de transição de estados. sem importar quais foram os estados prévios ou serão os estados futuros do modelo. Os estados do modelo são discretos e enumeráveis. matematicamente. A representação gráfica de um modelo em MC é feita por autômatos. Assim. Os modelos em CTMC diferem dos modelos em DTMC basicamente por suas transições entre os estados poderem ocorrer em qualquer instante de tempo e não em pontos discretos de tempo. 29] pode ser classificado de acordo com a sua escala de tempo: • Cadeias de Markov à escala de Tempo Contínua (CTMC .Discrete Time Markov Chains ). 3. apresenta-se a definição das escalas de tempo utilizadas pelo formalismo de MC. É importante ressaltar que a soma dos . CADEIAS DE MARKOV No decorrer deste documento. • Cadeias de Markov à escala de Tempo Discreta (DTMC .1. (3. A probabilidade de cada estado em regime estacionário (solução de um modelo em MC) é a solução do sistema da equação linear: πQ = 0. onde 0 é o primeiro estado do modelo. CAPÍTULO 3. o formalismo de MCpermite cadeias de infinitos estados. apresenta-se a seguir as propriedades para a construção de um modelo descrito pelo formalismo de MC. adota-se a seguinte notação para a definição dos modelos em MC: Seja x x-ésimo estado de um modelo. Um modelo em MC é representado. 25.2 Propriedades Segundo Stewart [25]. onde é associado para cada estado do autômato um estado do modelo e para cada transição uma taxa (CTMC) ou uma probabilidade (DTMC).1) onde Q é a matriz de transição de estados e π (vetor de probabilidade) é o autovetor correspondente ao autovalor unitário da matriz de transição. A taxa (CTMC) ou probabilidade (DTMC) de transição de estados do modelo dá-se obedecendo a uma lei exponencial ou geométrica respectivamente.1. A seguir.1 Escala de Tempo Um modelo descrito pelo formalismo de MC [7. A escala de tempo para a transição entre os estados do modelo pode ser de forma contínua (CTMC) ou discreta (DTMC). A transição entre os estados do modelo depende exclusivamente do estado atual do modelo.

A Figura 3. Cada transição entre um estado e outro possui associada uma taxa de ocorrência à mesma. as explicações e exemplos apresentados no decorrer deste documento fazem menção para modelos descritos à escala de tempo contínua (taxas de ocorrência ) e não à escala de tempo discreta (probabilidades de ocorrência ). 0 2 5 3 4 5 2 3 1 2 Figura 3.1. 3. DEFINIÇÃO FORMAL 19 elementos do vetor de probabilidade π deve ser igual a 1. onde cada elemento não diagonal representa a probabilidade de transição entre os estados do modelo.3. nesta seção considera-se a formalização de um modelo em CTMC compreendendo um conjunto finito de estados e transições.e.2: Modelo em CTMC com quatro estados e seis transições A seguir. toda MC finita tem solução tal como será apresentada na seção seguinte. apresenta-se a definição formal do formalismo de CTMC. Para os modelos em CTMC. Os elementos diagonais de Q representam o ajuste necessário para que a soma dos elementos de cada linha seja igual a zero.2 Definição Formal Apesar do formalismo de MC permitir cadeias infinitas. Alguns exemplos podem ser encontrados no capítulo referente a Processo de Nascimento e Morte. Os elementos diagonais de P representam o ajuste necessário para que a soma dos elementos de cada linha seja igual a um.2. || π ||= 1. a matriz de transição de estados Q é denominada de gerador infinitesimal.2 apresenta um modelo em CTMC com quatro estados e seis transições. 3. a solução para cadeias infinitas existe para um conjunto reduzido de casos. Por conseguinte. i. Por outro lado. Assim. Sejam M conjunto de estados. . onde cada elemento não diagonal da linha i e coluna j da matriz representa a taxa de transição do estado i para o estado j do modelo.3 Exemplo O foco principal deste documento é o formalismo de CTMC. a matriz de transição de estados P é denominada de matriz estocástica.. Para os modelos em DTMC.

(|M| −1)]2 . de estados finitos. ∀x ∈ M Q(x. Seja Q(x. No decorre deste trabalho.3. a função é definida como T : M × M → R+ . Definição 1 T é a função de transição a qual associa uma taxa de ocorrência de uma transição de um estado para outro. Seja succ(x) conjunto não vazio dos estados y . i. y ∈ M tal que y ∈ succ(x) Q(x. 2. tais que possua uma transição do estado x para algum estado y . e a notação [i. Logo. O conjunto de estados sucessores de um determinado estado x é importante para a definição do método de obtenção do gerador infinitesimal.1. 2 1 . x) = − T (x. A função T possui domínio em M × M e contra-domínio nos R+ . matematicamente.. o qual será apresentado na próxima seção.2. ∀x. no conjunto de números reais.e.20 |M| (|M| = cardinalidade(M))1 . y ) = 0. a matriz Q é conhecida tanto como matriz de transição de estados como gerador infinitesimal.. inclusive. i. Definição 2 Os elementos do gerador infinitesimal Q de um modelo em CTMC são definidos por: 2. É adotada a notação |X | para definir a cardinalidade de um conjunto X .e. 3. y ) taxa de ocorrência da transição do estado x para o estado y . y ). y ) = 0}. Note que nem toda a transição de um estado x para um estado y possui uma taxa não nula determinada pela função T (x.. y ) = T (x. Neste trabalho. succ(x) = {y ∈ M | T (x. y ∈ M tal que y ∈ succ(x) Q(x. ∀x. adota-se o termo gerador infinitesimal para descrever matematicamente um modelo descrito pelo formalismo de CTMC.j ] referindo-se a um número no intervalo de i até j . y ∈succ(x) 2. a qual também é denominada de gerador infinitesimal. inclusive. y ) elemento da linha expressa pelo estado x e coluna expressa pelo estado y do gerador infinitesimal Q. y ). é adotada a notação [i. por uma matriz de transição de estados. é representado. y ). pertencendo ao conjunto do números naturais.j ] referindo-se a um número pertencente ao intervalo i e j . Seja T (x.. CADEIAS DE MARKOV O conjunto de estados M compreende |M| estados x.3 Solução Um modelo em CTMC . onde x ∈ [0. CAPÍTULO 3.

Os elementos diagonais (ajuste diagonal das taxas de ocorrência das transições entre os estados) do gerador infinitesimal estão descritos na Definição 2.25 1 12 0. Este buffer recebe. a partir da identificação das taxas de ocorrência das transições de um estado para outro. 1. a impressora laser trabalha por 4 horas.25 12 1 1800 0.4. 2 e 3 requisições respectivamente) que estão sendo atendidas pela impressora deskjet. É possível construir o gerador infinitesimal do modelo em CTMC. o qual possui oito estados.4.3 define os elementos nulos do gerador infinitesimal. 5. os quais possuem a taxa de ocorrência da transição do estado x para o estado y . 2 e 3 representam o número de requisições no buffer (0.3: Modelo em CTMC com oito estados Os estados 0. A Definição 2.25 12 1 4 720 5 720 6 720 7 Figura 3. 2 e 3 requisições respectivamente) que estão sendo atendidas pela impressora laser.2. respeitando a razão de que para cada hora trabalhada pela impressora deskjet. Este modelo descreve um buffer de requisições de impressão. 1.3 apresenta um modelo descrito pelo formalismo de CTMC. A impressora laser leva em média 2 segundos (1800 folhas por hora) para imprimir uma folha. enquanto a impressora deskjet imprime uma folha em 5 segundos (720 folhas por hora). uma requisição a cada 5 minutos (12 requisições por hora). . em média.25 1 1800 0. 3.4 Exemplificação Demonstra-se nesta seção um exemplo completo de obtenção do gerador infinitesimal de um modelo descrito pelo formalismo de CTMC. 12 12 12 0 1 2 3 1800 0.1 Descrição A Figura 3. EXEMPLIFICAÇÃO 21 A Definição 2.1 corresponde aos elementos não diagonais do gerador infinitesimal. Um pedido de impressão pode ser atendido tanto pela laser como pela deskjet. 3.3. os estados 4. 1. Em contra partida. Este buffer faz o gerenciamento de duas impressoras: laser e deskjet. 6 e 7 representam o número de requisições no buffer (0.

25 1800 2 12 -1812. preenche-se os elementos não diagonais do gerador infinitesimal.3. Como a soma de cada linha do gerador infinitesimal deve ser igual a zero.2.25 12 -733 720 6 7 0 1 2 Q= 3 4 5 6 7 1 1 12 -721 Por último. aplicando a Definição 2.2 Gerador Infinitesimal Primeiramente. CADEIAS DE MARKOV 3. A partir desta informação. Através da Definição 2.25 1800 1 12 -1812.25 1800 0 0 1 0 3 0 0 12 -1800.25 6 7 Observação: seja uma linha i e uma coluna j.25 0.1. preenche-se os elementos nulos do gerador infinitesimal.4. utilizando as taxas de ocorrência da transição de um estado para outro.25 0.25 0 0 12 -733 720 7 0 0 0 0.25 0 0 12 -733 720 0 6 0 0 0.25 0 0 0 -13 720 0 0 5 0 0.25 1800 0 0 1 0 0 2 0 12 -1812.j) da matriz.25 1800 0 0 1 0 0 0 1 12 -1812. tem-se o gerador infinitesimal do modelo descrito na Figura 3.22 CAPÍTULO 3.25 1800 3 4 0. Sendo assim.25 12 -1800. utilizando a Definição 2. o mesmo fica da seguinte maneira após o ajuste da diagonal: 0 -12.25 5 0.25 5 0.3: 0 -12. identifica-se o número de estados |M| do modelo para se construir o gerador infinitesimal do mesmo. lê-se que a transição do estado i para o estado j tem taxa dada pela célula (i. tem o gerador infinitesimal com os elementos não diagonais preenchidos: 0 0 1 2 Q= 3 4 5 6 7 1800 1800 1800 1 1 1 1 720 720 720 12 12 12 1 12 2 12 12 3 4 0.25 0. preenche-se os elementos diagonais (ajuste diagonal das taxas de ocorrência das transições entre os estados) do gerador infinitesimal. o gerador infinitesimal será uma matriz de ordem |M| × |M|.25 0 0 12 -721 0 1 2 Q= 3 4 5 6 7 .25 -13 720 1 1 12 -733 720 0. Posteriormente.25 0 0 0 1 4 0. Logo.

o funcionário leva em média dois minutos para finalizar a compra e voltar a espera de novos clientes. 75% das vezes. o funcionário leva mais trinta segundos para procurar o medicamento nas prateleiras. por exemplo. A cada meia hora ocorre um problema no servidor e este é desligado. 2. o medicamento solicitado não se encontra no balcão e o funcionário é obrigado a se deslocar para as prateleiras a procura do mesmo. Suponha que usuários demandam pontos de trabalho a cada 8 minutos e usam os pontos por cerca de 5 minutos. empacotar os tele-pedidos. pergunta-se: o dono agiu corretamente? Justifique numericamente sua resposta. O funcionário leva em média trinta segundos para procurar o pedido do cliente. EXERCÍCIOS 23 3. deseja-se saber: (i) qual a probabilidade do funcionário se localizar nas prateleiras a procura de medicamentos? (ii) quanto tempo o funcionário não está atendendo clientes que vem na farmácia e poderia. A farmácia Souza e Silva possui apenas um funcionário que fica a espera de clientes. a farmácia fica fechada e o cliente é atendido na porta de grade. Considerando que o tempo de atendimento de ambos os funcionários é em média igual e que no máximo quatro clientes podem estar presentes esperando atendimento ou sendo atendidos. 3.5 Exercícios 1. Souza e Silva decida abrir este ramo? . Deseja-se saber: quantas horas no dia o servidor encontra-se desligado? 4. o dono resolveu empregar mais um funcionário para atender os clientes. levando em média 5 minutos para ser ligado novamente. Como este fast-food tinha uma procura de 588 clientes por dia. por exemplo.3. caso o Sr.1). tem-se a probabilidade do buffer encontrar-se cheio independentemente de qual impressora está atendendo-o.3 Vetor de Probabilidade A partir do gerador infinitesimal completo de um modelo em CTMC.4. Um fast-food tem apenas um funcionário atendendo cada cliente em um minuto e meio (em média). Um servidor recebe em média uma requisição a cada 20 segundos. Porém. Com isso. todas as requisições armazenadas no buffer do servidor são perdidas. O turno de trabalho neste local vai de 9:00 até 21:00 diariamente. é possível obter-se a probabilidade de cada estado em regime estacionário (vetor de probabilidade π ) através da resolução da equação (3. ele vai embora pois não quer ficar parado na calçada movimentada. somando a probabilidade π3 (buffer encontra-se cheio e está sendo atendido pela impressora laser ) com a probabilidade π7 (buffer encontra-se cheio e está sendo atendido pela impressora deskjet ). Como a rua é movimentada. Se outro cliente chegar enquanto um está sendo atendido. na verdade não só há lugar para o cliente em atendimento. Quando isso ocorre. Sabese que a cada dez minutos chega um cliente na farmácia para o funcionário atendê-lo. Após encontrado o medicamento.5. Por razões de segurança. Pergunta-se qual a probabilidade de pelo menos 2 pontos de trabalho estarem livre e prontos para utilização? Obs: Suponha que todos tempos variam segundo distribuição exponencial. Quando isso ocorre. 3. Este servidor consegue armazenar no máximo quatro requisições. Sendo assim. As requisições levam em média 5 segundos para serem atendidas. Seja um laboratório com quatro pontos de trabalho. Suponha ainda que (em média) a cada 20 minutos falta luz por 2 minutos e depois da falta de luz todos pontos de trabalho voltam a ficar livres.

Uma sex shop atende dois tipos de clientes. tem apenas 1 bomba. o segundo tipo de cliente (tipo B) demora 1 minuto escolhendo (que pressa!). O rapaz achou que poderia reduzir a perda de clientes criando um espaço para um cliente ficar esperando enquanto outro é atendido. suporta no máximo 4 carros e tanto o dono quanto um empregado atendem os clientes. O dono trabalha (em média) 1 hora em cada 6. 6. Pergunta-se: a) quantos clientes o posto perde por dia? b) qual a probabilidade do posto estar vazio? c) vale a pena colocar mais um empregado (com mais 1 bomba no posto) sabendo-se que um empregado custa R$ 1000. sem nenhum tipo de prioridade. que foi assumida pelo filho do Sr. Um funcionário do caixa demora 2 minutos para efetuar a venda. Recebe cerca de 380 clientes por dia. Calcule o ganho de clientes com esta decisão. . Esta loja recebe 32 clientes do tipo A e 48 clientes do tipo B em um dia de trabalho (8 horas). Qual a probabilidade da fila do caixa desta loja estar cheia? 7. Um posto de gasolina fica aberto das 7:00 às 2:00.00? Assuma que os empregados trabalham nos mesmos horários (fazem folga juntos).24 CAPÍTULO 3. Na fila única do caixa cabem 4 clientes e há dois funcionários para atender a todos os clientes. CADEIAS DE MARKOV (iii) quantos clientes chegam na farmácia mas vão embora pois tinha alguém sendo atendido ? 5.00 por mês (30 dias) e cada clienteda um lucro de R$ 10. Souza e Silva. A farmácia Souza e Silva sob nova administração é a farmácia mencionada no exercício anterior. O empregado trabalha (em média) 5 horas em cada 6. O dono atende 2 clientes em 15 minutos e o empregado atende 1 cliente em 5 minutos. O primeiro tipo de cliente (tipo A) demora 8 minutos para escolher o produto.

Capítulo 4

Redes de Filas de Espera
O formalismo de Redes de Filas de Espera foi introduzido por Jackson nos anos 50 [12] e teve um grande avanço quando soluções à forma-produto foram propostas em meados de 70 [3, 13, 23]. A popularidade deste formalismo está no fato de ser uma idéia bastante intuitiva, onde clientes (ou requisições ) passam por filas (ou servidores ). Muitas extensões do formalismo apresentam aproximações [5, 6, 28] e até mesmo propostas de soluções à forma-produto [10, 8, 24, 27]. No entanto, é difícil combinar e utilizar todas as técnicas propostas na literatura afim de aumentar sistematicamente o escopo da tradicional Rede de Filas de Espera com solução à forma-produto. Neste capítulo são apresentadas as definições formais e informais para redes de filas abertas e fechadas, bem como técnicas para sua solução. Apesar da descrição formal apresentada ser genérica, serão apresentadas técnicas de solução somente para filas com uma única classe de clientes.

4.1

Definição Informal

Qualquer sistema que consiste na chegada de requisições de serviço para um ou mais recursos (servidores) pode ser chamado sistema de filas de espera, ou sistema de filas. Dependendo dos tempos de chegada dessas requisições, filas são formadas com clientes esperando pelo uso do recurso de interesse. Em algumas situações supõe-se que servidores possuam capacidade infinita de armazenamento de requisições de serviço, afim de facilitar a modelagem do sistema em questão. O comprimento das filas de um sistema de filas depende basicamente de dois aspectos: a taxa média com que as requisições são feitas e as flutuações estatísticas dessa taxa. Obviamente, se a taxa de chegada de clientes é maior do que a taxa de atendimento dos mesmo, as filas crescerão indefinidamente. Porém, mesmo quando a taxa de chegada de clientes é menor do que a taxa de atendimento, filas podem se formar devido a flutuações estatísticas e variações momentâneas da taxa de chegada de clientes, uma vez que essas duas taxas (chegada de clientes e atendimento) são definidas por variáveis aleatórias. Quando num único sistema existem duas ou mais filas interligando os caminhos que os clientes podem percorrer, tal sistema é denominado rede de filas de espera, ou simplesmente rede de filas. A figura 4.1 apresenta os possíveis tipos de filas que um sistema de filas pode possuir.

4.1.1

Sistema de Filas

Redes de filas de espera são classificadas segundo três critérios ortogonais, a saber: • permanência dos clientes na rede: quando o número total de clientes na rede é constante,

26

CAPÍTULO 4. REDES DE FILAS DE ESPERA

Capacidade ilimitada

Capacidade limitada

Delay (clientes nunca esperam)

Figura 4.1: Tipos de filas não havendo entrada nem saída dos mesmos, diz-se tratar de uma rede de filas fechada (Figura 4.2); caso contrário, com entrada e saída de clientes causando uma variação no número total dos mesmos, trata-se de uma rede de filas aberta (Figura 4.3); • número de seridores por estação: uma estação monoservidora possui apenas um servidor, enquanto que uma estação multiservidora possui mais de um; • tipos de clientes: em uma rede monoclasse todos os clientes são iguais e recebem o mesmo tratamento pelas estações servidoras, já em uma rede multiclasse os clientes recebem tratamento diferenciado, de acordo com a classe que pertençam.

2 1 3

Figura 4.2: Exemplo de rede de filas fechada

2 1 3

Figura 4.3: Exemplo de rede de filas aberta

4.2. DEFINIÇÃO FORMAL

27

4.2

Definição Formal

A estrutura de uma rede de filas de espera (QN) compreende um conjunto M de filas ; um conjunto R de diferentes classes de clientes; uma função P que define as probabilidades de rotação entre filas e N clientes para cada classe. Então, a estrutura de uma rede de filas de espera é uma tupla QN = (M, R, P , N ), onde: - M é um conjunto de filas Q, onde | M | representa o número de filas no modelo; - R é um conjunto de diferentes classes de clientes; - P ⊆ M × M com dom(M) e codom([0..1]); - N é o número de clientes para cada classe, onde | N |=| R |.
r a probabilidade de um cliente de uma classe r , a qual recebeu serviço Denota-se por Pi,j na fila Qi , ser roteado da fila Qi para a fila Qj . Esses parâmetros podem ser utilizados para computar a taxa média de visita de clientes (Vir ) da classe r na fila Qi . N r denota o número de clientes de cada classe. Para redes de filas de espera fechadas, o valor de N r é sempre finito, enquanto para redes abertas esses valores podem ser infinitos. Uma fila é composta por no máximo K clientes (capacidade); por um número C de servidores ; por um conjunto S com tempos médios de serviço para cada classe de clientes; por um conjunto L com a taxas médias de chegada de clientes de cada classe; por um conjunto B de comportamento de clientes em cada classe; e um conjunto D de prioridades entre classes. Então, a estrutura de uma fila é uma tupla Q = (K, C, S , L, B , D), onde:

- K é a capacidade da fila; - C é o número de servidores disponíveis; - S é um conjunto de tempos médios de serviço (u.t./cli)1 ; - L é um conjunto de taxas médias de chegada de clientes (cli/u.t.); - B é um conjunto de comportamentos de clientes; - D é um conjunto de disciplinas de serviços (prioridade entre classes de clientes), onde | D | = | R |. Define-se Ki como o número de clientes (capacidade) e Ci como o número de servidores r é o tempo médio de serviço necessário para atender um cliente de uma disponíveis na fila Qi . Si classe r na fila Qi . A taxa média de chegada de clientes de uma classe r em uma fila Qi vinda do exterior do modelo é denotada por Lr i. r denota o comportamento dos clientes de uma classe r roteados da fila Q para a fila Bi,j i Qj quando Qj está cheia: o comportamento pode ser de perda 2 (o cliente deixa o sistema), ou bloqueio (a fila Qi para de enviar clientes para a fila Qj até que esta não esteja cheia.) Di denota o conjunto de prioridades, onde o valor de cada prioridade é [1, | R |] (o valor 1 é a maior prioridade, enquanto | R | é a mais baixa prioridade). Os índices de desempenho que podem ser calculados de uma QN são: • dr i - vazão média de clientes da classe r saíndo da fila Qi ;
1 2

u.t. significa unidades de tempo; cli significa cliente Apenas Redes Abertas pode ter perda de clientes.

28

CAPÍTULO 4. REDES DE FILAS DE ESPERA

• ur i - média de utilização dos servidores de Qi pelos clientes da classe r ; • nr i - número médio de clientes da classe r na fila Qi ;
r - tempo médio de resposta de clientes da classe r na fila Q . • wi i

4.3

Solução

A cálculo dos índices de desempenho para redes abertas difere do cálculo dos índices para redes fechadas, pois, como mencionado anteriormente, redes abertas têm a característica de receber clientes de fora do modelo (Li ), enquanto redes fechadas não recebem clientes de fora do modelo, possuindo um número fixo de clientes (N ). O primeiro passo para encontrar os índices de desempenho, tanto para redes abertas quanto para redes fechadas, é encontrar a taxa média de visita de cada fila (Vi ). A taxa de visita de uma fila i é a proporção de clientes do sistema que passa por essa fila. Cálculo das taxas de visita para redes fechadas. Para calcular as taxas de visita em uma rede fechada, vamos utilizar rede da Figura 4.4 como exemplo.

0.8

2 1
0.2

3

Figura 4.4: Rede de filas de espera fechada Pode-se notar que a quantidade de clientes que passa por uma determinada fila é relacionada às outras filas devido às probabilidades de rotação. Fica direto observar que a quantidade de clientes que passa em na fila 3 é 20% da quantidade de clientes que passa na fila 1. Neste caso temos que: • V3 = (0.2 ∗ V1 ), pois a fila 3 recebe 20% dos clientes da fila 1; • V1 = V3 + (0.5 ∗ V2 ), pois a fila 1 recebe todos os clientes que saem da fila 3 mais metade dos clientes que saem da fila 2; • V2 = (0.8 ∗ V1 ) + (0.5 ∗ V2 ), pois a fila 2 recebe 80% dos clientes da fila 1 mais metade dos clientes que saem da própria fila 2. Com isto obtém-se um sistema de equações solúvel indeterminado. Como a taxa de visita é uma proporção, pode-se assumir um valor qualquer para uma fila específica e calcular as taxas das outras filas levando o valor assumido em consideração. Por exemplo, pode-se assumir V1 = 1 e calcular V2 e V3 .

Tendo em mãos as taxas de visitas das filas.3. pois a fila 2 recebe mais 80 % dos clientes da fila 1.3. encontra-se V1 . a fila X é a fila auxiliar. quanto para redes fechadas. Em redes abertas.8 2 cli/u. a qual absorverá todas as saídas e servirá como entrada para as filas que recebem clientes de fora do modelo (Figura 4. Nas próximas seções. Assume-se que sua taxa de visita tem valor 1. Ao utilizar este artifício deve-se atentar para que a proporcionalidade nas entradas de clientes da rede aberta seja mantida. 3 cli/u. . Resolvendo o sistema de equações. pois a fila 3 recebe 20 % dos clientes da fila 1.1 Solução para Redes Abertas Esta seção mostra como os ídices de desempenho podem ser obtidos para redes de filas abertas.4. Assim. como não existe uma relação entre as saídas da rede e suas entradas. 4. 0. 2 5 dos clientes que vêm de fora do sistema dos clientes que vêm de fora do sistema 3 5 • V3 = (0. pois a fila 1 recebe mais metade dos clientes da fila 3. • V2 = ( 3 5 ∗ Vx ) + (0. Intuitivamente.2 ∗ V1 ).5). A rede aberta recebe e develove clientes do "resto do mundo". 2 1 0.2 3 X Figura 4. SOLUÇÃO 29 Cálculo das taxas de visita para redes abertas. será apresentado como esses índices são obtidos tanto para redes abertas. um artifício utilizado é fechar o sistema com uma fila auxiliar no modelo. inserida no modelo. como representante do "ambiente"ou "resto do mundo"com relação àquela rede de filas aberta.t. não se obtém um conjunto de equações que permita calcular as taxas de visita. podemos entender a fila auxiliar. V2 e V3 . é possível calcular os índices de desempenho do modelo em questão. Neste caso temos que: • Vx = 1.t.8 ∗ V1 ). • V1 = ( 2 5 ∗ Vx ) + (0.5 ∗ V3 ).5: Rede de fila de espera aberta Neste exemplo.

Os 9 semestres são o tempo de resposta enquanto os 80 alunos por semestre é o fluxo. Assim di é dado em cli/u. tem-se a população de 720 alunos. pois há pelo menos uma fila que recebe mais requisições do que ela pode atender. Assim.t. O Teorema da Chegada diz respeito ao tempo de resposta em uma determinada fila (wi = Si + (ni ∗ Si )).t. Índice de Utilização de uma fila i (ui ). Essa fórmula pode ser entendida da seguinte forma: o tempo que demorará para um determinado cliente ser atendido é o tempo para atender os clientes que já estão na fila (ni ∗ Si ) mais o tempo para o próprio cliente ser atendido (Si ). REDES DE FILAS DE ESPERA Fluxo Médio ou Vazão Média de uma fila i (di ).t e Si é dado em u.30 CAPÍTULO 4. ou seja o número de clientes que passa pela fila i por unidade de tempo.t. Tempo de Resposta de uma fila i (wi ). Assim: ui = di ∗ Si Unidades: note que di é dado em cli/u. Intuição: o fluxo de clientes por uma fila depende do total de clientes que entram no sistema e da proporção de clientes que são roteados para esta fila no sistema. Essa fórmula pode ser entendida com o seguinte exemplo: supondo o um curso que possua 9 semestres e que entram 80 alunos por semestre. que representa o fluxo médio de clientes no sistema.. A partir daí. Tendo-se o fluxo médio de cada fila. A Lei de Little diz que a população de uma fila é igual ao tempo de resposta vezes o fluxo da mesma (ni = wi ∗ di ). O primeiro índice a ser calculado é di . Assim temos que: di = v i ∗ M j =1 Lj Unidades: note que vi é uma proporção. wi é o número de unidades de tempo de espera por cliente. Intuição: o tempo que o servidor de uma fila fica ocupado depende do número de clientes que passam pela fila (fluxo médio) e do tempo necessário para servir cada cliente (tempo de serviço). é possível deduzir outra forma de calcular o tempo de resposta onde não se faz necessário conhecer ni : ni = wi ∗ di (Lei de Little) wi = Si + ni ∗ Si (Teorema da Chegada) ui = di ∗ Si (Taxa de Utilização) wi = Si + (wi ∗ di ) ∗ Si (usando: Teorema da Chegada e Lei de Little) wi = Si + wi ∗ ui (usando: Taxa de Utilização) Si = wi − (wi ∗ ui ) Si = wi ∗ (1 − ui ) Si wi = 1− ui Unidades: note que 1 − ui não tem unidade e Si está em u. Para se obter a fórmula para o cálculo do tempo de resposta utiliza-se a Lei de Little e o Teorema da Chegada. Caso ui > 1 ./cli. não tendo unidades. é possível calcular o índice de utilização de cada fila./cli. Assim. representando um índice de ocupação da fila. significa que a fila está acima da ocupação máxima possível (100e assim não é possível fazer uma análise estacionária do sistema. . Assim ui não tem unidade..t. Logo. e Lj é cli/u. ou seja a porcentagem de utilização de cada fila do sistema. este índice é obtido multiplicando-se a taxa de visita da fila em questão pelo total de entradas no sistema.

O Teorema da Chegada diz que o tempo de espera de um cliente na fila depende do número de clientes na fila (população) e do tempo de serviço da fila. Em um rede fechada. 3.3. ou seja wi (1) = Si ∗ (1 + ni (0)). Os índices de desempenho para redes fechadas dependem do número de clientes no sistema. Porém.wi ): Si wi = 1− ui (Tempo de Resposta) ni = wi ∗ di (Lei de Little) ui = di ∗ Si (Taxa de Utilização) Si ni = 1 − ui ∗ di (usando: Tempo de Resposta e Lei de Little) ui ni = 1 − ui (usando: Taxa de Utilização) 4. Ou seja. para redes fechadas calcula-se os índices de desempenho em função do número de clientes existentes no sistema (N ). Utilizando a Lei de Little podemos extrair um índice de fluxo para a rede como um todo. wi (N + 1) = Si ∗ (1 + ni (N )) Para o cálculo dos demais índices de desempenho. Em redes fechadas não há entradas mas sim um número de clientes que "habitam"o sistema. é possível calcular a população média conhecendo apenas a taxa de utilização da fila em questão (sem precisar do tempo de espera . o tempo de espera da fila que representa o sistema como um todo é uma ponderação dos tempos de espera das diversas filas que compõem a rede considerando a proporcionalidade do seu uso (taxa de visitas). Ainda.) dos índices de desempenho até atingir o tamanho da população desejada para análise. Em redes fechadas sempre temos N clientes na rede.. não faz sentido falar em fluxo de clientes do mesmo modo como nas redes abertas. Assim. em redes abertas os demais índices de desempenho dependem do fluxo di . 2. faz-se necessário o fluxo de clientes. Chamemos de d0 (N ) o fluxo da rede como um todo.2 Solução para Redes de Filas Fechadas Como pode-se notar. Assim.. Por exemplo: intuitivamente pode-se aceitar que a ocupação de uma fila de uma rede de filas fechada com 1 cliente é menor que a mesma rede com 10 clientes. Esta fórmula é generalizada como abaixo e utilizada para o cálculo incremental (N = 1. Assim. a forma de solução é diferente. pois não há clientes vindo de fora do sistema nem clientes que saem do sistema. a população é N (nro.3. e o fluxo depende das taxas de entrada. a partir de ni (N ). SOLUÇÃO 31 População Média de uma fila i (ni ). ou seja: ni (0) = 0 Esta obviedade é útil ao ser combinada com o Teorema da Chegada. Intuição: considere a toda a rede fechada como um sistema fechado com uma única fila. sabe-se que a população de cada fila é 0. o tempo de serviço de uma fila considerando 1 cliente no sistema depende do tempo de serviço da fila e da população da fila com 0 clientes. Para este sistema de uma única fila. Temos: di = ni /wi (Lei de Little) d0 (N ) = M N j =1 wj (N )∗Vj . considerando N clientes. A população média de cada fila pode ser obtida através da lei de Little. Considerando N = 0. . é possível calcular o tempo de resposta para todas as filas quando há N + 1 clientes no sistema.4. de clientes no sistema).

O primeiro com rede aberta e o segundo com rede fechada. deriva-se o fluxo de cada fila i com N clientes na rede: di (N ) = d0 (N ) ∗ Vi Agora.t. 0.3 3 Figura 4. tendo a população média das filas quando temos N clientes no sistema (ni (N )).6.. Este algoritmo iterativo chama-se Algoritmo MVA para redes fechadas (Mean-Value Analysis). é possível calcular a população média de uma fila i quando há N clientes na mesma: ni (N ) = wi (N ) ∗ di (N ) Dessa forma.1 Exemplificação com rede fechada Para a rede fechada mostrada na Figura 4. REDES DE FILAS DE ESPERA A partir de d0 (N ). A partir disso novamente o fluxo e a população média quando temos N + 1 clientes no sistema podem ser calculados.6: Exemplificação com rede de fila de espera fechada Assim como em redes abertas. 4.3 .4. para uma população de 3 clientes no sistema. vamos calcular os índices de desempenho sabendo que S1 =2 u. é possível calcular o tempo de resposta das filas com poplulação (N + 1) utilizando wi (N + 1) = Si ∗ (1 + ni (N )). e S3 =4 u. A utilização de uma dada fila i quando há N clientes na rede é obtida através da mesma fórmula para redes abertas: ui (N ) = di (N ) ∗ Si 4. E assim sucessivamente.t.7 V3 = 0. o primeiro passo é calcular as taxas de visitas das filas do sistema. também através da lei de Little. como explicado acima. o que nesse caso é bastante intuitivo: V1 = 1 V2 = 0. o fluxo da rede como um todo considerando N clientes na rede.7 2 1 0.32 CAPÍTULO 4. S2 =5 u.t.4 Exemplificação Trabalharemos com dois exemplos. até o número de clientes que se queira verificar os índices de desempenho.

1499 d3 (2) = d0 (2) ∗ V3 = 0. significa que algum cálculo não foi feito corretamente.1493 ∗ 1 = 0.0448 = 0.7 = 0. EXEMPLIFICAÇÃO 33 Sabemos que: n1 (0) = 0 n2 (0) = 0 n3 (0) = 0 Então podemos calcular os índices de desempenho quando a rede possui 1 cliente: wi (N ) = Si ∗ (1 + ni (N − 1)) w1 (1) = S1 ∗ (1 + n1 (0)) = 2 ∗ (1 + 0) = 2 w2 (1) = S2 ∗ (1 + n2 (0)) = 5 ∗ (1 + 0) = 5 w3 (1) = S3 ∗ (1 + n3 (0)) = 4 ∗ (1 + 0) = 4 d0 (N ) = d0 (1) = N wj (N )∗Vj 1 = (2∗1)+(5∗01 M .7164∗0.4.1045 d3 (1) = d0 (1) ∗ V3 = 0.7 = 0. Podemos verificar que n1 (1) + n2 (1) + n3 (1) ≈ 1.2141 ∗ 0.1493 d2 (1) = d0 (1) ∗ V2 = 0.5225) = 7.1493 di (N ) = d0 (N ) ∗ Vi d1 (1) = d0 (1) ∗ V1 = 0. podemos continuar as interações: wi (N ) = Si ∗ (1 + ni (N − 1)) w1 (2) = S1 ∗ (1 + n1 (1)) = 2 ∗ (1 + 0.1493 ∗ 0. Note que é possível verificar se os cálculos estão corretos verificando a população média das filas.7)+(4.5225 n3 (1) = w3 (1) ∗ d3 (1) = 4 ∗ 0.2986) = 2.5972∗1)+(7. Neste caso a soma não resultou exatamente o valor 1 devido aos arredondamentos.2986 n2 (1) = w2 (1) ∗ d2 (1) = 5 ∗ 0.3 = 0. Como os cálculos estão corretos.6125 M ∗0. Como queremos os índices quando o sistema possui 3 clientes.1493 = 0.2141 ∗ 0.3) j =1 wj (1)∗Vj M j =1 = 2 9.1792) = 4.5972 w2 (2) = S2 ∗ (1 + n2 (1)) = 5 ∗ (1 + 0.7 = 0.1792 Neste momento temos os índices de desempenho quando o sistema possui 1 cliente.4.7)+(4∗0.2141 d2 (2) = d0 (2) ∗ V2 = 0.3) j =1 wj (1)∗Vj M j =1 = 1 6.2141 di (N ) = d0 (N ) ∗ Vi d1 (2) = d0 (2) ∗ V1 = 0. temos que continuar as iterações.6125 w3 (2) = S3 ∗ (1 + n3 (1)) = 4 ∗ (1 + 0.3411 = 0.3 = 0.1493 ∗ 0.06423 . Se a soma dos ni (N ) de todas as filas resultar em um número diferente de N .1045 = 0.2141 ∗ 1 = 0.0448 ni (N ) = wi (N ) ∗ di (N ) n1 (1) = w1 (1) ∗ d1 (1) = 2 ∗ 0.7164 d0 (N ) = d0 (2) = N wj (N )∗Vj 2 2 = (2.

1499 = 1.7)+(5.1120 ∗ 0.1411 n3 (2) = w3 (2) ∗ d3 (2) = 4. 1629 p11 = 0. 2340 p10 = 0.34 CAPÍTULO 4.7 K2 = 3 p03 = 0.2465 d2 (3) = d0 (3) ∗ V2 = 0.3030) = 5. 0679 p01 = 0. 1206 p20 = 0.5 Exercícios: Filas Abertas 1.2465 ∗ 0. qual é a população média da fila 1 e fila 2? C1 = 1 0. 4.7671 n2 (3) = w2 (3) ∗ d2 (3) = 10.2116 ∗ 0.3851 Como n1 (3) + n2 (3) + n3 (3) ≈ 3. Dada a rede de filas abaixo.7055 ∗ 0.2465 = 0.3) j =1 wj (1)∗Vj M j =1 = 3 12.1726 = 1.1411) = 10.2116∗0.1120∗1)+(10.1120 w2 (3) = S2 ∗ (1 + n2 (2)) = 5 ∗ (1 + 1.3030 Como n1 (2) + n2 (2) + n3 (2) ≈ 2 podemos partir para a última iteração: wi (N ) = Si ∗ (1 + ni (N − 1)) w1 (3) = S1 ∗ (1 + n1 (2)) = 2 ∗ (1 + 0.8467 n3 (3) = w3 (3) ∗ d3 (3) = 5. 0382 p02 = 0.06423 = 0. 0817 p21 = 0.3 = 0. Dada as probabilidades dos estados globais da rede de fila de espera abaixo. temos os índices de desempenho quando o sistema possui 3 clientes.6125 ∗ 0. 0516 p22 = 0.5972 ∗ 0. REDES DE FILAS DE ESPERA ni (N ) = wi (N ) ∗ di (N ) n1 (2) = w1 (2) ∗ d1 (2) = 2.2465 ∗ 1 = 0.7 = 0. 0249 2.2116 d0 (N ) = d0 (3) = N wj (N )∗Vj 3 3 = (3.7055 w3 (3) = S3 ∗ (1 + n3 (2)) = 4 ∗ (1 + 0.5561 n2 (2) = w2 (2) ∗ d2 (2) = 7.3 S1 = S2 = C2 = 1 K1 = 2 2 1 µ1 1 µ2 L1 = λ1 1 0. qual é o maior tempo de serviço possível para cada fila (utilizando 4 casas de precisão) de modo que a rede respeite a hipótese da estacionariedade? (2.1693 = 0.0740 ni (N ) = wi (N ) ∗ di (N ) n1 (3) = w1 (3) ∗ d1 (3) = 3.0740 = 0.7055 M ∗0.2465 di (N ) = d0 (N ) ∗ Vi d1 (3) = d0 (3) ∗ V1 = 0.7164 ∗ 0. 0584 p13 = 0.5561) = 3. 0201 p00 = 0.2141 = 0. 1033 p12 = 0.2465 ∗ 0.5 pontos) .1726 d3 (3) = d0 (3) ∗ V3 = 0. 0362 p23 = 0.

EXERCÍCIOS: FILAS FECHADAS 0.5 3.3 0.2 2 0.2 1. calcule os índices de desempenho (fluxo médio.5 0.5 1 2 3 1.5 1.6 1 2 i 0.4 0.3 1 3 0.5 0. índice de utilização.5 1. 0.2 4 5.5 ? 0 0. população média e tempo médio de resposta) das filas. população média e tempo médio de resposta) das filas. qual é o maior tempo de serviço possível para cada fila (utilizando 4 casas de precisão) de modo que a rede respeite a hipótese da estacionariedade? i 1 2 3 4 Si Li Vi ? 0.2 0 0 1 2 3 4 4.5 i 0.6 Si Li 0. Dada a rede de filas abaixo. i 0.8 Si ? ? ? Li 1.5 1 2 1 2 3 4 0.1 0.5 Li 0.4 3 0.1 0. Dada a rede de filas de espera aberta abaixo.75 0 0. índice de utilização.6 0.4.5 1 ? 0 0.5 0 0.1 0. Dada a rede de filas abaixo.8 Si 2.5 1. calcule os índices de desempenho (fluxo médio.2 0 0.8 3 0.6 Exercícios: Filas Fechadas 1.5 0.5 0. pergunta-se qual é a população média da fila 4 quando houverem 3 clientes na rede.2 35 0.1 0.25 0.6.7 4 0. .75 ? 0 1 2 1 3 4 4.3 0. Dada a rede de filas abaixo.

12 3 4.0649 0.8 1 0.5 0.7 Si 2 0. calcule os índices de desempenho das filas quando estas tiverem 3 clientes.8347 0.5 2.2319 ui 0.1670 0.1 1 0.7003 0.6974 0.4174 0.0159 0.9275 ni 0.8162 0.8 2 1 0.6 2 1.9 3 4 Si 2.2 2 0.1 Si 2 1.0263 ? 1 2 3 4 3 0.2 i ni(5) Si Vi 1 3.0 5.8 0.5 2.2407 ?????? ?????? wi ?????? 3. Dada a rede de filas abaixo.25 0.8 2.4 0.5 1 2 3 4 3.1948 0.4276 0.8684 ?????? . complete a tabela com os índices de desempenho das filas.8 3 0.36 CAPÍTULO 4.3 i 0. 0.5 0. Dada a rede de filas de espera fechada abaixo.5 1.5 n i (2) 0. i 0. qual é a população média da fila 3 quando houverem 6 clientes na rede? 0.9 0.96 3 ? 0.0 3.7074 19.2 2 0.2 4 0.2 2 0.6 1 0.0 4.0 1 2 3 4 i 1 2 3 4 Vi ?????? ?????? ?????? ?????? di ?????? 0.4 4 0. Assumindo que o número total de clientes da rede de filas abaixo é igual a 3. REDES DE FILAS DE ESPERA i 0.

visto que o foco principal deste trabalho . Para isso. um sistema composto de módulos “quase independentes”. Essa modularização definida pelo formalismo de SAN permite o armazenamento e a solução eficiente de sistemas complexos por evitar os prejuízos da explosão do espaço de estados que ocorre no formalismo de Cadeias de Markov.Capítulo 5 Redes de Autômatos Estocásticos No decorrer deste capítulo. apresenta-se as restrições para a definição de uma SAN bem definida e as regras necessárias para a obtenção do Descritor Markoviano equivalente a mesma. Posteriormente. apresenta-se a definição formal de SAN à escala de tempo contínua englobando os conceitos definidos informalmente na Seção 1.1 Definição Informal O formalismo de Redes de Autômatos Estocásticos foi proposto por Plateau [21].Stochastic Automata Network ) através da descrição das primitivas utilizadas no formalismo. 5. Note que a modelagem em SAN apresentada nesse capítulo se aplica tanto à escala de tempo contínua como à escala de tempo discreta. é apresentada uma definição informal do formalismo de Redes de Autômatos Estocásticos (SAN . A expressão “quase independente” denota a possibilidade de ocorrer interação entre cada subsistema. as explicações e exemplos apresentados ao longo deste capítulo fazem referência à escala de tempo contínua (taxas de ocorrência ) e não à escala de tempo discreta (probabilidades de ocorrência ). mostra-se os termos necessários para a definição de um modelo em SAN. Entretanto. Esse único autômato corresponde à cadeia de Markov equivalente ao modelo em SAN. A idéia principal do formalismo de SAN é modelar um sistema em vários subsistemas. o qual SAN tem equivalência de representação. Além disso. SAN é um formalismo para modelagem de sistemas com grande espaço de estados. Cada subsistema é representado por um autômato estocástico e por transições entre os estados deste autômato. É interessante ressaltar que toda SAN pode ser representada por um único autômato estocástico que contém todos os estados possíveis do sistema. As transições entre os estados de cada autômato são modeladas por um processo estocástico de tempo contínuo ou discreto definidos por distribuições exponenciais ou geométricas respectivamente. ou seja.

onde A(1) é o primeiro autômato. Por sua vez. A probabilidade pode ser omitida caso esta seja igual a 1 (100%). Baseado nessa definição.1. x-ésimo estado do autômato A(i) . A seguir. Dessa maneira. pode-se descrever um autômato estocástico como um conjunto finito de estados e um conjunto finito de transições entre esses estados. O estado interno em que o sistema se encontra sumariza as informações sobre as entradas anteriores e indica ainda o que é necessário para determinar o comportamento do sistema para as entradas seguintes [11]. A denominação de estocásticos atribuída a esses autômatos dá-se pela razão do tempo ser tratado como uma variável aleatória. Outro ponto importante é que a soma das probabilidades de um evento deve ser sempre igual a 1 (100%). Enquanto um modelo em SAN à escala de tempo contínua gera uma cadeia de Markov à escala de tempo contínua (CTMC .Continuous Time Markov Chain ). cada primitiva de modelagem é explicada detalhadamente. As transições são construções que indicam a possibilidade de mudança entre um estado e outro. No entanto. No decorrer deste capítulo. onde 0(1) é o primeiro estado do autômato A(1) .Discrete Time Markov Chain ). identificador de um evento (local ou sincronizante).38 CAPÍTULO 5. identificador de um evento e com probabilidade funcional definida pela função g . a qual obedece a uma distribuição exponencial à escala de tempo contínua e uma distribuição geométrica à escala de tempo discreta. As probabilidades (π ou g ) são utilizadas quando um evento possui duas ou mais alternativas de transição. adota-se a seguinte notação para a definição dos modelos em SAN: Sejam A(i) x(i) e e(π ) e(g ) i-ésimo autômato de um modelo em SAN. um modelo em SAN descrito em escala de tempo discreta gera uma cadeia de Markov à escala de tempo discreta (DTMC . o estado global do mesmo é definido pela combinação dos estados locais de todos os autômatos que compõem o modelo. A mudança de um determinado estado local para outro é feita através de transições. cada transição necessita ter ao menos um evento associado a ela para que essa possa . probabilidades são utilizadas para indicar em que proporções o evento seguirá por uma transição ou por outra. O estado local do sistema modelado em SAN é o estado individual de cada autômato do modelo.1 Autômatos Estocásticos Autômato estocástico é um modelo matemático de um sistema que possui entradas e saídas discretas. A diferenciação entre as duas escalas de tempo dá-se apenas na obtenção do Descritor Markoviano de cada modelo. A mudança do estado global do sistema dá-se pela mudança do estado local de qualquer um dos autômatos do modelo. identificador de um evento e com probabilidade constante π . REDES DE AUTÔMATOS ESTOCÁSTICOS é o formalismo de SAN à escala de tempo contínua. 5. O sistema pode se encontrar em qualquer um dentre o número finito dos estados do sistema ou das configurações internas.

τ5 0(1)0(2) τ3 τ3 τ5 2(1)1(2) 2(1)0(2) τ4 τ2 1(1)0(2) τ2 τ4 τ1 τ5 0(1)1(2) τ4 τ1 1(1)1(2) Figura 5. Dos cinco eventos que são modelados neste exemplo.1. A Figura 5. .1 não há interação entre os dois autômatos. i.2: CTMC equivalente ao modelo da Figura 5.. enquanto o autômato A(2) possui apenas dois estados 0(2) e 1(2) . DEFINIÇÃO INFORMAL 39 ser disparada. enquanto outros dois eventos (e4 . 1(1) e 2(1) . Apresenta-se na Figura 5.1.5. três eventos (e1 . e2 .1 apresenta um modelo em SAN com dois autômatos completamente independentes. A(1) 0(1) e3 e1 0(2) A(2) e5 1(2) 2(1) e2 1 (1) e4 Tipo loc loc loc loc loc Evento e1 e2 e3 e4 e5 Taxa τ1 τ2 τ3 τ4 τ5 Figura 5. As definições e os tipos de eventos que podem ser utilizados nos modelos em SAN serão vistos na próxima seção.2 a CTMC equivalente ao modelo em SAN da Figura 5. e3 ) ocorrem no autômato A(1) .1: Modelo em SAN com 2 autômatos independentes Neste primeiro exemplo.e. o autômato A(1) do modelo possui três estados 0(1) . existe apenas eventos locais em cada um deles.1 Note que no modelo da Figura 5. e5 ) ocorrem no autômato A(2) .

Se o mesmo identificador aparecer no conjunto de eventos de vários autômatos. i. Outra possibilidade é a utilização de eventos sincronizantes1 .1.1. 1 .2 Eventos Evento é a entidade do modelo responsável pela ocorrência de uma transição. a qual é composta exclusivamente por esse tipo de evento. Pode-se observar exemplos de eventos locais na Figura 5.2. Um ou mais eventos podem estar associados a uma transição e esta é disparada através da ocorrência de qualquer um dos eventos a ela associada.2 Eventos Sincronizantes Os eventos sincronizantes alteram o estado local de dois ou mais autômatos simultaneamente. trabalhando independentemente sem que haja interação entre eles. 5. o evento é classificado como evento local. Esse tipo de evento é particularmente interessante. 5.1 Eventos Locais Os eventos locais são utilizados em SAN para alterar o estado local de um único autômato sem que essa alteração ocasione uma mudança de estado em qualquer outro autômato do modelo. pois permite que vários autômatos tenham um comportamento paralelo.e.1. A utilização de funções para definir taxas e/ou probabilidades permite associar a um mesmo evento diferentes valores conforme o estado global do modelo. é possível fazer a interação entre autômatos. Através dos eventos sincronizantes. a qual muda o estado global do modelo. Tanto a taxa de ocorrência como a probabilidade podem ter associados valores constantes ou valores funcionais. Essa interação dá-se sob a forma de sincronismo no disparo das transições.. REDES DE AUTÔMATOS ESTOCÁSTICOS 5.1. Caso o identificador do evento apareça apenas no conjunto de eventos de um único autômato. o evento é classificado como evento sincronizante. a ocorrência de um evento sincronizante em um autômato força a ocorrência deste mesmo evento nos outros autômatos envolvidos. Cada evento deve possuir uma taxa de ocorrência e uma probabilidade associada ao mesmo.3 Taxas e Probabilidades Funcionais Taxas e probabilidades funcionais constituem a segunda possibilidade de interação entre autômatos nos modelos em SAN. 5.2.40 CAPÍTULO 5. Dois tipos de eventos podem ser modelados no formalismo de SAN.1. A utilização de taxas e probabilidades funcionais não está limitada aos eventos locais e podem ser empregadas nos eventos sincronizantes exatamente como nos eventos locais. Um evento pode ser classificado como: local ou sincronizante. Taxas e probabilidades funcionais assumem valores diferentes conforme os estados dos outros autômatos do modelo. A classificação de um evento como local ou sincronizante é dada pela aparição do identificador do evento e no conjunto de eventos de um autômato.

f= 0 se autômato A(1) está no estado 1(1) . As expressões que definem a função de atingibilidade e as funções de integração são descritas da mesma forma que as taxas e probabilidades funcionais. Como pode-se observar na definição da função f . 1 evento sincronizante e uma taxa funcional Da mesma forma que o modelo em SAN da Figura 5.3. a taxa de ocorrência da transição do estado 0(2) para o estado 1(2) é igual a λ1 (caso o autômato A(1) esteja no estado 0(1) ). 5.   λ2 se autômato A(1) está no estado 2(1) . Porém. Este evento ainda possui probabilidades associadas a diferentes transições no autômato A(1) .3 apresenta um modelo em SAN com 2 autômatos de três e dois estados respectivamente. esses dois tipos de funções desempenham papéis diferenciados conforme explicados a seguir. A definição de funções usadas para expressar as probabilidades funcionais são exatamente iguais as funções usadas para definir as taxas de ocorrência. o evento e4 é um evento sincronizante. . A Figura 5. a função f é definida como:  (1) (1)  λ1 se autômato A está no estado 0 .1. A Figura 5. igual a λ2 (caso o autômato A(1) esteja no estado 2(1) ). Além disso.1 Outras Funções Outros dois tipos de funções ainda são utilizadas em SAN: Função de Atingibilidade e Funções de Integração. visto que o mesmo está associado a mais de um autômato do modelo. Assim como as taxas de ocorrência podem ser expressas por funções. DEFINIÇÃO INFORMAL 41 As taxas e probabilidades funcionais são expressas por funções que levam em consideração os estados atuais dos autômatos do modelo.3.3. e a transição não ocorrerá caso o autômato A(1) esteja no estado 1(1) . podendo desta forma variar seu valor conforme os estados em que se encontram os autômatos envolvidos na função. o mesmo pode ocorrer com as probabilidades de cada evento. Por sua vez. o evento e5 possui agora a função f associada a sua taxa de ocorrência.1. também utiliza-se cinco eventos no modelo em SAN da Figura 5. Entretanto.3: Modelo em SAN com 2 autômatos.4 apresenta a CTMC equivalente ao modelo em SAN da Figura 5. A(1) 0(1) e3 e4 ( π 2 ) e4(π1) e1 A(2) e5 0(2) 1(2) 2(1) e2 1(1) e4 Tipo loc loc loc syn loc Evento e1 e2 e3 e4 e5 Taxa τ1 τ2 τ3 τ4 f Figura 5.5.1.

é necessário especificar uma função que determina os estados atingíveis do autômato global de um modelo em SAN. REDES DE AUTÔMATOS ESTOCÁSTICOS λ1 0(1)1(2) 0(1)0(2) τ3 τ4π 2 τ3 λ2 2(1)1(2) 2(1)0(2) τ2 1(1)0(2) τ2 τ4 π 1 1(1)1(2) τ1 τ1 Figura 5. o estado global que representa todos os clientes utilizando um recurso não poderá ser atingido. A definição de quais estados podem ser atingíveis ou alcançados em um modelo em SAN é dada pela função de atingibilidade. pois a probabilidade do modelo encontrar-se em algum destes estados é igual a zero.A(N ) ] 1 ≤ R Funções de Integração. Essa função é definida usando-se as mesmas regras adotadas para a definição de taxas e probabilidades funcionais. Essas funções de integração são avaliadas sobre o vetor de probabilidade que contém a probabilidade do modelo se encontrar em cada um dos estados pertencente 2 Notação utilizada pela ferramenta PEPS [4]. se o número R de recursos for menor do que o número N de clientes. A função de atingibilidade correta para o modelo de compartilhamento de recursos descrito acima é2 : reachability = nb [A(1) . Os estados que possuem tal característica são chamados de estados inatingíveis e devem ser eliminados do modelo através da função de atingibilidade. pode-se compor funções de integração que levem em conta a probabilidade do modelo se encontrar em um conjunto de estados. É fácil imaginar que..4: CTMC equivalente ao modelo da Figura 5. podendo assim se obter índices de desempenho e confiabilidade do modelo. Define-se funções de integração para a obtenção de resultados numéricos sobre o modelo em SAN. por exemplo. onde se tem N clientes disputando R recursos. Devido à representação em SAN ser de forma modular e o autômato global (equivalente à cadeia de Markov) se constituir pela combinação de todos os autômatos do modelo. A noção de função de atingibilidade fica mais clara ao se imaginar. As funções de integração avaliam qual a probabilidade do modelo em SAN encontrar-se em um determinado estado.42 CAPÍTULO 5.3 Função de Atingibilidade. . um modelo de compartilhamento de recursos. Este sistema pode ser modelado em SAN usando um autômato com dois estados para cada cliente. Com isso. pois este estado não corresponde à realidade do modelo. enquanto o estado 1(i) representa que o recurso está em uso pelo cliente i. O estado 0(i) representa que o recurso não está sendo utilizado pelo cliente i.

. Sejam x ˜(ω) x ˜(x(i) → y (i) ) S (ω) |S (ω) | composição dos estados locais x(i) .N ]). é dado pela função u..2 Definição Formal Será considerada neste trabalho a formalização de um modelo em SAN compreendendo N autômatos e E eventos. x ˜ = (x . Sejam S (i) |S (i) | S x(i) conjunto de estados (locais) do autômato A(i) ..2. onde i ∈ [1. tendo em mente o modelo de compartilhamento de recursos exposto anteriormente. todas as funções são modeladas em SAN da mesma forma. onde ω é o conjunto de índices dos autômatos (ω ⊆ [1.e.N ]. espaço de estados produto do conjunto de estados locais dos autômatos A(i) . i.5. 5. . onde se quer descobrir a probabilidade do autômato A(1) não estar utilizando o recurso. DEFINIÇÃO FORMAL 43 a ele. espaço de estados produto do modelo em SAN definido como S (1) × . onde i ∈ ω e ω ⊆ [1. o que as diferenciam é como elas são empregadas no modelo.. Definição 3 O estado global x ˜ de um modelo em SAN é obtido pela mudança dos estados locais (1) dos N autômatos. × S (N ) .. onde x(i) é o estado local de um autômato A(i) (x ˜ ∈ S ). onde i ∈ ω . . conjunto de eventos (|E|= E ). . número de estados de S (ω) . O conjunto de autômatos A compreende N autômatos nomeados A(i) . .N ]. estado global obtido pela substituição do estado local x(i) pelo estado local y (i) no autômato A(i) . número de estados de S (i) . função de atingibilidade. x(N ) ). Sejam A E F conjunto de autômatos (|A|= N ). . Um exemplo de função de integração. . um estado local do autômato A(i) (x(i) ∈ S (i) ). u = st(A(1) ) == 0 Via de regra. encontrar-se no estado 0(1) .

mesmo aqueles que possuem valor constante.N ].. Os autômatos A(i) com i ∈ ω são os parâmetros do elemento f (S (ω) ). Os elementos funcionais servem para definir probabilidades e taxas funcionais conforme descritos a seguir. Definição 5 Um evento em um modelo em SAN é definido por: 5. onde j ∈ [1. 3 Um elemento funcional pode ser uma taxa (τ (S (ω) )) ou uma probabilidade (π (S (ω) )).44 CAPÍTULO 5. o qual representa a probabilidade de uma transição quando da ocorrência do evento e. elemento funcional definido de S → [0. Obviamente. 3. π . onde ω ⊆ [1. . Definição 7 O conjunto T contém todas as tuplas de transição (e. índice ι(e) do autômato que possui a taxa do evento e. Definição 4 Um elemento funcional f (S (ω) ) é uma função de S (ω) → R+ . N }. 2. a Definição 27 identifica cada evento e a qual autômato é indicada a taxa do evento. Um estado local x(i) é o caso onde ω = {i}. 6. 1]. o qual define a taxa de ocorrência do evento e. 4 No contexto deste trabalho. todos os elementos de um modelo em SAN podem ser considerados como funções de S (i) → R+ . π ) é definida por: 7.N ].E ]. identificador do evento. Elementos funcionais definem taxas e probabilidades funcionais. Uma tupla de transição (e. e ele também pode ser expresso na forma avaliada: τ (˜ x(ω) ) e π (˜ x(ω) ) respectivamente. identificador4 e. O conjunto de eventos E é composto de E eventos nomeados ej .2. τ . Seja f (˜ x(ω) ) elemento funcional3 f (S (ω) ) avaliado para a composição de estados x ˜(ω) . A Definição 28 associa uma taxa de ocorrência τ a um evento e.. . 5. onde e ∈ E . elemento funcional definido de S → R+ . entretanto qualquer outra letra ou palavra pode ser utilizada. usa-se a letra e para se identificar um evento. REDES DE AUTÔMATOS ESTOCÁSTICOS Note que a definição de um estado local do autômato (x(i) ) e a definição de um estado global (x ˜) podem ser vistas como casos particulares de x ˜(ω) . e...1.2. onde ι(e) ∈ [1. τ ) é composta de: 6.2. π ).1. ao passo que o estado global x ˜ é o caso onde ω = {1. Definição 6 Uma tupla de evento (e. e. visto que elementos constantes podem ser vistos como funções (constantes) com parâmetro em ω = ∅. Desta maneira..1. Mais especificamente. 7.. identificador do evento. As Definições 27 e 28 caracterizam os eventos envolvidos em um modelo em SAN. Todas as taxas e probabilidades funcionais são consideradas como elementos funcionais. tal definição não representa uma restrição.

Definição 11 O conjunto de eventos locais El é definido como El = {e ∈ E ||η (e) |= 1}. conjunto dos índices i (i ∈ [1. Definição 12 O conjunto de eventos sincronizantes Es é definido como Es = {e ∈ E ||η (e) |> 1}. se |η (e) |= 1. y (i) ) ˜ (˜ Q x. uma função de transição Q(i) . contendo uma lista de tuplas de transição (e.1. evento local. DEFINIÇÃO FORMAL 45 O conjunto T contém ao menos uma tupla de transição para cada evento e no conjunto de eventos E . Cada tupla de transição define. informa a associação entre os estados do autômato e quais eventos podem dispará-lo. o qual pode ser um evento local ou um evento sincronizante. Essa associação é feita através das tuplas de transição (e. 10.2. se |η (e) |> 1. . O número de tuplas de transição associadas a um rótulo de transição é igual ao número de eventos que podem disparar a transição. Definição 14 Um autômato A(i) é definido por: 14. a probabilidade do evento para aquela transição. Definição 8 Q(i) é a função de transição de S (i) × S (i) → T ∗ .5. A Definição 32 faz a classificação de cada evento. mas é necessária para a construção dos tensores do Descritor Markoviano. contendo uma lista rótulo de transição do estado global x ˜ para y ˜ em Q de tuplas de transição (e. um conjunto de estados S (i) . Essa diferenciação não é feita na definição do evento. a qual contém os rótulos de transição do Definição 9 Q autômato global. a qual contém os rótulos de transição do autômato A(i) . o qual é composto por uma parte local (eventos locais) e por outra parte sincronizante (eventos sincronizantes). π ) que compõem o conjunto de tuplas de transição T (Definição 29). Definição 13 O conjunto de eventos E é definido como E = El ∪ Es e El ∩ Es = ∅.. Definição 10 Um evento e é classificado como: 10. ˜ . y ˜) η (e) rótulo de transição do estado local x(i) para y (i) em Q(i) . π ) em T . A função de transição Q(i) de um autômato A(i) (Definição 30). Sejam Q(i) (x(i) . π ) em T .1.2. evento sincronizante. ˜ é a função de transição de S → T ∗ . além do identificador do evento. 14.2.N ]) tal que o autômato A(i) possui ao menos uma tupla de transição com o identificador do evento e em um dos elementos de Q(i) .

Para isso..1 SAN bem definida Para se avaliar a solução estacionária de um modelo em SAN. 15. onde j ∈ ω . ergodicidade. para todo ( i ) ( i ) ( i ) x ∈ S e para todo e ∈ E tal que succe (x ) for diferente de vazio: . y (i) ). x ˜(x(i) −→ y (i) ) i∈η (e) Um evento sincronizante e é realizável no estado global x ˜. caso a transição não possa ser disparada em x(i) pelo evento e. a função de atingibilidade F . algumas restrições devem ser respeitadas para assegurar tais propriedades. Os modelos descritos em SAN que obedecem a estas restrições são conhecidos como SAN bem definidas. y (i) ). Seja R subconjunto de S que compreende todos os estados x ˜ tais que F (˜ x) = 1. Sejam ˜(ω) ) A(i) (A A(i) (˜ x(ω) ) τe (x(i) . conjunto dos estados sucessores y (i) . irreducibilidade. tais que o rótulo Q(i) (x(i) . cada um dos eventos e ∈ E .N ]).46 CAPÍTULO 5. A função associa aos estados globais de S o valor 1 se eles são atingíveis e o valor 0 caso contrário.2.. A função de atingibilidade F é um elemento funcional definido de S → [0.2.1. y (i) ) succe (x(i) ) autômato A(i) que possui como parâmetros os autômatos A(j ) . probabilidade da tupla de transição (e.3. etc. π ) associada ao rótulo de transição Q(i) (x(i) . 15. O conjunto dos estados sucessores do evento e em x(i) pode ser vazio. Restrição 1 Um autômato A(i) é bem definido.g. y (i) ) possua uma tupla transição com o identificador e e τe (x(i) . cada um dos autômatos A(i) (i ∈ [1. vivacidade. se e somente se para todo x ˜ ∈ S . taxa de ocorrência do evento e da tupla de transição (e. Definição 15 Um modelo em SAN composto de N autômatos e E eventos é definido por: 15. 5.. y (i) ) = 0. o estado global obtido pela substituição de todos os estados locais x(i) por y (i) em todos os autômatos A(i) (i ∈ η (e) e y (i) ∈ succe (x(i) )). são necessárias algumas propriedades. y (i) ) = 0. πe (x(i) . REDES DE AUTÔMATOS ESTOCÁSTICOS Um autômato A(i) tem como parâmetros a união dos parâmetros de todos os elementos funcionais contidos nos seus rótulos de transição.1]. ˜(ω) ) com todos seus elementos funcionais avaliados para autômato A(i) (A composição dos estados locais x ˜(ω) . y (i) ) πe (x(i) . π ) associada ao rótulo de transição Q(i) (x(i) . se e somente se ∀i ∈ η (e) o conjunto ( i ) ( i ) de estados sucessores y ∈ succe (x ) não for vazio. e.

todos seus autômatos são bem definidos. todos seus eventos são bem definidos.1] (Restrição 4.1). 6 K2 = 1 . z (i) ∈ succe (x(i) ) τe (x(i) . 1. π1 ). π2 ) ∈ Q(i) (x(i) .1. ∀x(i) . π ) deve aparecer uma única vez no conjunto de tuplas de uma transição e o evento e deve pertencer ao conjunto de eventos E . πe (x(i) . 1]. Restrição 3 A função de atingibilidade F é bem definida. S1 = 0. ∀(e1 . Estas restrições têm por objetivo garantir a unicidade da definição das taxas de eventos em relação ao conjunto de transições em cada um dos autômatos. se e somente se: 4. 5. EXERCÍCIOS 47 1. Restrição 4 Uma SAN é bem definida. se e somente se: 2. ∀y (i) . (e2 . y (i) ) e1 = e2 A Restrição 5. 125 L1 = 1 .. A terceira restrição assegura a irredutibilidade da cadeia de Markov correspondente ao modelo em SAN e permite empregar os teoremas padrões. Esta primeira restrição impõe que as tuplas de transição referentes a um mesmo evento e e referentes às transições de A(i) saindo de um mesmo estado devem possuir a mesma taxa de transição (Restrição 4. π2 ∈ [0. ∀e1 .1. 4. sua função de atingibilidade é bem definida.2. faça o modelo SAN equivalente a mesma. z (i) )(˜ x). A soma das probabilidades de todas as transições saindo desse mesmo estado deve ser igual a 1 ou a um elemento funcional avaliado sobre [0. A partir da Rede de Filas de Espera abaixo.3.2).3.1 imposta aos eventos afirma que uma tupla de transição (e.2. se e somente se o conjunto de estados atingíveis R é um grafo de transição fortemente conexo.5. e2 ∈ E . Restrição 2 Um evento e ∈ E é bem definido. y (i) ∈ S (i) tal que y (i) ∈ succe (x(i) ) e x(i) = y (i) . y (i) )(˜ x) = τe (x(i) . y (i) )(˜ x) y (i) ∈succe (x(i) ) = 1 ou um elemento funcional que vale 0 ou 1. 4. 4 L2 = 0 . 1 S2 = 0.3 Exercícios C1 = 1 C2 = 1 K1 = 2 1 2 1. ∀π1 .1.

2 1 3 C1 = 1 C2 = 1 C3 = 1 K1 = 5 K2 = 4 K3 = 6 S1 = 0. Faça o modelo de Redes de Autômatos Estocásticos equivalente a Redes de Filas de Espera abaixo. A partir do modelo SAN abaixo. quais são os estados atingíveis deste modelo? Construa a Cadeia de Markov equivalente ao mesmo.2 S2 = 0. A1 I b1 a1 b2 U U A2 I a2 b3 A3 I a3 U b4 I A4 a4 U Tipo loc loc loc loc Evento a1 a2 a3 a4 1 Taxa (nb U < 1) ∗ 1 (nb U < 2) ∗ 1 (nb U < 1) ∗ 1 (nb U < 2) ∗ 1 Tipo loc loc loc loc Evento b1 b2 b3 b4 Taxa 3 4 2 6 6.3 = 0. REDES DE AUTÔMATOS ESTOCÁSTICOS 2. . Dada a função de atingibilidade da Rede de Autômatos Estocásticos a seguir.3 P1. faça o modelo SAN equivalente da mesma.7 L1 = 1 L3 = 2 3 4.2 2 1 π2 K2 = 3 K3 = 2 P1. Dada a Rede de Fila Espera abaixo.25 L1 = 3 L3 = 2 3.4 S3 = 0. faça o modelo SAN equivalente a mesma.2 = 0. A1 I l2 l1 U l3 A2 I l4 l5 U A3 I l6 l7 U A4 I l8 l9 U A5 I l10 U reachability = (nb U ≤ 1) 5.48 CAPÍTULO 5. indique quais são os estados atingíveis do mesmo. K1 = 3 π1 C1 = 1 C2 = 2 C3 = 1 S1 = 0. Dada a Rede de Filas de Espera abaixo.3 S3 = 0.5 S2 = 0.

tipo dos eventos e taxas (constantes ou funcionais)? Cadeia de Markov 2 3 5 YZ A(1) A(2) XZ XW X 4 5 YW Y Z W 3 8.5 Pi3 0. Os estados.0 0. são numerados a partir de zero. EXERCÍCIOS 49 0.2 3 C1 = 1 C2 = 1 C3 = 1 K1 = 4 K2 = 3 K3 = 5 S1 = 0. em cada um dos autômatos. B e C. reachability = (st A + st B) < (st C) 10.5 Li 0.1 Ci 1 2 1 Pi1 0. eventos.0 0.4 0.0 5.0 9. A partir da Cadeia de Markov abaixo. Supondo a função de atingibilidade abaixo. 4 e 3 estados cada um.0 0. Considere uma rede de autômatos estocásticos com três autômatos A. indique quais estados globais não são atingíveis. complete os autômatos A(1) e A(2) com suas respectivas transições. Qual a probabilidade do autômato A(2) estar no estado D? A(1) A(2) e3 A e2 e3 e3 C e1 e1 e3 Tipo Evento Taxa syn e1 5 loc e2 (st (A(2) ) == D) ∗ 4 syn e3 3 e4 (st (A(1) ) == B ) ∗ 2 loc B E e4 D .5 S3 = 2 L1 = 2 L2 = 0.7 0. com respectivamente 6.2 Pi2 0. Na rede de autômatos estocásticos abaixo.5. 5 7.3.8 2 1 0.3 0.0 0.0 2. suponha o estado AC atingível.2 S2 = 0.0 0. Faça a rede de autômatos estocásticos equivalente à rede de fila de espera com estas características (desenhe a rede de filas de espera antes de fazer a conversão para redes de autômatos estocásticos): i 1 2 3 Si 4.

quais são os estados atingíveis desta rede? 14. 2 e 3) e o autômato B possui 3 estados (0. Seja um laboratório com 3 máquinas e duas impressoras. REDES DE AUTÔMATOS ESTOCÁSTICOS 11. 1.50 CAPÍTULO 5. Dada uma rede de autômatos estocásticos com 2 autômatos A e B . A partir da Cadeia de Markov abaixo. Modele esta realidade utilizando redes de autômatos estocásticos. onde o autômato A possui 4 estados (0. eventos. . faça a cadeia de Markov equivalente e calcule a probabilidade do autômato B estar no estado 0. tipo dos eventos e taxas (constantes ou funcionais)? Cadeia de Markov 7 XA A(1) A(2) 3 XB 2 XC X A 5 YA 5 3 YB 4 5 YC Y C B 7 13. complete os autômatos A(1) e A(2) com suas respectivas transições. Para a rede de autômatos estocáticos abaixo. de acordo com a função de atingibilidade (st(A) > st(B )) || (st(A) == 0). A 0 e1 e2 e4 B 0 e5 Evento Taxa e1 0. 1 e 2).5 e2 0. Supondo que após cerca de 15 minutos cada computador tenta utilizar a impressora e que um vez pegando uma impressora o computador a utiliza por 12 minutos (em média).2 e3 f1 e4 0.4 e5 f2 1 e1 e3 1 f1 = st B == 0 f2 = st A + st B < 2 2 12.

um lugar é uma saída de uma transição se existe um arco direcionado da transição para o lugar em questão.1. . apresenta-se a definição informal do formalismo de Redes de Petri e as definições informais e formais do formalismo de Redes de Petri Estocásticas. conceitos e técnicas para modelagem de uma Rede de Petri foram desenvolvidas utilizando métodos simples e poderosos para descrição e análise do fluxo de sistema. precedência ou freqüência desses eventos [19]. as transições por barras e os arcos direcionados por setas.1. Os lugares são representados graficamente por círculos.Petri Nets ) é utilizado principalmente em sistemas que possam apresentar atividades assíncronas e concorrentes. e um conjunto de arcos direcionados A. As transições. havendo obstáculos na concorrência. um exemplo da representação gráfica de uma Rede de Petri que possui 5 lugares e 6 transições.1. Os arcos direcionados conectam os lugares às transições e as transições aos lugares. As propriedades. na Figura 6. quando disparadas. consomem tokens dos lugares 1 Um grafo bipartido é aquele que possui dois tipos de nodos distintos: lugares e transições. Finalmente.1 Marcas Uma Rede de Petri pode ser considerada marcada quando ela possuir tokens ou marcas. O formalismo de Redes de Petri (PN . exercícios sobre o tema são sugeridos. um conjunto de transições T . Um lugar é uma entrada para uma transição se existe um arco direcionado do lugar para a transição em questão. 6. Analogamente. 6.1 Redes de Petri Uma Rede de Petri é uma abstração de um sistema real. 6. Tokens encontram-se nos lugares. Ela é um modelo formal do fluxo de dados e controle do sistema modelado em questão. Tem-se.1.1 Definição Informal A estrutura de uma Rede de Petri é um grafo bipartido1 que compreende um conjunto de lugares P . Redes de Petri têm sido utilizadas principalmente para a modelagem de sistemas de eventos em que estes possam ocorrer concorrentemente.Capítulo 6 Redes de Petri Estocásticas Nesta seção. Para cada formalismo um exemplo é apresentado.

m1 .1: Exemplo de representação gráfica de uma Rede de Petri que as alimentam e geram marcas nos lugares por elas alimentadas. Na Figura 6.1.2 Regras de Execução Uma Rede de Petri é executada através do disparo de transições. REDES DE PETRI ESTOCÁSTICAS p3 t4 t2 t3 t5 p4 t6 p5 Figura 6. Para ocorrer o disparo de uma transição.1. nota-se que a transição t1 possui apenas o lugar p1 como entrada. a marcação inicial de uma Rede de Petri é M0 = {m0 . .. é necessário que esta transição esteja habilitada para isto.2. Tokens são sinais em uma Rede de Petri representados graficamente por um ponto preto. m2 .52 p1 p2 t1 CAPÍTULO 6. Uma transição é considerada habilitada para disparar quando todos os lugares de entrada dela contiverem pelo menos um token. . Logo. e este possui pelo menos um token.. tem-se um exemplo de uma Rede de Petri marcada. Uma Rede de Petri marcada é definida pelo número mn de tokens contidos em cada lugar pn da rede [1].2. A quantidade e a posição dos tokens em uma Rede de Petri podem variar durante o funcionamento da mesma.. p1 p2 t1 p3 t4 t2 t3 t5 p4 t6 p5 Figura 6. Uma marcação Mi de uma Rede de Petri é definida pelo conjunto de mn dos lugares da mesma. ou seja. a transição t1 está habilitada e pode ser disparada.2: Exemplo de uma Rede de Petri marcada 6. Analisando a Figura 6. mn }.

3 (b).} e uma seqüência T de transições {t1 . A marcação Mj é dita imediatamente atingível de Mi se ela pode ser obtida do disparo de uma transição habilitada em Mi . t5 e t6 estão habilitadas a serem disparadas. A A mudança de marcação é um processo discreto e não contínuo. O disparo de uma transição tk . as transições t4 . As marcações do conjunto M podem ser representadas na forma de uma árvore. o disparo de uma transição pode desativar outros possíveis disparos. REDES DE PETRI 53 Quando uma transição é disparada . Neste exemplo. as transições t2 e t3 passaram a estar habilitadas para o disparo. o disparo da transição t3 coloca um token no lugar p5 e também habilita o disparo da transição t5 .Figura 6. M1 . O disparo da transição t2 coloca um token no lugar p4 e habilita a transição t4 .1. Por conseguinte. pode-se definir o conjunto de atingibilidade de uma Rede de Petri. O conjunto de atingibilidade (RS Reachability Set ) é composto por todas as marcações distintas de M que são atingíveis a partir de M0 . t2 . M2 . Porém. habilitada em Mi . Com isso..}. o disparo da transição t6 desativa o disparo das outras duas transições. O funcionamento de uma Rede de Petri gera uma seqüência M de marcações {M0 .3: Disparo da transição t1 de uma Rede de Petri Cada disparo de uma transição pode modificar a distribuição dos tokens nos lugares e conseqüentemente pode produzir uma nova marcação Mj para a Rede de Petri. A seleção do disparo é não determinística e o disparo de uma transição desativa automaticamente o disparo da outra3 . e vice-versa. os lugares p2 e p3 receberam um token cada.. ou seja. Observando a Figura 6. pode mudar o estado da Rede de Petri de Mi para Mj e assim por diante. 3 2 . o disparo da transição t4 não desativa o disparo da transição t5 . .3 (a) .3.. p1 p2 t1 p3 p2 p1 t1 p3 t4 t2 t3 t5 t4 t2 t3 t5 p4 t6 (a) p5 p4 t6 (b) p5 Figura 6.remove-se um token de cada lugar de entrada da transição em questão e então coloca-se um token em cada lugar de saída da mesma .6. removendo tokens que poderiam ser consumidos por uma ou outra transição alimentada por um mesmo lugar de entrada. porém apenas uma destas três transições pode ser disparada.. pode-se notar que após o disparo da transição t1 . . O resultado do disparo de uma transição de uma marcação Mi pode gerar uma nova marcação Mj . Tokens são considerados entidades atômicas (indivisíveis2 ). O termo atingibilidade também é conhecido como reachability [14].Figura 6. Neste momento. Uma marcação Mk é dita atingível de Mi se existir uma seqüência de disparo de transições que levem o estado da Rede de Petri em questão de Mi para Mk .

O termo limitação também é conhecido como boundedness [14]. Logo. 1. para todos os lugares da Rede de Petri em questão. não expande-se a marcação em questão. 0} t1 M1 = {0. No exemplo apresentado na Figura 6. As folhas da árvore de atingibilidade são marcações as quais não são mais expandidas por já terem sido obtidas anteriormente. Somente M1 é imediatamente atingível a partir da marcação inicial. Entretanto. 1.2 é 1-limitada. A marcação M3 também gera as marcações M1 e M4 .e M4 . 0. 1. considerando-a como uma marcação duplicada. Um lugar de uma Rede de Petri pode apresentar a propriedade de limitação. 1} M4 t4 t6 M0 t5 M2 t3 M3 = {0. .2. Os estados mortos são estados finais do sistema os quais não possuem transições habilitadas para os mesmos. M0 = {1.4 mostra a árvore de atingibilidade do exemplo apresentado na Figura 6. 1. leva-se em conta todas as marcações imediatamente atingíveis desta marcação inicial. Em seguida. O termo segurança também é conhecido como safeness [14]. 0. REDES DE PETRI ESTOCÁSTICAS Figura 6. Um lugar de uma Rede de Petri pode ser considerado seguro se ele tiver no máximo 1 token. 1. 1. A construção da árvore a partir da marcação inicial M0 poderia gerar uma árvore de tamanho infinito. 1} t2 t5 M1 Figura 6. para se representar a árvore em um tamanho finito. o limite k é igual a 1. Logo. Uma Rede de Petri também pode ser denominada limitada. A partir desta nova marcação. 0. O conceito de segurança é simplesmente uma particularização do conceito de limitação. obtém-se a árvore de atingibilidade do exemplo em questão. 0.2 A árvore de atingibilidade é construída a partir da marcação inicial M0 da Rede de Petri em questão. tem-se as marcações M1 .obtida anteriormente . 0. M2 e M3 . repete-se o mesmo procedimento. pois nenhum lugar da Rede de Petri deste exemplo contém mais de 1 token. 0.2. As marcações duplicadas ou estados mortos são representados pelas folhas da árvore. quando encontra-se um marcação já atingida. um lugar que é 1-limitado é considerado um lugar seguro. 0. Um lugar pode ser dito como k-limitado ou simplesmente limitado se o número de tokens do lugar não excede o limite k do mesmo. 0. ou seja. Repetindo o mesmo procedimento para M4 . 0} t2 M2 = {0. pois nenhum lugar desta rede acumula mais do que 1 token em qualquer marcação possível da mesma. consegue-se as marcações M0 .4: Árvore de atingibilidade da Figura 6. M2 e M3 são as marcações imediatamente atingíveis a partir de M1 . Considerando M2 como a nova marcação. pode-se concluir que a Rede de Petri da Figura 6. 0.54 CAPÍTULO 6. Diz-se que uma Rede de Petri é limitada se o limite de todos os lugares for menor que infinito. 0} t4 M1 M3 t3 M4 = {0. Desta forma.

5. existe o conceito de vivacidade. visto que um lugar pode ser modelado como uma porta ou mesmo um flip-flop [14]. Na Figura 6. a Rede de Petri apresentada no exemplo da Figura 6. REDES DE PETRI 55 Esta propriedade é uma das mais importantes para a modelagem de sistemas digitais.1. Vivacidade é uma propriedade fundamental para sistemas do mundo real.PN A Figura 6. o processo de manufatura das tampinhas deverá aguardar para que possa-se utilizar a mesma máquina. quando esta máquina estiver sendo usada para fabricar as garrafas.2 é uma rede segura.6. O termo vivacidade também é conhecido como liveness [14].5 apresenta a Rede de Petri que representa o processo de produção em uma fábrica de água mineral. uma transição é considerada viva se esta não é passível de um impasse ou deadlock. Uma transição é potencialmente disparável em uma marcação M0 se existe uma marcação Mi atingível a partir de M0 . Como pode-se observar. . O conceito de vivacidade está definido em função das possibilidades de disparo das transições. ou seja. Além disso. Impasse em uma Rede de Petri é a impossibilidade do disparo de qualquer transição da mesma.2 Exemplificação Um exemplo de modelagem de uma Rede de Petri é o caso de compartilhamento de recursos entre componentes do sistema. Logo. p0 t0 p1 t1 p9 p3 t3 p5 t5 p8 p7 p2 t2 p4 t4 p6 Figura 6.1. pode-se dizer que uma Rede de Petri é segura se o limite k de todos os lugares da mesma não exceder 1 token. Supõe-se que esta fábrica possua uma única máquina responsável pela manufatura da garrafa de água e da tampinha da mesma. Portanto. 6. e vice-versa. tem-se um exemplo de modelagem de Rede de Petri para o compartilhamento de recursos com exclusão mútua. pois ela é uma rede 1-limitada.5: Compartilhamento de recursos com exclusão mútua .

Noe e Nutt [18]. Redes de Petri Temporizadas foram o passo inicial para a criação do formalismo de Redes de Petri Estocásticas (SPN . As transições t1 e t2 representam. significa que a máquina não está disponível.associando um tempo fixo no disparo de transições. Neste momento. Os lugares p5 e p6 são. Quando isso ocorrer. incluindo alocação de recursos. Quando ambos os lugares p5 e p6 contiverem pelo menos um token. automaticamente o disparo da outra transição será impossibilitado.Stochastic Petri Nets ). respectivamente. o lugar p0 da rede representa o depósito de matériaprima e o lugar p9 a habilitação do sistema para a manufatura. é feita a distribuição de matéria-prima para os depósitos p1 e p2 para a manufatura de garrafas e tampinhas. ou seja.Timed Petri Nets ) . entre outros. Da mesma forma. Entretanto. A introdução do conceito de tempo no formalismo de Redes de Petri permite a descrição de um comportamento dinâmico de sistemas [1]. respectivamente. Quando ocorrerem uma destas transições.Figura 6. desde que haja matéria-prima. os repositórios de matéria-prima para as garrafas e tampinhas. então a transição t5 é disparada. Como o lugar p7 possui apenas um token.Redes de Petri Temporizadas (TPN .6. é possível descrever somente a estrutura lógica de sistemas. sistemas operacionais. um dos dois processos está utilizando a máquina. 6. O disparo da transição t3 colocará um token em p5 e o disparo da transição t4 colocará um token em p6 . respectivamente. Muitas outras áreas de estudo podem ser mencionadas como possíveis assuntos para a modelagem de Redes de Petri. pois o token do lugar p7 será consumido. conseqüentemente. liberando a máquina para um novo processo de manufatura. Por último. pois tal formalismo não inclui nenhum conceito de tempo. Quando uma dessas transições ocorrer. freqüentemente. o início dos processos de manufatura das garrafas e tampinhas. o conceito de tempo tem um papel importante na descrição do comportamento de sistemas. O lugar p7 representa a máquina responsável pela linha de produção da fábrica. Os lugares p1 e p2 representam. apenas uma das duas transições t1 ou t2 poderá ocorrer. o lugar p8 representa o processo de montagem da garrafa de água mineral. O formalismo de Redes de Petri Temporizadas tem como sua principal característica a associação de um atraso fixo para cada transição do modelo . automaticamente será colocado um token em p7 . redes de filas. habilitando o processo de manufatura de outras garrafas e tampinhas.56 CAPÍTULO 6.2 Redes de Petri Estocásticas Usando o formalismo de Redes de Petri. um token é colocado no lugar p8 e outro no lugar p9 . controle de tráfego. O formalismo de Redes de Petri é uma ferramenta de grande facilidade para modelagem de uma vasta variedade de sistemas. REDES DE PETRI ESTOCÁSTICAS Tendo em vista a rede da Figura 6. a transição t4 libera a máquina e termina com o processo de manufatura de tampinhas. os depósitos das garrafas e das tampinhas. a liberação da máquina. A possibilidade de unir a habilidade do formal- . Os lugares p3 e p4 representam o processo de manufatura das garrafas e o processo de manufatura das tampinhas respectivamente. Um token neste lugar representa que a máquina está disponível. A transição t0 representa o início do processo de manufatura. Merlin e Farber [15] e Zuberek [30] usaram o conceito de tempo para a modelagem do comportamento de sistemas computacionais .5. A transição t3 representa o término da manufatura de garrafas e. Quando não se encontrar um token neste lugar.

Segundo Molloy [16]. uma das transições ocorre. possivelmente dependente de marcação. nãodeterminismo e sincronização [2]. .2. REDES DE PETRI ESTOCÁSTICAS 57 p1 t1 . uma nova marcação pode ser gerada. Toda a realidade de um formalismo pode ser representada no outro.Figura 6.. l2 .. pode-se assumir que a atividade associada a cada transição é recomeçada para qualquer nova marcação.. As Redes de Petri Estocásticas são obtidas através da associação de um tempo distribuído exponencialmente com o disparo de cada transição da rede. Redes de Petri Estocásticas são definidas assumindo que todas as transições são temporizadas e que o atraso no disparo das transições é associado a uma variável aleatória distribuída exponencialmente.2.7. ϑ 1 p2 p3 t2 . Dada uma Rede de Petri Estocástica com uma marcação que possua diversas transições habilitadas a serem disparas. A estrutura de uma Rede de Petri Estocástica possui os mesmos elementos contidos na estrutura de uma Rede de Petri acrescido do conjunto L = {l1 . Esta nova marcação pode conter transições que já encontravam-se habilitadas na marcação anterior. o formalismo de Redes de Petri Estocásticas é isomórfico5 ao formalismo de Cadeias Do inglês memoryless.6: Exemplo de uma Rede de Petri Temporizada ismo de Redes de Petri para descrever sincronização e concorrência com um modelo estocástico é o principal atrativo para obter-se uma avaliação quantitativa de sistemas computacionais complexos. ϑ 3 Figura 6. associadas às transições . Quando uma transição de uma Rede de Petri Estocástica é disparada. Natkin [17] e Molloy [16]. devido à propriedade de ausência de memória da distribuição exponencial do atraso dos disparos.6. ϑ 2 p4 t3 . Por causa da propriedade de ausência de memória 4 da distribuição exponencial. lm } de taxas de disparos. 6. Os primeiros estudos sobre Redes de Petri Estocásticas foram desenvolvidos por Symons [26]. Ambos os formalismos possuem o mesmo escopo.Stochastic Petri Nets ) é uma ferramenta para modelagem e avaliação de desempenho de sistemas envolvendo concorrência. assim como no formalismo de Redes de Petri. 5 4 . mas não foram disparadas.1 Definição Informal O formalismo de Redes de Petri Estocásticas (SPN .

7. constrói-se a árvore de atingibilidade da rede em questão. Tendo em vista a Figura 6. CAPÍTULO 6. Logo. O espaço de estados da Cadeia de Markov correspondente à árvore de atingibilidade de uma Rede de Petri Estocástica é equivalente às marcações encontradas na mesma. A partir da árvore de atingibilidade. na Figura 6. a árvore de atingibilidade possui 6 marcações que são equivalentes aos estados da Cadeia de Markov . REDES DE PETRI ESTOCÁSTICAS p1 p3 γ t3 δ p4 αm1 t1 p2 t4 β t2 Figura 6. O valor entre parênteses corresponde ao número de tokens do lugar p1 na marcação M0 . pode-se novamente atingir a marcação inicial. se uma Rede de Petri Estocástica é ergódica. O processo para a construção da árvore de atingibilidade de uma Rede de Petri Estocástica segue o mesmo processo da construção da árvore de uma Rede de Petri. constata-se que a taxa de transição do estado 0 para o estado 1 é igual a t1 (2). Para auxiliar na construção da Cadeia de Markov equivalente à Rede de Petri Estocástica da Figura 6. visto que esta transição é dependente de m1 . .7.8 representa a árvore de atingibilidade da Rede de Petri Estocástica da Figura 6.1) (6.Figura 6.58 de Markov de Tempo Contínuo (CTMC). pode-se construir a Cadeia de Markov equivalente ao modelo. Ergódica significa que para qualquer marcação desta rede atingida a partir da marcação inicial.7: Exemplo de uma Rede de Petri Estocástica É possível mostrar que uma Rede de Petri Estocástica é ergódica. A Figura 6. a taxa de transição do estado 1 para o estado 2 e do estado 3 para o estado 4 é igual a t1 (1). Por conseguinte.8. Por conseguinte.2) Onde Q é o gerador infinitesimal cujos os elementos são obtidos através das taxas de disparos correspondentes às transições e π é o vetor de probabilidade de solução estacionária.9. é possível calcular a distribuição da probabilidade de solução estacionária das marcações da mesma resolvendo a equação: πQ = 0 Com a restrição adicional: πi = 1 i (6.9. visto que m1 é igual a 1 em M1 e M3 .

tem-se a matriz do gerador infinitesimal da Rede de Petri Estocástica da Figura 6. 1. 0} t1(2) M1 = {1. 0} t3 M3 = {1. O gerador infinitesimal é uma matriz cujos elementos qij são obtidos através do somatório das taxas de disparo das transições habilitadas na marcação Mi as quais os disparos geram a marcação Mj .7. 0} t3 M4 = {0.6.7 Uma transição pode ter associada a ela uma condição de disparo chamada de controlador 6 .3). Cabe ressaltar que em se tratando de gerador infinitesimal.2. Assumindo que as taxas de transição α = β = γ = δ = 1. 2. . 0. um controlador associa uma condição a uma transição de modo que o disparo da mesma fique dependente da condição especificada. o disparo da transição fica dependente não somente do número de tokens de um lugar. 0. 6 Do inglês guard. 2. 2.7 0 t1(2) t1(1) 2 1 t2 t3 3 t2 t4 t4 t2 4 t3 t3 t1(1) t4 5 Figura 6. os elementos da diagonal principal da matriz (qii ) correspondem a valores negativos de forma que a soma dos elementos de uma linha seja igual a zero. 0. 2. Sendo assim.8: Árvore de atingibilidade da Figura 6. o número de tokens maior ou igual a uma determinada quantia de tokens de um lugar. Com isso. 1. mas de qualquer condição associada ao número de tokens do mesmo. 1. 0. Em (6. 1.g. e. 1} t4 M2 t2 M1 59 Figura 6. 1} t4 M1 t1(1) M4 t2 M3 t3 M5 = {0. REDES DE PETRI ESTOCÁSTICAS M0 = {2..9: Cadeia de Markov equivalente à Figura 6. pode-se obter o gerador infinitesimal Q a partir da árvore de atingibilidade. 2} t4 M4 t2 M0 t1(1) M2 = {0.

k E [mi ] = n=1 [nP {A(i. pode-se calcular o número médio de tokens do lugar p1 da Rede de Petri Estocástica da Figura 6. obter uma avaliação quantitativa do comportamento da Rede de Petri Estocástica.5). A probabilidade de uma condição em especial de uma Rede de Petri Estocástica pode ser calculada pela equação: P {A} = i∈A πi (6.5) Onde A(i. habilitada somente nas marcações M1 . 2)} = 2π0 + π1 + π3 = π1 +π3 π0 6 11 A taxa média de disparo da transição tj por unidade de tempo é calculada pela equação:    fj = Mi ∈Aj πi lj ∀tk ∈F (Mi ) lk  (6. M2 e M4 : l2 l1 + l2 + l3 M1 f2 = π1 + π2 l2 l2 + l3 M2 + π4 l2 l2 + l3 + l4 M4 1 1 7 1 = π1 + π2 + π4 = 3 2 3 33 . 1)} +2 P {A(1.1) e obter os valores do vetor de probabilidade π : π= 1 11 2 11 2 11 2 11 2 11 2 11 É possível. pode-se resolver a equação (6. Também é possível calcular. o lugar pi é k-limitado. o número médio de tokens em um determinado lugar.60     Q=    CAPÍTULO 6. REDES DE PETRI ESTOCÁSTICAS -2 1 0 0 0 0 2 -3 1 1 0 0 0 1 -2 0 1 0 0 1 0 -2 1 0 0 0 1 1 -3 1 0 0 0 0 1 -1         (6. a partir do vetor de probabilidade π . através da equação (6.3) Utilizando o gerador infinitesimal Q obtido em (6. pode-se calcular a taxa de disparo da transição t2 .4) Onde A é o subconjunto de marcações atingíveis a partir da marcação inicial que satisfaça a condição requerida.5). Como exemplo. Logo.3). Usando a equação (6.7. n)}] (6. n) é o subconjunto de marcações atingíveis a partir da marcação inicial as quais o número de tokens do lugar pi é igual a n. usando a equação (6. e k é o limite máximo de tokens do lugar em questão.6). tem-se: E [m1 ] = 1 P {A(1.6) Como demonstração.

Definição 17 Um componente SPN é definido pela tupla (P . geradas a partir do disparo das transições. chamada de controlador8 .10.10 com a Cadeia de Markov que a representa. REDES DE PETRI ESTOCÁSTICAS 61 6.1. a qual representa uma variação do exemplo apresentado na Figura 6. ou seja. responsável pela manufatura da garrafa de água e pela tampinha da mesma. G.5) foram retirados.5. Neste exemplo. 8 7 . enquanto ocorre a produção de garrafas. A Rede de Petri Estocástica modelada na Figura 6. os lugares p8 e p9 da Rede de Petri original (Figura 6. M0 ). 17. W . 17. Para manter-se a relação de ergodicidade da Rede de Petri Estocástica da Figura 6.2 Seja C Definição Formal o conjunto de condições associadas aos disparos das transições de T . I . onde: 17. P é um conjunto não vazio de lugares. a produção de tampinhas aguarda a liberação da máquina. taxas de disparos estão associadas às transições da rede. Do inglês guard.2. A Figura 6.1. 9 A produção de garrafas e tampinhas ocorre de modo concorrente. descritas na Tabela 6. 17. Estas condições permitem que o disparo de uma transição tenha um dependência em relação à quantidade de tokens de um determinado lugar do mesmo componente SPN .5.2.6. que determina uma condição c ∈ C necessária (mas não suficiente) ao disparo de cada transição t ∈ T . não suporta a produção sobreposta9 de mais do que 2 unidades de O valor numérico expressado é a taxa média de ocorrência da transição.3 Exemplificação Um exemplo de modelagem de Rede de Petri Estocástica é dado na Figura 6.6. G: T → C é uma função. 17. Porém. M0 : P → N é o número inicial de tokens em cada lugar.2. I e O: T → P são funções de entrada e saída das transições para um conjunto de lugares. supõe-se que a máquina.3. T . Definição 16 c ∈ C é uma condição que pode ser associada a uma transição t ∈ T . e vice-versa. O. 6.11 representa a árvore de atingibilidade do exemplo em questão. T é um conjunto não vazio de transições.2. W : T → R+ é função de associação de um processo estocástico distribuído exponencialmente para cada transição7 . Esta Rede de Petri Estocástica possui 30 marcações. 17.4. a qual depende das marcas dos lugares p ∈ P . Esta condição é uma função com domínio nas marcas dos lugares p ∈ P e contra-domínio em falso e verdadeiro.10 continua representando o processo de produção em uma fábrica de água mineral.

SPN M0 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 m0 2 1 0 1 1 0 0 1 1 0 0 1 1 0 0 m1 0 1 2 0 1 1 2 0 1 1 2 0 0 0 1 m2 0 1 2 1 0 2 1 1 0 2 1 0 0 2 1 m3 0 0 0 1 0 1 0 0 0 0 0 0 1 1 0 m4 0 0 0 0 1 0 1 0 0 0 0 1 0 0 1 m5 0 0 0 0 0 0 0 1 0 1 0 1 0 1 1 m6 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 m7 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 M15 M16 M17 M18 M19 M20 M21 M22 M23 M24 M25 M26 M27 M28 M29 m0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 m1 1 2 0 0 1 2 0 0 1 1 0 1 0 0 0 m2 1 0 0 2 1 0 1 1 0 0 1 0 0 0 0 m3 1 0 0 0 0 0 0 1 0 1 0 0 0 1 0 m4 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 m5 0 0 1 2 1 0 2 1 1 0 2 1 2 1 2 m6 1 1 1 0 1 2 0 1 1 2 1 2 1 2 2 m7 0 0 1 1 1 1 0 0 0 0 1 1 0 0 1 Tabela 6. REDES DE PETRI ESTOCÁSTICAS p0 φm1 p1 α p3 γ p5 λ t5 t3 t1 p7 δ β t0 p2 t2 p4 t4 p6 Figura 6.10: Compartilhamento de recursos com exclusão mútua .10 .1: Marcações da Figura 6.62 CAPÍTULO 6.11: Árvore de atingibilidade da Figura 6.10 M0 t0 (2) t1 t3 t2 t0 (1) M14 M11 t4 M17 t5 M0 M7 M3 t0 (1) t0 (1) M9 M5 t1 t3 t1 t3 t2 t4 t2 t4 M29 t5 M17 M27 M13 M18 t1 t3 t5 M7 M25 M22 t5 M3 t1 M28 M21 M25 M5 M9 M1 t0 (1) M2 t2 M6 t4 t2 M14 t4 t3 M19 t5 M1 t4 M26 t2 M23 t5 M4 t1 M15 M10 t2 M16 t4 M20 t1 M24 t3 M26 t0 (1) M6 t2 M4 t4 M8 t1 M12 t3 M17 t0 (1) M10 t0 (1) M15 t0 (1) M19 t5 M8 t5 M11 t3 M29 t5 M12 Figura 6.

A transição t0 representa o início do processo de manufatura. habilitando o processo de manufatura das garrafas e tampinhas. um token será colocado em p7 disponibilizando a máquina para um novo processo de manufatura. um token no lugar p7 indica que a máquina está disponível. ela não estará produzindo tampinhas (lugar p4 ). Com isso. Logo. Isso caracteriza o fim do processo de manufatura de garrafas e tampinhas. A máquina suporta apenas uma tarefa por vez. Quando ambos os lugares p5 e p6 contiverem ao menos um token cada. os quais não estão sendo representados. Este gráfico pode ser convertido para um modelo Markoviano utilizado para obter-se avaliação quantitativa do sistema em questão. significa que um dos dois processos de produção está utilizando a máquina. Os lugares p1 e p2 representam os repositórios de matéria-prima já alocada para as garrafas e para as tampinhas respectivamente. um token é colocado em p0 permitindo a produção de uma nova garrafa e tampinha. visto que permite às atividades de sistemas serem precisamente descritas através de um gráfico. REDES DE PETRI ESTOCÁSTICAS 63 cada elemento. Este passo é tratado de forma abstrata na transição t5 . Se este lugar não possuir um token. um token é removido de p0 e adicionado em p1 e p2 . Quando a transição t0 é disparada. Quando uma das transições t3 ou t4 ocorrer. respectivamente. O formalismo de Redes de Petri Estocásticas é uma ferramenta muito útil para análise de sistemas de computadores.5. onde esta ocorre à medida que haja tokens nos lugares p5 e p6 . Os lugares p5 e p6 são os depósitos das garrafas e das tampinhas respectivamente. o processo de manufatura das garrafas e o processo de manufatura das tampinhas. . o lugar p0 da rede possui apenas 2 tokens.2. liberando o processo de manufatura de uma nova garrafa e nova tampinha. possibilitando uma possível continuação do processo. este exemplo não possui um lugar representando a junção da garrafa e tampinha de água mineral.6. ou seja. um token é retirado dos lugares p5 e p6 (depósitos de garrafas e tampinhas) e colocado no lugar p0 . Os lugares p3 e p4 representam. porém a manufatura das garrafas e tampinhas depende apenas do estoque de matéria-prima destes elementos. então a transição t5 é disparada. Como as transições t1 e t2 encontram-se em conflito. Esta transição está associada a uma taxa de disparo dependente da marcação de m1 . O lugar p7 representa a máquina responsável pela linha de produção da fábrica. Conseqüentemente. e vice-versa. Ao contrário do exemplo modelado na Figura 6. quando a máquina estiver produzindo garrafas (lugar p3 ).

quais são as marcações atingíveis da mesma? l1 A1 Q1 t12 A2 Q2 m2 A3 t13 Q3 m3 L Trans. t1 t3 L1 L2 L5 L3 L4 t2 t4 2. L1 L2 t1 L3 L4 t2 Trans. REDES DE PETRI ESTOCÁSTICAS 6.3 Exercícios 1. t1 t2 Taxa 4 2 3.64 CAPÍTULO 6. A partir do modelo SPN abaixo. mostre todas as marcações atingíveis do modelo e construa a Cadeia de Markov equivalente ao mesmo. Dada a Rede de Petri abaixo. A partir do modelo SPN abaixo. . mostre todas as marcações atingíveis do modelo e construa a Cadeia de Markov equivalente ao mesmo. construa a Cadeia de Markov equivalente. A partir do modelo SPN abaixo. l1 t12 t13 m2 m3 Taxa 5 3 2 1 4 4.

5 P5 6. faça a cadeia de Markov equivalente. P1 P2 t1 P3 t2 P4 t3 Transição t1 t2 t3 Taxa 4. (Dica: gere a Cadeia de Markov equivalente e descubra a solução estacionária). A 0 s1 l1 1 2 s1 B 0 l2 l4 l3 1 C 0 l5 1 f = (stB == 1) ∗ 2 Evento Taxa l1 4 l2 3 l3 4 l4 5 l5 f 8 s1 7. o grafo da cadeia de Markov e as respectivas taxas de cada transição. EXERCÍCIOS 65 p1 p2 t1 p3 t4 t2 t3 t5 p4 t6 p5 5. 0 5. descubra qual é a probabilidade do lugar p1 possuir uma marca. .6.3. Para a rede de Petri estocástica abaixo. Faça a rede de Petri estocástica equivalente à rede de autômatos estocásticos abaixo (faça um único modelo de rede de Petri estocástica). Dada a Rede de Petri Estocástica a seguir. Indique as marcações atingíveis. 0 2.

REDES DE PETRI ESTOCÁSTICAS p1 p3 t1 t2 t3 p2 p4 8. A partir do modelo SPN abaixo.66 CAPÍTULO 6. Q1 l1 t12 l2 Q2 m2 Transição Taxa l1 1 l2 2 t12 3 m2 1 A1 A2 9. Para a rede de Petri estocástica abaixo. P3 P1 t3 t1 t2 P4 t4 P2 P5 Transição Taxa t1 4 t2 2 t3 1 t4 2 . calcule o número médio de marcas nos lugares Q1 e Q2 . mostre todas as marcações atingíveis do modelo e construa a Cadeia de Markov equivalente ao mesmo. o grafo da cadeia de Markov e as respectivas taxas de cada transição. t21 l1 A1 t12 l2 Q1 m1 Q2 m2 A2 10. Indique as marcações atingíveis. A partir do modelo SPN abaixo. faça a cadeia de Markov equivalente.

6. 0. calcule a probabilidade do lugar P5 ter apenas uma marca. 12. 0}. P1 t4 t1 P4 P3 P2 t2 Transição Taxa t1 4 2 t2 t3 1 t4 5 t3 .3. construa a Cadeia de Markov equivalente. A partir da rede de Petri estocástica abaixo com marcação inicial M0 = {2. EXERCÍCIOS 67 11. Para a mesma rede de Petri estocástica do exercício anterior. 0.

REDES DE PETRI ESTOCÁSTICAS .68 CAPÍTULO 6.

J. Porto Alegre. Benoit. Palacios. Queueing Systems. Fakinos. pages 98–115. 13(4):503–518. L. 1994. Stewart. K. volume 2794 of LNCS. 2003. Institut National Polytechnique de Grenoble. [9] P. Closed. Plateau. 1998. In Proceedings of the 1994 conference on Measurement and modeling of computer systems. Dallery. In Computer Performance Evaluation / TOOLS 2003. Journal of Applied Probability. John Wiley & Sons. [5] Y. B. Conte. UFRGS. reversibility. Journal of the ACM. [12] J. ACM Press. languages and computation. 22(2):248–260. Product form queueing networks with negative and positive customers. . Balbo.D. pages 87–97. 41(5):903–942. In VIII Escola de Computação. Tennessee. and D. 1997. [4] A. The PEPS Software Tool. A. 1986. Sereno. 30:251–260. Bruell. Z. Addison-Welsey. [8] A. Chandy. [11] J. Baskett. Performance Models of Multiprocessor systems. Networks of waiting lines. R. Souza e Silva and R. Méthodes numériques pour la solution de sustèmes Markoviens à grand espace d’états. [3] F. Jackson. Properties of fork/join queueing networks with blocking under various operating mechanisms. 1975. and W. Liu. Fernandes. and F. Journal of the ACM. Queueing Systems. and Mixed Networks of Queues with Different Classes of Customers. 1991. 1992. G. Towsley. and D. P. Nashville. Instituto de Informática. Introduction to automata theory. USA.E. IEEE Transactions on Robotics and Automation. Gelenbe. 5:518–521. 1994. Equivalence. Ullman. USA. 1957.Referências Bibliográficas [1] M. Z. R. C. Cambridge. Open. France. IL. The MIT Press. and G. Dallery. 28:656–663. Towsley. Liu. Brenner. [10] E. Muntz. PhD thesis. [7] E. Fernandes. Métodos Computacionais de solução de Cadeias de Markov: aplicações a sistemas de computação e comunicação. symmetry and concavity properties in fork-join queuing networks with blocking. and M. Urbana. Operations Research. Muntz. 1975. 1998. 1979. Product form stationary distributions for queueing networks with blocking and rerouting. S. Economou and D. Hopcroft and J. [2] G. Balbo. [13] L. [6] Y. Arrival theorems for product-form stochastic Petri nets. Ajmone-Marsan. USA. R. New York. Kleinrock. Springer-Verlag Heidelberg.

UNICAMP. 50:41–52. Los Angeles. 1984. Towsley. 1992. [28] D. Cunha. Journal of the ACM. Lavenberg. M. Modelling and Analysis of Communication Protocols Using Numerical Petri Nets. 17(10):1093–1108. G. . Trivedi. R. [24] L. 27(2):313–322. Lins. IEEE Transactions on Software Engineering. Pidd. 24(9):1036–1043. IEEE Transactions on Automatic Control. De l’Evaluation du Parallélisme et de la Synchronisation. C-22(8):718–727. ACM Press. La Baule. Stewart. F. and computer science applications. [29] K. W. Réseaux de Petri Stochastiques. Introduction to the numerical solution of Markov chains. Timed Petri Nets and Preliminary Performance Evaluation. Orsay. 9(3):223–252. Servi and S. D. 1981. Performance Evaluation. M/M/1 queues with working vacations (M/M/1/WV). John Wiley and Sons. 1978. [20] M. pages 88–96. Zuberek. Mean-value analysis of closed multichain queueing networks. University of California. queuing. P. [17] S. Journal of the ACM. CNAM. Merlin and D. [27] D. [16] M. 1991. PhD thesis. [21] B. [15] P. In Proceedings of the 7th Annual Symposium on Computer Architecture. J. Optimal routing and buffer allocation for a class of finite capacity queueing systems. 1980. [25] W. Introdução às Redes de Petri e Aplicações. Paris-Sud. 37(9):1446–1451. PhD thesis. PhD thesis. Nutt. Recoverability of Communication Protocols . Paris. S. Molloy. 1994. Reiser and S. 1992. G. On the Integration of Delay and Throughput Measures in Distributed Processing Models.70 REFERÊNCIAS BIBLIOGRÁFICAS [14] P. S. 1996. [30] W. D. Maciel. J. Instituto de Computação. USA. M. R. Natkin.Implications of a Theorical Study. Sparaggis. Farber. Petri Nets. [18] J. M. Plateau. 1976. Towsley. and P. [26] F. University of Essex. Queueing network models with state-dependent routing. D. Atif. J. 1977. Noe and G. Stochastic Automata Networks for modelling parallel systems. Campinas. Macro E-nets representation of parallel systems. K. [22] B. PhD thesis. 1982. J. 1980. IEEE Transactions on Computers. Princeton University Press. [23] M. R. Symons. 1973. Finn. Cassandras. Plateau and K. 27(2):323–337. [19] J. Probability & statistics with reliability. Peterson. 2002. 1980. Computer simulations and management science. Englewood Cliffs: Prentice-Hall. 10a Escola de Computação. ACM Computing Surveys. and C. L. D. IEEE Transactions on Communications. 1980.

∀x(i) . Para cada autômato A(i) é associado: • um tensor Ql ..1. onde i ∈ [1. agrupando todas as taxas das tuplas de transição dos eventos locais do conjunto El .N ] e k ∈ {l. Esta fórmula matemática descreve. e− }. y (i) )πe (x(i) . onde i ∈ [1. Sejam Qk (x(i) . x(i) ) = − (i) e∈El (i) e∈El τe (x(i) .N ]. agrupando todas as taxas das tuplas de transição dos eventos sincronizantes do conjunto Es . y (i) ) = 18. y (i) )πe (x(i) . o gerador infinitesimal da cadeia de Markov associado ao modelo em SAN. ∀x(i) ∈ S (i) Ql (x(i) . (i) .2.. 21. a partir dos tensores de transição de cada autômato. o tensor identidade de ordem |S (i) |. ∀x(i) . e+ .3. • 2|Es | tensores Qe+ e Qe− . 22]. y (i) ) = 0. y (i) ) I|S (i) | (i) (i) (i) (i) o elemento do tensor Qk na linha x(i) e na coluna y (i) . y (i) ∈ S (i) tal que y (i) ∈ succe (x(i) ) e x(i) = y (i) Ql (x(i) . (i) Definição 18 Os elementos do tensor de transição local do autômato A(i) são definidos por: 18. y (i) ∈ S (i) tal que y (i) ∈ succe (x(i) ) e x(i) = y (i) Ql (x(i) . y (i) ). ∀e ∈ El . y (i) ). τe (x(i) . y (i) ∈succe (x(i) ) 18.Apêndice A Armazenamento do Descritor Markoviano de SAN O Descritor Markoviano é uma fórmula algébrica que permite escrever de forma compacta o gerador infinitesimal da cadeia de Markov correspondente a um modelo em SAN pelo viés de uma fórmula matemática [9.

y (i) ∈ S (i) e x(i) = y (i) Qe− (x(i) .3. ao passo que a Definição 38. y (i) ) = 0. 19.3. ∀x(ι (e) ) (i) . y (ι (e) ) )πe (x(ι (e) ) .y (e) ) tal que y (ι ) = τe (x (e) ) ∈ succe (x(ι (ι(e) ) (e) ) ) . A Definição 40. y (i) ∈ S (i) tal que y (i) ∈ succe (x(i) ) Qe+ (x(i) .4. x(i) ) = (i) πe (x(i) .2. ∀i ∈ η (e) tal que i = ι(e) .3 define os elementos não nulos (diagonais ou não) dos tensores para os autômatos escravos referentes ao evento e.3 corresponde aos autômatos escravos. y (i) ) = πe (x(i) . A Definição 39. y (i) ∈succe (x(i) ) 20.4 define os elementos nulos dos tensores para os autômatos envolvidos no evento e. A Definição 39. A Definição 39. x(ι (e) ) )=− τe (x(ι (e) ) . ∀i ∈ η (e) . ∀x(i) . ∀x(ι (e) ) (i) (i) ∈ S (ι (e) ) (e) ) Qe− (x(ι (ι(e) ) . ∀x(i) . ∀i ∈ η (e) Qe+ = I|S (i) | .1 corresponde aos autômatos que não dizem respeito ao evento sincronizante e.3 define os elementos nulos do tensor de transição local. A Definição 38. ∀i ∈ η (e) . 19. A Definição 40.1.2 define os elementos não nulos (diagonais ou não) dos tensores para o autômato mestre referentes ao evento e.y )πe (x (ι(e) ) ).4 (i) . y (i) ). i = ι(e) e ∀x(i) ∈ S (i) Qe− (x(i) . ∀i ∈ η (e) . y (ι (e) ) ). Definição 20 Os elementos do tensor das transições sincronizadas que representam o ajuste necessário à ocorrência do evento e ∈ Es são definidas por: 20.2 corresponde aos elementos não nulos do tensor do autômato mestre do evento e. Definição 19 Os elementos do tensor das transições sincronizadas que representam a ocorrência do evento sincronizante e ∈ Es são definidas por: 19. ∀i ∈ η (e) Qe− = I|S (i) | . A Definição 39. 19. ao passo que a Definição 40. y (i) ) = 0.72 APÊNDICE A. ARMAZENAMENTO DO DESCRITOR MARKOVIANO DE SAN A Definição 38. 20. y (ι (e) ) ∈ S (ι .1. y (i) ∈ S (i) tal que y (i) ∈ succe (x(i) ) Qe+ (x(i) .2. ∀x(i) .1 corresponde aos autômatos que não dizem respeito ao evento sincronizante e.4. y (i) ).1 corresponde aos elementos não diagonais do tensor de transição local (taxas dos eventos locais). (e) (e) y (ι ) ∈succe (x(ι ) ) 20.2 corresponde aos elementos diagonais (ajuste diagonal das taxas dos eventos locais). y (ι (e) ) Qe+ (x (i) (ι(e) ) (ι(e) ) (ι(e) ) (ι(e) ) . A Definição 40.

1 representa os tensores de transição necessárias à escrita da equação (A. ··· ⊗ g Qe+ 1 (N −1) ⊗ g Qe+ 1 (N ) e+ 2|Es | Qe+ (1) |Es | ⊗ g Qe+ (2) |Es | ⊗ g ⊗ g Qe+ (N −1) |Es | ⊗ g Qe+ (N ) |Es | Qe− 1 (1) ⊗ g Qe− 1 (2) ⊗ g ··· . o Descritor Markoviano pode ser apresentado como: (N +2|Es |) N g i=1 Q= j =1 Qj . .1: Descritor Markoviano . A parte inferior da tabela é subdivida nos tensores contendo as taxas de ocorrência dos eventos sincronizantes (e+ ) e os tensores diagonais que fazem o ajuste (tornam a soma das linhas igual a zero) dos mesmos (e− ). Ql (1) ⊗ g I|S (2) | (2) Ql ⊗ g g ··· ··· . . 22]:   N Q= i=1 (i) Ql g N + e∈Es  i=1 (i) Qe+ g N + i=1 g Qe−  (i) (A. A parte superior da tabela contém os tensores com as transições locais dos autômatos e corresponde (i) à soma tensorial N i=1 Ql . ··· ⊗ g Qe− 1 (N −1) ⊗ g Qe− 1 (N ) e− Qe− (1) |Es | ⊗ g Qe− (2) |Es | ⊗ g ⊗ g Qe− (N −1) |Es | ⊗ g Qe− (N ) |Es | Tabela A. . para j ≤ N e j = i para j ≤ N e j = i (i) (A. Definição 21 O gerador infinitesimal Q correspondente à cadeia de Markov associada a uma SAN bem definida é representado pela fórmula tensorial chamada Descritor Markoviano [9. 21.73 corresponde aos elementos nulos dos tensores dos autômatos referentes ao evento sincronizante e (esses tensores são diagonais). . . ··· ··· ⊗ g g I|S (N −1) | I|S (N −1) | Ql (N −1) ⊗ g g I|S (N ) | I|S (N ) | I|S (N ) | Ql (N ) I|S (1) | ⊗ g ⊗ ⊗ ⊗ N I|S (1) | I|S (1) | ⊗ g g I|S (2) | I|S (2) | ⊗ g g ⊗ g g ⊗ g ⊗ ⊗ ⊗ I|S (N −1) | ⊗ g Qe+ 1 (1) ⊗ g Qe+ 1 (2) ⊗ g ··· .2) onde Qj = (i)  I|S (i) |     (i)  Ql (i) Qe+   (j −N )   )  Q(i e− (j −(N +|E para N < j ≤ (N + | Es |) para j > (N + | Es |) s |)) A Tabela A.1) Uma vez que toda soma tensorial é equivalente a uma soma de produtos tensoriais particulares. .2).

A(1) 0(1) e3 ( π 2 ) e4 e3 e5 A(2) 0(2) e1 A(3) 0(3) e2(π3) e3(π1) e6 e5 1(1) 2(2) e2(π4) 1(2) 1(3) Tipo loc loc syn loc syn loc Evento e1 e2 e3 e4 e5 e6 Taxa τ1 τ2 τ3 τ4 τ5 τ6 Figura A. dois eventos locais e1 e e2 .1. 1(2) e 2(2) . A. demonstra-se detalhadamente a obtenção de todos os tensores envolvidos na equação (A. A.1 Exemplificação Nesta seção.0. Demonstra-se detalhadamente a geração dos tensores envolvidos na construção do Descritor Markoviano do modelo. o autômato A(1) possui dois estados 0(1) e 1(1) .1 apresenta um modelo descrito pelo formalismo de SAN. Assim como. e4 . um evento local e4 e um evento sincronizante e3 . e2 . (i) Com isso. apresenta-se um exemplo completo de obtenção do gerador infinitesimal de um modelo descrito pelo formalismo de SAN.1): N (1 + 2 |Es |) = 3(1 + 2.0.2 Descrição A Figura A.1: Modelo em SAN com três autômatos Como pode ser observado na Figura A. o qual possui três autômatos. O autômato A(3) possui dois estados 0(3) e 1(3) .3 Tensores Identificado o número de autômatos N = 3.2) = 15 tensores A seguir. pode-se construir os tensores locais Ql correspondentes aos autômatos A(i) : . e6 } do modelo. um evento local e6 e um evento sincronizante e5 .0.74 APÊNDICE A. Após a identificação do tipo dos eventos (locais e sincronizantes). autômato A(2) possui três estados 0(2) . identifica-se o conjunto de eventos locais El = {e1 . bem como o número de eventos sincronizantes |Es |= 2 do modelo.1). é possível gerar os tensores necessários para a obtenção do Descritor Markoviano do exemplo apresentado. Primeiramente. e dois eventos sincronizantes e3 e e5 . ARMAZENAMENTO DO DESCRITOR MARKOVIANO DE SAN A. pode-se calcular o número de tensores envolvidos no Descritor Markoviano descrito pela equação (A.

O gerador infinitesimal Q do modelo descrito pelo formalismo de SAN é obtido através da equação (A.τ2 0 2(2) 0 τ2 π4 0 0(3) 0 τ6 1(3) 0 -τ6 (1) Ql = 0(1) 1(1) (2) Ql 0(2) = (2) 1 2(2) (3) Ql = 0(3) 1(3) Em seguida. . constrói-se os tensores das transições sincronizadas que representam a ocorrência dos eventos sincronizantes em cada autômato. . 1(1) 2(2) 1(3) . Por último. 0(1) 0(2) 1(3) . e5 }. .75 0(1) 0 τ4 1(1) 0 -τ4 0(2) . tem-se os tensores (i) Qe− correspondentes aos autômatos A(i) : (1) Qe− 3 = 0(1) 1(1) 0(1) -τ3 0 1(1) 0 0 (2) Qe− 3 = 0(2) 1(2) 2(2) 0(2) 0 0 0 1(2) 0 0 0 2(2) 0 0 1 (3) Qe− 3 = 0(3) 1(3) 0(3) 1 0 1(3) 0 1 (1) Qe− 5 = 0(1) 1(1) 0(1) 1 0 1(1) 0 1 (2) Qe− 5 0(2) = (2) 1 2(2) 0(2) 1 0 0 1(2) 0 0 0 2(2) 0 0 0 (3) Qe− 5 = 0(3) 1(3) 0(3) -τ5 0 1(3) 0 0 Uma vez obtido todos os tensores do Descritor Markoviano. Sendo assim.2): . pode-se obter o gerador infinitesimal Q. Os índices de Q são compostos pela ordem lexicográfica da composição dos estados de ambos os autômatos: 0(1) 0(2) 0(3) . . Assim como. identifica-se o conjunto de eventos sincronizantes Es = {e3 . constrói-se os tensores das transições sincronizadas que representam o ajuste necessário à ocorrência dos eventos sincronizantes em cada autômato. tem-se os tensores das (i) transições sincronizadas Qe+ correspondentes aos autômatos A(i) : (1) Qe+ 3 = 0(1) 1(1) 0(1) 0 0 1(1) τ3 0 (2) Qe+ 3 0(2) = (2) 1 2(2) 0(2) 0 0 π2 0(2) 0 0 0 1(2) 0 0 π1 1(2) 0 0 0 2(2) 0 0 0 (3) Qe+ 3 = 0(3) 1(3) 0(3) 1 0 1(3) 0 1 (1) Qe+ 5 = 0(1) 1(1) 0(1) 1 0 1(1) 0 1 (2) Qe+ 5 = 0(2) 1(2) 2(2) 2(2) 1 0 0 (3) Qe+ 5 = 0(3) 1(3) 0(3) 0 0 1(3) τ5 0 Note que o autômato A(1) é o autômato mestre do evento sincronizante e3 e o autômato A(3) é o autômato mestre do evento sincronizante e5 .τ1 τ2 π3 0 1(2) τ1 . Logo. as probabilidades dos eventos se encontram no autômato escravo A(2) . pois a taxa de ocorrência de cada um está presente no respectivo tensor do autômato mestre. A partir da identificação do mesmo.

            Q=           −(τ1 + τ5 ) 0 τ6 −(τ1 + τ6 ) τ2 π3 0 0 τ2 π3 0 0 0 0 0 τ5 0 0 τ2 π4 0 0 τ2 π 4 −τ3 0 τ6 −(τ3 + τ6 ) 0 0 0 0 τ3 π 2 0 0 0 0 0 0 τ3 π 2 0 0 0 0 τ3 π 1 0 0 0 0 0 0 τ3 π1 0 0 0 0 0 0 0 0 0 0 0 0                       τ1 0 0 τ1 −τ2 0 τ6 −(τ2 + τ6 ) 0 0 0 0  76 APÊNDICE A. ARMAZENAMENTO DO DESCRITOR MARKOVIANO DE SAN τ4 0 0 0 0 0 0 τ4 0 0 0 0 0 0 τ4 0 0 0 0 0 0 τ4 0 0 0 0 0 0 τ4 0 0 0 0 0 0 τ4 −(τ1 + τ4 + τ5 ) 0 τ6 −(τ1 + τ4 + τ6 ) τ2 π 3 0 0 τ2 π 3 0 0 0 0 τ1 0 0 τ1 −(τ2 + τ4 ) 0 τ6 −(τ2 + τ4 + τ6 ) 0 0 0 0 0 τ5 0 0 τ2 π 4 0 0 τ2 π 4 −τ4 0 τ6 −(τ4 + τ6 ) .