For Mao Defil As

CAPTULO
15
FORMAO DE FILAS
VISO GERAL DO CAPTULO

15.1
Introduo
15.2
O modelo bsico
15.3
Uma taxonomia dos modelos de formao de filas
15.4
Equao de fluxo de Little e resultados relacionados
15.5
A fila M/G/1
15.6
Modelo 1: uma fila M/M/s (laboratrio de hematologia)
15.7
Anlise econmica dos sistemas de formao de filas
15.8
Modelo 2: uma fila finita (filas WATS)
15.9
Modelo 3: o modelo de pessoal para manuteno
15.10
Resultados do estado transitrio versus estado constante: pedido a ser entregue
15.11
O papel da distribuio exponencial
15.12
Disciplina da fila
15.13
Observaes sobre implementao
15.14
Resumo
Termos-chave
Exerccios de reviso
Problemas
Caso 1: Quantos operadores?
Referncias
CD15-2
Tomada de Deciso em Administrao com Planilhas Eletrnicas
A teoria na prtica
Diminuindo o tempo entre deteno e acusao do Departamento de Polcia de Nova York
Em 1988, as pessoas presas na cidade de Nova York (NYC) ficavam sob custdia, esperando em mdia 44 horas, ocasionalmente mais de 72 horas, pelo julgamento. Alm disso, elas ficavam detidas em ambientes barulhentos, com pouco espao,
emocionalmente estressantes, insalubres e, com freqncia, fisicamente perigosos. Em maro de 1990, o New York Times publicou uma histria de primeira pgina sobre uma mulher que
passou 45 horas esperando pelo julgamento em uma priso do
Bronx, com a manchete Detida no terror das penitencirias de
Nova York. As pessoas detidas no tinham direito a um julgamento rpido, e longos atrasos diminuam significativamente a
eficincia do sistema judicial. Naquele mesmo ano, a Suprema
Corte de Nova York determinou que a cidade teria de se empenhar para que o julgamento ocorresse dentro de 24 horas ou, do
contrrio, libertar o prisioneiro.
Sob essas circunstncias, a cidade empreendeu o mais
ambicioso projeto da cincia de gerenciamento da sua histria
at a presente data, com o objetivo de reduzir o tempo entre a
deteno e a acusao (arrest-to-arraignment ATA). Havia
basicamente quatro distritos diferentes (Manhattan, Bronx,
Brooklyn e Queens), cada um com suas prprias idiossincrasias. O processo bsico inclua os seguintes passos, que compreendia um grande sistema de formao de filas: deteno
por um policial da polcia de Nova York (NYPD New York
Police Department), ida a um distrito policial onde o prisioneiro investigado, coleta de impresses digitais e deteno sob
custdia, enquanto um boletim de ocorrncia (BO) lavrado;
ida ao escritrio central de registro criminal onde as impresses digitais so transmitidas por fax capital do estado de
Nova York para identificao e relato do histrico criminal,
preenchimento de outros relatrios burocrticos pelo policial
que efetuou a priso, incluindo o depoimento junto ao promotor pblico assistente do distrito e alojamento da pessoa detida
para aguardar pelo julgamento.
Em 1988, somente nesses quatro distritos, foram feitas
mais de 325 mil detenes em que o ru poderia ficar detido
espera de julgamento (isto , crimes mais graves). Diferentemente de vrias outras jurisdies nos Estados Unidos, em
Nova York predominam delitos graves, muitos deles envolvendo violncia ou drogas ilcitas. Portanto, uma pessoa detida poderia permanecer em uma mesma cela com criminosos violentos ou rus reincidentes envolvidos com drogas.
A equipe do projeto montou um esforo amplo com durao de dois anos. Embora os atrasos prolongados do tempo
do ATA fossem o fator-chave a ser estudado, os altos custos
associados ao procedimento vigente eram um item de estudo
adicional. Um dos fatores que contribua para esses altos custos era o fato de que os policiais que efetuavam as prises
gastavam em mdia mais de 8 horas, desde o momento em
que saam da central de registro criminal at lavrarem o BO.
Boa parte desse tempo eram horas extras e a tarefa em si exigia apenas 30 minutos! Eles esperavam na fila durante 7,5
horas!
Todo processo foi modelado em etapas. Algumas etapas foram modeladas como filas com um nico servidor,
outras como filas com mltiplos servidores e algumas eram
ainda mais complexas. As distribuies estatsticas e seus
parmetros correspondentes para cada etapa tinham de ser
determinados. O modelo global poderia, ento, examinar
diferentes cenrios hipotticos, envolvendo combinaes
de cargas de trabalho e planos para o processo de deteno.
O modelo gerou vrios tipos de sada, incluindo o tempo
total mdio do ATA e os tempos mdios para completar etapas individuais do processo. O custo de cada um dos cenrios tambm poderia ser gerado por meio de um modelo de
planilha acompanhante. Nova York poderia ento escolher
entre diferentes alternativas, cada uma com seu prprio
custo e medida de desempenho.
Em maio de 1990, o prefeito de Nova York, David Dinkins, relatou os resultados desse projeto em uma conferncia de imprensa, com seu veemente endosso das mudanas
recomendadas. O modelo economizou cidade de Nova
York mais de US$ 10 milhes por ano, somente em horas
extras da polcia. A cidade reduziu o tempo mdio de atraso do ATA de 44 horas para cerca de 24 de horas em toda a
cidade. As pessoas detidas tinham direito a um julgamento
mais rpido e s ficavam encarceradas sob condies
horrveis por um perodo absolutamente necessrio. A cidade tambm reduziu significativamente seus custos de superviso e transporte de prisioneiros em cerca de US$ 11
milhes por ano. Uma recomendao final foi a eliminao
de um tribunal de acusao nico. Isso resultou em uma
economia adicional de US$ 9,5 milhes para a cidade e para o estado de Nova York. (Ver Lars et al.)
Captulo 15 Formao de Filas
15.1 Introduo
Os modelos de formao de filas esto por toda parte. Esse fato bvio at mesmo ao observador mais descuidado. Os
avies so colocados em fila em padres de espera, aguardando uma pista para que possam aterrissar e, em seguida, entram novamente em fila para decolar. As pessoas formam filas
para comprar ingressos, mantimentos e, se morarem na Inglaterra, para quase todas as coisas. Os trabalhos so enfileirados
em mquinas, pedidos so enfileirados para serem preenchidos
e assim por diante. Como voc provavelmente pode identificar,
fila o termo para qualquer tipo de espera. Atribumos ao engenheiro dinamarqus A. K. Erlang o mrito de ter descoberto
a teoria da formao de filas ao analisar, em Copenhague, os
painis de controle telefnico da companhia telefnica dinamarquesa. Ele desenvolveu muitos dos resultados da formao
de filas utilizados hoje em dia. Uma das melhores utilizaes
da teoria da formao de filas nos Estados Unidos na anlise
do fluxo de trfego de automveis analisar o nmero de pistas, como regular os semforos, etc , a fim de maximizar o
fluxo do trfego.
Monte Jackson poderia no concordar com a noo de que a
vida toda uma fila, mas como diretor administrativo do St.
Lukes Hospital na Filadlfia, EUA, ele precisa lidar com vrias
situaes que podem ser descritas como modelos de formao
de filas. Sucintamente, um modelo de formao de filas aquele em que voc tem uma seqncia de itens (por exemplo, pessoas) que chegam a uma instalao para um servio, como mostrado na Figura 15.1. Nesse momento, Monte est preocupado
com trs modelos de formao de filas particulares.
Chegadas
00000
Figura 15.1
Instalao de servio
Modelos gerais de formao de filas.
O hospital St. Luke trata de um grande nmero de pacientes de ambulatrio, isto , h muitos pacientes que vm ao hospital para
consultas com o corpo mdico para diagnsticos e tratamentos,
mas que no so admitidos no hospital. Os pacientes de ambulatrio e aqueles admitidos nesse hospital de 600 leitos produzem um grande fluxo de novos pacientes a cada dia. A maioria
dos novos pacientes precisa passar pelo laboratrio de hematologia como parte do processo de diagnstico. Cada um desses
pacientes tem de ser atendido por um tcnico. O sistema funciona desta maneira: depois de consultar um mdico, o paciente chega ao laboratrio e se cadastra com um balconista. atribuda uma ordem aos pacientes, do tipo primeiro a entrar, primeiro a ser atendido nas salas de exames, medida que elas se
tornam disponveis. O tcnico responsvel por essa sala realiza
os exames pedidos pelo mdico. Quando o exame est completo, o paciente vai para o prximo passo do processo (talvez
raios X) e o tcnico examina um novo paciente.
Modelo 1: laboratrio de hematologia do St. Luke
CD15-3
Monte precisa decidir quantos tcnicos deve contratar. Superficialmente, pelo menos, a compensao bvia. Mais tcnicos significam mais despesas para o hospital, porm um servio mais rpido para os pacientes.
Modelo 2: comprando linhas WATS Como parte do seu processo de reforma, o hospital St. Luke est projetando um novo
sistema de comunicao. Monte precisa decidir quantas linhas
WATS o hospital deve comprar. WATS (Wide Area Telephone
Service) o acrnimo de um servio especial de tarifao simples de ligaes interurbanas oferecido por algumas companhias telefnicas. Quando todas as linhas telefnicas alocadas
ao WATS esto em uso, a pessoa que est discando recebe um
sinal de ocupado, indicando que a chamada no pode ser completada. Monte sabe que, quando as pessoas utilizam o telefone, elas querem completar a ligao sem ter de tentar vrias vezes. O nmero de linhas que ele precisa para alcanar esse resultado a um custo razovel no to evidente.
Modelo 3: contratando pessoas para servios de manuteno O St. Luke contrata pessoas para fazer a manuteno de
20 equipamentos eletrnicos individuais. Os equipamentos incluem dispositivos de medio, como a mquina de eletrocardiograma, pequenos computadores dedicados, como aquele
utilizado para raios X e equipamentos como o scanner CAT. Se
um dos equipamentos falhar e todas as pessoas de manuteno
estiverem ocupadas, esse equipamento dever esperar para ser
consertado. Monte precisa decidir o nmero de pessoas de manuteno que deve ser contratado. Ele deve ponderar o custo
dessas contrataes em relao ao custo de ter equipamentos
quebrados.
Como a Tabela 15.1 indica, esses trs modelos se encaixam na descrio geral de um modelo de formao de filas.
Monte resolver esses modelos utilizando uma combinao de
modelos analticos e de simulao. Entretanto, antes de alcanar o nvel de sofisticao exigido para lidar com esses modelos especficos de Monte, necessrio investir algum tempo no
modelo de formao de filas bsico. No processo, aprenderemos algumas terminologias e veremos os tipos de resultados
analticos que esto disponveis.
Tabela 15.1
Alguns modelos de formao de filas
Problema
Chegadas
Instalao
de servios
1
2
3
Pacientes
Chamadas telefnicas
Equipamento quebrado
Tcnicos
Painel de controle
Pessoal de manuteno
15.2 O modelo bsico

Considere a mquina Xerox localizada no quarto andar da sala
de servios administrativos. Suponha que os usurios chegam
na sala da mquina e formam uma nica fila. Cada chegada,
por sua vez, utiliza a mquina para realizar uma tarefa especfica. Essas tarefas variam desde tirar uma cpia de uma carta
CD15-4
com uma pgina at tirar 100 cpias de um relatrio de 25 pginas. Esse sistema chamado de fila com um nico servidor
(ou canal nico). As questes sobre esse ou qualquer outro sistema de formao de filas so centralizadas em quatro valores:
1. O nmero de pessoas no sistema: o nmero de pessoas
atualmente atendidas, bem como aquelas que esto esperando pelo servio.
2. O nmero de pessoas na fila: o nmero de pessoas que
esperam pelo servio.
3. O tempo de espera no sistema: o intervalo entre o momento em que uma pessoa entra no sistema e quando ela
sai do sistema. Observe que esse intervalo inclui o tempo
do servio.
4. O tempo de espera na fila: o tempo entre a entrada no
sistema e o comeo do servio.
Pressuposies do modelo bsico

1. Processo de chegada. Cada chegada ser chamada de
trabalho. Uma vez que o tempo entre as chegadas (tempo entre chegadas) no conhecido com preciso, precisaremos especificar uma distribuio de probabilidade
para ele. No modelo bsico, utilizada uma distribuio
particular, chamada distribuio exponencial (s vezes
chamada de distribuio exponencial negativa). Essa distribuio desempenha um papel central em muitos modelos de formao de filas. Ela fornece uma representao
razovel do processo de chegada para vrias situaes e
sua conhecida propriedade falta de memria torna possvel obter resultados analticos. A distribuio exponencial
no simtrica, um fato que incomoda as pessoas que
pensam que uma mdia deve ter tantos valores acima
como abaixo dela. Por exemplo, se os clientes chegarem,
em mdia, a cada 5 minutos, de acordo com uma distribuio exponencial, ento aproximadamente 2/3 deles tero tempos entre as chegadas menores do que 5 minutos e
somente 1/3 deles demoraro mais de 5 minutos (mas alguns desses valores podem ser muito longos e, assim,
distorcem a mdia). A distribuio exponencial descreve muitos servios (caixas bancrios, balconistas de correio). Cerca de 2/3 dos tempos de servio estar abaixo
do tempo mdio (vrias transaes rpidas e curtas) e 1/3
dos tempos de servio estar acima da mdia (uma pessoa
que efetua um saque ou uma pessoa que remete um pacote para o exterior).
As palavras entrada de Poisson tambm so utilizadas
para descrever o processo de chegada, quando o tempo entre as chegadas tem uma distribuio exponencial. Isso
ocorre devido ao relacionamento entre a distribuio exponencial e a distribuio de Poisson. Em particular, se o
tempo entre chegadas tiver uma distribuio exponencial,
o nmero de chegadas dentro de um perodo de tempo es-
pecificado (digamos, trs horas) ter uma distribuio

Poisson.
A distribuio exponencial e sua relao com a distribuio Poisson so discutidos com alguns detalhes na Seo 15.11. Neste ponto, necessrio entender apenas que
a distribuio exponencial completamente especificada
por um parmetro. Esse parmetro, chamado , a taxa
mdia de chegada; isto , o nmero de trabalhos que chega (em mdia) durante um perodo de tempo especfico.
Logo a seguir, consideraremos um exemplo em que
= 0,05 trabalho por minuto. Isso implica que, em mdia,
5/100 de um trabalho chega a cada minuto. Provavelmente
seja mais natural pensar em termos de um intervalo de
tempo mais longo. Uma declarao equivalente que, em
mdia, um trabalho chega a cada 20 minutos. Utilizando
termos mais tcnicos, dizemos que o tempo mdio entre as
chegadas de 20 minutos. O tempo mdio entre as chegadas a mdia entre duas chegadas. Assim, para a distribuio exponencial
tempo mdio entre trabalhos = tempo mdio entre chegadas =
1
(15.1)
Portanto, se = 0,05,
tempo mdio entre chegadas =
1
1
= 20
=
0,05
2. Processo do servio. No modelo bsico, o tempo que leva para completar um trabalho (tempo de servio) tambm tratado com a distribuio exponencial. O parmetro para essa distribuio exponencial chamado de .
Ele representa a taxa mdia do servio nos trabalhos por
minuto. Em outras palavras, T o nmero de trabalhos
que seria atendido (em mdia) durante um perodo de T
minutos, se a mquina estivesse ocupada durante esse
tempo. No prximo exemplo, vamos supor que = 0,10.
Isso implica que, em mdia, 0,10 de um trabalho completado a cada minuto. Uma afirmao equivalente
que, em mdia, um trabalho completado a cada 10 minutos. O tempo de servio mdio (o tempo mdio para
completar um trabalho) 1/. Quando , a taxa mdia
do servio, 0,10, o tempo mdio do servio 10, pois
1/ = 1/0,10 = 10.
3. Tamanho da fila. No h nenhum limite no nmero de
trabalhos que pode esperar na fila. Dizemos que a fila
infinita.
4. Disciplina da fila. Os trabalhos so atendidos com base
no modelo primeiro a entrar, primeiro a ser atendido;
isto , na mesma ordem em que eles chegam na fila.
5. Horizonte do tempo. O sistema opera como descrito
continuamente em um horizonte infinito.
6. Universo de origem. H um universo infinito disponvel
para chegada.
Considere essas suposies no contexto do modelo da mquina Xerox. Suponha que o tempo mdio de chegada entre os trabalhos seja de 20 minutos. Como vimos, o fato de que o tempo
entre as chegadas tem uma distribuio exponencial significa
que 1/ = 20 e, assim, = 0,05 ou que os trabalhos chegam a
uma taxa de 0,05 por minuto. De maneira semelhante, se o
tempo mdio para completar um trabalho for de 10 minutos,
saberemos que 1/ = 10 e, assim, = 0,10 ou que os trabalhos
so concludos na taxa de 0,10 por minuto, quando a mquina
est operando.
Caractersticas do modelo bsico

Os valores desses dois parmetros (junto com as suposies)
tudo o que necessrio para calcular vrias caractersticas
operacionais importantes do modelo bsico. As frmulas necessrias so apresentadas na Tabela 15.2. CUIDADO! As frmulas da Tabela 15.2 so verdadeiras somente se < . Se essa condio no for verdadeira (isto , se ), o nmero de
pessoas na fila crescer sem limites.
Considere, por exemplo, um caso especfico em que =
0,25 e = 0,10. Lembre-se de que 1/ o tempo mdio entre
chegadas. Portanto, como 1/ = 1/0,25 = 4, em mdia, um trabalho chega a cada 4 minutos. De maneira semelhante, 1/ o
tempo mdio que leva para completar um trabalho. Como 1/
= 1/0,10 = 10, em mdia, leva 10 minutos para completar um
trabalho. Parece evidente que, nesse caso, a operao do servio vai demorar muito mais (a fila ser maior) medida que o
tempo passar.
Agora, voltemos ao modelo da mquina Xerox, em que
< e as frmulas da Tabela 15.2 so verdadeiras. As planilhas so ideais para o processamento dos resultados numricos
dessas frmulas. Utilizaremos uma planilha do Excel (Q.XLS)
que foi desenvolvida originalmente pelo professor David
Ashley e j tem essas frmulas inseridas.
Ao abrir a planilha pela primeira vez, voc v a pgina introdutria ilustrada na Figura 15.2 (observe que h quatro pla-
Tabela 15.2
nilhas diferentes [MMs, MG1, finiteQ, finitePopulation] a serem utilizadas, como indicado pelas guias na parte inferior da
planilha).
Colocar os valores numricos do modelo Xerox, = 0,05
e = 0,10, nas clulas apropriadas (E2 e E3) da pasta de trabalho apropriada (MMs, nesse exemplo) produz os resultados
apresentados na Figura 15.3. Tambm precisamos informar
que temos apenas um servidor (isto , uma mquina de fotocpia) e que nossa unidade de tempo minutos.
Resultados de um estado constante Esses nmeros exigem alguma interpretao. L, por exemplo, o nmero previsto de pessoas no sistema (aquelas sendo atendidas, mais aquelas que esto esperando) depois que a fila alcanou um estado
constante. Nessa frase, estado constante significa que a probabilidade de que voc observar um certo nmero de pessoas
(digamos, 2) no sistema no depende do momento em que voc as conta. Se um estado constante foi alcanado, a probabilidade de que haver duas pessoas utilizando e/ou esperando a
mquina Xerox dever ser a mesma s 14:30 e s 16:00.
As outras caractersticas apresentadas na Figura 15.3 tm
uma interpretao semelhante. Portanto, em um estado constante, (1) o sistema est vazio, com uma probabilidade de 50%
(a clula F7 mostra que P0 = 0,5); (2) em mdia, h 0,5 pessoa
na fila (a clula F8 mostra que L q = 0,5); (3) em mdia, algum
que chegue deve esperar 10 minutos antes de comear a utilizar a mquina (a clula F10 mostra que W q = 10); e (4) em mdia, algum que chegue gastar 20 minutos no sistema (a clula F11 mostra que W = 20). Lembre-se de que esses valores so
mdias e, como tais, podem ter as mesmas caractersticas da
distribuio exponencial (2/3 das observaes abaixo da mdia,
1
/3 acima). Portanto, 2/3 dos clientes gastar menos de 10 minutos na fila, enquanto 1/3 gastar mais de 10 minutos na fila.
Utilizando os resultados Esses resultados so verdadeiros
para o modelo bsico e para os valores particulares dos parmetros ( = 0,05 e = 0,10). Eles fornecem informaes que so
teis gerncia ao analisar essa instalao do servio. Suponha,
Caractersticas operacionais do modelo bsico
Caracterstica
CD15-5
Smbolo
Frmula
Utilizao
/
Nmero esperado no sistema

Nmero esperado na fila
Lq
2
( )
Tempo previsto de espera (inclui o

tempo de servio)
1
Tempo previsto na fila
Wq

( )
Probabilidade de que o sistema

esteja vazio
P0
1 /
CD15-6
PLANILHA DE FORMAO DE FILAS

(Desenvolvida pelo Prof. David Ashley)
Esta planilha calcula o resultado da formao de fila para os seguintes modelos:

M
M
M
M
/
/
/
/
M /s
G /1
M / s com comprimento de fila finito
M / s com populao finita
Clique na guia de planilha (abaixo) para usar o modelo de sua escolha. Insira os parmetros
necessrios nas caixas.
Os parmetros para todos os modelos esto inicialmente vinculados queles inseridos para M/M/s.
Figura 15.2 Pgina introdutria da pasta de trabalho para formao de filas.
Clculos de formao de fila M/M/s

Taxa de chegada (lambda)
Taxa de servio (mu)
Nmero de servidores
minuto
Unidade de Tempo
Utilizao
P(0), probabilidade de que o sistema esteja vazio
Lq., comprimento esperado da fila
L., nmero esperado no sistema
Wq. tempo esperado na fila minutos
W. tempo total esperado no sistema minutos
Probabilidade de que o cliente espere
chamadas/minuto
Presume processo Poisson para chegadas e partidas
chamadas/minuto
(max. de 40)
minutos
minutos
PROBABILIDADE
NMERO NO SISTEMA
Figura 15.3 Avaliao das caractersticas operacionais do modelo bsico.
por exemplo, que a gerncia faa os seguintes clculos: Uma

vez que = 0,05, em mdia 5/100 de um trabalho chega a cada
minuto. Durante cada 8 horas do dia, h 8 60 = 480 minutos.
Portanto, durante cada dia h, em mdia, um total de
(0,05)(480) = 24
chegadas. A partir dos clculos na Figura 15.3, sabemos que

cada pessoa gasta em mdia 20 minutos no sistema (W = 20).
Portanto, um total de (24 chegadas por dia) (20 minutos por
chegada) = 480 minutos ou 8 horas, gasto nessa instalao. A
gerncia pode muito bem achar que essa espera muito longa.
Diversos passos poderiam ser dados:
1. Poderia ser comprada uma nova mquina com um tempo
mdio de servio menor.
2. Outra mquina poderia ser comprada e ambas as mquinas costumavam atender demanda. Isso modificaria o
sistema para uma fila com dois servidores.
3. Algum funcionrio poderia ser enviado para uma instalao de fotocpia diferente e menos ocupada. Isso modificaria o processo de chegada.
A gerncia poderia selecionar uma dessas alternativas ou alguma outra. Mas, de qualquer maneira, a gerncia deve ponderar
o custo do fornecimento do servio contra o custo da espera.
Os resultados da Figura 15.3 e resultados semelhantes de outros sistemas seriam uma parte central da anlise. Essas idias
sero desenvolvidas com mais detalhes no contexto dos modelos de Monte Jackson.
15.3 Uma taxonomia dos modelos de

formao de filas
H vrios modelos de formao de filas possveis. Por exemplo, se fosse atribuda uma distribuio diferente (no a exponencial) ao tempo entre as chegadas no modelo bsico, teramos um modelo diferente, no sentido de que as frmulas ante-
riores para L, L q e assim por diante, no seriam mais verdadeiras. Para facilitar a comunicao entre as pessoas que trabalham nos modelos de formao de filas, D. G. Kendall props
uma taxonomia baseada na seguinte notao:
A/B/s
onde A = distribuio de chegada
B = distribuio de servio
s = nmero de servidores
CD15-7
de um servio, respectivamente. As seguintes convenes so

de uso geral:
M = distribuio exponencial
D = nmero determinstico
G = qualquer distribuio (uma geral) de tempos de servio
GI = qualquer distribuio (uma geral) de tempos de chegada
So letras diferentes para designar certas distribuies. Colocadas na posio A ou B, elas indicam a chegada ou a distribuio
Podemos ver, por exemplo, que o modelo da mquina Xerox

M/M/1; isto , uma nica fila de servidor com tempos entre
chegadas e tempos de servio exponenciais.
A teoria na prtica
Mesclando trfego: uma simulao de formao de filas ajuda a eliminar um gargalo oneroso
A Westinghouse Hanford Company em Richland, Washington,
EUA, uma instalao de trabalho segura: todos os veculos e passageiros so averiguados em uma guarita, antes de terem permisso para entrar no local. Esse posto de controle cria um trfego
enorme durante mudanas de turnos de trabalho, quando o volume
de veculos que entra torna-se maior. O resultado um srio risco
para a fora de trabalho e uma grande perda de produtividade para
a empresa, uma vez que os funcionrios ficam detidos em longas
filas. Dessa forma, foi solicitado que um grupo interno de engenharia analisasse o problema e recomendasse modificaes.
O grupo de estudo descobriu que todas as manhs de um dia
de trabalho, uma mdia de 7 nibus e 283 carros e vans chegavam
s instalaes. Ao aproximar-se do porto de entrada, os veculos
formavam uma fila para passar pelo posto de controle, o qual normalmente era administrado por dois seguranas durante os perodos de pico. A fila se estendia alm do espao reservado para filas
(que podia acomodar somente 40 carros) e prolongava-se at a rodovia adjacente, causando um srio problema de segurana. Devido a essa longa fila, os outros motoristas freqentemente optavam
por prosseguir na rodovia at o segundo porto. Essa opo significava um tempo e uma distncia adicionais para os funcionrios,
bem como um tempo de espera desconhecido no outro porto.
O modelo de formao de filas analtico padro previu corretamente que, como o ritmo do servio no posto de controle era
igual ao ritmo de chegada, a fila ia crescer sem limites, sempre que
outros carros chegassem. Isso, entretanto, meramente confirmou o
15.4 Equao de fluxo de Little e resultados

relacionados
Pode ser provado que, em um processo de formao de filas
com um estado constante
L = W
(15.2)
Esse resultado afirma que L, o nmero esperado de pessoas no

sistema, igual a , a taxa de chegada, vezes W, o tempo previsto de espera. Para realizar uma verificao numrica rpida, veja se os nmeros derivados do modelo da mquina Xerox (Figura 15.3) satisfazem (15.2). O clculo est mostrado em (15.3).
L = 1,0 = 0,05 20 = W
(15.3)
que j havia sido observado. Assim, foi desenvolvida uma simulao. O modelo foi executado para reproduzir a situao atual e ento experimentar novas alternativas.
O primeiro cenrio alternativo aumentou para trs o
nmero de seguranas e mantinha uma nica pista para o
trfego. Essa estratgia reduziu o comprimento mximo da
fila de 45,5 para 28, mas aumentou os custos.
O segundo cenrio fazia com que os veculos formassem
duas filas, com um segurana designado para cada fila.
Quando um nibus chegava, ele era desviado das duas filas
de veculos e atendido imediatamente por um segurana,
enquanto o outro segurana cuidava temporariamente das
duas filas. Essa soluo produziu um comprimento mximo
de fila de 14 veculos e um tempo de espera de cerca de 15
minutos, comparado com mais de 30 minutos da
configurao existente.
O segundo cenrio parecia ser uma boa soluo, sem envolver
nenhum custo adicional. Quando ele foi implementado experimentalmente, o comprimento da fila foi de fato reduzido drasticamente. A maior surpresa foi que o nmero de veculos utilizando o porto subiu de 285 para 345. Obviamente, os veculos que regularmente se desviavam do porto principal comearam a utiliz-lo novamente.
Graas s filas mais curtas, o novo sistema tratou facilmente
do aumento do volume de trfego. (Ver Landauer e Becker.)
Para entender a fundamentao intuitiva desse resultado, considere o diagrama na Figura 15.4. Na cena 1, nosso heri chega e entra na fila. Na cena 2, ele acabou de completar o servio. Suponha que o sistema esteja em um estado constante.
Uma vez que, nesse caso, o nmero mdio de pessoas no sistema independente do tempo, vamos medir esse valor quando o atendimento do nosso heri concludo. Nesse momento, o nmero de pessoas no sistema precisamente o nmero
total de pessoas que chegou depois dele (isto , as pessoas
que chegaram durante seu tempo de espera). Portanto, se W
fosse seu tempo de espera e as pessoas chegassem a uma taxa
de , amos esperar que L, o nmero mdio no sistema, fosse
igual a W.
CD15-8
Nosso heri chega

Cena 1:
Cena 2:
Ele completa
o servio
Chegou enquanto nosso
heri esperava e foi atendido
Figura 15.4 Equao de fluxo de Little.
A equao (15.2) freqentemente chamada de equao

de fluxo de Little. Observe que ela se aplica a qualquer processo de formao de filas em um estado constante e, portanto,
aplicvel a uma ampla variedade de modelos. A prova utilizada para estabelecer (15.2) tambm mostra que
Lq = lWq
(15.4)
Uma verificao numrica para o modelo da mquina Xerox

mostra que
Lq = 0,5 = 0,05 x 10 = lWq
o que, novamente, concorda com o resultado da Figura 15.3.

Uma pessoa deve tomar cuidado ao aplicar esse resultado
em casos mais complexos. essencial que represente a taxa em que quem chega entra na fila. Isso pode ser diferente
da taxa com que as pessoas na verdade chegam. Considere,
por exemplo, uma fila com um limite superior quanto ao nmero de itens que podem esperar na fila (chamada fila finita).
Um sistema de telefonia moderno suportar um certo nmero
de chamadas (digamos, 10) em uma fila, at que um representante do servio torne-se disponvel, fornece um bom exemplo de tal fila. Nesse sistema, uma pessoa que faz uma ligao
e descobre que o sistema est ocupado simplesmente recebe
um sinal de ocupado em outras palavras, mandada embora. Essa pessoa no entra na fila. Isso se chama fracasso. Portanto, se = 0,25 (a taxa de chegada) e o tempo mdio entre
as chamadas for de 4 minutos, essa no ser a taxa em que as
pessoas entram na fila. Portanto, o relacionamento L = 0,25W
no ser verdadeiro para esse sistema. De maneira semelhante, um cliente pode se cansar de esperar na fila (ou de ser colocado em espera) e sair sem ser atendido. Isso se chama renncia. Aqui, novamente, L = 0,25W no verdadeiro para
esse sistema.
Outro resultado geral importante depende da observao
de que
tempo de espera esperado = tempo de espera esperado em fila +
tempo de servio esperado
Para o modelo bsico, j fizemos uso do fato de que

1
tempo esperado de servio =
Colocar o resultado geral em smbolos produz
1
W = Wq +
Para o modelo da mquina Xerox, temos

W = 20 = 10 +
1
1
= Wq +
0,10
(15.5)
Isso no apenas verdadeiro para o modelo bsico, mas o resultado geral (equao [15.5]) vale para qualquer modelo de
formao de filas em que ocorra um estado constante.
As equaes (15.2), (15.4) e (15.5) tornam possvel calcular as quatro caractersticas operacionais L, L q, W e W q, depois
que uma delas conhecida. Para ilustrar esse fato, vamos iniciar o modelo da mquina Xerox novamente. Iniciamos como
fizemos da ltima vez, utilizando a segunda frmula da Tabela
15.2 para calcular L:
L=
0,05

=1
=
0,10 0,05
Agora, em vez de utilizar as outras frmulas da Tabela 15.2,

que so especficas do modelo bsico, utilizaremos os dois resultados gerais que acabamos de apresentar. Primeiro, a partir
da equao de fluxo de Little (15.2), sabemos que
L = lW
Portanto, sabendo que L = 1 e = 0,05, obtemos W = L/ = 20.

Ento, passando para (15.5), verificamos que
1
W = Wq +
1
1
Wq = W = 20
= 10
0,10
Por fim, (15.4) mostra que

Lq = lWq = 0,05 10 = 0,5
Esse mtodo alternativo de obter resultados numricos vai se
revelar mais til ao analisar sistemas mais complexos do que o
modelo bsico.
15.5 A fila M/G/1

Embora a distribuio exponencial descreva exatamente o processo de chegada, h muitas situaes em que talvez ela no se
encaixe muito bem no processo do servio. Felizmente, h uma
generalizao do modelo bsico que permite que a distribuio

do tempo de servio seja arbitrria. Nem mesmo necessrio
conhecer a distribuio do tempo de servio, somente sua m2
dia, 1/ e sua varincia, . As caractersticas operacionais do
modelo generalizado so dadas na Tabela 15.3.
Observe que fizemos uso dos resultados da Seo 15.4 ao
obter todas as caractersticas operacionais, exceto para L q. Como uma verificao da validade dessas frmulas, suponha que
a distribuio arbitrria do tempo de servio seja exponencial.
2
A varincia de uma distribuio exponencial (1/) se a mdia for 1/. Portanto,
Lq =
2 (1 / )2 + ( / )2
2
=
( )
2(1 / )
que o mesmo resultado do modelo bsico.

2
medida que aumenta, L, L q, W e W q aumentam. Isso
significa que a consistncia de um servidor pode ser to importante quanto sua velocidade. Suponha que voc precise contra-
Tabela 15.3
tar uma secretria e tenha de selecionar uma entre duas candidatas. A secretria 1 muito consistente, digita um documento
qualquer em exatamente 15 minutos. A secretria 2 um pouco mais rpida, com uma mdia de 14 minutos por documento,
mas com os tempos variando de acordo com a distribuio exponencial. A carga de trabalho mdia no escritrio de trs documentos por hora, com tempos entre as chegadas variando de
acordo com a distribuio exponencial. Qual secretria fornecer tempos mdios de retorno mais curtos para os documentos? Isso pode ser facilmente resolvido com as planilhas
MG1 e MMs de SECRETRY.XLS, mostradas nas Figuras
15.5 e 15.6.
Uma vez que a secretria 1 digita cada documento em
2
exatamente 15 minutos, igual a 0. Os valores dos outros
parmetros so = 3 por hora (ou 0,05 por minuto) e = 1/15
por minuto. Esses valores so inseridos na seo dos parmetros de entrada da planilha MMs (clulas E3:E6), que
incorpora automaticamente os valores apropriados planilha
MG1. Os resultados so mostrados na Figura 15.5.
Caractersticas operacionais do modelo generalizado
Caracterstica
Smbolo
Frmula
Utilizao
/
Nmero esperado no sistema

Lq +
Nmero esperado na fila
Lq
22 + (/)2
2(1 /)
Tempo de espera previsto
1
Wq +
Tempo previsto na fila
Wq
Probabilidade de que o sistema

esteja vazio
P0
Lq

1 /
Clculos de formao de fila M/G/1

servio mdio

TEMPO mdio de servio
Desvio-pad. de tempo de servio
Unidade de Tempo
minuto
Utilizao
Figura 15.5 O tempo de retorno da secretria 1.
CD15-9
tarefas/minuto TAXA (mu)

minuto
tarefas/minuto
CD15-10
Clculos de formao de fila M/G/1

servio mdio

TEMPO mdio de servio
Desvio-pad. de tempo de servio
Unidade de Tempo
minuto
tarefas/minuto TAXA (mu)

minutos
minutos
tarefas/minuto
Utilizao
Figura 15.6 O tempo de retorno da secretria 2.
Tambm poderamos verificar isso manualmente, utilizando as frmulas mostradas na Tabela 15.3:
Lq =
(0,05)2 (0) + [0,05 / ( 115)]2 9

= 8
2[1 0,05 / ( 115)]2
Wq = ( 9/8)/0,05 = 45/2 = 22,5 minutos

W = 45/2 + 15 = 37,5 minutos de tempo mdio de troca
Novamente, utilizando o modelo de planilha para a secretria 2, inserimos os parmetros como = 0,05, = 1/14 por
minuto e = 14 minutos. Os resultados so mostrados na Figura 15.6. Tambm poderamos utilizar o modelo bsico (Tabela
15.2) ou o modelo generalizado (Tabela 15.3) para verificar a
resposta da planilha para a secretria 2. Utilizando o modelo
generalizado, obtemos
Lq =
(0,05)2 (14)2 + [0,05 / ( 114 )]2 49

= 30 = 1,633 minutos
2[1 0,05 / ( 114 )]
Wq = ( 49/30)/0,05 = 98/3 = 32,67 minutos

W = 98/3 + 14 = 46,67 minutos tempo mdio de troca
Tambm tornamos disponveis alguns resultados gerais, como

a equao de fluxo de Little, para utilizao em uma anlise futura. Agora, podemos voltar nossa ateno aos modelos de
Monte Jackson.
O sistema descrito no modelo 1 da Seo 15.1, o modelo de
exame de sangue, est ilustrado na Figura 15.7. Observe que cada paciente entra em uma fila comum e, ao chegar no incio da fila, entra na primeira sala de exames disponvel. Esse tipo de sistema no deve ser confundido com aquele em que uma fila formada em frente de cada servidor, como em uma mercearia tpica.
Suponha que o tempo entre chegadas seja fornecido por
uma distribuio exponencial, com o parmetro = 0,20 por
minuto. Isso implica que um novo paciente chega a cada 5 minutos, em mdia, desde que
mdia entre chegadas =
1
1
=
=5
0, 20
Alm disso, suponha que cada servidor seja idntico e que cada tempo de servio seja dado por uma distribuio exponencial com o parmetro = 0,125 por minuto. Isso implica que o
tempo de servio mdio de 8 minutos, desde que
tempo de servio mdio
Mesmo que a secretria 2 seja mais rpida, seus tempos mdios de retorno so mais longos por causa da alta variabilidade
do seu tempo de servio.
para um servidor individual =
15.6 Modelo 1: uma fila M/M/s (laboratrio de

hematologia)
Chegadas
Lembre-se de que, ao iniciarmos este captulo, nosso objetivo

declarado era de resolver trs modelos particulares do St.
Lukes Hospital com modelos de formao de filas. Nas sees
anteriores, estabelecemos a base desse processo. Introduzimos,
definimos e ilustramos as caractersticas dos sistemas que vamos levar em considerao (por exemplo, nmero esperado na
fila, tempo de espera previsto, etc.) e desenvolvemos uma planilha que pode calcular automaticamente essas caractersticas.
1
1
=
=8
0,125
Servidor 1
000
Servidor 2
Servidor n
Figura 15.7 Fila com mltiplos servidores.
Observe que, se houvesse somente um servidor, a fila cresceria

sem limites, desde que > (0,20 > 0,125). Mas para uma fila
com mltiplos servidores, h um estado constante, contanto
que < s, onde s o nmero de servidores. Por exemplo, se
tivssemos dois servidores, alcanaramos um estado constante, porque 0,20 < 0,25 (= 2 * 0,125).
Como ocorreu antes, queremos encontrar os valores L, L q, W e Wq. Entretanto, como essa uma fila
com mltiplos servidores (no uma fila nica como no modelo
da mquina Xerox), precisamos utilizar frmulas diferentes.
Para avaliar essas frmulas, conveniente iniciar com a expresso para P0, a probabilidade de que o sistema esteja vazio.
Para esse modelo
As equaes-chave
P0 =
1
(/)n (/)s
1
+
n!
s!
1
(/s)
n=0
s 1
(15.6)
e L q, o nmero previsto de pessoas na fila, expresso como

(/)
(s 1)!(s
/)
s+1
Lq = P0
(15.7)
As Equaes (15.6) e (15.7) e os resultados gerais em (15.2),

(15.4) e (15.5) tornam possvel calcular os valores de Wq, W e
L para quaisquer valores especificados dos parmetros ( e )
e para quaisquer nmeros de servidores (valor de s). Novamente, essas novas frmulas j esto inseridas na planilha MMs
do modelo de formao de filas da nossa pasta de trabalho
(HEMATLGY.XLS).
Suponha, por exemplo, que Monte decidiu contratar dois tcnicos. Assim, como s = 2, = 0,20 e =
0,125, podemos colocar esses valores na planilha MMs de
EMATLGY.XLS e obter os seguintes resultados mostrados na
Figura 15.8. Vemos que a utilizao de (/s ) = 0,8 (clula F6)
e a probabilidade de o sistema estar vazio 0,11 (clula F7).
Clculos de exemplo
Esses dois valores podem ser utilizados na Equao (15.7) para encontrar L q = 2,84 (clula F8). Ou seja, o nmero previsto
de pessoas na fila, um pouco menor que 3. Utilizando a Equao (15.4), Lq = Wq, verificamos que, em mdia, um paciente
espera 14,22 minutos (clula F10) antes de entrar em uma sala
de exames.
Finalmente, o modelo utiliza a observao geral de que
tempo de espera esperado = tempo de espera esperado em fila
+ tempo de servio esperado
para calcular isso, o tempo previsto de espera (W) = 22,22 minutos (clula F11). Portanto, em mdia, um paciente gasta
22,10 minutos no setor de hematologia, esperando um tcnico
e fazendo os exames.
Monte agora quer verificar o que aconteceria se ele adicionasse um terceiro ou quarto tcnico (servidor). Esses resultados so mostrados nas Figuras 15.9 e 15.10 respectivamente.
H uma grande reduo do tempo de espera (Wq) com um
terceiro servidor (menos de 1,57 minuto), mas com o custo de ter
um servidor extra. Adicionar um quarto servidor no faz muita
diferena, uma vez que ele reduz o tempo de espera na fila em
0,30 minuto. Outro fator a ser considerado o quo ocupados os
servidores estariam em cada cenrio. Vemos nas Figuras 15.8 a
15.10 que a utilizao cai de 80% para 53,3% e para 40%. Quanto maior for o nmero de servidores adicionados, mais alta ser
a percentagem de tempo de inatividade para os tcnicos, o que
poderia tornar o trabalho entediante e malfeito.
Esses clculos fornecem vrias informaes que ajudam
Monte a tomar uma deciso. Com um tcnico, desde que > ,
o sistema torna-se instvel e a fila crescer constantemente. Isso poderia ser considerado irresponsvel. Com dois tcnicos, o
tempo mdio de espera na fila menos de 15 minutos. De acordo com os padres atuais do hospital, esse um valor pequeno
e aceitvel. Obviamente, adicionando outros servidores, Monte pode reduzir o tempo mdio de espera, mas com um custo
significativo para o St. Luke. Se, em alguns casos, a fila ficar
muito longa com dois servidores (lembre-se de que Wq um
valor esperado e que o tempo real na fila vai variar), os super-

Taxa de servio (mu)
Nmero de servidores
minuto
Unidade de Tempo
Utilizao
CD15-11
chamadas/minuto
Presume processo Poisson para chegadas e partidas
chamadas/minuto
(max. de 40)
PROBABILIDADE
NMERO NO SISTEMA
Figura 15.8 Resultados para o laboratrio de hematologia com dois servidores.
minutos
minutos
CD15-12

Taxa de servio (mu)
Nmero de servidores
minuto
Unidade de Tempo
Utilizao
Wq. tempo esperado na fila
W. tempo total esperado no sistema
chamadas/minuto
chamadas/minuto
(max. de 40)
minutos
minutos
PROBABILIDADE
NMERO NO SISTEMA
Figura 15.9 Resultados para o laboratrio de hematologia com trs servidores.

Taxa de servio (mu)
Nmero de servidores
minuto
Unidade de Tempo
Utilizao
Wq. tempo esperado na fila
W. tempo total esperado no sistema
chamadas/minuto
chamadas/minuto
(max. de 40)
minutos
minutos
PROBABILIDADE
NMERO NO SISTEMA
Figura 15.10 Resultados para o laboratrio de hematologia com quatro servidores.
visores do laboratrio de hematologia podem mudar temporariamente um dos analistas de sangue para a posio de um tcnico. Portanto, Monte sente-se confortvel com a idia de contratar dois tcnicos em tempo integral sem realizar uma anlise detalhada sobre os custos.
Observamos que esse modelo de exemplo idntico aos
modelos que os gerentes de uma franquia de fast-food enfrentam: quantas pessoas devem ser alocadas em um turno de trabalho para manter o cliente mdio esperando abaixo de um certo
valor. Segundo nmeros do McDonalds, ele perder um cliente
se o tempo total de espera for maior do que cinco minutos.
15.7 Anlise econmica dos sistemas de

formao de filas
Monte selecionou o nmero de tcnicos de laboratrio a serem
contratados examinando as caractersticas operacionais e utilizando um critrio pessoal. Essa uma estratgia incomum nos
modelos de formao de filas e especialmente comum nos setores sem fins lucrativos. Monte sabe que est ponderando o
custo da contratao de mais tcnicos em relao aos custos
que ele incorre fazendo com que os pacientes esperem. O custo da contratao de mais tcnicos relativamente evidente. O
custo da espera no .
Monte primeiro observa que o custo para o paciente irrelevante para sua deciso, exceto se isso afetar a disposio do
paciente de utilizar o hospital. Realmente no importa quem
est esperando um consultor que cobra US$ 250 por hora pelos seus servios ou uma pessoa desempregada , a menos que
o tempo de espera faa com que o paciente utilize um outro
hospital. Essa observao explica porque certos monoplios,
como rgos governamentais e servios de gua e luz, podem
ser to inconstantes quanto ao tempo de espera. No h nenhuma outra opo!
Alm do possvel efeito sobre a demanda, o laboratrio de
hematologia poderia causar um impacto financeiro negativo ao
hospital se reduzisse a produtividade do hospital. Suponha, por
exemplo, que clnicas ambulatoriais pudessem atender 50 novos pacientes a cada dia e o laboratrio de hematologia pudesse tratar apenas de 10 pacientes.(Isso , evidentemente, um
exemplo extremo para ilustrar esse fato.) Nesse caso, o hospital desperdiaria um recurso valioso, os mdicos e outros fun-
CD15-13
cionrios nas clnicas, devido a um gargalo no laboratrio de

hematologia. Entretanto, tendo afirmado isso, ainda no fcil
avaliar o custo explcito de um paciente que espera.
Se quisssemos calcular o custo total da utilizao de 4

servidores para um perodo de 6 horas por dia, selecionaramos
Se voc estiver disposto e puder estimar certos custos, poder criar modelos com custos previstos
dos sistemas de formao de filas. Considere, por exemplo, o
modelo do laboratrio de hematologia (em termos gerais, qualquer fila com mltiplos servidores com tempos entre chegadas
e tempos de servio exponenciais) e suponha que o gerente esteja disposto a especificar dois custos:
ou
Parmetros dos custos
Cs = custo por hora de ter um servidor disponvel

Cw = custo por hora de ter uma pessoa esperando no sistema
(um custo muito complexo ou qualitativo)
O termo entre colchetes, [(Cs)(4) + (Cw) (L4)] , ento, o custo

total por hora da utilizao de quatro servidores.
O custo total por hora
Agora, definimos
e verificamos que
custo do servidor = (Cs)(2)(8)
onde Cs o custo por hora para um servidor, 2 o nmero de servidores e 8 o nmero de horas que cada servidor funciona, e
custo de espera = (Cw)(L2)(8)
onde L2 o nmero de pessoas na fila, quando h dois servidores. Esse segundo clculo talvez no seja to bvio, mas o raciocnio o mesmo que para o custo do servidor. Se, em mdia,
houver L2 pessoas esperando, quando o sistema tem dois servidores, ento L2 vezes 8 o nmero mdio de horas de espera
por dia. Conseqentemente, (Cw)(L2)(8) a mdia do custo de
espera para um perodo de 8 horas por dia.
Nmero de servidores
[(Cs)(4) + (Cw)(L4)]6
TC(s) = custo total por hora de utilizar s servidores
Com esses dois custos possvel calcular os custos totais

associados deciso de utilizar qualquer nmero especfico de
servidores. Vamos comear calculando o custo total da contratao de dois servidores para um perodo de 8 horas por dia. H
dois componentes:
Custo do servidor/hora
Custo de espera/hora
(Cs)(4)(6) + (Cw)(L4)(6)
TC(s) = (Cs)(s) + (Cw)(Ls)
Nosso objetivo escolher s, o nmero de servidores, para minimizar essa funo. Podemos ver que, medida que s aumenta, o custo de espera diminuir e o custo de servidor aumentar. A idia
encontrar o valor de s que minimize a soma desses dois custos.
A Figura 15.11 mostra a planilha que Monte criou, chamada Econ. Analysis, na pasta de trabalho HEMATLGY.XLS,
para determinar o valor timo de s. Infelizmente, no possvel inferir uma frmula que fornea o valor timo de s. (Isso
oposto ao modelo EOQ, em que podemos encontrar a quantidade do pedido tima, Q*, com a equao Q* = 2DC0 / Ch ,
como no Captulo 7.)
Nesse exemplo, vamos acrescentar um custo relativamente
grande sobre o tempo de espera e ver se a deciso muda a partir
da deciso original de Monte, de escolher dois servidores. Estabelecemos Cs = US$ 50/servidor/hora e Cw = US$ 100/cliente/hora (veja as clulas B1 e B2) e podemos ento calcular o custo do
# horas em mudana
# mdio na fila
Custo do servidor
Custo de Espera
Custo Total
Figura 15.11
Clula
Frmula
Copiar Para
C6
D6
E6
$B$1*A6*$E$1
$B$2*B6*$E$1
SOMA(C6:D6)
C7:C8
D7:D8
E7:E8
Anlise econmica para o laboratrio de hematologia com dois, trs ou quatro servidores.
CD15-14
servidor e o custo do tempo de espera com 2, 3 e 4 servidores. Vamos supor que queremos comparar o custo de um turno de trabalho de 8 horas (clula E1) e precisamos inserir nas clulas B6:B8
os valores para L (nmero esperado no sistema) para cada valor
de s que queremos explorar (obtidos das Figuras 15.8 a 15.10).
Em seguida, Monte cria uma tabela de dados para determinar a sensibilidade dessa deciso para o custo vago, Cw. Ele
decide que quer explorar os valores para Cw entre 0 e US$ 180.
Os passos para que Monte faa isso na sua planilha so:
1. Inserir o valor inicial 0 na clula A11.
2. Clicar novamente na clula A11, depois escolher Editar,
Preencher e, em seguida, Seqncia.
3. Clicar em Seqncias em Colunas, inserir um valor de
passo igual a 20 e um limite de 180. Clique em OK.
4. Inserir as frmulas para as quantidades que queremos
monitorar (custo total com 2 servidores, custo total com
3 servidores, custo total com 4 servidores), nas clulas
B10:D10. Essas frmulas so =E6, =E7 e =E8, respectivamente.
5. Destacar o intervalo A10:D20 e clicar em Dados, depois
em Tabela.
6. Inserir B2 como Clula de entrada da coluna. Clique em OK.
7. O Excel preenche automaticamente a tabela, como mostrado nas clulas A10:D20 da Figura 15.11.
Por fim, Monte quer representar em grfico o resultado
dessa anlise de sensibilidade para procurar padres e tendncias. Para fazer isso, ele destacou o intervalo A11:D20, clicou
no Assistente de Grfico, e depois seguiu os passos para gerar
o grfico mostrado na Figura 15.12.
Podemos ver que 2 servidores so timos para Cw = 0, enquanto 3 servidores so timos a partir de Cw = US$ 20 at US$
180. Parece que 4 servidores se tornaro a deciso tima para
os valores de Cw US$ 200.
Vamos completar nosso exame do modelo de laboratrio
de hematologia com as seguintes observaes: vimos como en-
contrar os valores para L, Lq, W e Wq. Esses valores foram ento utilizados para selecionar o nmero apropriado de tcnicos
(servidores). Essa deciso poderia ser tomada de maneira intuitiva ou com base em uma anlise econmica explcita. Tambm
importante realizar a anlise da sensibilidade, especialmente
em parmetros difceis de quantificar como Cw. Agora, prosseguimos para o segundo modelo de Monte.
15.8 Modelo 2: uma fila finita (filas WATS)

No se confunda com o ttulo desta seo. Esta seo dedicada ao modelo 2, a tentativa de Monte de selecionar o nmero apropriado de filas WATS para o hospital St. Luke. Felizmente, nesse caso, ele pode esperar uma ajuda da companhia
telefnica. Ela apresenta um alto grau de percia sobre esses
temas, pois os modelos de formao de filas tm uma ampla
utilizao no campo da engenharia de trfego telefnico. O
problema do nmero de linhas necessrias para um painel de
controle em geral foi resolvido com o modelo M/G/s, com
eliminao de clientes bloqueados. Voc j sabe que esse modelo uma fila com mltiplos canais com s servidores (s linhas), tempos entre chegadas exponenciais para as chamadas
e uma distribuio geral para o tempo de servio que, nesse
caso, a durao de cada chamada. A frase eliminao de
clientes bloqueados faz parte do jargo de formao de filas.
Significa que, quando algum que chega encontra todos os
servidores ocupados (todas as linhas ocupadas), o cliente no
entra em uma fila, mas simplesmente vai embora. Essa frase
descreve claramente o comportamento do painel de controle
telefnico tradicional. Os sistemas mais sofisticados oferecem
agora formao de filas de um nmero finito de clientes, em
alguns casos at mesmo fornecendo ao cliente afortunado a
oportunidade de apreciar uma verso nuzak de Can You Feel
the Love Tonight?, de Elton John, ou a Macarena.
O problema de
selecionar o nmero apropriado de linhas (servidores) resolvido calculando-se a probabilidade no estado constante de que
exatamente j linhas estaro ocupadas. Isso, por sua vez, ser
Probabilidade de j servidores ocupados
Custo Total
Custo Total
US$ 8.000,00
US$ 7.000,00
US$ 6.000,00
US$ 5.000,00
US$ 4.000,00
US$ 3.000,00
US$ 2.000,00
US$ 1.000,00
$80
12
0
16
0
40
Custo de 2 Servidores
Figura 15.12 Grfico da anlise de sensibilidade sobre o custo do tempo de espera para o laboratrio de hematologia.
utilizado para calcular a probabilidade no estado constante de

que todas as s linhas estejam ocupadas. Obviamente, se voc tiver s linhas e se todas elas estiverem ocupadas, a prxima pessoa que fizer uma ligao no poder complet-la.
A probabilidade no estado constante de que haja exatamente j servidores ocupados, desde que s linhas (servidores)
estejam disponveis, dada pela expresso
Pj =
(/)j/j !
s
Em outras palavras, em mdia, duas linhas estariam ocupadas 3,4% do tempo. Uma maneira alternativa de obter Pj que
fcil de implementar em uma planilha (por causa da sua formulao seqencial) a seguinte:
Pi = Pi1(/)/i
Assim, por exemplo, depois que conhecemos P2, podemos calcular P3 como:
P3 = P2(10)/3
= (0,034)(10)/3
= 0,1133
(15.8)
(/)k/k!
k=0
onde = taxa de chegada (a taxa em que as chamadas chegam)

1/ = tempo mdio de servio (o comprimento mdio de uma
conversa)
s = nmero de servidores (linhas)
A expresso chamada de distribuio de Poisson truncada ou

distribuio de perda de Erlang. interessante observar que,
embora estejamos considerando uma distribuio geral do tempo de servio, o valor Pj definido por (15.8) depende somente
da mdia dessa distribuio.
Considere um sistema em que = 1 (chamadas que chegam
a uma taxa de 1 chamada por minuto) e 1/ = 10 (a durao mdia de uma conversa 10 minutos). Aqui / = 10. Suponha que
temos cinco linhas no sistema (s = 5) e queremos encontrar a
probabilidade no estado constante de que exatamente duas linhas
estejam ocupadas (j = 2). De (15.8), vemos que
P2 =
( / )2 / 2!
5
( / )k k!
k =0
(10)2 / (2 1)
10
10
10 3
10 4
10 5
+
+
+
+
1+
1
(2 1) (3 2 1) ( 4 3 2 1) (5 4 3 2 1)
50
=
1 + 10 + 50 + 166, 67 + 416, 67 + 833, 33
50
=
= 0, 034
1477, 67
=
Da mesma forma, P4 encontrado como

P4 = P3(10)/4
= (0,1133)(10)/4
= 0,2833
Cada Pi1 sucessivo multiplicado por (/) e dividido por i para obter o novo Pi.
A questo mais interessante : Qual a probabilidade de todas as linhas estarem ocupadas?, uma vez que, nesse caso, o chamador em potencial no seria capaz de fazer uma chamada nas linhas WATS. Para encontrar a resposta a essa pergunta, simplesmente especificamos j = s (no nosso exemplo s = 5) e obtemos
P5 = P4(10)/5
= (0,2833)(10)/5
= 0,564
ou, na mdia, o sistema est totalmente ocupado 56,4% do

tempo.
Novamente, muito fcil de implementar todas essas frmulas em uma planilha. A probabilidade de que o sistema esteja totalmente ocupado (todos os servidores estejam ocupados)
calculada em uma nova planilha chamada finiteQ, na pasta
de trabalho WATS.XLS. Podemos verificar que a probabilidade de um cliente fracassar com 5 servidores muito mais facilmente calculada em uma planilha, como mostrado na Figura
15.13. Naturalmente, obtemos o mesmo valor (0,564 na clula
F13). Podemos ento criar uma tabela de dados para determi-

Taxa de chegada
Taxa de servio
Nmero de servidores
Comprimento mximo de fila
Utilizao
Probabilidade de que o cliente no conseguir ligao
(max. de 40)
(max. de 40 combinados)
PROBABILIDADE
NMERO NO SISTEMA
Figura 15.13
CD15-15
Planilha de fila finita para clculo da probabilidade de o cliente no conseguir efetuar a ligao.
CD15-16
prar 10 linhas, vemos na Figura 15.14 que a probabilidade de

que todas as 10 linhas estejam ocupadas =0,215 (clula C33).
De (15.9), segue-se que
Prob. de Todos Estarem Cheios

Diminuio na Prob.
Figura 15.14
_
N = 10(1 0,215) = 7,85
Tabela de dados para a probabilidade de o cliente

no conseguir efetuar a ligao para diferentes valores de s.
nar esse valor para diferentes valores de s. A Figura 15.14 mostra a tabela de dados que Monte criou para examinar a possibilidade entre 0 e 10 linhas telefnicas.
Os passos para que Monte faa isso na planilha so:
1. Inserir o valor inicial 0 na clula A23.
2. Clicar novamente na clula A23, depois escolher Editar,
Preencher e, em seguida, Seqncia.
3. Clicar em Seqncias em Colunas, inserir um valor de
passo igual a 1 e um limite de 10. Clique em OK.
4. Inserir as frmulas para o valor que queremos monitorar
(a probabilidade de um cliente fracassar), na clula C22.
A frmula =F13.
5. Destacar o intervalo B22: C33 e clicar em Dados, em seguida, em Tabela.
6. Inserir E4 na Clula de entrada de coluna. Clique em OK.
O Excel preenche a tabela automaticamente, como mostrado na Figura 15.14. Em seguida, criamos a coluna D, que calcula a melhoria marginal nessa probabilidade, medida que
adicionamos servidores. Isso tambm mostrado na Figura
15.14. Aqui, est claro que o efeito marginal de adicionar outros servidores diminui. Por exemplo, adicionar uma segunda
linha, quando j havia uma em servio, diminui a probabilidade de o sistema estar ocupado em 0,089, ao passo que adicionar a dcima linha quando j havia nove em servio, diminui
essa probabilidade em 0,059.
Outro valor interessante e til no projeto de instalaes telefnicas o nmero mdio de linhas ocupadas. Essa quantidade chamada
de carga transportada no jargo de formao de filas. Se
definirmos N como o nmero mdio de servidores ocupados, ento
Nmero mdio de servidores ocupados
N = / [1 Prob. de que um cliente fracassar]
(15.9)
Agora, suponha que, no modelo com linhas WATS de Monte

para o hospital St. Luke, = 1 e 1/ = 10. Portanto, se ele com-
Em outras palavras, o sistema inteiro estar ocupado com

probabilidade 0,215 ou, aproximadamente, um quinto do tem-_
po e, em mdia, quase 8 linhas estaro ocupadas. Depois de N
ter sido calculado, a utilizao do servidor pode ser calculada
dividindo-se por s (o nmero de servidores). Portanto, para a
situao do hospital St. Luke, a utilizao do servidor 7,85/10
= 78,5%, o que significa que cada servidor (em mdia) est
ocupado 78,5% do tempo e desocupado 21,5% do tempo.
Monte acha que dez linhas um meio-termo razovel. A
parece no haver uma grande capacidade em excesso, mas,
por outro lado, a probabilidade de encontrar o sistema ocupado est em um intervalo (70% a 80%) que ele pensa ser apropriado para o hospital. Se ele no se sentir confortvel com essa soluo, baseado em um equilbrio subjetivo do nmero de
linhas e da probabilidade de encontrar o sistema ocupado, e
estiver disposto a especificar um custo para todas as vezes que
o chamador encontrar o sistema ocupado, pode selecionar o
nmero de linhas para minimizar o custo previsto por hora.
Ele procederia da mesma maneira que no sistema M/M/s das
Sees 15.6 e 15.7.
15.9 Modelo 3: o modelo de pessoal para

manuteno
Nesse modelo, Monte precisa decidir o nmero de pessoas para manuteno a serem contratadas para manter 20 equipamentos eletrnicos. As pessoas da manuteno lidam com mquinas com base na estrutura primeira a entrar (talvez primeira a
falhar seja mais exato), primeira a ser servida.
Uma nica pessoa de manuteno trata de cada mquina
quebrada. Assim, voc pode pensar nas mquinas quebradas
como formando uma fila em frente de vrios servidores (as
pessoas da manuteno).
Esse outro modelo M/M/s, mas ele difere de uma maneira fundamental do sistema M/M/s (o modelo do exame de sangue) considerado na Seo 15.6. Nesse modelo, h um nmero
limitado de itens (20) que podem entrar na fila, ao passo que,
no modelo do laboratrio de hematologia, um nmero ilimitado poderia potencialmente entrar na fila.
Dizemos que um modelo de formao de filas, como o
modelo de pessoas para manuteno, em que somente um nmero finito de pessoas pode entrar na fila, tem um universo
de chamadas finito. Dizemos que os modelos com um nmero ilimitado de possveis participantes tm um universo de chamadas infinito.
Considere o modelo com 20 mquinas e duas pessoas para
manuteno. Suponha que, quando uma mquina est funcionando, o tempo entre quebras tenha uma distribuio exponencial, com o parmetro = 0,25 por hora; isto , o tempo mdio
entre quebras 1/ = 4 horas. De maneira semelhante, suponha
que o tempo que leva para consertar uma mquina tenha uma
distribuio exponencial e que o tempo mdio de conserto seja
de 0,50 hora (isto , 1/ = 0,50). Esse um modelo M/M/2,
com um mximo de 18 itens na fila (20, incluindo dois no servio) e um universo de chamadas finito. Nesse caso, as equaes gerais para a probabilidade no estado constante de que h
n trabalhos no sistema uma funo de , , s (o nmero de
pessoas para manuteno) e N (o nmero de mquinas). Em
particular
Pn =
N!
(/)nP0 para 0 n s
n!(N n)!
Pn =
N!
(/)nP0 para s < n N
(N n)!s!sns
(15.10)
Tambm sabemos que

N
Pn = 1
n=0
(15.11)
Portanto, temos N + 1 equaes lineares (N da equao [15.10]

e 1 da equao [15.11]) nas N + 1 variveis de interesse (P0,
P1,...... Pn). Isso torna possvel (embora penoso) calcular os valores de Pn para qualquer modelo particular. Uma pessoa pode
ver que cada modelo fica um pouco mais complexo do que o anterior e que as frmulas de Pn ficam mais complexas.
Contudo, no h nenhuma expresso simples (mesmo com
esses padres) para o nmero esperado de trabalhos (mquinas
quebradas) no sistema ou para espera. Se os valores de Pn forem calculados, ser (realmente) uma tarefa simples encontrar
um valor numrico para o nmero esperado no sistema. Voc
precisa apenas calcular
N
nmero esperado no sistema = L =
nPn
n=0
Se Deus tivesse a inteno de fazer com as pessoas realizassem

esse tipo de clculo manualmente, Ele no teria permitido que
as planilhas fossem inventadas. A Figura 15.15 mostra a configurao da planilha finite Population na pasta de trabalho REPAIR.XLS, que pode ser utilizada para calcular os valores de Pn,
o nmero previsto no sistema e o nmero previsto do tempo de
espera, para diversos sistemas. Como mostrado, o usurio insere os parmetros de sistema tpicos (, e s) na planilha
MMs, ento clica na nova planilha finitePopulation e adiciona o tamanho do universo finito (clula E5), e a planilha faz
o resto. Neste caso, o resto consiste em avaliar numericamente as equaes para Pn e em utilizar os resultados para encontrar
o nmero esperado no sistema. H um truque com esse tipo
de modelo, ao inserir o valor da taxa de chegada () na planilha
MMs; na verdade, voc precisa inserir N* ou a taxa de chegada do universo inteiro.
Conforme voc v na Figura 15.15, para esse sistema, L q,
o nmero mdio de mquinas que esperam o servio, 3,348
(clula F8) e W, o tempo previsto no sistema, 1,405 hora (clula F11).
A utilizao alta em 92,5% e vemos no histograma que
h 3,3% de chances de que o sistema esteja vazio, uma probabilidade crescente de que haver uma mquina (8,3%) e as probabilidades continuam a crescer para um nmero crescente de
mquinas, at alcanar um mximo de quatro e cinco mquinas
(elas esto limitadas a 11,8%). Ento, alm de cinco mquinas,
as probabilidades diminuem.
15.10 Resultados do estado transitrio versus

estado constante: pedido a ser entregue
O fato que nem sempre estamos interessados nos resultados
do estado constante, ou no fato de que um modelo analtico est disponvel para prever o comportamento do sistema de formao de filas que nos interessa. Nesta seo, consideraremos
uma situao em que estamos interessados no comportamento
transitrio do sistema e precisamos utilizar uma simulao para obter as respostas desejadas.
M/M/s com Populao Finita
total
Taxa de chegada
Taxa de servio
Nmero de servidores
Tamanho da populao
(por cliente)
(por servidor)
(max. de 40)
(max. de 100)
Utilizao
Wq. tempo esperado na fila horas
W. tempo total esperado no sistema horas
PROBABILIDADE
NMERO NO SISTEMA
Figura 15.15
CD15-17
Planilha do universo finito para o modelo de pessoas para manuteno.
horas
horas
CD15-18
Os processos de fabricao podem ser visualizados como

sistemas de formao de filas complexos. Provavelmente, a
ferramenta mais utilizada pela cincia de gerncia na rea de
fabricao a simulao de sistemas de formao de filas. Larry Lujack, planejador de produo da SONOROLA e recmformado na Graduate Business School da University of Chicago, est se perguntando se aquilo que aprendeu sobre os modelos de formao de filas no ltimo semestre da faculdade poderia ajud-lo a decidir quando prometer a entrega de um novo
pedido do cliente. O pedido so 20 unidades de um item que
requer processamento seqencial em duas estaes de trabalho.
O tempo mdio para processar uma unidade em cada estao
de trabalho de 4 horas. Cada estao de trabalho est disponvel 8 horas a cada dia til.
Considerando o momento em que a ltima das 20 unidades
ser concluda, Larry estima que inicialmente levar 10,5 dias
para processar o pedido. A ltima unidade deve esperar na estao de trabalho 1 para que as primeiras 19 unidades sejam
concludas; ento, ela deve ser processada na estao de trabalho 1 e, em seguida, na estao de trabalho 2. Supondo que essa ltima unidade no tenha de esperar quando chegar estao de trabalho 2, Larry faz o seguinte clculo:
(19 unidades 4 horas/unidade + 4 horas + 4 horas)
8 horas/dia = 10,5 dias
Entretanto, essa anlise um pouco simplista. Ela ignora a variabilidade dos tempos de processamento e a possibilidade de
formao de filas na estao de trabalho 2. Larry percebe que a
distribuio exponencial apropriada para os tempos de processamento, porque ele chegou ao nmero de 4 horas tirando a
mdia de vrios tempos de processamento que tinham menos
de 4 horas, com alguns tempos de processamento que eram significativamente mais longos do que isso (veja a Seo 15.11).
Esses poucos tempos de processamento longos eram devido a
falhas nos equipamentos em uma estao de trabalho ao processar uma unidade.
Em seguida, Larry verifica se as suposies do modelo bsico de formao de filas so cumpridas. A sada da estao de
trabalho 1 so as chegadas estao de trabalho 2 e o tempo
entre as chegadas exponencial, pois o tempo de processamento na estao de trabalho 1 exponencial. O tempo de servio
na estao de trabalho 2 exponencial porque igual ao tempo de processamento. As unidades so processadas com base
na estrutura primeira a entrar, primeira a ser atendida, na estao de trabalho 2 e h capacidade de buffer suficiente entre as
estaes de trabalho para que o tamanho da fila seja, para todos
os propsitos prticos, infinito. Entretanto, a suposio de um
horizonte de tempo infinito no cumprida. Larry est interessado apenas no comportamento do sistema at que o cliente
20 termine seu processamento.
Larry decide aplicar o modelo bsico de qualquer jeito e o
utiliza como aproximao. Ele faz uma aproximao do tempo
que leva para processar 20 unidades, como segue. Primeiro, ele
estima que a ltima unidade no lote de 20 sair da estao de
trabalho 1 depois de 20 4 = 80 horas. Essa unidade ento vai
esperar na fila em frente da estao de trabalho 2. Por fim, ela

completar o processamento na estao de trabalho 2, no momento em que todas as 20 unidades tero sido concludas. O
tempo total que a ltima unidade gasta na estao de trabalho 2
W. Portanto, a estimativa do Larry 20 4 + W. No modelo
bsico, W fornecido pela frmula 1/ ( ). Larry agora percebe seu dilema: e so iguais (1 unidade por 4 horas) e a
frmula vlida somente quando for maior do que .
Larry decide configurar uma planilha (ORDER.XLS) para
estimular o fluxo das 20 unidades pelas duas estaes de trabalho. Sua planilha est mostrada na Figura 15.16. Larry presume
que o material bruto est sempre disponvel na estao de trabalho 1 (WS1), de modo que a prxima unidade na estao de trabalho 1 possa iniciar logo que a unidade atual for concluda. Isso significa que, para a estao de trabalho 1, o tempo de incio
de uma unidade o tempo de parada da unidade anterior. Por
exemplo, a frmula na clula B8 da planilha =C7. O tempo de
incio de uma unidade na estao de trabalho 2 o tempo de parada dessa unidade na estao de trabalho 1 ou o tempo de parada da unidade anterior na estao de trabalho 2, o que for
maior. Assim, por exemplo, a frmula na clula D8
=MAX(C8,E7). O tempo de parada de uma unidade simplesmente o tempo de incio mais o tempo de processamento. O
tempo de trmino, em dias, est mostrado na clula F2 e calculado dividindo-se o tempo de parada da ltima unidade na estao de trabalho 2 pelo nmero de horas/dias (8 na clula F1).
A planilha calcula esse tempo como sendo 10,5 dias, se cada
unidade levar exatamente 4 horas em cada estao de trabalho.
Para analisar o impacto da variabilidade sobre o tempo de
processamento, Larry substitui o tempo de processamento
constante de 4 na estao de trabalho 1 em sua planilha, pela
distribuio aleatria apropriada (no Crystal Ball, ele escolhe a
distribuio exponencial na galeria; no @RISK, ele insere
=RiskExpon($B$1)), que exemplifica uma distribuio exponencial com uma mdia de 4. Isso torna o tempo de trmino
uma varivel aleatria. Larry gostaria de conhecer o 99 percentil dessa varivel aleatria (o nmero que, em 99% do tempo, a varivel aleatria ser menor ou igual). Ele ento poderia
prometer o pedido dentro desse nmero de dias e ter 99% de
certeza de que realmente o pedido seria completado a tempo.
Utilizando o Crystal Ball ou o @RISK, essa uma questo
simples de encontrar qualquer percentil de qualquer varivel
aleatria na planilha. A Figura 15.17 mostra o 99 percentil para a clula F2 (o tempo de trmino em dias) baseado em 1000
iteraes (1000 conjuntos de 40 tempos de processamento
aleatrios 20 para a estao de trabalho 1, 20 para estao de
trabalho 2). Primeiro, observe que o tempo de trmino esperado (Mean para a clula F2 na Figura 15.17) de 15,52 dias,
dois dias a mais que o clculo inicial de Larry. Os dois dias extras so o atraso mdio de formao de filas causado pela variabilidade dos tempos de processamento. Se Larry quisesse ter
99% de certeza de que o pedido ser concludo dentro do tempo prometido, ele deve configurar a data de entrega como
18,28 dias (Target #1(Value)= na Figura 15.17) depois que o
material estiver disponvel na estao de trabalho 1.
Tempo mdio no WS1

Tempo mdio no WS2
horas
horas
# hs/dia
Tempo de concluso
dias
Estao de trabalho 1 Estao de trabalho 2
Unidade #
Figura 15.16
Incio
Final
Incio
Final
Clula
Frmula
Copiar para
C7
D7
E7
B8
D8
F2
$B$1 + B7
C7
D7+$B$2
C7
MAX(C8, E7)
E26/F1
C8:C26
E8:E26
B9:B26
D9:D26
Planilha de pedido a ser entregue.
Figura 15.17 Resultados estatsticos para o modelo de concluso do pedido.
CD15-19
CD15-20
A formao de fila que acontece na estao de trabalho 2

aumentou o tempo inicial (tempo desde o incio do pedido at
sua concluso) em quase 8 dias (18,28 menos 10,5) com relao ao tempo que levaria se no houvesse nenhuma variabilidade nos tempos de processamento. A Figura 15.18 mostra o histograma do tempo de trmino e podemos ver que o tempo pode variar de 6,5 dias at 21 dias.
Mesmo que o modelo bsico no fosse aplicvel nesse caso, ele ajudou Larry a pensar sobre o modelo e a entender essa
resposta a partir da simulao de planilha. O problema 15-29
explora uma situao um pouco diferente em que se pode usar
o modelo bsico para estimar o tempo mdio de trmino e o
99 percentil.
15.11 O papel da distribuio exponencial

H um volume enorme de literatura concernente aos sistemas
de formao de fila e praticamente impossvel ao gerente conhecer todos os resultados. Contudo, h algumas consideraes gerais que so teis para ajudar o gerente a pensar sobre o
uso de modelos de formao de filas. Uma dessas consideraes o papel da distribuio exponencial nos modelos analticos de formao de filas.
Basicamente, no h nenhum resultado analtico para situaes de formao de fila que no envolvam a distribuio
exponencial, quer na distribuio de tempos entre chegadas,
quer nos tempos de servio, ou ambos. Esse fato torna importante para um gerente reconhecer o conjunto de circunstncias
em que razovel supor que uma distribuio exponencial
ocorrer. As trs propriedades a seguir da distribuio exponencial ajudam a identificar isso:
1. Falta de memria: em um processo de chegada, essa
propriedade implica no fato de que a probabilidade de
uma chegada ocorrer nos prximos minutos no influenciada pelo momento em que a ltima chegada ocorreu; isto , o sistema no tem nenhuma memria sobre o
que acabou de acontecer. Essa situao surge quando (1)
h muitas pessoas que potencialmente poderiam chegar
ao sistema, (2) cada pessoa decide chegar independentemente das outras pessoas e (3) cada pessoa seleciona seu
tempo de chegada de maneira completamente aleatria.
fcil ver por que a suposio de chegadas exponenciais
se encaixa to bem no sistema de telefonia.
2. Tempos curtos de servio: com uma distribuio exponencial, so comuns valores pequenos do tempo de servio. Isso pode ser visto na Figura 15.19. Essa figura mostra o grfico da probabilidade de o tempo de servio S ser
menor que ou igual a t (Prob {S t}), se o tempo mdio
do servio for 10; isto , = 0,1 e 1/ = 10. Observe que
o grfico se eleva rapidamente e se aproxima lentamente
do valor 1,0. Isso indica uma alta probabilidade de ter um
tempo curto de servio. Por exemplo, quando t = 10, a
probabilidade de que S t 0,632. Em outras palavras,
mais de 63% dos tempos de servio so menores do que o
tempo mdio de servio. Isso se compara a uma distribuio normal em que somente 50% dos tempos de servio
so menores do que a mdia. A implicao prtica desse
fato que uma distribuio exponencial pode ser mais
bem utilizada para modelar a distribuio dos tempos de
servio em um sistema em que uma grande proporo de
trabalhos leva um tempo muito curto e somente alguns
trabalhos levam muito tempo.
Dizemos que os engenheiros pensam que o mundo
inteiro distribudo de maneira exponencial, enquanto os
cientistas sociais pensam que o mundo inteiro distribudo de maneira normal. Uma maneira rpida e aproxima-
Figura 15.18 Histograma dos tempos de trmino para o modelo de concluso do pedido.
Prob S t
1,0
0,632
t
10
20
30
40
Figura 15.19 Uma alta probabilidade de tempos curtos de servio.
da de verificar que tipo de distribuio voc tem ver se

a mdia dos dados est prxima ao seu desvio-padro.
Se estiver, ser mais provvel que os nmeros estejam
distribudos exponencialmente. Se for 1/3 ou menos da
mdia, provavelmente esto distribudos normalmente.
3. Relao com a distribuio de Poisson: ao introduzir o
modelo bsico (Seo 15.2), observamos o relacionamento entre as distribuies de Poisson e exponenciais. Em
particular, se o tempo entre as chegadas tiver uma distribuio exponencial com o parmetro , ento, em um perodo especificado de tempo (digamos, T), o nmero de
chegadas ter uma distribuio de Poisson com o parmetro T. Dessa forma, se X for o nmero de chegadas durante o tempo T, a probabilidade de que X seja igual a um
nmero especfico (digamos, n) dada pela equao
Prob{ X = n} =
e T (T )n
n!
Essa equao verdadeira para qualquer valor inteiro no-negativo de n (isto , n = 0, 1, 2 e assim por diante).
A relao entre as distribuies exponenciais e de Poisson
desempenha um papel importante no desenvolvimento terico
da teoria de formao de filas. Ela tambm tem uma implicao prtica importante. Comparando o nmero de trabalhos
que chega ao servio durante um perodo especfico de tempo
com o nmero que a distribuio de Poisson, o gerente capaz
de verificar se suas escolhas de modelo e dos valores de parmetro para o processo de chegada so razoveis.
15.12 Disciplina da fila

Nas sees anteriores, especificamos a distribuio de chegada, a distribuio de servio e o nmero de servidores para definir um sistema de formao de filas. A disciplina da fila outra caracterstica que deve ser especificada a fim de definir um
sistema de formao de filas. Em todos os modelos que consideramos at agora, assumimos que as chegadas foram atendidas com base na estrutura primeira a entrar, primeira a ser
atendida (freqentemente chamada FIFO, first-in, first-out).
Essa certamente uma suposio apropriada para sistemas de
telefonia e para muitos sistemas em que as pessoas so as chegadas. Mas no necessariamente o caso para outros sistemas.
CD15-21
Em um elevador, a ltima pessoa que entra freqentemente a

primeira a sair (LIFO last-in, first-out). E, no modelo de pessoas para manuteno, no h realmente razo alguma para
consertar as mquinas na mesma ordem em que elas quebram.
Se uma certa mquina puder retornar produo em 5 minutos,
talvez seja uma boa idia concert-la primeiro, em vez de fazer
com que espere at que seja concludo um trabalho de 1 hora
em uma mquina danificada anteriormente.
Adicionar a possibilidade de selecionar uma boa disciplina de fila torna o modelo de formao de filas mais complexo.
Modelos desse tipo so freqentemente chamados de modelos
de agendamento e h uma literatura extensa que lida com eles,
o que ser deixado para cursos mais avanados.
15.13 Observaes sobre implementao

Os modelos discutidos neste captulo so representantes teis
somente de uma pequena parte de uma ampla variedade de modelos de formao de filas. Os resultados apresentados aqui,
em geral, exigem que o tempo entre as chegadas, o tempo de
servio, ou ambos, tenham uma distribuio exponencial. Eles
so importantes porque produzem resultados analticos compactos e porque, em muitas circunstncias, razovel supor
que o processo de chegada um processo de Poisson. Em particular, observamos que um grande (basicamente infinito) universo de chamadas, no qual os membros desse universo decidem chegar aleatoriamente s instalaes de servio, gera uma
distribuio exponencial para o tempo entre chegadas. No
causa nenhuma surpresa o fato de que os modelos analticos
so freqentemente utilizados em sistemas com esse tipo de
mecanismo de chegada. As redes de comunicao (especialmente o sistema de telefonia) e os sistemas de controle de trfego so dois exemplos importantes desses sistemas.
A simulao dinmica de um evento discreto (discrete
event dynamic simulation DEDS) uma estratgia popular
para estudar os modelos de formao de filas que no se encaixam no molde analtico. Na verdade, programas atuais como
Arena (da Systems Modeling), Extend e Alfa/SIM foram criados para facilitar o processo de simulao. Esse tpico foi tratado em detalhes no Captulo 10.
15.14 Resumo
Este captulo forneceu uma introduo ao tema de formao de
filas. Ele indicou que muitos modelos interessantes podem ser
convertidos ao modo de chegada/servio de um modelo de formao de filas.
A Seo 15.2 foi dedicada ao modelo bsico, uma fila com
um nico canal, com tempos entre chegadas e tempos de servio exponenciais. Quatro caractersticas do sistema nmero
esperado no sistema, L; nmero esperado na fila, L q; tempo
previsto de espera, W; e tempo esperado na fila, Wq foram definidas. Foram apresentadas frmulas para essas caractersticas
como uma funo dos parmetros dos processos de chegada e
de servio. Foi apresentado um exemplo numrico.
A Seo 15.3 introduziu brevemente um sistema de notao para descrever os sistemas de formao de filas. A equao
CD15-22
de fluxo de Little, L, = W, foi apresentada na Seo 15.4. Essa equao, mais o fato geral de que
W = Wq + tempo esperado de servio
foram oferecidos como meios alternativos para calcular as caractersticas da fila.

A Seo 15.5 generalizou o modelo bsico para permitir
uma distribuio arbitrria do tempo de servio. A Seo 15.6
considerou uma fila com mltiplos servidores. Foram apresentadas algumas frmulas novas. Essas frmulas foram combinadas com os resultados da Seo 15.4 para calcular os resultados
numricos em uma planilha do Excel para um modelo de funcionrios em um laboratrio de hematologia. A Seo 15.7 foi
dedicada a uma anlise econmica do modelo de funcionrios
no laboratrio de hematologia.
As Sees 15.8 e 15.9 continuaram a considerar as filas
com mltiplos servidores. A Seo 15.8 foi dedicada a um
sistema M/G/s, em que os clientes que chegam e encontram
todos os servidores ocupados no esperam, mas simplesmente vo embora. Esse modelo particularmente til no projeto
de sistemas de telefonia. Foi apresentado um exemplo especfico desse tipo.
A Seo 15.9 discutiu o modelo de pessoas para manuteno, um sistema M/M/s com um universo finito de chamadas.
Ela tambm ilustrou o uso de planilhas para obter resultados
numricos para um modelo particular.
A Seo 15.10 mostrou como uma simulao de planilha
pode ser utilizada para explorar o estado transitrio, em vez do
comportamento do estado constante, de um sistema.
A Seo 15.11 descreveu a importncia da distribuio exponencial na decomposio analtica dos sistemas de formao
de filas. Ela tambm apresentou duas caractersticas da distribuio exponencial: a propriedade falta de memria e a alta
probabilidade de valores pequenos.
A Seo 15.12 discutiu brevemente o tpico sobre a disciplina da fila.
Termos-chave
Canal. Um sinnimo de servidor no jargo da formao da filas
(por exemplo, uma fila com um nico canal uma fila com
um nico servidor).
Caractersticas operacionais. Valores como o nmero esperado na fila que descrevem a operao do sistema de formao
de filas.
Disciplina da fila. A regra utilizada pela instalao de servio
para determinar quais itens so atendidos. Primeiro a entrar,
primeiro a ser atendido um exemplo tpico.
Estado constante. Uma condio em que a probabilidade de visualizar uma certa situao (por exemplo, uma fila vazia) no
depende do momento que voc a examina.
Falta de memria. Uma caracterstica da distribuio exponencial que torna possvel inferir resultados analticos para muitos
modelos de formao de filas.
Fila finita. Uma fila com um limite superior quanto ao nmero
de itens que pode esperar nela.
Fracasso. Ocorre um fracasso quando um cliente chega a uma
fila finita completamente ocupada.
Modelo de formao de filas. Um modelo que diz respeito espera em uma fila.
Processo de chegada. Aquela parte de um modelo de formao
de filas que determina o padro de chegada.
Processo do servio. Aquela parte de um modelo de formao
de filas que determina o tempo de servio para cada item.
Renncia. Ocorre a renncia quando um cliente sai de um sistema sem ser atendido.
Tamanho da fila. O limite do nmero de itens que tem permisso de esperar pelo servio na fila.
Tempo de servio. O perodo de tempo que um item leva para passar pela instalao de servio. Em geral, um valor
aleatrio.
Tempo entre chegadas. O perodo de tempo entre duas chegadas consecutivas em uma instalao de servio. Em geral, um
valor aleatrio.
Universo de chamadas. O nmero de itens para um servio que
podem ser chamados no sistema: portanto, um fator ao determinar o processo de chegada.
Exerccios de reviso
Verdadeiro Falso
1. V F O nmero de pessoas no sistema significa o nmero
que est esperando na linha.
2. V F O tempo de espera inclui o tempo de servio.
3. V F A distribuio exponencial uma distribuio de dois
parmetros definida por uma mdia e um desvio-padro.
4. V F O tempo mdio entre chegadas recproco da taxa mdia de chegada, e o tempo mdio de servio recproco da
taxa mdia do servio.
5. V F O modelo bsico M/M/1.
6. V F medida que aumenta o nmero de servidores, geralmente aumenta o custo do tempo de espera.
7. V F A suposio de que a taxa mdia do servio menor
do que a taxa mdia de chegada suficiente para eliminar a
formao de filas infinitamente longas.
8. V F A equao de fluxo de Little declara uma relao diretamente proporcional entre o tempo de espera previsto e o
nmero esperado de pessoas no sistema.
9. V F A notao G/M/2 significa que a distribuio do servio geral, a distribuio de chegada exponencial e h dois
servidores em paralelo.
Mltipla escolha
10. Qual das opes a seguir no se aplica ao modelo bsico?
a. chegadas distribudas exponencialmente
b. tempos de servio distribudos exponencialmente
c. horizonte de tempo finito
d. tamanho ilimitado da fila
e. a disciplina primeiro a entrar, primeiro a ser atendido
11. Um objetivo importante da formao de filas
a. minimizar o custo do fornecimento do servio
b. fornecer modelos que ajudem o gerente a negociar o
custo do servio
c. maximizar o retorno esperado
d. otimizar as caractersticas do sistema
12. As caractersticas das filas como nmero esperado no sistema
a. so relevantes depois que a fila alcanou um estado
constante
b. so instrues probabilsticas
c. dependem do modelo especfico
d. todas as anteriores
13. Na equao de fluxo de Little, qual das seguintes opes
no verdadeira?
a. l a constante de proporcionalidade entre o nmero esperado na fila e o tempo previsto na fila
CD15-23
b. l a constante de proporcionalidade entre o nmero esperado no sistema e o tempo esperado no sistema

c. l a taxa de chegada, incluindo as chegadas que optam
por no entrar no sistema
14. O aspecto mais difcil da realizao de uma anlise econmica formal dos sistemas de formao de filas
a. estimar o custo do servio
b. estimar o custo do tempo de espera
c. estimar a utilizao
15. Em um sistema com mltiplos servidores com eliminao de
clientes bloqueados, qual das seguintes opes no se aplica?
a. Quando todos os servidores esto ocupados, novas chegadas vo embora.
b. Caractersticas interessantes so a probabilidade de que
todos os servidores estejam ocupados e o nmero mdio
de servidores ocupados.
c. Uma pessoa nunca faria uma anlise do custo esperado
por hora.
16. Para a distribuio exponencial, qual das opes a seguir
no uma caracterstica?
a. falta de memria
b. em geral resulta em maiores tempos de servio que a
mdia
c. um nico parmetro
Respostas
1. F, 2. V, 3. F, 4. V, 5. V, 6. F, 7. F, 8. V, 9. F, 10. c, 11. b, 12. d, 13. c 14. b, 15. c, 16. b
Problemas
15-1. As barcas chegam eclusa La Crosse no rio Mississipi a uma
taxa mdia de uma barca a cada 2 horas. Se o tempo entre
chegadas tivesse uma distribuio exponencial,
(a) Qual seria o valor de ?
(b) Qual seria o tempo mdio entre chegadas?
(c) Qual seria a taxa mdia de chegada?
15-2. Os carros chegam a cada 15 minutos ao posto de gasolina do
Joe para uma troca de leo, e o tempo entre chegadas tem uma
distribuio exponencial. O posto de gasolina pode atender at
48 carros, durante um perodo de 8 horas, sem nenhum tempo
de inatividade. Suponha que o tempo de servio tambm seja
uma varivel aleatria com uma distribuio exponencial. Estimativa:
(a) O valor de .
(b) A taxa mdia de chegada.
(c) O valor de .
(d) O tempo mdio de servio.
(e) A taxa mdia de servio.
15-3. Uma agente da imigrao no aeroporto Heathrow, em Londres, poderia processar em mdia 120 passageiros durante
seu turno de trabalho de 8 horas, se estivesse ocupada o
tempo todo. Se o tempo para processar cada passageiro
fosse uma varivel aleatria com uma distribuio exponencial,

(a) Qual seria o valor de ?
(b) Qual seria o tempo mdio do servio?
(c) Qual seria a taxa mdia do servio?
15-4. Para os dados do Problema 15-2, determine:
(a) O nmero esperado de carros no sistema.
(b) O nmero esperado de carros na fila.
(c) O tempo de espera previsto.
(d) O tempo previsto na fila.
(e) A probabilidade de o sistema estar vazio.
15-5. Considere a agente da imigrao mencionada no Problema 153. Suponha que o modelo bsico seja uma aproximao razovel da operao dessa agente. Lembre-se de que, se ela estivesse ocupada todo o tempo, poderia processar 120 passageiros
durante seu turno de trabalho de 8 horas. Se, em mdia, um
passageiro chegasse a sua estao a cada 6 minutos, encontre:
(a) O nmero esperado no sistema.
(b) O nmero esperado na fila.
CD15-24
15-6. Considere uma fila com um nico canal. Suponha que o modelo bsico seja uma aproximao razovel da sua operao.
Descreva o esquema a seguir para estimar :
1. Digamos que N seja igual ao nmero de chegadas entre
8:00 e 16:00
2. Configure = 8/N.
15-7. Considere o modelo bsico. Digamos que = 5 e descreva o
nmero esperado no sistema para = 6,7,..., 15.
15-8. Considere o modelo bsico. Digamos que = 10 e descreva
a probabilidade de o sistema estar vazio para = 0 1,..., 10.
15-9. Utilize a equao de fluxo de Little e o fato de que L = / (
) no modelo bsico, para criar a expresso para W.
15-10. Utilize a equao de fluxo de Little, a expresso para o tempo mdio de servio e o fato de que L = / ( ) no modelo bsico, para criar a expresso para Wq.
15-11. Uma mdica gasta, em mdia, 20 minutos com seus pacientes. Se o tempo previsto de espera for de meia hora, qual o
tempo previsto na fila?
15-12. Suponha que seja afirmado no Problema 15-11 que h uma
taxa de chegada de sete pacientes por hora. Comente esse
problema.
15-13. Descreva em palavras um sistema de formao de filas
M/D/3.
Problemas de aplicao
15-14. Considere a eclusa La Crosse mencionada no problema 15-1.
Suponha que o modelo bsico seja uma aproximao razovel da operao dessa eclusa. A nova estimativa do tempo
mdio entre chegadas para a prxima estao de 60 minutos para barcas e leva, em mdia, 30 minutos para uma barca
passar pela eclusa. Encontre:
(a) O nmero esperado no sistema.
(b) O nmero esperado na fila.
(f) O tempo mdio do servio mais longo para o qual o
tempo previsto de espera seja menor do que 45 minutos.
15-15. Utilize as respostas do Problema 15-14 para mostrar que a regra da equao de fluxo de Little verdadeira.
15-16. Resolva de (a) a (e) do Problema 15-14, utilizando o modelo
generalizado para o caso em que a varincia da distribuio
do tempo de servio igual sua mdia.
15-17. Na Homeburg Savings and Loan, os clientes que desejam
comprar certificados de depsitos bancrios formam uma
nica fila e so atendidos com base na estrutura primeiro a
entrar, primeiro a ser atendido, por um funcionrio especfico do banco. O tempo de servio normalmente distribudo com uma mdia de 5 minutos e um desvio-padro de 1
minuto. Os clientes chegam a uma taxa de um a cada 8 minutos. Uma anlise do tempo mostra que os clientes gastam
uma mdia de 11,833 minutos no sistema (isto , esperando
e sendo atendidos). Qual o nmero mdio de pessoas no
sistema?
15-18. A Homeburg Saving and Loan utiliza trs caixas bancrios
aos sbados. O tempo entre chegadas e o tempo de servio
para os clientes tm uma distribuio exponencial. Os clientes chegam a uma taxa de 20 por hora, e o tempo mdio de
servio de 6 minutos. Os clientes formam uma nica fila e
so atendidos pelo primeiro caixa disponvel. Sob condies
de estado constante, encontre:
(a) A probabilidade de que nenhum cliente esteja esperando ou sendo atendido.
(b) O nmero esperado de pessoas na fila.
(c) O tempo de espera na fila previsto.
(d) O tempo de espera previsto.
(e) O nmero previsto de pessoas no sistema.
15-19. A Darden Business School reserva 10 modems de alta velocidade para uso pela faculdade para conectar as residncias
rede da escola. Se um membro da faculdade tenta se conectar
e se todos os modems esto ocupados, ele informado desse
fato e deve tentar novamente mais tarde. Para estimar as caractersticas do sistema, o diretor da rea de tecnologia da informao deseja saber os valores do estado constante das caractersticas, supondo um universo de chamadas finito de 100
e uma fila infinita. (Trata-se de uma aproximao, porque os
membros da faculdade que no conseguem se conectar devem tentar novamente.) Cada membro da faculdade deseja se
conectar a partir da residncia uma vez a cada 8 horas, em
mdia, e o tempo entre chegadas distribudo exponencialmente. Os membros da faculdade gastam em mdia 30 minutos conectados a partir da residncia, depois de a conexo ter
sido completada, distribudos exponencialmente. Encontre:
(a) A probabilidade de que todas as portas estejam abertas.
(b) O nmero esperado de pessoas na fila.
(c) O tempo de espera na fila previsto.
(d) O tempo de espera previsto.
(e) O nmero esperado no sistema.
15-20. Para o Problema 15-19, estime a probabilidade de que todas
as conexes estejam ocupadas utilizando o modelo de planilha (finiteQ) mostrado neste captulo. (Suponha um modelo M/G/s com os clientes bloqueados eliminados, um universo de chamadas infinito e uma taxa de chegada 100 vezes
maior do que essa para um nico membro da faculdade.)
15-21. A STECO tem 100 representantes de vendas nos Estados
Unidos. Eles fazem os pedidos por meio de um escritrio
central onde um funcionrio do escritrio, utilizando o sistema central de controle de inventrio, confirma a disponibilidade do produto, o preo e a data de entrega. O representante faz a ligao diretamente do escritrio do cliente, antes de
assinar um contrato. As ligaes so mantidas em uma fila e
atendidas pelo primeiro funcionrio disponvel no escritrio,
com base na estrutura primeiro a entrar, primeiro a ser atendido. As ligaes chegam a uma taxa de 40 por hora e o tempo mdio do servio de 6 minutos. A gerncia estima que
custa US$ 20 por hora para que um representante de vendas
faa a ligao e o pedido, e US$ 12 por hora para empregar
um funcionrio administrativo. Modele essa situao como
uma fila M/M/s com um universo de ligaes infinito e calcule o custo total previsto por hora, se a STECO contratasse
cinco funcionrios administrativos.

15-22. Encontre o custo total previsto para o sistema do problema
15-21, se a STECO contratasse seis funcionrios administrativos.
15-23. Utilize as solues dos Problemas 15-21 e 15-22 para determinar o valor da taxa Cs/ Cw com a qual no faria diferena se a STECO tivesse cinco ou seis funcionrios administrativos.
15-24. Em uma clula de produo particular, uma pessoa de manuteno tem de manter quatro mquinas. Para as mquinas, o
tempo entre quebras distribudo exponencialmente, com
uma mdia de quatro horas. Em mdia, leva meia hora para
consertar uma mquina.
(a) Encontre as probabilidades de que existam 0, 1, 2, 3 ou
4 mquinas sendo concertadas.
(b) Encontre o nmero mdio de mquinas sendo concertadas.
15-25. Uma central telefnica tem sete linhas. As ligaes chegam a
uma taxa de duas por minuto e o tempo entre chegadas tem
uma distribuio exponencial. As conversas tm uma distribuio normal, com uma mdia de 5 minutos e um desvio-padro de 1 minuto. Quando todas as sete linhas esto ocupadas,
o chamador simplesmente recebe um sinal de ocupado.
(a) Qual a probabilidade de que exatamente trs linhas
estejam ocupadas?
(b) Qual a probabilidade de que o sistema esteja totalmente ocupado?
(c) Qual o nmero mdio de servidores ocupados?
15-26. Um grupo de pesquisa de mercado tem trs entrevistadores
localizados em cabines adjacentes a um shopping em uma
rea suburbana. Os entrevistadores encontram as pessoas que
entram no shopping e perguntam se elas esto dispostas a serem entrevistadas. Eles estimam que as pessoas dispostas a
concordar com a entrevista chegam ao shopping a uma taxa
de 15 clientes por hora e o tempo entre chegadas tem uma
distribuio exponencial. Em mdia, a entrevista demora 15
minutos. Se todas as cabines estiverem ocupadas, uma pessoa
que concordou em ser entrevistada no vai esperar e simplesmente prosseguir com suas compras.
(a) Descreva a seguinte afirmao: desde que > s, esse
sistema crescer sem limites.
(b) Calcule a probabilidade de que exatamente um entrevistador esteja ocupado.
(c) Encontre a probabilidade de que todos os trs entrevistadores estejam ocupados.
(d) Encontre o nmero mdio de entrevistadores ocupados.
15-27. Considere novamente a eclusa La Crosse mencionada nos
Problemas 15-1 e 15-14. Suponha que o tempo mdio entre
chegadas seja de 60 minutos e que, em mdia, demora 30 minutos para uma barca passar pela eclusa e que o desvio-padro desse tempo de servio de 3 minutos. Responda novamente de (a) at (f) do Problema 15-14. Quais foram suas novas respostas e por qu?
15-28. As solicitaes de consertos so tratadas por um faz-tudo
em um conjunto de apartamentos com base na estrutura primeiro a entrar, primeiro a ser atendido. As solicitaes chegam a uma taxa de 1 por hora, em mdia. O tempo que o
faz-tudo leva para fazer um conserto normalmente distribudo com uma mdia de 30 minutos e um desvio-padro de
15 minutos. Qual o tempo mdio entre o momento em que
uma solicitao de conserto feita e sua concluso?
CD15-25
15-29. Larry Lujack no est feliz com os longos tempos iniciais

que tem para relatar cotaes para os clientes (Veja a Seo
15.10). Ele percebe que a SONOROLA comear a perder
negcios para os concorrentes que podem especificar tempos iniciais mais curtos. Inicialmente, Larry sups que os
tempos de processamento estavam distribudos exponencialmente. Depois que examina os dados mais detidamente, ele descobre que, em 90% do tempo, leva 3 horas para
processar uma unidade nas estaes de trabalho 1 ou 2 e
em 10% do tempo leva 13 horas nas estaes de trabalho 1
ou 2. Assim, o tempo mdio 0,9 * 3 + 0,1 * 13 = 4,0 horas. Depois de conversar com o supervisor de produo
dessas estaes, ele verifica que o alto tempo de processamento ocorre devido s quebras nos equipamentos ao processar uma unidade. Invariavelmente, leva 10 horas para
consertar o equipamento depois que ocorre uma quebra.
Larry ouviu que uma manuteno preventiva pode reduzir
as chances de falhas nos equipamentos e se pergunta qual
seria o valor para diminuir as chances de falhas de 10% para 1%.
(a) Utilize o Crystal Ball ou o @RISK para encontrar o
tempo mdio para completar 20 unidades e o 99 percentil do tempo se em cada estao de trabalho houvesse 10% de chances de quebra do equipamento ao
processar uma unidade. Como suas respostas podem
ser comparadas com aquelas da Seo 15.10, em que
os tempos de processamento foram distribudos exponencialmente?
(b) Agora, suponha que em cada estao de trabalho haja
1% de chance de falha no equipamento ao processar
uma unidade. Qual o valor da manuteno preventiva se isso reduzir as falhas nos equipamentos a esse
nvel?
15-30. Suponha que Larry Lujack tenha outro pedido a ser entregue
(veja a Seo 15.10). Esse pedido tambm de 20 unidades,
mas o tempo mdio de processamento de 6 horas por unidade na estao de trabalho 1 e de 4 horas por unidade na estao de trabalho 2.
(a) Utilizando o modelo bsico, estime o tempo mdio necessrio para completar o pedido.
(b) Supondo que os tempos de processamento estejam distribudos exponencialmente, utilize uma simulao de planilha para calcular o tempo mdio. Como esse clculo
pode ser comparado com sua resposta para a parte (a)?
(c) Quando os tempos de chegada e de servio so distribudos exponencialmente, o tempo de espera no modelo bsico, mais o tempo de processamento, tambm
distribudo exponencialmente. Utilize esse fato para estimar, sem simulao, o 99 percentil do tempo para
completar todas as 20 unidades.
(d) Utilize o Crystal Ball ou o @RISK para encontrar o 99
percentil do tempo que demora para completar todas as
20 unidades. Compare isso com sua resposta para a parte (c).
(e) Suponha que os tempos foram invertidos; isto , que o
processamento demorou uma mdia de 4 horas por unidade na estao de trabalho 1 e 6 horas por unidade na
estao de trabalho 2. Voc pode utilizar o modelo bsico para estimar a mdia e o 99% da parte fracionria?
Justifique sua resposta. Utilize uma simulao e comparao com suas respostas para as partes (b) e (d).
CD15-26
Estudo de caso
Quantos operadores?
A L. L. Bean conhece a importncia das pessoas para seu sucesso.
A nfase no treinamento e nas relaes de trabalho mostra que a L.
L. Bean entende um fato bsico do gerenciamento: as pessoas desempenham um papel importante ao determinar o grau de operacionalidade da maioria dos sistemas. bvio que a preocupao
com os funcionrios em uma organizao reflete-se na maneira como as pessoas so tratadas no dia-a-dia. Talvez no seja to bvio
que essa mesma preocupao desempenha um papel fundamental
ao projetar sistemas de negcios.
Os pedidos pelo correio constituem o corao dos negcios
da L. L. Bean. Essa empresa baseia-se em pedidos recebidos por
telefone. As linhas da Bean funcionam 24 horas por dia, 365 dias
por ano. Ela tem uma taxa mdia de 78 mil ligaes por dia. Um
momento de reflexo sugere que essas ligaes no chegam a uma
taxa uniforme. Obviamente, h efeitos cclicos, bem como variabilidade, durante cada dia. Para atender necessidade dos operadores de telefone, a Bean oferece trs tipos de organizao de trabalho: expediente integral, meio expediente permanente e temporrio. Essa estratgia permite uma grande flexibilidade ao ajustar
o nmero de operadores de planto em qualquer momento. Ela
tambm fornece flexibilidade aos funcionrios, que podem estruturar um planejamento que se encaixe com outras exigncias em
seus horrios.
Entretanto, ainda h uma pergunta que incomoda: Quantos
operadores a Bean precisa e em que horrios?. Parece evidente
que a empresa quer ponderar o custo do servio de atendimento ao
cliente em relao aos custos das despesas com os funcionrios. A
abordagem dessa empresa leva em considerao cada uma das 168
horas em uma semana como um perodo destinado aos custos com
funcionrios. Para cada hora, o sistema modelado como uma fila
M/M/s isto , uma fila com mltiplos servidores com tempos de
chegada e de servio exponenciais e s servidores (operadores). A
taxa de chegada e a taxa de servio so estimadas a partir de dados
histricos. O custo desse processo feito de uma maneira intuitiva: um padro de servio que a gerncia acredita ser apropriado
a base do projeto. Em particular, o sistema da Bean projetado de
modo que no mais que 15% das ligaes esperem mais de 20 segundos antes de alcanar um operador.
Vamos examinar uma verso simplificada desse modelo. Suponha que haja uma nica linha telefnica que atende as pessoas
que fazem uma chamada para o nmero 1-800 no perodo da 1:00
s 5:00 (obviamente, um horrio mais tranqilo). A empresa reuniu alguns dados sobre essa linha (veja o Quadro 1).
Vemos que a primeira ligao chega em 0,45 minuto e leva
3,66 minutos para processar um pedido com um valor total de US$
51,40. Quando a prxima pessoa faz uma chamada, em 0,945 minuto, o operador ainda est atendendo primeira ligao, assim essa pessoa recebe um sinal de ocupado. A planilha (BEAN.XLS)
tem os dados para as primeiras 100 ligaes telefnicas.
Questes
1. Analise os dados para determinar qual a durao mdia
de uma ligao. Qual o tempo mdio entre chegadas?
Qual o valor mdio dos pedidos?
Quadro 1 Dados dos pedidos por telefone
Cliente #
Extenso da Ligao
Chegada
(minutos) Ocupado? (minutos)
Servio Fim Pedido
2. Trace um histograma desses dados e decida se voc acha

que uma distribuio exponencial a correta a utilizar para a taxa de chegada. E para a taxa de servio? (Dica: o
Crystal Ball tem um recurso predefinido para encaixar dados como esses na melhor distribuio.)
3. Qual o percentual de tempo que o operador est ocupado?
4. Qual o percentual de ligaes perdidas devido a um sinal de ocupado?
O modelo atual d sinal de ocupado se outra pessoa estiver
sendo auxiliada, mas a L. L. Bean certamente poderia adicionar
outras linhas e fazer com os clientes esperem at que seu nico
operador seja capaz de atend-los. Depois que toda a capacidade
dessas linhas extras for utilizada, outras pessoas que fizessem
uma ligao receberiam sinal de ocupado. Suponha que o custo
fixo de cada linha extra seja de US$ 35 por ms e que a mdia das
ligaes completadas no nmero 1-800 tenha um custo adicional
para a empresa de US$ 2, em mdia, por ligao. A L. L. Bean
pensa na forma de analisar essa compensao se acrescentasse a
capacidade de colocar em espera as pessoas que fazem uma ligao. Suponha que a margem de lucro seja de 45% sobre todos os
pedidos feitos.
Mais questes
5. Utilize o modelo finiteQ para analisar o aumento do
nmero de ligaes que poderiam ser tratadas se a L. L.
Bean adicionasse 1, 2, 3, 4 ou 5 linhas extras. Qual seria
a receita e o lucro extra que cada um desses cenrios geraria?
6. A lucratividade extra compensaria o aumento de custo?
Qual seria o nmero timo de linhas a adicionar?
CD15-27
Referncias
Edwin Landauer and Linda Becker, Reducing Waiting Time at
Security Checkpoints, Interfaces 19, no. 5 (1989): 5770.
Richard Larson, Michael Cahn, and Martin Shell, Improving the

New York City Arrest-to-Arraignment System, Interfaces,
23, no. 1 (1993): 7696.

For Mao Defil As

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

For Mao Defil As

Uploaded by

Copyright:

Available Formats

CAPTULO

VISO GERAL DO CAPTULO

Uma taxonomia dos modelos de formao de filas

Equao de fluxo de Little e resultados relacionados

Modelo 1: uma fila M/M/s (laboratrio de hematologia)

Anlise econmica dos sistemas de formao de filas

Modelo 2: uma fila finita (filas WATS)

Modelo 3: o modelo de pessoal para manuteno

Resultados do estado transitrio versus estado constante: pedido a ser entregue

O papel da distribuio exponencial

Observaes sobre implementao

Tomada de Deciso em Administrao com Planilhas Eletrnicas

Captulo 15 Formao de Filas

Modelos gerais de formao de filas.

Modelo 1: laboratrio de hematologia do St. Luke

Alguns modelos de formao de filas

15.2 O modelo bsico

Tomada de Deciso em Administrao com Planilhas Eletrnicas

Pressuposies do modelo bsico

pecificado (digamos, trs horas) ter uma distribuio

Captulo 15 Formao de Filas

Caractersticas do modelo bsico

Caractersticas operacionais do modelo bsico

Nmero esperado no sistema

Nmero esperado na fila

Tempo previsto de espera (inclui o

Tempo previsto na fila

Probabilidade de que o sistema

Tomada de Deciso em Administrao com Planilhas Eletrnicas

PLANILHA DE FORMAO DE FILAS

Esta planilha calcula o resultado da formao de fila para os seguintes modelos:

Figura 15.2 Pgina introdutria da pasta de trabalho para formao de filas.

Clculos de formao de fila M/M/s

Presume processo Poisson para chegadas e partidas

Figura 15.3 Avaliao das caractersticas operacionais do modelo bsico.

por exemplo, que a gerncia faa os seguintes clculos: Uma

chegadas. A partir dos clculos na Figura 15.3, sabemos que

15.3 Uma taxonomia dos modelos de

Captulo 15 Formao de Filas

de um servio, respectivamente. As seguintes convenes so

Podemos ver, por exemplo, que o modelo da mquina Xerox

15.4 Equao de fluxo de Little e resultados

Esse resultado afirma que L, o nmero esperado de pessoas no

Tomada de Deciso em Administrao com Planilhas Eletrnicas

Nosso heri chega

Figura 15.4 Equao de fluxo de Little.

A equao (15.2) freqentemente chamada de equao

Uma verificao numrica para o modelo da mquina Xerox

o que, novamente, concorda com o resultado da Figura 15.3.

Para o modelo bsico, j fizemos uso do fato de que

Colocar o resultado geral em smbolos produz

Para o modelo da mquina Xerox, temos

Agora, em vez de utilizar as outras frmulas da Tabela 15.2,

Portanto, sabendo que L = 1 e = 0,05, obtemos W = L/ = 20.

Por fim, (15.4) mostra que

15.5 A fila M/G/1

Captulo 15 Formao de Filas

generalizao do modelo bsico que permite que a distribuio

que o mesmo resultado do modelo bsico.

Caractersticas operacionais do modelo generalizado

Nmero esperado no sistema

Nmero esperado na fila

Tempo de espera previsto

Tempo previsto na fila