Apostila de Teoria Das Filas v.022012 PDF

TEORIA DAS FILAS
Fabrízzio Conde de Oliveira
ENGENHARIA DE PRODUÇÃO – UNIVERSIDADE SALGADO DE OLIVEIRA –

PUS Juiz de Fora
2
Introdução
Teoria das Filas
Esperar em uma fila é uma das ocorrências mais comuns no nosso dia a dia. Nós esperamos na fila para fazer matrícula, para pagar em
um supermercado, para pagar uma conta no banco, para comer um hamburguer, para colocar gasolina, etc...
O pioneiro no estudo das filas de espera foi A.K.Erlang, um engenheiro dinamarquês, que publicou, na década 1910-1920, vários traba-
lhos sobre o assunto quando da implantação do serviço telefônico em Copenhague.
Filas podem existir na forma de pessoas ou objetos esperando por algum tipo de serviço ou podem existir em um sentido abstrato, ou seja,
não tão visível, como, por exemplo, uma “fila” de navios esperando para atracar em um porto ou uma “fila” de aviões esperando a ordem da torre
de comando para pousar na pista de um aeroporto.
Porque as filas são “estudadas”
As filas são estudadas porque em toda fila, embora nem sempre se perceba, existe embutido um problema econômico. E este problema
econômico surge porque em qualquer fila (mesmo a da padaria da esquina!) existem 2 custos envolvidos: O Custo da Fila e o Custo do Serviço.
Para que possamos entender o que vem a ser estes 2 custos, vamos examinar um exemplo clássico de fila: a atracação de navios em um
porto.
Em qualquer porto, o do Rio de Janeiro, por exemplo, existem os locais onde os navios podem atracar. Estes locais são chamados de
“berços”.
Assim o número de berços dá o número máximo de navios que podem estar atracados em um porto. Por sua vez, a legislação internacio-
nal que regulamenta o tráfego marítimo determina que se ao chegar a um porto (obviamente na data certa) e não houver berço para atracar, a ad-
ministração do porto tem que indenizar a companhia, dona do navio, pelo tempo que ele ficar ao largo esperando berço livre para atracar.
Em resumo quando, por qualquer motivo, todos os berços de um porto estão ocupados, os navios que chegam formam uma fila (lógica)
aguardando a sua vez. Podemos agora definir os custos da fila e do serviço envolvidos no caso de um porto.
4
O Custo do Serviço é o custo de construir e manter em funcionamento os berços de atracação. Quanto mais berços oferecidos, ou seja,
quanto maior o nível de serviço oferecido, maior este custo.
O Custo da Fila é o custo que a administração do porto tem pelo pagamento das indenizações aos navios que esperam na fila. Este custo é
inversamente proporcional ao custo do serviço (número de berços). Se temos poucos berços o custo do serviço será pequeno, mas como a fila
será grande, o custo da fila será grande. Já se tivermos muitos berços, o custo do serviço será grande, mas em compensação, como a fila será pe-
quena, o custo da fila será pequeno. Genericamente podemos definir:
Custo do Serviço: É o custo de construir e manter em funcionamento as estações que prestam determinado serviço.
Custo da Fila: É o custo que se incorre devido ao fato de usuários de um sistema de fila terem que esperar na fila propriamente dita.
Custo Total: É a soma do Custo da Fila mais o Custo do Serviço.
A figura ao lado é uma representação destes custos:
O objetivo em qualquer sistema de filas é achar o ponto ótimo que minimiza a função do custo total, ou seja, achar o nível de serviço que
minimiza o custo total. Em quase todos os sistemas de filas é relativamente fácil, embora possa ser trabalhoso, achar o custo do serviço. Achar o
custo da fila é bem mais complexo. Qual o custo da fila, por exemplo, em uma agência bancária? Temos pessoas na fila e o custo da fila é o e-
quivalente monetário do tempo que as pessoas ficam na fila. A quantificação disto não é simples até porque na fila de uma agência bancária, po-
demos ter pessoas com “valor-hora” bastante diferentes.
5
Componentes básicos de um processo de fila
Um sistema de fila pode ser representado como:
A fila propriamente dita é apenas um dos componentes de um sistema de fila.
A População
É o conjunto de elementos pertencentes ao mundo externo, que, potencialmente, podem entrar no sistema de fila. Assim no sistema de fila
da agência bancária da UFJF, por exemplo, são todas as pessoas que podem eventualmente usar a agência: funcionários, professores, alunos, pes-
soas da vizinhança, etc...
Estatisticamente, a população, em um sistema de filas, pode ser classificada como infinita ou finita. Ela é considerada ser infinita quando
o número de elementos é tal que a presença de um ou mais elementos na fila não influi no comportamento do sistema como um todo. Quando a
presença no sistema de elementos da população potencial influi no comportamento do sistema, a fila é dita ser finita.
Um exemplo de fila finita é o caso da fila para conserto de máquinas (poucas) existentes em uma indústria.
O Processo de Chegada
O processo de chegada descreve como os elementos da população chegam para o sistema de filas. Na grande maioria dos sistemas de fi-
las, as chegadas são aleatórias, ou seja, não ocorrem de maneira ordenada.
Assim para descrever um processo de chegada, precisamos defini-lo através de uma distribuição probabilística.
6
Como exemplo, vamos supor que queremos definir a distribuição probabilística que rege o processo de chegada em uma determinada a-
gência bancária. O passo inicial é fazer uma amostragem das chegadas dos clientes na agência em questão.
Devemos lembrar que, inicialmente, deve ser definido o tamanho da amostra que garanta, estatisticamente, a confiabilidade dos resulta-
dos.
Vamos supor que no nosso exemplo a amostra é coletar, em um único dia, as chegadas entre 11:00 e 16:00 horas, ou seja 5 horas de a-
mostragem (300 minutos).
Vamos supor que os resultados coletados na

amostragem foram os seguintes:
Como podemos observar na planilha ao lado, a

amostragem coletou tanto o número de chegadas por
período (no nosso exemplo, 1 minuto) como o interva-
lo entre chegadas, o que não seria necessário.
Veremos mais adiante porque só seria necessário registrar uma delas, lembrando por ora
que, se a taxa meia for de 2 chegadas por minuto, por exemplo, o intervalo médio entre chega-
das só pode ser de 30 segundos e vice-versa.
Com os dados coletados podemos construir duas distribuições de freqüência:
A 1ª com a distribuição do número de chegada por minuto:
Esta distribuição é uma distribuição discreta, pois os valores só podem ser inteiros, ou seja, 0, 1, 2, etc... .
Com os dados podemos achar a média e a variância (desvio padrão):

7
Média = x =
∑x f i i
= 2 chegadas/minuto
∑f
=∑
f − ∑ x fi
2 2
x
σ 2 i i
= 2,02 (chegadas/minuto) 2 ⇒ σ = 1, 42 chegadas/minuto
∑f i −1
A 2ª com a distribuição do intervalo entre chegadas:
Esta é uma distribuição continua pois é a distribuição do intervalo entre chegadas

(tempo), podendo assumir qualquer valor.
Com os dados coletados na amostragem, no caso, individuais (não mostrados

aqui na apostila), podemos achar a média e a variância (desvio padrão):
x=
∑x i
=
18.000
= 30 segundos
n 600
σ 2
=
∑x i
2
2
− x = 900 segundos 2 ⇒ σ = 900 = 30 segundos
n
Veremos mais adiante que será fundamental saber se estas distribuições se “enquadram” em alguma distribuição teórica.
A disciplina da Fila
A chamada disciplina da fila trata das questões relativas a fila propriamente dita.
Precisamos ter respostas a perguntas do tipo:
a) Quantas filas existem no sistema?

b) Como os usuários são escolhidos da(s) filas para receber serviço?
8
Podemos ter um esquema FIFO (first in, first out), ou seja, o primeiro que entra é o primeiro que sai. Podemos ter LIFO (last in, first out),
ou seja, o último a entrar é o primeiro a sair. Podemos ter uma fila com esquema de prioridade, ou seja, a chamada para receber serviço
obedece a um esquema de prioridade, etc, etc... .
c) Há limite para o tamanho da fila?
O tamanho da fila pode ser considerado como infinito, ou sema, quando a fila pode ter qualquer tamanho ou limitado quando a fila só
pode acomodar um nº determinado de usuários. Neste último caso quando a fila está cheia, os usuários que chegam, vão embora, sem en-
trar no sistema.
Respostas diferentes para cada uma das perguntas acima mudam o tipo de modelo a ser estudado.
O Mecanismo de Serviço
Um sistema de fila pode ser, genericamente, catalogado em 4 estruturas básicas conforme o seu esquema de prestação de serviço.
Assim, como podemos ver na figura a seguir, podemos ter:
(A) Canal único, fase única;

(B) Canais múltiplos, fase única;
(C) Canal único, fases múltiplas;
(D) Canais múltiplos, fases múltiplas.
9
O número de canais é simplesmente o número de estações de serviço paralelas que prestam serviços às chegadas.
O número de fases, por outro lado, indica o número de etapas seqüenciais que cada chegada individual tem que passar.
Um exemplo da categoria (A) seria um pequeno posto bancário com somente 1 caixa para atendimento. Um exemplo da categoria (B) se-
ria o caso de uma agência bancaria com fila única e várias caixas. Para exemplificar o caso (C) poderíamos citar um pequeno hospital onde o
paciente recebe um atendimento inicial por parte de um médico residente e a seguir é atendido pelo médico titular. Se tivéssemos vários residen-
tes e vários médicos, teríamos um exemplo do caso (D).
Podemos, sem muito esforço, identificar vários tipos de filas conhecidas que não se encaixam nas 4 (quatro) categorias básicas. Isto é es-
perado, pois estas são apenas as categorias básicas.
Para esquemas de filas mais complexos, a dificuldade em se obter soluções analíticas é imensa e, na maioria das vezes, inviável.
10
Como no processo de chegada, na grande maioria dos sistemas de filas, a duração do serviço prestado é aleatória e para descrevê-la preci-
samos definir uma distribuição probabilística.
Também como no processo de chegada, para se obter uma distribuição probabilística que descreva o serviço prestado, precisamos fazer
uma amostragem no sistema em questão. Neste caso, no entanto, após ter sido definido o tamanho da amostra, temos um complicador: A distri-
buição probabilística deve refletir a “capacidade” da estação de serviço e por isto não tem sentido incluir na amostra os períodos em que a esta-
ção fica ociosa.
As maneiras usuais de se fazer isto são contar somente o tempo em que a estação não fica ociosa ou, para garantir ocupação, gerar usuá-
rios artificiais para serem servidos no sistema.
A 1ª forma é geralmente mais usada, pois a 2ª pode provocar distorções por ser artificial.
Vamos supor como exemplo, que estamos estudando um posto bancário e para estudarmos o atendimento dado foi feita uma amostragem
em um único dia, das 13h às 16h, ou seja, durante 3 horas (180 minutos).
Foram coletados então os seguintes dados:
Da mesma forma que fizemos no processo de

chegada, registramos nesta amostragem tanto a duração de
cada serviço prestado (medida conínua pois se trata de
tempo) que é uma medida discreta pois só pode ser um valor
inteiro. Também repetindo o citado no porcesso de chegada,
bastava coletar apenas uma das medidas pois as 2 estao
relacionadas e é claro que se a média for de 4 serviços
prestados por minuto, a duração média da prestação de
serviço será de 15 segundos.
11
Com dados coletados na amostragem podemos construir 2 distribuições probabilísticas.
A 1ª (discreta) vai ser a distribuição dos números de serviços prestados por minuto e apresenta os seguintes valores:
Sua média e desvio padrão são:
12
Como no caso do processo de chegada, também estamos interessados em saber se estas distribuições se “enquadram” em uma distribuição
teórica.
A técnica estatística que avalia se uma distribuição empírica se adequa a uma distribuição teórica é chamada de Teste de Aderência e é o
que veremos a seguir:
O Processo POISSON
As propriedades do chamado Processo de Poisson se ajustam muito bem aos modelos básicos de filas. Este fato fez com que as soluções
analíticas para modelos de filas pudessem ser obtidas para àqueles modelos, a obtenção de soluções analíticas para modelos não seguem o Pro-
cesso de Poisson são, quando viáveis, matematicamente complexas e extremamente trabalhosas.
Vejamos as propriedades fundamentais do Processo de Poisson, já adaptando-se para sistemas de filas, lembrando que estas propriedades
são provadas matematicamente:
1. O nº de chegadas (ou de serviços complementados) em uma unidade de tempo especificada é independente do nº de chegadas (ou
término de serviços) em qualquer outra unidade.
Esta propriedade se adéqua perfeitamente a um sistema de filas e para exemplificar vamos imaginar as chegadas de clientes a uma a-
gência bancária. É óbvio que o nº de chegadas no minuto entre 11:34 e 11:35 é independente das chegadas no minuto entre 14:51 e
14:52.
2. O nº médio de chegadas (ou término de serviços) por unidade de tempo é proporcional ao tamanho da unidade de tempo.
Assim se na agência bancária a média é de 2 chegadas/min, ela será de 120 chegadas/hora e 720/dia (considerando o dia de 6 horas).
3. A probalidade da ocorrência de 2 chegadas simultâneas (ou término de 2 serviços) em uma unidade de tempo muito pequena
tende a zero.
Vamos supor que a taxa de chegada a um determinado sistema de fila seja λ = 5/hora. Se fizermos (∆t) muito pequeno, 1 segundo
por exemplo, a probabilidade de chegada em 1 segundo será igual a λ∆t = 5*1/3600 = 0,0013.
A probabilidade de 2 chegadas em qualquer segundo será igual a 0,0013 * 0,0013 = 0,000006, ou seja, praticamente zero.
13
4. A probabilidade de 1 chegada (ou término de serviço) ocorrer em uma unidade de tempo muito pequena, ∆t, é sempre a mesma
independente do instante de ∆t.
Desta forma se a probabilidade de 1 chegada em 1 segundo é de 0,0013, esta probabilidade será a mesma em qualquer segundo
escolhido.
5. Se a distribuição das chegadas (discreta) segue a distribuição de Poisson, então a distribuição do intervalo entre chegadas (contínua)
segue a Exponencial.
Se a distribuição da duração do serviço (contínua) segue a Exponencial então a distribuição dos serviços completados (discreta) segue
a Poisson.
Esta propriedade é a razão porque dissemos anteriormente, nas amostragens, que embora tivessem sido completados tanto os dados
discretos como os contínuos, bastava trabalhar com uma delas, tanto no caso das chegadas como no caso do serviço, pois provada u-
ma, via teste de aderência, está provada a outra.
Desta forma se as chegadas seguem, por exemplo, uma Poisson, verificado via teste de aderência, com taxa média λ = 3/minuto, então
o intervalo entre chegadas segue Exponencial com média (1/µ) igual a 20 segundos.
Da mesma forma se a duração do serviço segue, por exemplo, uma Exponencial com média (1/µ) de 30 segundos, então a distribuição
dos serviços completados por unidade de tempo seguem uma Poisson com média λ = 2/minutos.
Em filas criou-se uma convenção em que se diz que as chegadas seguem

a Poisson (claro se passar no teste de aderência), ou seja, se trabalha
com a taxa média de chegada (discreta) enquanto que para o serviço,
trabalha-se com a sua duração (contínua), ou seja, se diz que ela segue
a Exponencial. Mas como vimos acima, está correto dizer exatamente o
inverso. É uma mera convenção.
14
A Notação Kendall
O professor D.G.Kendall criou, em 1953, uma notação para sistemas de filas que é hoje largamente usada.
Ela tem, na sua forma simplificada, o seguinte formato: (A/B/C/D/E) onde: A representa a distribuição das chegadas, B representa a dis-
tribuição do serviço, C indica o número de estações de serviços, D indica a capacidade física do sistema e E é a disciplina da fila empregada. Por
exemplo, as notações M/G/1/∞/FIFO ou M/G/1 representam um sistema onde os tempos entre chegadas sucessivas seguem uma distribuição ex-
ponencial , os tempos de serviço, uma distribuição geral, há um único posto de atendimento, o sistema possui capacidade infinita e a disciplina de
atendimento empregada é FIFO; a notação M/E3/4/8/LIFO representa um sistema onde os tempos entre chegadas sucessivas seguem uma distri-
buição exponencial, o tempo de atendimento uma distribuição Erlang do tipo 3, existem 4 postos de atendimento em paralelo, o sistema comporta
no máximo oito usuários (4 na fila e 4 sendo atendidos) e a disciplina de atendimento utilizada é a LIFO.
Como a distribuição de Poisson inclui as propriedades do processo Markoviano, a notação usada para A e B é M quando tempos um processo de
Poisson.
Assim um modelo de fila em que a distribuição das chegadas segue a Poisson, a distribuição da duração do serviço segue a Exponencial e com 1
estação de serviço, teria a notação M/M/1.
A Convenção para textos de Filas
Outra convenção em filas é que, se nada for dito em contrário, considera-se:
• Tamanho da população: infinito

• Tamanho permitido para a fila: infinito
• Distribuição das chegadas: Poisson
• Distribuição do serviço: Exponencial
• Fila: única
• Seleção para atendimento: FIFO
15
Estado transiente e de regime (ou estacionário)
Antes de entramos em detalhes, devemos observar que todos os modelos, com suas fórmulas, a serem apresentados têm como pré-
requisito o sistema de fila estar em estado de regime, ou seja, estar com o seu processo de chegadas e atendimento dentro de condições normais.
Para exemplificar vamos considerar uma agência bancária que tenha grande movimento. Quando a agência abre pela manhã, já existe normal-
mente uma aglomeração na porta e, obviamente, as chegadas não obedecem a qualquer padrão. Da mesma forma, no início dos trabalhos, o aten-
dimento não atinge sua velocidade normal, pois de certa forma os funcionários que fazem o atendimento não atingem sua velocidade normal,
pois, de certa forma, os funcionários que fazem o atendimento ainda não estão “aquecidos”. Até o funcionamento da agência se normalizar dize-
mos que o sistema está em regime transiente. O estudo do comportamento de sistema de filas em regime transiente é de extrema complexidade e
foge ao escopo deste curso.
Sistemas Estáveis
● Fluxo médio de entrada (λ) constante.
● Ritmo médio de atendimento (µ) constante.
● µ > λ.
16
O Processo de Nascimento-e-Morte
Segundo Hillier & Lieberman (2006), “os modelos de filas mais elementares partem do pressuposto de que as entradas (clientes que chegam) e
saídas (clientes que saem) do sistema de filas ocorram de acordo com o processo de nascimento-e-morte”.
O estado do sistema no instante t ( t ≥ 0 ), representado por N (t ) , é o número de clientes no sistema de filas no instante t. O processo de nasci-
mento-e-morte descreve probabilisticamente como N (t ) muda à medida que t aumenta. Em termos genéricos, ela diz que nascimentos e mortes
individuais ocorrem aleatoriamente, em que suas taxas médias de ocorrência dependem apenas do estado atual do sistema. Mais precisamente, as
hipóteses do processo de nascimento-e-morte são as seguintes:
Hipótese 1. Dado N (t ) = n , a distribuição probabilística atual do tempo remanescente até o próximo nascimento (chegada) é exponencial com
parâmetro λn ( n = 0,1, 2,...) .
Hipótese 2. Dado N (t ) = n , a distribuição probabilística atual do tempo remanescente até o próximo morte (término do atendimento) é exponen-
cial com parâmetro µn ( n = 1, 2,...) .
Hipótese 3. A variável aleatória da hipótese 1 ( o tempo remanescente até o próximo nascimento) e a variável aleatória da hipótese 2 (o tempo
remanescente até a próxima morte) são mutuamente independentes. A próxima transição no estado do processo é n → n + 1 (um único masci-
mento) ou então n → n − 1 (uma única morte), dependendo de se a primeira ou a última variável aleatória for menor.
Para um sistema de filas, λn e µn representam, respectivamente, a taxa média de chegada e a taxa média de términos de atendimento, quando
existem n clientes no sistema. Para alguns sistemas de filas, os valores de λn serão os mesmos para todos os valores de n e os µn também serão
os mesmos para todos os n, exceto para n muito pequeno (por exemplo, para n = 0 ) que um atendente se encontra ocioso. Entretanto, λn e µn
também podem variar consideravelmente com n para alguns sistemas de filas. Por exemplo, uma das maneiras nas quais λn pode diferir para
valores de n é o caso no qual vai ficando cada vez mais provável que os possíveis clientes que chegam vão se recusar (recusar-se a entrar no sis-
tema) à medida que n aumenta. Da mesma forma, µn pode diferir para n diferentes porque fica cada vez mais provável que os clientes na fila
venham desistir (sair sem serem atendidos) à medida que o tamanho da fila aumenta.
17
Análise do Processo de Nascimento-e-Morte
Em virtude das suas hipóteses, o processo de nascimento-e-morte é um tipo especial de cadeia de Markov de tempo contínuo. Para maio-
res detalhes sobre este tipo de cadeia e suas propriedades ver a seção 16.8 de Hillier & Lieberman (2006).
Veja o diagrama na figura abaixo, onde as setas mostram as únicas transições possíveis para o estado do sistema e a entrada para cada seta
fornece a taxa média para essa transição quando o sistema se encontra no estado na base da seta.
Princípio da taxa que entra = taxa que sai
Em virtude das suas hipóteses, o processo de nascimento-e-morte é um tipo especial de cadeia de Markov de tempo contínuo.
As setas no diagrama abaixo mostram as únicas transições possíveis para o estado do sistema e a entrada para cada seta fornece a taxa
média para essa transição quando o sistema se encontra no estado na base da seta.
Diagrama de taxas para o processo de nascimento-e-morte
18
Equações de equilíbrio para o processo de nascimento-e-morte
19
Para simplificar a notação, façamos que:
λn−1λn−2 ...λ0
Cn = , para n = 1, 2,...
µ n µn−1...µ1
E então definamos C1 = 1 para n = 0. Portanto, as probabilidades de estado estável são
Pn = Cn P0 para n = 0,1, 2,...
A exigência de que
∞
∑P
n =0
n =1
Implica que
 ∞ 
 ∑ Cn  P0 = 1,
 n =0 
De modo que
1
P0 = ∞
∑C
n =0
n
Quando um modelo de filas se baseia no processo de nascimento-e-morte, de modo que o estado do sistema n represente o número de clientes no
sistema de filas, as medidas de desempenho fundamentais para o sistema de filas ( L , Lq , W e Wq ) podem ser obtidas imediatamente após calcular
os Pn das fórmulas anteriores. As definições de L e Lq dadas anteriormente mostram que:
∞
L = ∑ nPn
n =0
20
E
∞
Lq = ∑ (n − s ) Pn
n=s
Além disso, as relações de Little levam a
L Lq
W= e Wq =
λ λ
Em que λ é a taxa de chegada média a longo prazo. Como λn é a taxa média de chegada enquanto o sistema se encontra no estado n (
n = 0,1, 2,...) e Pn é a proporção de tempo de que o sistema se encontra nesse estado,
∞
λ = ∑ λn Pn
n=0
Diversas das expressões dadas anteriormente envolvem somatórios com um número de termos infinito. Felizmente, esses somatórios possuem
soluções analíticas para um número de interessantes casos especiais. Caso contrário, eles podem ser aproximados somando-se um número finito
de termos via computador.
Esses resultados de estado estável foram obtidos sob a hipótese de que os parâmetros λn e µn tenham valores tais que o processo possa realmen-
te alcançar a condição de estado estável. Essa hipótese sempre é válida se λn = 0 para algum valor de n maior que o estado inicial, de modo que
λ
sejam possíveis somente um número de estados finito (aqueles menores que n). Ela sempre é válida quando λ e µ são definidos e ρ = < 1.
sµ
∞
Ela não é válida se ∑C
n =0
n =∞.
21
O Modelo M/M/1
Este é o modelo mais simples de fila, ou seja, tamanho população infinito, tamanho permitido para a fila infinito, chegadas seguindo a Poisson,
duração do serviço seguindo a Exponencial, fila única com seleção FIFO e 1 estação de serviço.
Resultados do M/M/1
Para s = 1 , os fatores Cn tornam-se:
n
λ
Cn =   = ρ n , para n = 0,1, 2,...
µ
Portanto,
Pn = ρ n P0 , para n = 0,1, 2,...
Em que
−1 −1
 ∞   1 
P0 =  ∑ ρ n  =   = 1− ρ
 n =0   1− ρ 
Portanto,
Pn = (1 − ρ ) ρ n
Consequentemente,
∞ ∞
 ρ  ρ λ
L = ∑ n(1 − ρ ) ρ n = (1 − ρ )∑ nρ n = (1 − ρ )  2
= =
n =0 n =0  (1 − ρ )  1 − ρ µ − λ
22
Como
L 1
W= =
λ µ −λ
Podemos com W calcular o valor de Wq:
1 1 1 λ
Wq = W − = − =
µ µ − λ µ µ (µ − λ )
A partir de Wq, pode-se calcular Lq:
 λ  λ2
Lq = λWq = λ  =
 µ (µ − λ )  µ (µ − λ )
As fórmulas restantes são facilmente demonstradas a partir das anteriores.
Lista de Fórmulas
λ = taxa média de chegada (1/ λ = intervalo médio entre chegadas)
µ = taxa de serviço média (1/µ = duração média do serviço)
η = número de unidades no sistema (inclui as da fila e a sendo servida).
Probabilidade de zero unidades no sistema, ou seja, a probabilidade do sistema estar vazio:
ߣ
ܲ଴ = 1 −
ߤ
23
Probabilidade de existirem n unidades no sistema:
ఒ
ܲ௡ = ܲ଴ ቀఓቁn
Probabilidade de existirem mais de k unidades no sistema:

ఒ
ܲ(௡வ௞) = ቀ ቁk+1
ఓ
Número médio (esperado) de unidades no sistema:

ఒ
L=
ఓିఒ
Número médio (esperado) de unidades na fila:
ఒమ
Lq = ఓ(ఓିఒ)
Tempo médio (esperado) que cada unidade permanece no sistema:

ଵ
W= ఓିఒ
Tempo médio (esperado) que cada unidade permanece na fila:

ఒ
Wq=
ఓ(ఓିఒ)
Fator de utilização da estação de serviço:
ߣ
ߩ=
ߤ
Probabilidade de 1 unidade demorar mais de t unidade de tempo no sistema:

24
P(T > t) = e-µ(1-ρ)t
Podemos ainda as seguintes relações entre as medidas básicas:

ఒ
Lq = L - ఓ = λWq
ఒ
L = Lq + ఓ = λW
ఒ Lq
Wq = W – =
ఓ λ
ଵ L
W = Wq + =
ఓ λ
25
Processo de Chegada
Ritmo de Chega- Freqüência Abso- Freqüência

Anotações das de Veículos Média (λ) Ritmo luta Relativa
1 2 2 0 9 0,1500
2 1 1 17 0,2833
3 2 2 17 0,2833
4 1 3 9 0,1500
5 0 4 4 0,0667
6 2 5 1 0,0167
7 1 6 1 0,0167
8 0 7 1 0,0167
9 1 8 1 0,0167
10 2 9 0 0,0000
11 0 10 0 0,0000
12 2 Total 60
13 3
14 1 Ritmo Versus Frequência Relativa
Frequência Relativa
15 3
16 1 0,3000
17 3 0,2500
18 4 0,2000
19 5 0,1500
20 1 0,1000
21 2
0,0500
22 0
23 1 0,0000
24 2 0 1 2 3 4 5 6 7 8 9 10
25 1 Ritmo
26 0
27 1
28 1 Freqüência Freqüência Distribuição
29 0 Ritmo Absoluta Relativa de Poisson
30 2 0 9 0,1500 0,1353
31 2 1 17 0,2833 0,2707
32 2 2 17 0,2833 0,2707
26
33 3 3 9 0,1500 0,1804
34 2 4 4 0,0667 0,0902
35 2 5 1 0,0167 0,0361
36 3 6 1 0,0167 0,0120
37 2 7 1 0,0167 0,0034
38 3 8 1 0,0167 0,0009
39 3 9 0 0,0000 0,0002
40 2 10 0 0,0000 0,0000
41 1
42 6 Ritmo Versus Frequência Relativa
43 0 Frequência Relativa POISSON
44 2
0,3000
45 3
0,2500
46 7
0,2000
47 0
48 2 0,1500
49 2 0,1000
50 0 0,0500
51 4 0,0000
52 1 0 1 2 3 4 5 6 7 8 9 10
53 1 Ritmo
54 1
55 1
56 8
57 4
58 3
59 1
60 4
Total de Veículos 120
xemplo
Em uma fábrica chegam em média 7 pedidos por semana (segundo a distribuição de Poisson). Qual a probabilidade de ocorrer a chegada das
quantidades de pedidos abaixo em uma mesma semana?
a) zero pedido
27
b) 7 pedidos
c) até 7 pedidos
d) Acima de 7 pedidos
Processo de Atendimento
X f(x) F(x) X f(x)

FUNÇÃO DENSIDADE FUNÇÃO CUMULATIVA
0 2 0 0 3
0,2 1,34064 0,32968 0,2 1,646435

f ( x) = λ e − λ x F ( x) = 1 − e − λ x
0,4 0,898658 0,550671 0,4 0,903583
Função Densidade da Distribuição Exponencial
0,6 0,602388 0,698806 0,6 0,495897 3,5
3
0,8 0,403793 0,798103 0,8 0,272154
2,5
1 0,270671 0,864665 1 0,149361 2
1,5
1,2 0,181436 0,909282 1,2 0,081971
1
1,4 0,12162 0,93919 1,4 0,044987 0,5
0
1,6 0,081524 0,959238 1,6 0,024689
1,8 0,054647 0,972676 1,8 0,01355 Tempo entre Chegadas Média 2

Função Cumulativa Distribuição Exponencial
1,2 com Média 2
1
0,8
0,6
0,4 28
0,2
0
2 0,036631 0,981684 2 0,007436
2,2 0,024555 0,987723 2,2 0,004081
2,4 0,016459 0,99177 2,4 0,00224
2,6 0,011033 0,994483 2,6 0,001229
2,8 0,007396 0,996302 2,8 0,000675
3 0,004958 0,997521 3 0,00037
3,2 0,003323 0,998338 3,2 0,000203
3,4 0,002228 0,998886 3,4 0,000112
3,6 0,001493 0,999253 3,6 6,12E-05
3,8 0,001001 0,9995 3,8 3,36E-05
4 0,000671 0,999665 4 1,84E-05
4,2 0,00045 0,999775 4,2 1,01E-05
4,4 0,000301 0,999849 4,4 5,55E-06
4,6 0,000202 0,999899 4,6 3,05E-06
4,8 0,000135 0,999932 4,8 1,67E-06
5 9,08E-05 0,999955 5 9,18E-07
5,2 6,09E-05 0,99997 5,2 5,04E-07
5,4 4,08E-05 0,99998 5,4 2,76E-07
5,6 2,73E-05 0,999986 5,6 1,52E-07
5,8 1,83E-05 0,999991 5,8 8,33E-08
29
6 1,23E-05 0,999994 6 4,57E-08
6,2 8,24E-06 0,999996 6,2 2,51E-08 Considere um posto de pedágio, onde λ = 2 chegadas por minuto ou 0,033 chega-
das por segundo ou IC = 30 segundos.
6,4 5,52E-06 0,999997 6,4 1,38E-08
A) Calcule a probabilidade de que o intervalo entre duas chegadas seja de até 30
segundos (0,5 min).
Solução:
F(0,5) = 0,632
b) Cálculo da probabilidade de que o intervalo entre duas chegadas seja maior que 30 segundos.
Solução:
1-F(0,5) = 0,368
c) Cálculo da probabilidade de que o intervalo entre duas chegadas esteja compreendido entre 12 e 24 segundos (isto é, entre 0,2 minutos e 0,4
minutos)
Solução:
F(0,4) - F(0,5) = 0,221 = 22,1%
Fórmulas do Modelo M/M/1

Fórmulas de Little
λ  λ
n
 λ
k +1
P0 = 1 − Pn = P0   P(n > k ) =   λ
µ  µ  µ Lq = L − = λWq
µ
λ
λ λ2 1 L = Lq + = λW
L= Lq = W= µ
µ−λ µ (µ − λ ) µ−λ
1 Lq
Wq = W − =
λ µ λ
Wq = λ P(T > t ) = e − µ (1− ρ ) t
µ(µ − λ ) ρ= W = Wq +
1
=
L
µ µ λ
1
Tempo de Atendimento = TA =
µ 30
Exemplos M/M/1
Exemplo 1
Em uma fábrica observou-se o funcionamento de um dado setor, em que λ = 20 clientes por hora, µ = 25 clientes por hora e tempo médio
de permanência no sistema igual a 0,3 hora. Pede-se o tamanho médio da fila.
Dados de Entrada Unidade de Tempo
Taxa de Chegada λ 20 por hora
Taxa de Atendimento µ 25 por hora
Medidas de Desempenho
Taxa de utilização ρ 80,00%
Probabilidade de não haver cliente no sistema P0 20,00%
Número médio de Clientes na Fila Lq 3,20 Clientes
Número médio de Clientes no Sistema L 4,00 Clientes
Tempo médio de espera no Sistema W 0,20 horas
Tempo médio de espera na Fila Wq 0,16 horas
t 0,25 horas
P(T > t) 28,65%
31
Exemplo 2
Para o mesmo sistema acima, calcular o número médio de clientes no sistema e o número médio de clientes que estão sendo atendidos.
t 0,25 horas
P(T > t) 28,65%
32
Exemplo 3
Clientes chegam a uma barbearia, de um único barbeiro, com uma duração média
entre chegadas de 20 minutos. O barbeiro gasta em média 15 minutos com cada
cliente.
a) Qual a probabilidade de um cliente não ter que esperar para ser servido ?
b) Qual o número esperado de clientes no salão de barbeiro? E na fila ?
c) Quanto tempo, em média, um cliente permanece no salão?
d) Quanto tempo, em média, um cliente espera na fila?
e) Qual a probabilidade de que um cliente tenha que ficar mais de 30 minutos no
salão?
f) O barbeiro está estudando a possibilidade de colocar outro barbeiro desde que o
tempo de permanência médio de cada cliente no salão passe a 1,25 horas. Para
quanto deve aumentar a taxa de chegada de modo que este segundo barbeiro
fique justificado?
Solução
λ = 3/hr ૄ= 4/hr Como pode ser visto ao lado, L - Lq = 0,75 e a primeira vista poderá parecer que a diferen-
ça entre o número médio de clientes no sistema (L) e o número médio de clientes na fila
λ 3 (Lq) deveria ser 1, ou seja, o freguês que está sendo atendido pelo barbeiro.
a) P0 = 1 − =1 −
µ 4 Na verdade (L-Lq) representa o percentual médio de clientes atendidos por unidade de
tempo e o resultado é menor que 1 porque as vezes o barbeiro fica ocioso.
λ 3
L = = = 3 fregueses
µ −λ 4−3
b)
λ
2
Lq = = 2, 25 fregueses
µ (µ − λ )
1
c) W = = 1 hora
µ −λ
λ
d) Wq = = 0, 75 horas
µ (µ − λ )
33
3
−4( )0,5
e) P(T > 0,5) = e − µ (1− ρ ) = e= 0, 61 = 61%
t
4
f) Queremos λ de modo que W = 1,25 horas

1
1, 25 = ⇒ λ = 3, 2 fregueses / hora
4−λ
t 0,50 horas
P(T > t) 60,65%
34
Exemplo 4
Pessoas chegam para comprar ingressos para um jogo à taxa de uma por minuto. Cada pessoa gasta em média 20 segundos para comprar
um ingresso.
a) Se uma determinada pessoa chega 2 minutos antes do jogo começar e se ela gasta exatamente 1,5 minutos para chegar ao seu
lugar após comprar o seu ingresso, ela estará sentada antes do jogo começar?
b) Qual a probabilidade da pessoa do item a estar sentada antes do jogo começar?
c) Com que antecedência deve a pessoa chegar para ter 99% de certeza de estar sentada antes do jogo começar?
Solução
λ = 1/min ૄ= 3/min
1
a) W=
=0,5minutos
µ-λ
Logo o tempo médio para comprar o ingresso e achar o lugar é 0,5 + 1,5 = 2 minutos, ou seja, a pessoa deverá estar sentada antes do jogo
começar.
b) É igual à probabilidade do ingresso ser comprado em tempo menor ou igual a 0,5 minutos.
1
−3(1− )0,5
P(T ≤ 0,5) = 1 − P(T > 0,5) = 1 − e − µ (1− ρ ) = 1 − e
t
3
P(T ≤ 0,5) = 0, 63 = 63%
b) Queremos achar t de modo que:
P(T > t ) = 0,1

1
−3(1− )t
− µ (1− ρ )t
e ⇒e 3
t = 2,3minutos
Logo: P (T > 2, 3) = 0,1 P (T ≤ 2, 3) = 0,99
Como a pessoa gasta 1,5 minutos para achar seu lugar ela deve chegar 1,5 + 2,3 = 3,8 minutos antes do jogo começar.
35
Importante
Como já foi dito anteriormente, a taxa de ocupação (λ/µ), tem que ser sempre menor que 1 pois, em caso contrário, a fila tende ao infinito.
?Vamos aproveitar este exemplo para mostrar que, mesmo sendo menor que 1, se ela se aproxima de 1 a fila já tende ao infinito. No quadro a
seguir, para um µ fixo igual a 3/min, mostramos os valores de L, Lq, W (em minutos) e Wq (em minutos) para valores crescentes de λ, e conse-
qüentemente de ρ.
Podemos ver que, a medida que ρ vai se aproximando de 1, a fila se torna inviável.
Taxa de Chegada λ 1 por minuto
Taxa de Atendimento µ 3 por minuto
Tempo médio de espera no Sistema W 0,50 minutos
Tempo médio de espera na Fila Wq 0,17 minutos
t 0,50 minutos
P(T > t) 36,79%
36
Exemplo 5
Fregueses chegam aleatoriamente a uma padaria à taxa média de 12/hora. O único empregado da padaria pode servir fregueses à taxa mé-
dia de 20/hora. O empregado recebe $3/hora enquanto que o tempo que os fregueses “perdem” na padaria está estimado em $8/hora. O dono da
padaria está considerando a instalação de um equipamento de auto-serviço que fará com que a taxa de atendimento aos fregueses passe para 42
fregueses/hora. O custo do equipamento de auto-serviço é de $30/dia.
Considerando que a padaria funciona 12 horas/dia, justifique economicamente se o equipamento de auto-serviço deve ou não ser compra-
do?
Solução
λ = 12/hora
Situação Atual
µ = 20/hora
Custo do empregado=$3/hr x 12 hr/dia = $36/dia ⇒ Custo do serviço
W = tempo médio que um freguês permanece na padaria.
W= 0,125 horas
Custo = 0,125 horas x 8/hr = $1
Custo da fila = $1 x 12 fregueses/hr x 12hr/dia = $144
Custo total = $36 + $144 = $144 = $180/dia
Situação Proposta
µ = 20/hora
37
W= 0,0333 horas
Custo = 0,0333 horas x 8/hr = $0,266
Custo da fila = $0,266 x 12 fregueses/hr x 12hr/dia = $38,40/dia
Custo do Serviço = $36 + $30 = $66/dia
Custo total = $66 + $38,40 = $104,40/dia
Resposta: A situação proposta é melhor.
38
t 0,50 horas
P(T > t) 0,00%
Exemplo 6
Suponhamos que as chegadas a uma cabine telefônica obedecem a lei de Poisson, com ritmo de 6 chegadas por hora. A duração média do
telefonema é de 3 minutos e suponhamos que siga a distribuição exponencial. Pede-se:
a) Qual a probabilidade de uma pessoa chegar à cabine e não ter que esperar?
b) Qual o número médio de pessoas na fila?
c) Qual o número médio de pessoas no sistema?
d) Qual o número médio de clientes usando o telefone?
e) Qual o tempo na fila?
f) Para qual ritmo de chegadas teríamos a situação em que o tempo médio de espera na fila seria de 3 minutos?
g) Qual é a fração do dia durante a qual o telefone está em uso?
Respostas:
a) 0,70
b) 0,128
c) 0,428
d) 0,30
e) 1,28 minutos
f) 10 chegadas/hora
g) 30%
39
t 0,50 horas
P(T > t) 0,09%
40
Exemplo 7
Uma fábrica possui um depósito de ferramentas onde os operários vão receber as ferramentas especiais para a realização de uma determi-
nada tarefa. Verificou-se que o ritmo de chegada (λ = 1 chegada/min) e o ritmo de atendimento (µ = 1,2 atendimentos por minuto) seguem o mo-
delo marcoviano M/M/1. A fábrica paga $9,00 por hora ao atendente e $18,00 ao operário. Pede-se:
a) O custo horário do sistema.
b) A fração do dia em que o atendente não trabalha.
Respostas:
a) $99,00
b) P0 = 1 - λ/µ = 0,16
Taxa de Chegada λ 1 por minuto
Taxa de Atendimento µ 1,2 por minuto
t 0,50 minutos
P(T > t) 90,48%
41
Exercício 2- Contratação de um reparador
Uma empresa deseja contratar um reparador para efetuar manutenção em suas máquinas, que estragam a um ritmo de 3 falhas por hora. Para tal
possui 2 opções: um reparador lento, que é capaz de consertar a um ritmo de 4 falhas por hora ou um reparador rápido, que é capaz de consertar a
um ritmo de 6 falhas por hora. O salário/hora do reparador lento é de $3,00 e o do reparador rápido é de $5,00. Qual contratação deve ser efetua-
da para que o custo total (reparador mais máquinas paradas) seja mínimo? Sabe-se que uma máquina parada implica um custo horário de $5,00.
42
Modelo M/M/s (s>1)
Neste tipo de modelo, considera-se que as estações de serviço são equivalentes e prestam serviço, individualmente, a mesma taxa média
µ.
Taxa de chegadas descrita por processo POISSON.
Taxa de aterndimento descrita por processo POISSON.
S servidores.  1λ
n
População infinita.  P0   ,se n < s
1  n!  µ 
λ P0 = Pn = 
ρ=  s −1 1  λ  n  1  λ
s
 1 λ
n
sµ ∑    +    P0 s !s n−s  µ  ,se n ≥ s
 n = 0 n !  µ   s !(1 − ρ )  µ    
   λs  − µt  s −1−   
 λ
µ
    P0  1 − e 

 
  µ   
 e − µt 1 + 
 λ 
λ L Lq   s !(1 − ρ )  s − 1 − 
L = Lq + W= Wq =


  µ   λ
µ P(T > t ) =    se  s − 1 −  ≠ 0
λ λ    λs 
 µ
  P0 
λ
s +1
 − µt   µ    λ
P0 e 1 + s !(1 − ρ ) µt  se  s − 1 − µ  = 0
 µ    
Lq =  



s × s !(1 − ρ ) 2
43
Exemplo 1
Um escritório tem 3 datilógrafas e cada uma pode datilografar, em média, 6 cartas por hora. As cartas chegam para serem datilografadas a
taxa média de 15 por hora.
a) Qual o número médio de cartas esperando para serem datilografadas?
b) Quanto tempo, em média, uma carta demora para ficar pronta?
c) Qual a probabilidade de que uma carta demore mais de 20 minutos para ficar pronta?
d) Vamos supor que cada datilógrafa receba individualmente 5 cartas por hora, em média, para datilografar. Quanto tempo em
média uma carta demora para ficar pronta?
Dados de Entrada
Taxa de Chegada λ 15 hora
Taxa de Atendimento µ 6 hora Cálculos Intermediários
Número de servidores s 3 n fatorial(n)
0 1 1
Medidas de Desempenho 1 1 2,5
Taxa de utilização ρ 83,33% s-1 2 2 3,125
Probabilidade de não haver cliente no

P0 4,49% Soma 6,625 15,625
sistema
44
Número médio de Clientes na Fila Lq 3,51
Número médio de Clientes no Sistema L 6,01
Tempo médio de espera no Sistema W 0,40
Tempo médio de espera na Fila Wq 0,23
t 20 0,33
P(T > t) se (s-1-λ/µ)≠0 46,19% P(T > t) se (s-1-λ/µ)≠0 0,461942
i
P(T > t) se (s-1-λ/µ)=0 - P(T > t) se (s-1-λ/µ)=0 0,33
a) Lq = 3,511 cartas
b) W = 0,40 horas
c) P(T > 0,333 h) = 0,461 = 46,1%
d) Modelo I
λ = 5/h, logo W = 1 hora
45
Este exemplo serve para mostrar a vantagem em se ter uma fila única quando temos várias estações de serviço prestando o mesmo tipo de
atendimento. Com uma única fila, cada carta demora, em média, 0,40 horas para ficar pronta. Com fila individual demorará, em média, 1 hora.
Exemplo 2
Deseja-se determinar o número ótimo de caixas em uma agência bancária. O tempo que cada cliente "perde" dentro da agência está esti-
mado em $5/hora e o custo de funcionamento de uma caixa bancária é de $4/hora.
Os clientes chegam a taxa média de 40 por hora e as caixas podem atender, em média, 30 clientes por hora.
Dados de Entrada
Número de servidores s 1 n fatorial(n)
0 1 1
Medidas de Desempenho 1 1 2,5
A Fila tende
Taxa de utilização ρ 1,333333333 s-1 2 2 3,125
ao infinito!!!!

P0 - Soma 6,625 #VALOR!
sistema
Número médio de Clientes na Fila Lq -
46
Número médio de Clientes no Sistema L -
Tempo médio de espera no Sistema W -
Tempo médio de espera na Fila Wq -
t 20 -
P(T > t) se (s-1-λ/µ)≠0 - P(T > t) se (s-1-λ/µ)≠0 #VALOR!
P(T > t) se (s-1-λ/µ)=0 - P(T > t) se (s-1-λ/µ)=0 #VALOR!
Solução
λ = 40/hr ૄ= 30/\hr
s = 1 ⇒ ρ = 1,333 > 1, a fila tenderia ao infinito
Para se resolver este tipo de problema tem que se ir por tentativa, incrementando o número de estações de serviço de 1. Como já vimos, a curva
de custo total vem diminuindo, passa por um mínimo e volta a crescer.
No exemplo o mínimo é s = 3.
47
Modelo M/M/1: Fila Finita
Esta é a situação na qual a fila pode acomodar somente um número finito de unidades, ou seja, se uma unidade chega e a fila está cheia,
ela vai embora sem esperar o atendimento.
Deve ser observado que neste caso a taxa de chegada (λ) não precisa ser menor que a taxa de serviço (µ) pois a fila tem tamanho fixo.
Neste tipo de modelo aparece uma nova variável (M), que é o número máximo de unidades que podem estar no sistema, sendo M -1 o
número máximo permitido na fila.
As fórmulas para este modelo são:
 λ  λ
M +1
1−
 µ  λ  n 
 λ −
( M + 1)  
µ

 λ
M +1
  P0 seλ ≠ µ µ −λ M +1
seλ ≠ µ
P0 =  1 −  
µ
se λ ≠ µ Pn =  µ  L=  λ
1−  

    µ
 1  
 P0 se λ = µ
 se λ = µ  M
se λ = µ
 M +1  2
A taxa de chegada das unidades no sistema é λ. No entanto, algumas unidades chegam e encontram a fila cheia, ou seja, vão embora. A
taxa de chegada efetiva (λef) dá a taxa média das unidades que realmente permanecem no sistema, ou seja, (λef) é a taxa média de entrada no
sistema.
λef = µ (1 − P0 ) = λ (1 − PM )
As demais fórmulas ficam então:
W=
L Lq λef
Wq = ρ=
λef λef µ 48
Exemplo 1
Uma barbearia com 1 barbeiro tem 6 cadeiras para acomodar fregueses esperando atendimento. Os fregueses que chegam quando as 6 ca-
deiras estão cheias, vão embora sem esperar. Os fregueses chegam a taxa média de 3/hora e ficam em média 15 minutos na cadeira do barbeiro.
a) Qual a probabilidade de um freguês chegar e ir direto para a cadeira do barbeiro?
b) Qual o número médio de fregueses esperando por atendimento?
c) Qual a taxa de chegada efetiva?
d) Quanto tempo, em média, um freguês fica na barbearia?
e) Que percentual dos fregueses potenciais vai embora sem esperar atendimento?
Unidade de
Dados de Entrada hora Entidades Clientes
Tempo
Número máximo de entidades no sistema M 7
Taxa de Chegada Efetiva λef 2,89 2,89 Clientes por hora
49
Número de entidades n 7 Clientes
Probabilidade de haver n clientes no sistema Pn 3,71%
Solução
M = 7 λ= 3/hr µ=4/hr
a) P0 = 0,2778 = 27,78%
b) L = 2,11 fregueses Lq = 1,39 fregueses
c) λef = 2, 89 frergueses / hr
d) W= 0,73 horas
λ ef 2,89
= = 0, 963 ⇒ Percentual de fregueses atendidos.
e)
λ 3
Resp.: 1 – 0,963 = 0,037 = 3,7%
50
Exemplo 2
Em uma barbearia de um único barbeiro a taxa média de chegadas é de 3 fregueses por hora. A barbearia só tem lugar para acomodar 2
pessoas esperando e os eventuais fregueses que chegam quando o salão está cheio, tem de ir embora. O barbeiro é capaz de atender em média 2
fregueses por hora e cobra $7 por cada corte de cabelo. Como muitos fregueses estão indo embora sem poder serem atendidos, o barbeiro está
pensando em mudar o seu método de trabalho. Após alguns estudos ele identificou 2 alternativas:
a) Trabalhar um pouco mais rápido do que atualmente, diminuindo um pouco a qualidade do corte de cabelo mas diminuindo o preço do
corte para $6 para evitar reclamações. Com esta alternativa a sua taxa de serviço média iria para 3 fregueses por hora.
b) Trabalhar bem mais rápido do que atualmente, cobrando somente $5 por corte de cabelo pois haveria uma queda acentuada na qualida-
de. Neste caso, sua taxa de serviço média passaria a 4 fregueses por hora.
O barbeiro deseja fazer uma avaliação econômica entre a situação atual e as 2 alternativas estudadas. O tempo perdido pelos fregueses na
fila de espera está estimado em $2/hora e como o serviço feito pelo barbeiro é muito cansativo, ao tempo que ele pode descansar (por não ter ne-
nhum freguês esperando) foi atribuído o valor de $4/hora, ou seja, cada hora que ele descansa é como se tivesse ganho $4.
Considerando que o dia tem 8 horas de trabalho, faça a análise econômica para o barbeiro.
Unidade de
Dados de Entrada hora Entidades Clientes
Tempo
Número máximo de entidades no sistema M 7
Taxa de Chegada Efetiva λef 1,96 1,96 Clientes por hora
51
Número de entidades n 7 Clientes
Probabilidade de haver n clientes no sistema Pn 34,69%
Solução
Situação atual
λ= 3/hr µ=2/hr M=3
Receita com os cortes = Nº médio de fregueses atendidos/dia x $7/corte
λef × 8hr/dia × $7 = 98,21/dia
P 0 × 8 hr / dia × $4 = 3, 94 / dia
$ Equivalente do tempo ocioso =
$ Equivalente do tempo ocioso =

Wq × λef × 8 hr / dia × $2 / hs = 17, 43
52
Rendimento líquido = $98,21 + $3,94 - $17,73 = $84,42/dia
Alternativa A
λ= 3/hr µ=3/hr M=3
P0 = 0,250 Wq = 0,333 hr λef = 2,25 fregueses/hr

Rendimento Líquido = $104/dia.
Alternativa B
λ= 3/hr µ=4/hr M=3
P0 = 0,3657 Wq = 0,20209 hr λef = 2,537 fregueses/hr

Rendimento Líquido = $104,96/dia.
Resp.: A alternativa B é a melhor solução.
53
Modelo M/M/s: Fila Finita (s>1)
Vamos definir 2 variáveis (a e c) ressaltando que elas não tem nenhum significado e são usadas apenas para simplificar as fórmulas:
λ λ  1 n
 n ! a P0 se n ≤ s P0 =
1
a= ec=
µ sµ  n  s 1 n  1 s  M n− s 
a P
Pn =  n −0 s se s < n ≤ M ∑ n ! a  + s ! a  ∑ c 
 s !s  n =0   n = s +1 
 0 se n > M


s −1
P0 a s c
Lq = 1 − c M − s − ( M − s )c M − s (1 − c) 
2 
L = Lq + s − ∑ ( s − n) Pn
s !(1 − c) n=0
L Lq λef
W= Wq = ρ=
λef λef sµ
Exemplo 1
Uma barbearia com 2 barbeiros tem 5 cadeiras de espera. Os fregueses que chegam quando as 5 cadeiras estão ocupadas, vão embora. Os
fregueses chegam a uma taxa média de 6/hora e ficam em média 15 minutos na cadeira de barbeiro.
a) Qual a probabilidade de um freguês chegar e ir direto para a cadeira de barbeiro?
b) Qual o número médio de fregueses esperando para serem atendidos?
c) Qual a taxa de chegada efetiva?
d) Quanto tempo, em média, um freguês fica na barbearia?
e) Que percentual de fregueses vai embora?
54
Unidade
Dados de Entrada hora Entidades Fregueses
de Tempo
Número de servidores s 2 n fatorial(n) a^n (1/n!)*a^n c^(n-s) Pn (s-n)*Pn
Número máximo de entidades no siste-

M 7 0 1 1 1 1,7778 16,13% 0,3226277
ma
s-1 1 1 1,5 1,5 1,3333 24,20% 0,2419707
a λ/µ 1,5 s 2 2 2,25 1,125 1 18,15%
c λ/sµ 0,75 s+1 3 6 3,375 0,5625 0,75 13,61%
s+1 3 4 24 5,0625 0,210938 0,5625 10,21%
s-1 1 5 120 7,59375 0,063281 0,4219 7,66%
6 720 11,3906 0,01582 0,3164 5,74%
Medidas de Desempenho 7 5040 17,0859 0,00339 0,2373 4,31%

P0 16,13% 8 40320 25,6289 0,000636 0,178 0,00%
sistema
Número de Clientes no Sistema n 1 9 362880 38,4434 0,000106 0,1335 0,00%
Probabilidade de haver n clientes no

Pn 24,20% M 10 3628800 57,665 1,59E-05 0,1001 0,00%
sistema
Número médio de Clientes na Fila Lq 1,0150 Fregueses 11 39916800 86,4976 2,17E-06 0,0751 0,00%
55
Número médio de Clientes no Sistema L 2,4504 Fregueses 12 4,79E+08 129,746 2,71E-07 0,0563 0,00%
Taxa de Chegada Efetiva λef 5,7416 por hora 13 6,23E+09 194,62 3,13E-08 0,0422 0,00%
Tempo médio de espera no Sistema W 0,4268 hora 14 8,72E+10 291,929 3,35E-09 0,0317 0,00%
Tempo médio de espera na Fila Wq 0,1768 hora 3,625 2,2881 0,5645984
Taxa de utilização ρ 0,7177 2,5741
Percentual de fregueses atendidos λef/λ 95,693%
Percentual de fregueses que vão embora1-λef/λ 4,307%
Solução
M=7 λ= 6/hr µ=4/hr s=2

a) P0 + P1 = 0,4232 = 40,32%
b) Lq = 1,014 fregueses
c) λef = 5,741 fregueses/hr

d) W = 0,426 horas
λ ef
e) 1 − = 0, 0431 = 4, 31%
λ
56
Exemplo 2
Uma oficina mecânica tem 4 mecânicos sendo que cada carro necessitando conserto é atendido por um único mecânico.
Além dos carros sendo consertados só cabem mais 6 automóveis no pátio da oficina e quando ele está cheio os fregueses tem que procurar outra
oficina. A taxa média de chegadas de carros para conserto é de 3 por dia. Cada mecânico conserta, em média, 1 carro por dia.
a) Qual a probabilidade da oficina estar vazia?
b) Qual o número médio de carros esperando conserto?
c) Qual o número médio de carros na oficina?
d) Dos automóveis que procuram a oficina, quantos em média ficam?
e) Quanto tempo em média um carro espera na fila?
f) Quanto tempo em média um carro fica na oficina?
g) Qual a probabilidade de um carro chegar e ter vaga na oficina?
Unidade
Dados de Entrada dia Entidades Carros
de Tempo
Taxa de Chegada λ 3 dia
Taxa de Atendimento µ 1 dia Cálculos Intermediários
Número de servidores s 4 n fatorial(n) a^n (1/n!)*a^n c^(n-s) Pn (s-n)*Pn
Número máximo de entidades no siste-

M 10 0 1 1 1 3,1605 4,05% 0,1619566
ma
1 1 3 3 2,3704 12,15% 0,3644025
a λ/µ 3 2 2 9 4,5 1,7778 18,22% 0,3644025
c λ/sµ 0,75 s-1 3 6 27 4,5 1,3333 18,22% 0,1822012
s+1 5 s 4 24 81 3,375 1 13,67% 0
s-1 1 s+1 5 120 243 2,025 0,75 10,25% -0,1024882
57
6 720 729 1,0125 0,5625 7,69% -0,1537323
Medidas de Desempenho 7 5040 2187 0,433929 0,4219 5,76% -0,1729488

P0 4,05% 8 40320 6561 0,162723 0,3164 4,32% -0,1729488
sistema
Número de Clientes no Sistema n 10 9 362880 19683 0,054241 0,2373 3,24% -0,1621395
Probabilidade de haver n clientes no

Pn 2,43% M 10 3628800 59049 0,016272 0,178 2,43% -0,1459256
sistema
Número médio de Clientes na Fila Lq 0,9102 Carros 11 39916800 177147 0,004438 0,1335 0,00% 0
Número médio de Clientes no Sistema L 3,8372 Carros 12 4,79E+08 531441 0,001109 0,1001 0,00% 0
Taxa de Chegada Efetiva λef 2,9270 por dia 13 6,23E+09 1594323 0,000256 0,0751 0,00% 0
Tempo médio de espera no Sistema W 1,3110 dia 14 8,72E+10 4782969 5,49E-05 0,0563 0,00% 0
Tempo médio de espera na Fila Wq 0,3110 dia 16,375 2,4661 1,0729628
Taxa de utilização ρ 0,7318 8,323
Percentual de fregueses atendidos λef/λ 97,6%
Percentual de fregueses que vão embora1-λef/λ 2,432%
Solução
M = 10 λ= 3/dia µ=1/dia s=4

a) P0 = 0,040 = 4%
b) Lq = 0,91 Carros
58
c) L = 3,83 Carros
d) λef = 2,92 carros/dia
Wq = 0,31 dias
W = 1,31 dias
P vaga = 1 – P10 = 1 – 0,02 = 0,98 = 98%
Modelo M/M/s: População Finita (s>1)

59
Em muitos problemas práticos a consideração de que a população é de tamanho infinito leva a resultados distorcidos porque na verdade a
população é pequena para ser considerada de tamanho infinito. Quando isto ocorre, a presença de uma ou mais unidades no sistema tem um forte
efeito na distribuição das chegadas futuras e o uso de um modelo com população infinita conduz a resultados errados. Um exemplo típico é de
um pequeno grupo de máquinas que quebram de tempos em tempos necessitando conserto. Um outro exemplo, é o caso de um pequeno grupo de
mecânicos que vão a determinado balcão pegar peças ou ferramentas. No caso extremo, por exemplo, se todas as máquinas estão quebradas, ne-
nhuma chegada pode ocorrer. Isto contrasta com os modelos de população infinita nos quais a taxa de chegada é independente do número de uni-
dades que já estão no sistema. Neste tipo de modelo, a taxa de chegada λ, é a taxa de chegada de cada unidade, ou seja, 1/λ é o tempo médio entre
chegadas de cada unidade. No caso das máquinas, por exemplo, seria o tempo médio entre quebra de cada máquina. A taxa de chegada efetiva λef
dá a taxa média de chegada, considerando todas as unidades. As fórmulas para este tipo de modelo são bastante complexas e por causa disso tem
sido calculadas e tabeladas para facilitar o seu uso.
Para entrar nas tabelas abaixo precisamos de 3 informações:
λ s ⇒ número de estações de serviço
X= ⇒ Fator de Serviço
λ+µ
M ⇒ Tamanho da população
Da tabela obtemos a seguinte medida:
F = Fator de Eficiência
λef = MFX µ
Temos então:
1
Lq = M (1 − F ) W = Wq +
µ
Lq MFX
ρ=
L = λef W Wq =
λef s 
 P0
M! λ
n
  se 1 ≤ n < s
 ( M − n)!n !  µ 
 n
1  M! λ
Pn =  P0  se s ≤ n ≤ M
P0 =  ( M − n )! s ! s n−s 
 µ 
 s −1 M! λ  M
n
M! λ
n

 ∑    + ∑  
0 se n > M
 o tamanho da população solicitante é finito (N).
 n =0 ( M − n)!n !  µ   n = s ( M − n)! s ! s  µ 
Suponha agora que o único desvio do modelo n − s seja
M/M/s seja a fonte de entradas limitada, ou seja,


60
A aplicação mais importante desse modelo foi a do problema do conserto de máquinas, no qual um ou mais técnicos de manutenção recebem o encargo de
manter em operação certo grupo de N máquinas reparando cada uma que quebrar. A equipe de manutenção é considerada como atendentes individuais no
sistema de filas se eles trabalharem individualmente em diferentes tipos de máquinas, ao passo que toda a equipe é considerada um único atendente se os
membros da equipe trabalharem juntos em cada máquina. As máquinas constituem a população solicitante. Cada uma delas é considerada um cliente no siste-
ma de filas quando se encontrar quebrada aguardando ser reparada, ao passo que ela se encontra fora do sistema de filas enquanto ela estiver operacional.
Formulário sem o uso da tabela:
 N! λ
n
   para n = 0,1, 2,..., s

 ( N − n)!n!  µ 
 n
 N! λ
Cn =  n−s   para n = s, s + 1,..., N
 ( N − n)!s !s  µ 
 0 para n > N



Portanto,
 N! λ
n
   P0 para n = 0,1, 2,..., s

 ( N − n)!n!  µ 
 n
 N! λ
Pn =  n−s   P0 para n = s, s + 1,..., N
 ( N − n)!s !s  µ 
 0 para n > N



61
Em que
1
P0 =
 s−1 N! λ N
n
N! λ 
n
∑   +∑ n−s   
 n=0 ( N − n)!n !  µ  n=s ( N − n)!s !s  µ  
s −1
N
 s−1 
Finalmente, Lq = ∑
n= s
(n − s ) Pn e L = ∑
n =0
nPn + Lq + s 1 − ∑ Pn  .
 n =0 
Assim,
L Lq
W= e Wq = .
λ λ
Em que:
∞ N
λ = ∑ λn Pn =∑ ( N − n)λ Pn =λ ( N − L)
n =0 n =0
Todos os exemplos relativos ao modelo M/M/s população finita podem ser realizados pela planilha do Excel sem o uso das tabelas.
Exemplo 1
Uma companhia pesqueira tem 2 estaleiros para conserto de seus barcos. Cada barco quebra, em média, de 4 em 4 semanas. Cada estalei-
ro gasta, em média, 1 semana para consertar cada barco. A frota atual da companhia é de 10 barcos.
a) Qual a probabilidade do estaleiro estar vazio?
b) Em média quantos barcos quebrados ficam aguardando conserto?
c) Em média, quantos barcos estão parados no estaleiro?
d) Qual a taxa de chegada de barcos no estaleiro?
e) Quanto tempo, em média, um barco aguarda para começar a ser consertado?
f) Quanto tempo, em média, um barco fica parado?
62
Dados de Entrada Unidade de Tempo semana Clientes Barcos
Taxa de Chegada λ 0,25 semana
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento µ 1 semana n
n)!n!)*(λ/µ)^n s))*(λ/µ)^n
Número de servidores s 2 0 1 2
Tamanho da População M 10 s-1 1 2,5 2,5
s 2 2,8125 2,8125
X λ/(λ+µ) 0,2 3 1,875 2,8125
Fator de Eficiência F 0,854 4 0,8203125 2,4609375
s-1 1 5 0,24609375 1,845703125
6 0,051269531 1,153564453
7 0,007324219 0,576782227
Medidas de Desempenho 8 0,000686646 0,216293335
Lq 1,46 Barcos 9 3,8147E-05 0,054073334
λef 1,708 Barcos por semana M 10 9,53674E-07 0,006759167
Wq 0,855 semana 3,5 11,93911314
W 1,85 semana
L 3,17 Barcos
ρ 0,85
63
P0 6,48%
n 5
Pn 11,95%
Solução
M = 10 λ= 0,25/Semana µ=1/Semana s=2

0,25
X= =0,2
0,25+1
F= 0,854 => (tabela página 232)
a) P0 = 0,065 = 6,5%
b) Lq = 1,46 barcos
c) L = 3,16 barcos
d) λef = 1,708 barcos/semana
Wq = 0,85 semanas
W = 1,85 semanas
Exemplo 2
Dois mecânicos tem a tarefa de consertar 5 máquinas. Cada máquina quebra a uma taxa média de uma vez a cada hora. Cada mecânico
pode reparar as máquinas a taxa média de 4/hora.
a) Qual o número médio de máquinas esperando reparo?
b) Qual o número médio de máquinas que estão fora de serviço?
c) Qual a taxa de chegada quando consideramos as 5 máquinas?
d) Quanto tempo, em média, uma máquina quebrada espera na fila?
e) E no sistema?
64
Dados de Entrada Unidade de Tempo hora Clientes máquinas
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento µ 4 hora n
n)!n!)*(λ/µ)^n s))*(λ/µ)^n
Número de servidores s 2 0 1 2
Tamanho da População M 5 s-1 1 2,5 2,5
s 2 2,8125 2,8125
X λ/(λ+µ) 0,2 3 1,875 2,8125
s-1 1 M 5 0,24609375 1,845703125
6 0,051269531 1,153564453
7 0,007324219 0,576782227
Medidas de Desempenho 8 0,000686646 0,216293335
Lq 0,12 máquinas 9 3,8147E-05 0,054073334
λef 3,904 máquinas por hora 10 9,53674E-07 0,006759167
Wq 0,031 hora 3,5 9,931640625
W 0,28 hora
L 1,096 máquinas
ρ 0,49
65
P0 7,45%
n 5
Pn 13,74%
Solução
M=5 λ= 1/hr µ=4/hr s=2

1
X= = 0,2
1+4
Da tabela () F = 0, 976
a) Lq = 0,12 máquinas
b) L = 1, 093 máquinas
c) λef= 3, 904 máquinas/hr

d) Wq = 0,03 hr
W = 0,28 hs
Exemplo 3
Uma empresa de frete aéreo tem 20 terminais (buferizados) em uma linha de comunicação. Os terminais são usados para entrada de dados
no sistema central de computação. O tempo médio necesário para digitar uma entrada no buffer do terminal é 80 segundos e este tempo de digita-
ção é exponencialmente distribuído. Cada mensagem enviada de um terminal, consome, em média 2 segundos de CPU (exponencial).
Calcule quantas requisições dos terminais são enviadas para a CPU e qual tempo de resposta médio para cada requisição.
Dados de Entrada Unidade de Tempo minuto Clientes máquinas
66
Taxa de Chegada λ 0,75 minuto
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento µ 30 minuto n
n)!n!)*(λ/µ)^n s))*(λ/µ)^n
Número de servidores s 1 s-1 0 1 1
Tamanho da População M 20 s 1 0,5 0,5
2 0,11875 0,2375
X λ/(λ+µ) 0,02439024 3 0,0178125 0,106875
s-1 0 5 0,000151406 0,01816875
6 9,46289E-06 0,006813281
7 4,73145E-07 0,002384648
Medidas de Desempenho 8 1,92215E-08 0,000775011
Lq 0,36 máquinas 9 6,40717E-10 0,000232503
λef 14,371 máquinas por minuto 10 1,76197E-11 6,39384E-05
Wq 0,025 minuto 11 4,00448E-13 1,59846E-05
W 0,0584 minuto 12 7,5084E-15 3,59653E-06
L 0,839 máquinas 13 1,15514E-16 7,19307E-07
ρ 0,48 14 1,44392E-18 1,25879E-07
P0 52,13% 15 1,44392E-20 1,88818E-08
67
n 1 16 1,12806E-22 2,36023E-09
Pn 26,07% 17 6,63567E-25 2,36023E-10
18 2,76486E-27 1,77017E-11
19 7,27596E-30 8,85085E-13
M 20 9,09495E-33 2,21271E-14
1 0,918255455
Solução
M = 20 λ= 0,75/min µ=30/min s=1

0,75
X= = 0,244 ≅ 0,024
0,75+30
Da tabela => F = 0,982
Requisições enviadas para a CPU:

λ eff
λ eff = MFXµ = (20)(0,982)(0,024)(30) = 14,14/min.
Tempo de Resposta: (W)F = 0, 976
Lq= M (1-F)= 20 (1 - 0,982) = 0,36
0,36
Wq = = 0, 0255 min .
14,14
W = Wq + 1/µ = 0,0255 + 1/30 = 0,0558 min. = 3,53 segundos
Exemplo 4
Considere um sistema de time sharing com 20 terminais ativos. Cada terminal submete um job ao processador a cada 3 segundos (seguin-
do uma distribuição exponencial). O processador central tem capacidade de processar 500.000 instruções por segundo e cada job, em média (ex-
ponencial), necessita do processamento de 100.000 instruções.
68
Determine quantos jobs, em média, estão no processador central e qual o tempo médio de resposta para cada job submetido.
Dados de Entrada Unidade de Tempo minuto Clientes máquinas
Taxa de Chegada λ 20 minuto
(M!/(M- (M!/(M-n)!s!s^(n-
Taxa de Atendimento µ 300 minuto n
n)!n!)*(λ/µ)^n s))*(λ/µ)^n
Número de servidores s 1 s-1 0 1 1
Tamanho da População M 20 s 1 1,333333333 1,333333333
2 0,844444444 1,688888889
X λ/(λ+µ) 0,0625 3 0,337777778 2,026666667
s-1 0 5 0,02041679 2,450014815
6 0,003402798 2,450014815
7 0,000453706 2,286680494
Medidas de Desempenho 8 4,91515E-05 1,981789761
Lq 4,64 máquinas 9 4,36903E-06 1,585431809
λef 288,000 máquinas por minuto 10 3,20395E-07 1,162649993
Wq 0,016 minuto 11 1,94179E-08 0,775099996
W 0,0194 minuto 12 9,70894E-10 0,465059997
L 5,600 máquinas 13 3,98316E-11 0,248031999
69
ρ 0,96 14 1,32772E-12 0,115748266
P0 4,56% 15 3,54058E-14 0,046299306
n 1 16 7,37622E-16 0,015433102
Pn 6,08% 17 1,15705E-17 0,004115494
18 1,28562E-19 0,000823099
19 9,02186E-22 0,000109747
20 3,00729E-24 7,31643E-06
1 20,93308779
Solução
M = 20 λ= 20/min µ=500.000/1000.000 = 0,2/Segundo = 300/min s=1

20
X= = 0,0625 ≃ 0,062
320
Da tabela => F = 0,768
λef f = MFXµ = (20)(0,768)(0,062)(300) = 285,196/min = 4, 7533/segundo
Lq= M (1-F)= 20 (1 - 0,768) = 4,64
Lq 4, 64
Wq = = 0, 0163 min .
λ eff 285,196
Tempo de resposta médio: (W)
W = Wq + 1/µ = 0, 0196 min. = 1,1762 segundos
Jobs no processador: (L)
L = λeffW = (4,7533) (1,1762) = 5,59 jobs
Tabelas para modelos com população finita

70
As tabelas a seguir 1 tem como objetivo facilitar os cálculos para modelos de filas com população de tamanho finito.
As tabelas aqui contidas, por problema de espaço, só abrangem os modelos com população igual a 5, 10, 20 e 30 elementos. Sendo assim,
os exercícios apresentados só tratam modelos com populações de um daqueles tamanhos.
No acesso a tabela, deve-se observar que, em cada página, existem 3 colunas, cada uma com 4 valores: X, S, D e F.
A seqüência dos valores é por coluna. Sendo assim, iniciamos na 1ª coluna, descemos até embaixo na página e, ao chegar ao final, subi-
mos para a 2ª coluna. Quando esta acaba, embaixo na página, subimos para a 3ª coluna e quando chegamos ao final, mudamos para a próxima
página onde a seqüência é a mesma.
Na própria tabela está impresso onde ela começa a valer para uma determinada população. Assim, após encontrar impresso População 10,
por exemplo, passam a valer os valores para esta população.
Modelo M/G/1
Como já citamos, a análise matemática de modelos de filas com distribuições diferentes da Poisson (Exponencial) é muito difícil e poucos
modelos têm solução analítica.
A distribuição das chegadas segue a Poisson, mas a distribuição do serviço segue uma distribuição qualquer (Geral) da qual se conhece a
2
média 1/µ e a variância σ .
As fórmulas para o modelo são:
λ λ 2σ 2 + ρ 2 Lq
L = Lq + ρ
1
ρ= P0 = 1 − ρ Lq = Wq = W = Wq +
µ
µ 2(1 − ρ ) λ
Exemplo 1
71
Pessoas chegam a um pequeno posto do correio a taxa de 30 por hora. O serviço é executado por apenas um funcionário e o tempo de ser-
viço é normalmente distribuído, ou seja, segue uma distribuição normal com média de 1 minuto e σ = 0,30 minutos.
a) Quanto tempo, em média, uma pessoa espera na fila?
b) Quanto tempo, em média, uma pessoa fica no posto do correio?
c) Qual o número médio de pessoas na fila?
d) Qual o número médio de pessoas no posto de serviço?
e) Qual a probabilidade do funcionário estar ocioso?
Dados de Entrada Unidade de Tempo minuto Clientes pessoas
Taxa de Chegada λ 0,5 por minuto
Desvio-padrão σ 0,30 por minuto
72
Número médio de Clientes na Fila Lq 0,2725 pessoas
Número médio de Clientes no Sistema L 0,7725 pessoas
P0 50,00%
Solução
λ= 0,5/min µ=1/min σ2 = (0,30)2 = 0,09M = 20 0,09 ρ = 0,5

0,75
X= = 0,244 ≃ 0,024
0,75+30
Tempo de Resposta: (W)F = 0, 976
Lq= M (1-F)= 20 (1 - 0,982) = 0,36
0,36
Wq = = 0, 0255 min .
14,14
W = Wq + 1/µ = 0,0255 + 1/30 = 0,0558 min. = 3,53 se-
gundos
Exemplo 2
2
Repetir o exemplo 1 supondo a duração do serviço constante, ou seja, σ = 0.
73
Dados de Entrada Unidade de Tempo minuto Clientes pessoas
Taxa de Chegada λ 0,5 por minuto
Desvio-padrão σ 0,00 por minuto
Número médio de Clientes na Fila Lq 0,2500 pessoas
Número médio de Clientes no Sistema L 0,75 pessoas
P0 50,00%
Solução
ρ = 0,5 P0= 0,5 = 50% (e) Lq = 0,25 pessoas (c)
L = 0,75 pessoas (d) Wq = 0,5 minutos (a) W = 1,5 minutos (b)
74
Modelo M/Ek/1
Neste tipo de modelo, a distribuição da duração do serviço segue uma distribuição de Erlang com parâmetro k. No último exemplo do
modelo anterior, supomos uma variação igual a zero para a duração do serviço (σ = 0) enquanto que a distribuição exponencial tem um alto grau
de variabilidade (σ = 1/µ). Entre estes 2 casos extremos temos uma área intermediária (0 < σ < 1/µ) onde cai uma boa parte das distribuições reais
da duração do serviço.
Uma distribuição que "preenche" este intervalo é chamada distribuição de Erlang. Sua média e desvio-padrão são:
1 1 1
x= σ= , onde k ≥ 0 e inteiro
µ k µ
Pode-se ver que k é o parâmetro que especifica o grau de variabilidade das durações de serviço em relação à média. Na verdade para cada
k temos uma distribuição e por isto vamos considerar a distribuição de Erlang como uma família de distribuições. Assim a constante (σ = 0) e a
exponencial (σ = 1/µ) são elementos desta família com k = ∞ e k = 1, respectivamente.
A distibuição de Erlang tmabém é muito importante em teoria das filas pela seguinte propriedade: Suponha que T1, T2, ..., Tk
são k variáveis aleatórias independentes com uma distribuição exponencial idêntica cuja média é 1/kµ.
Então a soma T = T1 + T2 + ... + Tk segue uma distribuição de Erlang com parâmetros µ e k.
É muito comum que o serviço prestado a uma unidade em um sistema de filas seja constituído de k tarefas consecutivas onde a duração de
cada uma delas segue a mesma distribuição exponencial, com média 1/kµ. Então a duração total (ou seja, a execução das k tarefas) segue uma
distribuição de Erlang com parâmetros k e µ.
Para este modelo temos:
(1 + k )λ 2
Lq =
2k µ ( µ − λ )
1 (1 + k )λ
W = Wq + Wq =
µ 2k µ ( µ − λ )
L = λW
75
Exemplo 1
Uma oficina de manutenção de uma linha aérea só tem meios para fazer a manutenção de um motor de cada vez. Por isso, para fazer com
que os aviões regressem ao serviço tão logo seja possível, a política adotada tem sido de alternar a manutenção dos 4 motores de cada avião, ou
seja, só se faz a manutenção de 1 dos motores cada vez que o avião vai para oficina.
Sob esta política os aviões tem chegado segundo um Processo de Poisson a taxa média de 1 por dia. O tempo necessário para reparar um
motor (uma vez que se tenha iniciado o trabalho) tem uma distribuição exponencial com média de 0,5 dias. Existe uma proposição de se trocar a
política de maneira que se reparem os 4 motores, consecutivamente, cada vez que o avião for a oficina. Embora isto quadruplique o tempo espe-
rado de serviço, a freqüência com que os aviões necessitariam ir a oficina seria 1/4 da atual. Deve-se implantar a nova proposta?
Dados de Entrada
Taxa de Chegada λ 0,25 por dia
Taxa de Atendimento µ 0,5 por dia
Parâmetro k k 4
Tempo médio de espera no Sistema W 3,25 dias
Tempo médio de espera na Fila Wq 1,25 dias
76
Solução
Situação atual
Modelo I: λ = 1/dia µ = 2/dia

W = 1/(µ - λ) = 1 dia
Como temos 4 motores para cada avião temos: W = 4 x 1 = 4 dias
Situação proposta
Modelo VII: λ = 0,25/dia T = T1 + T2 + T3 + T4 => Erlang com k = 4

1/kµ = 0,5 1/4µ= 0,5 µ = 0,5/dia
Wq = 1,25 dias W = 3,25 dias
A situação proposta é melhor (3,25 < 4).
Exemplo 2
Um alfaiate faz ternos sob medida. Cada terno, para ser feito, implica na execução de 4 tarefas distintas. O alfaiate faz as 4 tarefas de cada terno
antes de começar outro. O tempo para executar cada tarefa segue uma distribuição exponencial com média de 2 horas. Os pedidos chegam a taxa
média de 5,5 por semana (8 horas por dia, 6 dias por semana). Quanto tempo em média um terno demora para ficar pronto?
Dados de Entrada
77
Taxa de Chegada λ 0,114583 por semana
Parâmetro k k 4
Tempo médio de espera no Sistema W 0,52 dias
Tempo médio de espera na Fila Wq 0,02 dias
Solução
K = 4 = 7 λ= 3/hr µ=4/hr
1/4µ = 2 µ = 0,125/hr
λ= 5,5/semana = 0,11458/hr
Wq 55 hs
W = Wq + 1/µ = 63hr
78
TESTE DE ADERÊNCIA
O objetivo deste tópico é verificar se a distribuição empírica originada pela coleta de dados se “encaixa” bem numa determinada distri-
buição teórica.
Existem dois testes “clássicos” de aderência: o teste qui-quadrado (χ2) e o teste de Kolmogorov-Smirnov (K-S), que serão utilizados a se-
guir. Os testes de aderência pertencem à categoria dos “testes não-paramétricos”, pois a hipótese testada refere-se à forma da função, não aos
seus parâmetros. A decisão de quando aplicar um ou outro teste baseia-se no tamanho da amostra disponível e na natureza da distribuição. O
teste K-S é válido apenas para distribuições contínuas enquanto que o Qui-quadrado pode ser aplicado a ambos os tipos, contínuos e discretos.
Em função da necessidade de pelo menos cinco observações por classe e um número razoável de graus de liberdade, não é recomendável a
aplicação do teste Qui-quadrado a pequenas amostras. Geralmente, a aplicação desse teste exige conjuntos com pelo menos 100 valores, se-
gundo alguns autores (PEDGEN, 1990; LAW, 1991). Já o teste K-S, é aplicável a pequenas amostras.
Teoricamente procura-se provar a hipótese de que o conjunto de dados amostrados não difere, de maneira significativa, daquele espe-
rado de uma distribuição teórica especificada.
Teste do Qui-quadrado
O teste do Qui-quadrado baseia-se no cálculo dos desvios entre as freqüências acumuladas observadas em cada classe e as frequências
teóricas (usando-se o modelo escolhido) nas mesmas classes.
Em cada classe k (k = 1, 2, ..., K), calcula-se o valor Ek , que é a diferença entre o número observado de elementos ( Ok ), e o valor teóri-
co da classe ( Tk ) dividindo-se o valor obtido por este valor teórico da classe:
(Ok − Tk ) 2
Ek = , k = 1, 2,..., K
Tk
A somatória dos valores de Ek ao quadrado, para todas as K classes envolvidas, determina a estatística E, cuja distribuição é um qui-
quadrado com K-1-n graus de liberdade, onde n é o número de parâmetros estimados a partir da amostra coletada:
K
E = ∑ Ek
k =1
79
Escolhendo-se um nível de significância 100( α )% e K-1-n graus de liberdade, obtém-se, da tabela da distribuição do qui-quadrado, o
valor Ecrítico . Se E for maior que Ecrítico , rejeita-se a hipótese de que a amostra observada provém de uma população com a distribuição teórica
adotada.
Um aspecto importante deve ser considerado: a hipótese de que a estatística E segue a distribuição do qui-quadrado é geralmente sa-
tisfatória desde que todas as classes tenham freqüência maior ou igual a 5. Caso alguma classe não possua esta característica, ela deve ser a-
gupada de modo que a condição possa ser satisfeita. Este tipo de condição implica em uma diminuição dos graus de liberdade, K-1-n, afinal,
com o agrupamento, o número de classes K diminui.
Exemplo 1: Testar, usando o teste do χ2 (qui-quadrado), se a distribuição abaixo, obtida em uma amostragem, é uma distribuição de Poisson
com média λ = 2/min.
Chegadas/min. (xi) Número de observações

0 39
1 91
2 67
3 59
4 28
5 10
6 4
7 2
300
80
Frequência da amostra x Frequência teórica
100
90
80
70
Frequência absoluta
60
50
40
30
20
10
0
0 1 2 3 4 5 6 7
Chegadas por minuto
Amostra Poisson
Média λ = 2/min. Para a aplicação do teste, precisamos comparar a freqüência observada e a freqüência teórica. Neste caso, a freqüência teóri-
ca é calculada pela fórmula:
e− λ λ k
Probabilidade(n o de observações = k )=
k!
Temos então:
81
Número de chegadas / min. P(número de observações = k) Frequência Esperada
0 0,135 300×0,135=40,5
1 0,270 300×0,270=81
2 0,270 81
3 0,180 54
4 0,090 27
5 0,036 10,8
6 0,012 3,6
7 0,003 0,9
No teste do χ2, quando a freqüência observada é menor que 5, deve-se agrupar até se tornar maior ou igual a 5.
Neste exemplo, a penúltima linha da primeira tabela (=4) é somada a última linha (=2) para gerar uma só linha com valor igual a 6. O
mesmo deve ser feito para a freqüência esperada. Logo,
(Frequência observada-Frequência esperada) 2

χ calculado
2
=∑
Frequência esperada
No nosso exemplo, temos:
(39 − 40,5) 2 (91 − 81) 2 (67 − 81) 2 (59 − 54) 2 (28 − 27)2 (10 − 10,8) 2 (6 − 4,5)2
χ calculado
2
= + + + + + + = 4,76
40,5 81 81 54 27 10,8 4,5
Teste de Hipóteses:
H0: A distribuição da população é Poisson com λ = 2

Ha: A distribuição da população não é Poisson λ = 2 .
Teste: Se χ calculado
2
> χ tabelado
2
, então rejeitamos a hipótese nula (H0) de que a distribuição é uma Poisson com λ = 2 .
82
Para obter o χ tabelado
2
, temos que calcular o número de graus de liberdade (v) da seguinte forma:
v = Número de pares(Freq. Observada / Freq. Esperada) − 1 − Número de parâmetros estimados pela amostra
Na Poisson, o único parâmetro estimado pela amostra é a média λ .

Logo, v = 7 − 1 − 1 = 5 .
Outra informação necessária para obter o χ tabelado
2
é o nível de significância α , que é o risco de que a hipótese seja rejeitada quando deveria
ser aceita. No teste de aderência, o padrão usual é usar 5% para o nível de significância. Cruzando as informações de v e α da tabela QUI-
QUADRADO da página 97, temos χ tabelado
2
= 11,07 .
A conclusão do teste QUI-QUADRADO é não rejeitar a hipótese nula, ou seja, a distribuição de chegadas segue uma Poisson.
Exemplo 2: Testar, usando o teste do χ2, se a distribuição a seguir, obtida em uma amostragem de uma estação de serviço, é uma exponencial
1
com média = 20 segundos, ou seja, a taxa média de serviço é µ = 3 / minuto .
µ
Duração do serviço (segundos) Frequência observada

0 – 30 480
30 – 60 33
60 – 90 19
90 – 120 7
120 – 150 1
540
Como a distribuição exponencial é uma distribuição contínua, temos:

t2
P (t1 ≤ t ≤ t2 ) = ∫ µ e − µt dt =e − µt1 − e − µt2

t1
83
Duração do serviço (segundos) P(x) Frequência esperada
−3×0 −3×0,5
0 – 30 e −e = 0,7768 540×0,7768=419,47
30 – 60 e−3×0,5 − e −3×1 = 0,1773 540×0,1773=93,58
60 – 90 0,0386 20,84
90 – 120 0,0086 4,64
120 – 150 0,0019 1,02
84
Frequência da amostra x Frequência teórica
600
500
400
300
200
100
0
0 – 30 30 – 60 60 – 90 90 – 120 120 – 150
Amostra Exponencial
Lembrando que temos que juntar em uma única categoria as 2 últimas linhas da freqüência observada (7 e 1), podemos fazer então:
(480 − 419, 47) 2 (33 − 93,58) 2 (8 − 5,66) 2

χ calculado
2
= + + ... + = 49,08
419, 47 93,58 5,66
v = 4 − 1 − 1 = 2 (na Exponencial só a média é estimada pela amostra)

Com α = 0,05 = 5% obtemos da tabela da página 97: χ tabelado
2
= 5,99 .
85
Como o χ calculado
2
é maior que o χ tabelado
2
, nós rejeitamos a hipótese nula de que a distribuição da duração do atendimento siga uma expo-
nencial com µ = 3 / minuto .
Teste de Kolmogorov-Smirnov
O teste de Kolmogorov-Smirnov (K-S) compara a função acumulada do modelo teórico com a função acumulada de probabilidade observada
(feita a partir dos valores observados). A idéia é bem simples: para comparar se o modelo observado adere ao modelo teórico, o teste calcula a dis-
tância absoluta máxima entre as duas distribuições acumuladas, através da estatística:
D = max F ( x) − S ( x)
x
A figura a seguir ilustra o significado da estatística D do teste do K-S, destacando a maior distância vertical medida entre a função acumulada
teórica e a observada.
Figura – Ajuste de curvas no K-S

86
Como no teste do qui-quadrado, a hipótese nula é:
H0: o modelo é adequado para representar a distribuição da população.

Ha: o modelo não é adequado para representar a distribuição da população.
O K-S será aplicado ao problema do supermercado na planilha Testes de Aderência.

Para realizarmos o teste, os dados observados são ordenados do menor para o maior valor. A tabela a seguir sintetiza o procedimento.
Frequência
Valor ob- Frequência acumulada
servado observada observada S(x) Fesq(x) Fdir(x) Desq = abs(Fesq(x) - S(x)) Ddir = abs(Fdir(x) - S(x))
0 13 13 0,07 0,00 0,14 0,07 0,07
1 23 36 0,18 0,14 0,25 0,05 0,07
2 18 54 0,27 0,25 0,35 0,02 0,08
3 26 80 0,40 0,35 0,44 0,05 0,04
4 16 96 0,48 0,44 0,52 0,04 0,04
5 15 111 0,56 0,52 0,58 0,04 0,03
6 9 120 0,60 0,58 0,64 0,02 0,04
7 9 129 0,65 0,64 0,69 0,01 0,04
8 10 139 0,70 0,69 0,73 0,01 0,03
9 12 151 0,76 0,73 0,77 0,03 0,01
87
10 5 156 0,78 0,77 0,80 0,02 0,02
11 5 161 0,81 0,80 0,83 0,01 0,02
12 10 171 0,86 0,83 0,85 0,03 0,01
13 4 175 0,88 0,85 0,87 0,03 0,01
14 1 176 0,88 0,87 0,89 0,01 0,00
15 2 178 0,89 0,89 0,90 0,01 0,01
16 1 179 0,90 0,90 0,92 0,00 0,02
17 2 181 0,91 0,92 0,93 0,01 0,02
18 4 185 0,93 0,93 0,94 0,00 0,01
19 4 189 0,95 0,94 0,95 0,01 0,00
20 3 192 0,96 0,95 0,95 0,02 0,01
21 0 192 0,96 0,95 0,96 0,01 0,01
22 1 193 0,97 0,96 0,97 0,01 0,00
23 0 193 0,97 0,97 0,97 0,00 0,00
24 1 194 0,97 0,97 0,97 0,00 0,00
25 0 194 0,97 0,97 0,98 0,00 0,00
26 0 194 0,97 0,98 0,98 0,00 0,01
27 2 196 0,98 0,98 0,98 0,00 0,00
28 2 198 0,99 0,98 0,99 0,01 0,01
29 0 198 0,99 0,99 0,99 0,01 0,01
88
30 0 198 0,99 0,99 0,99 0,01 0,01
31 0 198 0,99 0,99 0,99 0,01 0,00
32 0 198 0,99 0,99 0,99 0,00 0,00
33 0 198 0,99 0,99 0,99 0,00 0,00
34 0 198 0,99 0,99 0,99 0,00 0,00
35 0 198 0,99 0,99 0,99 0,00 0,00
36 0 198 0,99 0,99 1,00 0,00 0,00
37 0 198 0,99 1,00 1,00 0,00 0,00
38 0 198 0,99 1,00 1,00 0,00 0,00
39 0 198 0,99 1,00 1,00 0,00 0,00
40 0 198 0,99 1,00 1,00 0,00 0,00
41 0 198 0,99 1,00 1,00 0,00 0,00
42 0 198 0,99 1,00 1,00 0,00 0,00
43 1 199 1,00 1,00 1,00 0,00 0,00
Na tabela acima, os valores de S(x) , função acumulada dos dados observados, são diretamente obtidos pela equação:
número de eventos ≤ x
S ( x) =
total de valores observados
Os valores de F(x), função acumulada do modelo teórico, são obtidos pela função acumulada da distribuição exponencial:
F ( x) = 1 − e − λ x = 1 − e−0,146 x
89
O cálculo da estatística D (sétima e oitava colunas da tabela acima) é feito à esquerda e à direita de cada intervalo de classe de freqüência e a esta-
tística é estimada pelo maior valor entre os dois:
D = max{Desq , Ddir }
Como o valor máximo é 0,08 e o tamanho da amostra é 199, para um nível de significância de 5%, devemos utilizar a expresão da tabela na página
100:
1,36 1,36
Dcrítico = = = 0,0964
n 199
Portanto, como D < Dcrítico , não se pode rejeitar a hipótese de aderência dos dados.
Lista de Exercícios
1) Chegadas a uma oficina que conserta relógios são com uma taxa de 10 por cada 8 horas. O empregado que conserta tem um tempo médio de
serviço de 30 minutos por relógio.
a) Se ele conserta os relógios na ordem de chegada, quanto tempo, em média, o empregado fica ocioso por dia?
b) Quantos relógios, em média, estarão na frente de um relógio que acabou de chegar?
2) Chegadas a um centro de informações que tem apenas um atendente são com tempo médio de 10 minutos entre uma chegada e a próxima
(Poisson). O tempo que as pessoas gastam recebendo informação de um tipo ou de outro é suposto como sendo de 3 minutos (Exponencial).
a) Qual a probabilidade de que uma pessoa chegando ao centro não tenha que esperar?
b) Qual a probabilidade de que a pessoa chegando ao centro tenha que esperar?
c) Qual a probabilidade de termos 3 pessoas no sistema?
d) O diretor da organização irá contratar um outro atendente se ele se convencer que uma pessoa tenha que esperar no mínimo 3 minutos. De
quanto o fluxo de chegadas deve aumentar de maneira a justificar o segundo atendente?
3) O proprietário de uma firma distribuidora de gás espera um cliente a cada 5 minutos. O serviço de atendimento leva em média 4 minutos.
a) Qual a probabilidade de que um freguês não tenha que esperar?
b) Qual a probabilidade de que se tenha uma fila de espera?
c) O proprietário irá contratar um atendente se ele verificar que um freguês tenha que esperar, em média, 2 minutos ou mais para ser servido. A
taxa de chegada justifica tal contratação?
d) Qual a probabilidade de termos 4 clientes no sistema?
90
4) A taxa média de chegada de máquinas quebradas para uma oficina é 80 por semana e a sua capacidade de conserto é de 120 por semana.
a) Que proporção de tempo a oficina fica ociosa?
b) Qual a probabilidade de termos n máquinas na oficina para n = 0, 1, 2, 3 e 4?
c) Qual o número esperado de máquinas quebradas em um certo instante na oficina?
d) Qual o tempo médio de espera de uma máquina que chega até ela começar a ser atendida?
e) Quanto tempo em média uma máquina fica na oficina?
Obs: Adotar semana de 6 dias com 10 horas de trabalho por dia.
5) Em uma firma as máquinas quebram com uma taxa de 0,8 por hora e o custo de cada máquina parada é estimado em R$25,00 a hora. Existem
2 oficinas, A e B, que podem consertar as máquinas. A oficina A pede R$25 por hora e informa que pode consertar 1,5 máquinas por hora. A
oficina B pede R$20 por hora e informa que pode consertar 1,4 máquinas por hora.
a) Sabendo-se que as informações de A e B são verdadeiras, para qual oficina deve-se mandar as máquinas?
b) Qual é a escolha se a oficina A pedir R$15 por hora e a oficina B pedir R$18 por hora, mantidas as demais condições?
6) Um médico tem mais consultas do que é capaz de dar conta. Ele programa as chegadas dos pacientes a um ritmo médio de uma de 15 em 15
minutos. O modelo real de chegadas tende a seguir uma distribuição de Poisson. O atendimento real atual é de um paciente de 10 em 10 minutos
(exponencial). Uma proposta de re-instalação do consultório, utilizando mais espaço e tornando possível menor perda de tempo, permitiria ao
médico aumentar o ritmo de atendimento para um paciente de 6 em 6 minutos. Se o lucro for de R$22,50 por cliente e o médico não desejar au-
mentar o tempo médio de espera dos clientes, qual será a alteração no lucro horário?
7) Os veículos chegam a uma estação de pedágio a razão de 10 por minuto de acordo com uma distribuição de Poisson. O atendente pode atender
(dar nota, troco, etc) a razão de 12 por minuto, numa distribuição que se aproxima da exponencial.
a) Qual é o comprimento médio da fila de espera?
b) Qual é, em média, o tempo que um veículo espera na estação de pedágio?
c) Se o atendente fosse substituído por uma máquina com um ritmo constante de 12 por minuto, quais seriam as respostas dos itens a e b?
8) Sabe-se que a taxa de quebras de certas máquinas é λ = 0,2 máquinas por hora (Poisson). O tempo de reparo segue a lei exponencial com µ =
0,5 máquinas/hora.
a) Suponnha que existam 5 máquinas e apenas um técnico para consertar. Qual é o número médio de máquinas esperando serem reparadas?
b) Suponha que existem 20 máquinas e 3 técnicos para consertar (cada um com µ = 5 máquinas/hora). Qual é o número médio de máquinas espe-
rando serem reparadas?
91
c) Em qual das situações a máquina espera mais para ser reparada?
9) Uma firma têxtil tem um grande número de máquinas idênticas cuja taxa de falhas é estimada em 60 por dia. Existem 3 estações de reparo
cada uma tendo uma taxa de serviço de 25 por dia.
a) Quantas horas, para uma jornada de 8 horas por dia, está uma estação de serviço ocupada?
b) Qual a probabilidade que todas as estações estejam ociosas em um certo instante?
c) Qual o comprimento médio da fila?
d) Qual o número médio de máquinas no sistema de reparos?
10) Ainda em relação ao problema nº 9 responda as seguintes perguntas:

a) Qual a probabilidade de se ter somente uma estação ociosa? Somente duas estações?
b) Qual é o número esperado de estações de reparo ociosas?
c) Qual é, em média, o tempo de uma máquina que chega no sistema tem de esperar?
d) Qual é a perda diária, estimada, da companhia se cada máquina que não trabalha dá um prejuízo de R$300 por dia?
11) A taxa de chegada a uma oficina de reparos é de 180 por dia. A oficina tem 3 setores de atendimento com uma taxa de 100 por dia. Qual é a
probabilidade de que:
a) A oficina esteja sem clientes?
b) Um freguês tenha que esperar?
c) Somente 2 setores estejam ociosos?
d) Somente um setor esteja ocioso?
e) Que proporção média do tempo um setor está ocioso?
f) Qual é o tempo médio de espera de um freguês que chega?
g) Qual o comprimento médio da linha de espera?
12) Uma firma têxtil tem um grande número de máquinas idênticas cuja taxa de falhas é estimada em 50 por semana. Existem atualmente 3 seto-
res de reparos, cada um tendo uma taxa de serviço de 20 máquinas por semana.
a) Qual a perda semanal, estimada, da companhia se cada máquina que não trabalha dá uma perda semanal de R$10.000,00?
b) Qual é a perda total do sistema se o custo semanal do sistema de atendimento é R$6.000,00?
c) Vale a pena aumentar o número de setores de atendimento para 4?
13) Há 4 guichês em um banco para atender os clientes. A taxa de chegada dos clientes é 60 por 6 horas de serviço. Em cada guichê um funcio-
nário gasta um tempo variável servindo os usuários, porém o tempo médio de atendimento é 20 minutos por cliente. Os clientes são atendidos à
medida que chegam.
92
a) Quantas horas, por cada 30 horas de serviço de uma semana, um funcionário gasta executando o seu serviço?
b) Qual é o tempo médio que um cliente fica preso no sistema?
c) Qual é a probabilidade de que um funcionário esteja esperando por um cliente?
d) Qual o número esperado de funcionários sem trabalhar num certo instante?
e) Supondo que cada funcionário recebe $5 por hora e se soubermos que para cada cliente que tiver que esperar há uma perda de $0,25 por minu-
to, pergunta-se o que é melhor: reduzir para 3, aumentar para 5 ou manter em 4 o número de funcionários?
14) Temos as informações na tabela abaixo quanto a chegadas de operários no guichet do almoxarifado:
a) Calcule o número médio de chegadas para o intervalo de tempo igual a 10 minutos.
b) Podemos dizer que os resultados seguem uma Poisson com λ = 1,6 chegadas/min?
X 5 6 7 8 9 10 11 12 13 14 15
Fo 1 0 1 2 1 3 5 6 9 10 11
X 16 17 18 19 20 21 22 23 24 25
Fo 12 8 9 7 5 4 3 1 1 1
c) Qual teste de aderência pode ser aplicado? Explique.
15) O escritório de uma empresa aérea tem 2 funcionários atendendo telefonemas para reserva de vôos. Além disso, uma chamada pode ficar em
espera até uma das funcionárias estar disponível para atender. Se as 3 linhas estão ocupadas, a chamada recebe o sinal de ocupado e a reserva é
perdida. As chamadas ocorrem aleatoriamente (Poisson) a uma taxa média de uma por minuto. A duração de cada ligação tem uma distribuição
exponencial com uma média de 0,5 minuto. Achea probabilidade de que:
a) Uma chamada seja imediatamente atendida por uma funcionária.
b) A chamada ficará na linha de espera.
c) A chamada receberá o sinal de ocupado.
93
16) Uma estação de serviço espera um usuário a cada 4 minutos em média. O serviço dura em média 3 minutos. Assumindo entrada Poisson e
serviço exponencial responda:
a) Qual o número médio de usuários esperando serviço?
b) Quanto tempo um usuário esperará para ser servido?
c) Qual a probabilidade de que um usuário fique menos de 15 minutos no sistema?
d) Qual a probabilidade que um usuário fique menos de 15 minutos no sistema?
17) Suponha que em média 9 usuários cheguem a cada 5 minutos (Poisson) e o mecanismo de serviço pode servir usuários a uma taxa média de
10 usuários a cada 5 minutos. O tempo de serviço é exponencial.
a) Qual o número médio de usuários esperando serviço?
b) Qual o tempo médio de espera na fila?
c) Como a) e b) são afetados se a taxa de serviço é dobrada?
18) Se usuários chegam para serviço de acordo com uma distribuição de Poisson a taxa média de 5/dia, qual deve ser a taxa de serviço média
(exponencial) para que o número de usuários no sistema seja menor que 4?
19) Considere um sistema de filas com entrada Poisson. A taxa média de chegadas é 4/hora. O tempo médio no sistema não deve exceder 1 hora.
Qual deve ser a taxa de serviço mínima?
20) Uma máquina de Xerox é operada por um funcionário que ganha $3 por hora. O tempo de execução de cada tarefa varia de acordo com uma
distribuição exponencial com média de 6 minutos. Assuma chegada Poisson com taxa média de 5 tarefas/hora. Se um dia de 8 horas é usado de-
termine:
a) A ociosidade (em %) da máquina.
b) O tempo médio de espera de uma tarefa no sistema.
c) Se o funcionário só ganhar por horas trabalhadas, qual o ganho médio diário do funcionário?
21) Durante a estação de caça, caçadores chegam a um posto de controle a taxa média de 10/hora. Qual deve ser a taxa mínima de verificação
para assegurar que a espera do caçador não será maior que 20 minutos, quando a distribuição da verificação é:
a) Constante
b) Exponencial
As chegadas são Poisson.
22) No exemplo anterior, que fração do tempo o posto estará ocupado?
94
23) Uma loja tem 4 vendedores. Considere chegadas de Poisson com uma média de 10 minutos entre chegadas. Também considere que qualquer
vendedor pode fornecer o serviço desejado a qualquer freguês. Se o tempo de fornecer serviço é exponencialemente distribuído com uma média
de 20 minutos/freguês, calcule L, Lq, W, Wq e Pn para n = 0, 1, 2 e 3.
24) Uma barbearia de 1 barbeiro pode acomodar um máximo de 5 pessoas de cada vez (4 esperando e 1 sendo atendido). Os fregueses chegam de
acordo com uma distribuição de Poisson com média de 5/hora. O barbeiro atende em média 4/hora (exponencial).
a) Que percentagem do tempo o barbeiro está ocioso?
b) Qual a taxa de chegada efetiva de fregueses?
c) Que fração de fregueses potenciais vão embora?
d) Qual o número esperado de fregueses esperando para serem atendidos?
e) Quanto tempo em média um freguês fica no barbeiro?
25) Um escritório tem uma única linha telefônica. As chamadas são feitas e recebidas a taxa de 10/hora (Poisson). Cada chamada tem uma dura-
ção média de 3 minutos e variância de 2 minutos. Qual a probabilidade da linha estar ocupada em um dado instante?
26) Tarefas chegam a uma estação de serviço de acordo com uma distribuição de Poisson com uma média de 10 minutos entre cada chegada.
Cada tarefa deve passar através de 3 fases de preparação e uma fase final de montagem. O tempo gasto em cada fase é independente do tempo
gasto em qualquer das outras fases e é considerado ser exponencial com média de 2 minutos. Determine:
a) A duração média de cada tarefa no sistema.
b) O comprimento médio da fila.
27) As secretárias de 5 departamentos em um Universidade devem periodicamente copiar folhas em uma máquina de xerox. A taxa de chegada é
Poisson com λ = 4/horas. A duração do serviço é exponencial com µ = 6/hora.
a) Qual a probabilidade da máquina estar ociosa?
b) Qual a probabilidade das 3 secretárias terem que usar a máquina ao mesmo tempo?
c) Qual o número médio de secretárias usando a máquina?
28) Um posto de gasolina com uma única bomba tem as seguintes informações: a taxa média de chegada é de 1 freguês a cada 4 minutos. Um
atendente pode servir um freguês em 4 minutos. Dois atendentes na mesma bomba podem fornecer serviço em 2,5 minutos. Cada freguês produz
um lucro líquido de $0,70. Chegadas e serviço são Poisson e exponencial respectivamente. Não mais que 2 fregueses esperarão na fila. O posto
fica aberto 15 horas por dia. Compare as alternativas: 1 bomba com um atendente, 1 bomba com 2 atendentes e 2 bombas cada uma com 1 aten-
dente.
95
29) Durante as horas de pico, um barbeiro tem fregueses chegando aleatoriamente à taxa de um a cada 25 minutos. Ele tem registrado o tempo de
serviço para 100 fregueses. Em horas, a média é de 0,30 e o desvio padrão 0,092.
a) Durante as horas de pico, qual o tamanho esperado da fila?
b) Se o tempo de serviço fosse exatamente de 20 minutos, qual o tamanho esperado da fila?
30) Uma grande oficina de automóveis tem uma sala com um balcão onde os mecânicos vão apanhar as peças necessárias para consertar os car-
ros. Os mecânicos chegam aleatoriamente para serviço à taxa de 10 por hora. Os mecânicos são atendidos aleatoriamente para serviço à taxa de
12 por hora. O tempo dos mecânicos é avaliado em $7 por hora. Como os mecânicos estão reclamando, a oficina está pensando em contratar as-
sistentes para o balcão de peças. Um assistente deve melhorar a taxa de serviço em 50%. Um segundo assistente deve melhorar a taxa de serviço
em 80%. Um assistente custa no entanto, $36 por dia. Considerando o dia com 8 horas de trabalho, faça a justificativa econômica da situação.
31) Um posto de gasolina com uma única bomba recebe fregueses aleatoriamente à taxa de um cada 5 minutos. Um simples atendente pode pres-
tar serviço completo em 4 minutos. Cada freguês dá em média um lucro de $1. Sabe-se que se já existem 3 carros no sistema, os fregueses procu-
ram outro posto. O posto está aberto das 07:00 às 22:00 horas.
a) Considerando que as taxas de chegada e de serviço são aplicáveis para todas as horas em que o posto está aberto, qual o lucro diário esperado?
b) Se os fregueses esperassem na fila, independente do seu tamanho, qual seria o lucro diário esperado?
c) Se o posto contratasse um segundo atendente a taxa média de serviço poderia ser reduzida para 2,5 minutos. Se o atendente ganha $2,50 por
hora deve-se contratá-lo?
d) Se o posto oferecesse aos fregueses bombons, chaveiros, belas recepcionistas, etc..., a taxa de chegada passaria a um a cada 3 minutos mas em
compensação o lucro por freguês passaria a $0,30. Considerando 1 atendente, deve-se implantar esta política?
e) E com 2 atendentes?
96
TABELA QUI-QUADRADO
v 0,25 0,10 0,05 0,025 0,01 0,005 0,001
1 1,32 2,71 3,84 5,02 6,63 7,88 10,83
2 2,77 4,61 5,99 7,38 9,21 10,60 13,82
3 4,11 6,25 7,81 9,35 11,34 12,84 16,27
4 5,39 7,78 9,49 11,14 13,28 14,86 18,47
5 6,63 9,24 11,07 12,83 15,09 16,75 20,52
6 7,84 10,64 12,59 14,45 16,81 18,55 22,46
7 9,04 12,02 14,07 16,01 18,48 20,28 24,32
8 10,22 13,36 15,51 17,53 20,09 21,95 26,12
9 11,39 14,68 16,92 19,02 21,67 23,59 27,88
10 12,55 15,99 18,31 20,48 23,21 25,19 29,59
11 13,70 17,28 19,68 21,92 24,72 26,76 31,26
12 14,85 18,55 21,03 23,34 26,22 28,30 32,91
13 15,98 19,81 22,36 24,74 27,69 29,82 34,53
14 17,12 21,06 23,68 26,12 29,14 31,32 36,12
15 18,25 22,31 25,00 27,49 30,58 32,80 37,70
16 19,37 23,54 26,30 28,85 32,00 34,27 39,25
97
17 20,49 24,77 27,59 30,19 33,41 35,72 40,79
18 21,60 25,99 28,87 31,53 34,81 37,16 42,31
19 22,72 27,20 30,14 32,85 36,19 38,58 43,82
20 23,83 28,41 31,41 34,17 37,57 40,00 45,31
21 24,93 29,62 32,67 35,48 38,93 41,40 46,80
22 26,04 30,81 33,92 36,78 40,29 42,80 48,27
23 27,14 32,01 35,17 38,08 41,64 44,18 49,73
24 28,24 33,20 36,42 39,36 42,98 45,56 51,18
25 29,34 34,38 37,65 40,65 44,31 46,93 52,62
26 30,43 35,56 38,89 41,92 45,64 48,29 54,05
27 31,53 36,74 40,11 43,19 46,96 49,64 55,48
28 32,62 37,92 41,34 44,46 48,28 50,99 56,89
29 33,71 39,09 42,56 45,72 49,59 52,34 58,30
30 34,80 40,26 43,77 46,98 50,89 53,67 59,70
31 35,89 41,42 44,99 48,23 52,19 55,00 61,10
32 36,97 42,58 46,19 49,48 53,49 56,33 62,49
33 38,06 43,75 47,40 50,73 54,78 57,65 63,87
34 39,14 44,90 48,60 51,97 56,06 58,96 65,25
98
35 40,22 46,06 49,80 53,20 57,34 60,27 66,62
36 41,30 47,21 51,00 54,44 58,62 61,58 67,99
37 42,38 48,36 52,19 55,67 59,89 62,88 69,35
38 43,46 49,51 53,38 56,90 61,16 64,18 70,70
39 44,54 50,66 54,57 58,12 62,43 65,48 72,05
40 45,62 51,81 55,76 59,34 63,69 66,77 73,40
41 46,69 52,95 56,94 60,56 64,95 68,05 74,74
42 47,77 54,09 58,12 61,78 66,21 69,34 76,08
43 48,84 55,23 59,30 62,99 67,46 70,62 77,42
44 49,91 56,37 60,48 64,20 68,71 71,89 78,75
45 50,98 57,51 61,66 65,41 69,96 73,17 80,08
46 52,06 58,64 62,83 66,62 71,20 74,44 81,40
47 53,13 59,77 64,00 67,82 72,44 75,70 82,72
48 54,20 60,91 65,17 69,02 73,68 76,97 84,04
49 55,27 62,04 66,34 70,22 74,92 78,23 85,35
50 56,33 63,17 67,50 71,42 76,15 79,49 86,66
VALORES CRÍTICOS PARA O TESTE DE KOLMOGOROV-SMIRNOV
99
Nível de significância
n α = 0,10 α = 0,05 α = 0,01
1 0,900 0,975 0,995
2 0,684 0,842 0,929
3 0,565 0,708 0,829
4 0,493 0,624 0,734
5 0,447 0,563 0,669
6 0,410 0,519 0,617
7 0,381 0,483 0,576
8 0,358 0,454 0,542
9 0,339 0,430 0,513
10 0,323 0,409 0,489
11 0,308 0,391 0,468
12 0,296 0,375 0,449
13 0,285 0,361 0,432
14 0,275 0,349 0,418
15 0,266 0,338 0,404
16 0,258 0,327 0,392
17 0,250 0,318 0,381
100
18 0,244 0,309 0,371
19 0,237 0,301 0,361
20 0,232 0,294 0,352
25 0,208 0,264 0,317
30 0,190 0,242 0,290
35 0,177 0,224 0,269
40 0,165 0,210 0,252
1,07 1,36 1,63

n > 40 n n n
101
Referências
ARENALES, Marcos, ARMENTANO, Vinícius, MORABITO, Reinaldo, YANASSE, Horácio. Pesquisa operacional. Rio de Janeiro: Elsevier,
2007. 2ª reimpressão.
CHWIF, Leonardo; MEDINA, Afonso C.. Modelagem e simulação de eventos discretos. 2. ed. São Paulo: Ed. dos Autores, 2006.
HILLIER, Frederick S.; LIEBERMAN, Gerald J.. Introdução à pesquisa operacional. 8. ed. São Paulo: McGraw-Hill, 2006.
PRADO, Darci. Teoria das filas e da simulação. 3. ed. Volume 2. Nova Lima: INDG, 2006.
SANTOS, Maurício Pereira dos. Apostila de pesquisa operacional. UERJ. Rio de Janeiro: 2003.
TAHA, Hamdy A. Pesquisa operacional. 8. ed. São Paulo: Pearson Prentice Hall, 2008.
102

Apostila de Teoria Das Filas v.022012 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Apostila de Teoria Das Filas v.022012 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila de Teoria Das Filas v.022012 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

TEORIA DAS FILAS

Fabrízzio Conde de Oliveira

ENGENHARIA DE PRODUÇÃO – UNIVERSIDADE SALGADO DE OLIVEIRA –

Teoria das Filas

Porque as filas são “estudadas”

Custo Total: É a soma do Custo da Fila mais o Custo do Serviço.

A figura ao lado é uma representação destes custos:

Um sistema de fila pode ser representado como:

A fila propriamente dita é apenas um dos componentes de um sistema de fila.

Vamos supor que os resultados coletados na

Como podemos observar na planilha ao lado, a

Com os dados coletados podemos construir duas distribuições de freqüência:

A 1ª com a distribuição do número de chegada por minuto:

Com os dados podemos achar a média e a variância (desvio padrão):

A 2ª com a distribuição do intervalo entre chegadas:

Esta é uma distribuição continua pois é a distribuição do intervalo entre chegadas

Com os dados coletados na amostragem, no caso, individuais (não mostrados

Precisamos ter respostas a perguntas do tipo:

a) Quantas filas existem no sistema?

Assim, como podemos ver na figura a seguir, podemos ter:

(A) Canal único, fase única;

Foram coletados então os seguintes dados:

Da mesma forma que fizemos no processo de

Sua média e desvio padrão são:

Em filas criou-se uma convenção em que se diz que as chegadas seguem

A Convenção para textos de Filas

Outra convenção em filas é que, se nada for dito em contrário, considera-se:

• Tamanho da população: infinito

● Fluxo médio de entrada (λ) constante.

● Ritmo médio de atendimento (µ) constante.

Princípio da taxa que entra = taxa que sai

Diagrama de taxas para o processo de nascimento-e-morte

E então definamos C1 = 1 para n = 0. Portanto, as probabilidades de estado estável são

Pn = Cn P0 para n = 0,1, 2,...

Além disso, as relações de Little levam a

Para s = 1 , os fatores Cn tornam-se:

Pn = ρ n P0 , para n = 0,1, 2,...

Podemos com W calcular o valor de Wq:

A partir de Wq, pode-se calcular Lq:

As fórmulas restantes são facilmente demonstradas a partir das anteriores.

λ = taxa média de chegada (1/ λ = intervalo médio entre chegadas)

µ = taxa de serviço média (1/µ = duração média do serviço)

η = número de unidades no sistema (inclui as da fila e a sendo servida).

Probabilidade de zero unidades no sistema, ou seja, a probabilidade do sistema estar vazio:

Probabilidade de existirem mais de k unidades no sistema:

Número médio (esperado) de unidades no sistema:

Número médio (esperado) de unidades na fila:

Tempo médio (esperado) que cada unidade permanece no sistema:

Tempo médio (esperado) que cada unidade permanece na fila:

Fator de utilização da estação de serviço:

Probabilidade de 1 unidade demorar mais de t unidade de tempo no sistema:

Podemos ainda as seguintes relações entre as medidas básicas:

Ritmo de Chega- Freqüência Abso- Freqüência

X f(x) F(x) X f(x)

0,2 1,34064 0,32968 0,2 1,646435

1,8 0,054647 0,972676 1,8 0,01355 Tempo entre Chegadas Média 2

2,2 0,024555 0,987723 2,2 0,004081

2,4 0,016459 0,99177 2,4 0,00224

2,6 0,011033 0,994483 2,6 0,001229