Professional Documents
Culture Documents
FREDERICK S. HILLIER
Stanford University
GERALD J. LIEBERMAN
Ex-Professor Titular da Stanford University
Traduo
ARIOVALD O GRIESI
Reviso Tcnica
JO O CHAN G JU NIOR
Doutor em Administrao FEA/USP
Professor Titular do Programa de Mestrado da U NIP
Professor Titular da FAAP
Bangcoc
Bogot
Beijing
Caracas
Cidade do Mxico
Cingapura
Lisboa
Londres
Madri
Milo
Montreal
Nova Delhi
Santiago
So Paulo
Seul
Sydney Taip Toronto
17
C A P T U L O
s filas (filas de espera) fazem parte do dia-a-dia de nossa vida. Todos ns esperamos em
uma fila para: comprar o ingresso para uma sesso de cinema, fazer um depsito bancrio, pagar as compras em um supermercado, remeter um pacote no correio, comprar um
sanduche em uma lanchonete, brincar em um parque de diverses etc. Acabamos nos acostumando a um volume considervel de espera, mas ainda assim nos irritamos se tivermos de
aguardar muito em uma fila.
Entretanto, ter de esperar no se limita apenas a esses transtornos pessoais de relativa
insignificncia. O tempo que a populao de um pas perde em filas um importante fator
tanto na qualidade de vida nesse pas quanto na eficincia da economia dessa nao. Por
exemplo, antes de sua dissoluo, a Unio Sovitica era notria por filas enormes que seus
cidados freqentemente tinham de suportar para comprar suas necessidades bsicas.
Mesmo nos Estados Unidos, estima-se que os norte-americanos gastem 37.000.000.000
horas por ano esperando em filas. Se, no entanto, esse tempo fosse gasto produtivamente,
resultaria em aproximadamente 20 milhes de pessoas-ano de trabalho til!
Mesmo esse nmero absurdo no capaz de representar todo o impacto de se causar
uma espera excessiva. Grandes ineficincias tambm ocorrem por causa de outros tipos de
espera, alm daquelas de pessoas esperando em uma fila. Por exemplo, deixar mquinas
esperando para serem reparadas pode resultar em perdas na produo. Veculos (inclusive
navios e caminhes) que precisam aguardar para ser descarregados podem atrasar embarques seguintes. Avies aguardando para decolar ou pousar podem afetar horrios de vos
posteriores. Atrasos em transmisses de telecomunicaes devido a linhas saturadas podem
provocar problemas tcnicos com os dados. Fazer que ordens de produo fiquem esperando para ser realizadas pode afetar a produo de lotes seguintes. Realizar servios aps a
data combinada pode resultar na perda de futuros negcios.
A teoria das filas o estudo da espera em todas essas formas diversas. Ela usa modelos de filas para representar os diversos tipos de sistemas de filas (sistemas que envolvem
filas do mesmo tipo) que surgem na prtica. As frmulas para cada modelo indicam como o
sistema de filas correspondente deve funcionar, inclusive o tempo de espera mdio que ocorrer, em uma srie de circunstncias.
Portanto, esses modelos de filas so muito teis para determinar como operar um sistema de filas da forma mais eficiente. Fornecer capacidade de atendimento em excesso
para operar o sistema envolve custos demasiados. Porm, no fornecer capacidade de
atendimento suficiente resulta em espera excessiva e todas suas lamentveis conseqncias. Os modelos permitem encontrar um equilbrio apropriado entre custo de servio e o
tempo de espera.
1
CAPTULO 17
Aps uma discusso geral sobre o assunto, o presente captulo apresenta a maioria dos
modelos de filas elementares e seus resultados bsicos. A Seo 17.10 discute como as
informaes fornecidas pela teoria das filas pode ser usada para elaborar sistemas de filas
que minimizem o custo total de servio e de espera e, a seguir, o Captulo 26 (no CD-ROM)
fornece mais detalhes sobre a aplicao da teoria das filas dessa maneira.
17.1 EXEMPLO-PROTTIPO
A sala de emergncias do HOSPITAL MUNICIPAL atende a casos de emergncia, fornecendo os devidos cuidados mdicos, que chegam ao hospital em ambulncias ou em carros particulares. A qualquer hora existe um mdico de planto na sala de emergncias.
Entretanto, em virtude de uma tendncia crescente de esses casos de emergncia para
usar essas instalaes em vez de irem ao consultrio mdico particular, o hospital tem passado por um aumento contnuo no nmero de atendimentos na sala de emergncias a cada
ano. Conseqentemente, tornou-se bastante comum pacientes chegarem durante horas de
pico (no incio da noite) e terem de esperar at chegar a sua vez de ser atendido pelo mdico. Por essa razo, foi feita uma proposta de se alocar um segundo mdico para a sala de
emergncias durante esse horrio de pico, de modo que duas emergncias pudessem ser
atendidas ao mesmo tempo. O administrador do hospital foi designado para estudar essa
questo.1
O administrador comeou a coletar dados histricos relevantes e depois projetou-os
para o ano seguinte. Reconhecendo que a sala de emergncias um sistema de filas, ele aplicou diversos modelos alternativos da teoria das filas para prever as caractersticas de espera
do sistema com um e dois mdicos, como pode ser observado nas sees posteriores deste
captulo (ver Tabelas 17.2 e 17.3).
FIGURA 17.1
Processo de filas bsico.
Sistema de filas
Fonte de
entradas
Clientes
Fila
Mecanismo de
atendimento
Clientes
atendidos
Para um estudo de caso real desse tipo, ver BOLLING, W. Blaker. Queueing Model of a Hospital Emergency
Room. Industrial Engineering, p. 26-31, set. 1972.
CAPTULO 17
Nmero de atendentes
Clientes atendidos
Sistema de filas
Clientes
FIGURA 17.2
Um sistema de filas elementar
(cada cliente indicado por
um C e cada atendente por
um S).
Fila
C C C C C C C
C
C
C
C
S
S
S
S
Instalao de
atendimento
Clientes atendidos
Quando nos referimos a tempos entre atendimentos, conveno substituir o smbolo G por GI ! distribuio independente geral.
CAPTULO 17
!n ! taxa mdia de chegada (nmero de chegadas esperado por unidade de tempo) de novos clientes quando n clientes se encontram no sistema.
"n ! taxa mdia de atendimento para o sistema global (nmero de
clientes esperado completando o atendimento por unidade de
tempo) quando n clientes se encontram no sistema. Nota: "n
representa a taxa combinada na qual todos os atendentes ocupados (aqueles que se encontram atendendo clientes) completam o
atendimento.
!, ", # ! ver o pargrafo a seguir.
Quando !n for uma constante para todo n, essa constante representada por !. Quando
a taxa mdia de atendimento por atendente ocupado for uma constante para todo n " 1, essa
constante representada por ". Nesse caso, "n ! s" quando n " s, isto , quando todos os
s atendentes estiverem ocupados. Sob essas condies, 1/! e 1/" so, respectivamente, o
tempo esperado entre atendimentos e o tempo de atendimento esperado. Da mesma forma,
# ! !/(s") o fator de utilizao para a instalao de atendimento, isto , a frao de
tempo esperada em que atendentes individuais se encontram ocupados, pois !/(s") representa a frao da capacidade de atendimento (s") do sistema que est sendo utilizada em
mdia pelos clientes que chegam (!).
Tambm necessria certa notao para descrever resultados de estado estvel. Quando
um sistema de filas comear a operar recentemente, o estado do sistema (nmero de clientes
no sistema) ser afetado enormemente pelo estado inicial e pelo tempo que passou. Diz-se que
o sistema se encontra em uma condio transitria. Entretanto, aps ter decorrido um tempo
suficiente, o estado do sistema se torna basicamente independente do estado inicial e o tempo
decorrido (exceto sob circunstncias incomuns).3 O sistema basicamente atingiu agora uma
condio de estado estvel, na qual a distribuio probabilstica do estado do sistema permanece a mesma (a distribuio de estado estvel ou estacionria) ao longo do tempo. A teoria
das filas teve uma tendncia de se concentrar em grande parte na condio de estado estvel,
em parte porque o caso transitria mais difcil analiticamente. Existem alguns resultados
transitria, mas eles geralmente vo alm do escopo tcnico deste livro. A notao indicada a
seguir supe que o sistema se encontre em uma condio de estado estvel:
Pn ! probabilidade de exatamente n clientes se encontrarem no sistema de filas.
!
! ! (n # s)Pn.
n!s
Quando ! e " so definidos, essas circunstncias incomuns so que # " 1, em cujo caso o estado do sistema tende a ficar cada vez maior medida que o tempo passa.
L ! !W.
Pelo fato de John D. C. Little4 ter obtido a primeira prova rigorosa, essa equao algumas
vezes chamada frmula de Little. Alm disso, a mesma prova tambm demonstra que
Lq ! !Wq.
Se !n no forem iguais, ento ! pode ser substitudo nessas equaes por "
! a taxa mdia
de chegada a longo prazo. Iremos mostrar posteriormente como "
! pode ser determinado para
alguns casos bsicos.
Suponha agora que o tempo mdio de atendimento seja constante, 1/" para todo n " 1.
Segue ento que
1
W ! Wq $ %%.
"
Essas relaes so extremamente importantes, pois elas permitem que possam ser
determinadas imediatamente todas as quatro quantidades fundamentais L, W, Lq e Wq
assim que uma delas for encontrada analiticamente. Essa situao oportuna, por que algumas dessas quantidades normalmente so muito mais fceis de ser encontradas que outras
quando um modelo de filas solucionado a partir de princpios bsicos.
LITTLE, J. D. C. A Proof for the Queueing Formula: L ! !W. Operations Research, v. 9, n. 3, p. 383-387,
1961; ver tambm STIDHAM, JR., S. A Last Word on L ! !W. Operations Research, v. 22, n. 2, p. 417421, 1974.
CAPTULO 17
Nos ltimos anos, a teoria das filas provavelmente foi aplicada mais a sistemas de
atendimento interno, em que os clientes recebendo atendimento so internos organizao. Entre os exemplos podemos citar sistemas de manipulao de materiais, nos quais as
unidades de manipulao de materiais (os atendentes) deslocam cargas (os clientes); sistemas de manuteno, em que as equipes de manuteno (os atendentes) consertam mquinas
(os clientes) e estaes de inspeo, onde inspetores de controle de qualidade (os atendentes) inspecionam itens (os clientes). Instalaes de funcionrios e departamentos atendendo
outros funcionrios tambm caem nessa categoria. Alm disso, mquinas podem ser vistas
como atendentes cujos clientes so as tarefas que esto sendo processadas. Um exemplo
relacionado seria o de um laboratrio de computadores, onde cada computador visto como
o atendente.
H um reconhecimento crescente hoje em dia de que a teoria das filas tambm pode ser
aplicada a sistemas de servios sociais. Por exemplo, um sistema judicial uma rede de
filas, em que os tribunais so instalaes de atendimento, os juzes (ou painis de juzes) so
os atendentes e os processos aguardando julgamento, os clientes. Um sistema legislativo
uma rede de filas similar, na qual os clientes so os projetos de lei aguardando aprovao.
Diversos sistemas de assistncia mdica tambm so sistemas de filas. J vimos um exemplo na Seo 17.1 (uma sala de emergncias de um hospital), mas poderamos tambm interpretar ambulncias, aparelhos de raios X e camas de um hospital como atendentes em seus
prprios sistemas de filas. Similarmente, famlias esperando por sistemas habitacionais de
custo baixo ou moderado ou outros servios sociais podem ser vistos como clientes em um
sistema de filas.
Embora estas sejam quatro classes abrangentes de sistemas de filas, elas no esgotam
a lista. De fato, a teoria das filas comeou no incio deste sculo com aplicaes para a telefonia (o fundador da teoria das filas, A. K. Erlang, foi funcionrio da Cia. Telefnica
Dinarmaquesa em Copenhagen) e a telefonia ainda uma aplicao importante. Alm disso,
todos ns temos nossas filas pessoais tarefas domsticas, livros a serem lidos e assim por
diante. Entretanto, esses exemplos so suficientes para sugerir que sistemas de filas de fato
invadem muitas reas da sociedade.
Alguns Estudos Renomados para Desenvolver Sistemas de Filas
O prestigioso Franz Edelman Awards for Management Science Achievement uma premiao concedida anualmente pelo Institute of Operations Research and Management Sciences
(Informs) para as melhores aplicaes de PO do ano. Um nmero bastante substancial
dessas premiaes foi concebido a aplicaes inovadoras da teoria das filas no desenvolvimento de sistemas de filas. Descrevemos brevemente algumas dessas aplicaes a seguir.
Um dos primeiros ganhadores (descrito na edio de novembro de 1975, Parte 2, da
Interfaces) foi a Xerox Corporation. A empresa introduziu recentemente um importante sistema de cpia que estava demonstrando ser de extrema valia para seus usurios.
Conseqentemente, esses clientes estavam exigindo que os tcnicos de campo da Xerox
reduzissem o tempo de espera para reparar essas mquinas. Uma equipe de PO aplicou ento
a teoria das filas para estudar como melhor atender as novas exigncias de atendimento. Isso
resultou na substituio das zonas de atendimento anteriores com um tcnico de campo por
zonas com trs tcnicos. Essa mudana teve um impacto drstico tanto na reduo substancial dos tempos mdios de espera dos clientes quanto no aumento da utilizao dos tcnicos
de campo em 50%.
Na Seo 3.5, descrevemos uma renomada aplicao da United Airlines (edio de
janeiro de 1986 da Interfaces) que resultou em uma economia anual de mais de US$ 6 milhes.
Essa aplicao envolvia programar as escalas de 4.000 agentes de reservas e pessoal de
suporte da United em seus 11 escritrios de reservas e 1.000 agentes de atendimento a clientes em seus dez maiores aeroportos. Aps determinar quantos empregados seriam necessrios em cada local durante cada meia hora da semana, discutimos como a programao
linear foi aplicada para desenvolver as escalas para todos os empregados visando atender
essas exigncias de atendimento de forma mais eficiente. Entretanto, jamais mencionamos
10
CAPTULO 17
O primeiro prmio na edio de 1993 foi ganho pela AT&T por um estudo que (como
o precedente) tambm combinasse o emprego da teoria das filas e simulao (edio janeiro-fevereiro de 1994 da Interfaces). Os modelos de filas referem-se tanto rede de telecomunicaes da AT&T quanto para o call center para clientes comerciais tpicos da AT&T.
O propsito do estudo foi o de desenvolver um sistema amigvel baseado em PC que os
clientes comerciais da AT&T podem usar para orient-los no desenho ou redesenho de seus
call centers. J que os call centers formam um dos mercados de maior crescimento nos
Estados Unidos, esse sistema foi usado cerca de 2.000 vezes pelos clientes comerciais da
AT&T desde 1992. Isso resultou em uma economia superior a US$ 750 milhes em lucros
anuais para esses clientes.
A KeyCorp uma das maiores empresas controladoras bancrias nos Estados Unidos,
com mais de 1.300 agncias e mais de 6.000 caixas. O renomado estudo de PO dessa empresa (edio de janeiro de 1996 da Interfaces) concentrou-se no emprego da teoria das filas
para aumentar o desempenho do sistema de filas de cada agncia onde os caixas atendem os
clientes. Isso resultou no desenvolvimento de um sistema de gerenciamento de excelncia
em servios (SEMS) para toda a empresa. Uma parte fundamental do SEMS um sistema
de captura de desempenho que coleta dados de forma contnua para cada componente discreto de cada transao no caixa em um processo completamente automatizado. Esse sistema permite ao SEMS medir atividades das agncias e gerar relatrios sobre os tempos de
espera dos clientes, nveis de produtividade e de competncia dos caixas. Esses relatrios
ajudam os gerentes a programar a escala de caixas para se adequar melhor s chegadas dos
clientes. Eles tambm identificam oportunidades para melhorar a produtividade e o atendimento fornecido pelos caixas redesenhando o processo de atendimento e fornecendo
padres de desempenho. Esses esforos levaram a uma imensa reduo de 53% nos tempos
mdios de atendimento, uma grande melhoria nos tempos de espera por parte dos clientes e
um importante aumento no nvel de satisfao do cliente. Ao mesmo tempo, espera-se que
o SEMS reduza despesas com pessoal em US$ 98 milhes ao longo de cinco anos.
A Hewlett-Packard (HP) um fabricante multinacional de equipamentos eletrnicos
lder de mercado. Em 1993, a empresa instalou um sistema de linha de montagem mecanizado para a fabricao de impressoras jato de tinta em seu complexo fabril em Vancouver,
Washington, para atender explosiva demanda por tal tipo de impressora. Assim, tornou-se
aparente que o sistema instalado no seria suficientemente rpido ou confivel para atender
s metas de produo da empresa. Portanto, foi constituda uma equipe conjunta de cientistas da administrao da HP e do Massachusetts Institute of Technology (MIT) para estudar
como redesenhar o sistema para melhorar seu desempenho.
Conforme descrito na edio janeiro-fevereiro de 1998 da Interfaces para esse clebre
estudo ganhador de premiaes, a equipe HP/MIT rapidamente percebeu que o sistema de
linha de montagem poderia ser modelado como um tipo especial de sistema de filas no qual
os clientes (as impressoras a serem montadas) passariam por uma srie de atendentes (operaes de montagem) em uma seqncia fixa. Um modelo de filas especial para esse tipo de
sistema gerou rapidamente os resultados analticos que foram necessrios para determinar
como o sistema deveria ser redesenhado para alcanar a capacidade exigida da forma mais
econmica possvel. As mudanas incluam acrescentar maior espao de armazenagem em
pontos estratgicos para manter melhor o fluxo de trabalho a estaes subseqentes e para
minimizar o efeito de falhas de mquina. O novo design aumentou a produtividade em cerca
de 50% e gerou um aumento nas receitas de aproximadamente US$ 280 milhes em vendas
de impressoras, bem como receitas adicionais de produtos secundrios. Essa aplicao inovadora do modelo de filas especial tambm deu HP um novo mtodo para criar projetos
de sistemas rpidos e eficientes posteriormente em outras reas da empresa.
Existem muitas outras aplicaes premiadas da teoria das filas para o projeto de sistemas de filas, bem como inmeros artigos adicionais descrevendo outras aplicaes bemsucedidas. Entretanto, os diversos exemplos apresentados nesta seo felizmente lhe
deram uma idia dos tipos de aplicaes que esto ocorrendo e do impacto que algumas
vezes eles tm.
11
#0$e
#$t
fT (t) !
para t " 0
para t ) 0,
(t " 0),
FIGURA 17.3
Funo de densidade
probabilstica para a
distribuio exponencial.
fT (t)
*
1
E(T) ! *
12
CAPTULO 17
1 1
P 0 & T & %% %% ! 0,393
2 $
ao passo que
1 1
3 1
P %% %% & T & %% %% ! 0,383.
2 $
2 $
de modo que o valor que T assume mais provvel que seja pequeno [isto , menos da
metade de E(T)] do que prximo ao seu valor esperado [isto , no muito alm da metade de E(T)], embora o segundo intervalo seja o dobro do primeiro.
Essa uma propriedade razovel para T em um modelo de filas? Se T representa tempos de atendimento, a resposta depende da natureza geral do atendimento envolvido, conforme discutido a seguir.
Se o atendimento necessrio for basicamente idntico para cada cliente, com o atendente sempre realizando a mesma seqncia de operaes de atendimento, ento os tempos de
atendimento reais tendem a estar prximos do tempo de atendimento esperado. Podem ocorrer pequenos desvios em relao mdia, mas normalmente em decorrncia de pequenas
variaes na eficincia do atendente. Um pequeno tempo de atendimento muito longe da
mdia praticamente impossvel, pois preciso certo tempo mnimo para realizar as operaes de atendimento necessrias mesmo quando o atendente est trabalhando em alta velocidade. A distribuio exponencial claramente no fornece uma boa aproximao para a distribuio de tempos de atendimento para esse tipo de situao.
No entanto, considere uma situao na qual as tarefas especficas necessrias do atendente diferem entre os diversos tipos de clientes. A natureza abrangente do atendimento
pode ser a mesma, porm o tipo especfico e o tempo de atendimento diferem. Por exemplo, este seria o caso do problema da sala de emergncias do Hospital Municipal discutido
na Seo 17.1. Os mdicos se deparam com ampla gama de problemas clnicos. Na maioria dos casos, eles podem oferecer o tratamento necessrio de forma bem rpida, contudo,
eventualmente um paciente pode exigir tratamento mais intensivo. De maneira similar, caixas de bancos e caixas de lojas so outros atendentes desse tipo geral, em que o atendimento necessrio normalmente breve, todavia, eventualmente, pode ser mais demorado. Uma
distribuio exponencial de tempos de atendimento seria bastante plausvel para esse tipo
de situao de atendimento.
Se T representar tempos entre atendimentos, a Propriedade 1 descarta situaes nas
quais possveis clientes que se aproximem do sistema de filas tendam a adiar sua entrada,
caso vejam outro cliente que est sua frente. Entretanto, totalmente consistente com o
fenmeno comum das chegadas ocorrerem aleatoriamente, descrito por propriedades subseqentes. Portanto, quando tempos de chegada forem colocados em uma linha de tempo,
eles algumas vezes tm a aparncia de estar concentrados com eventuais intervalos grandes
separando essas concentraes, em razo da grande probabilidade de tempos entre atendimentos pequenos e a pequena probabilidade de tempos entre atendimentos grandes, mas um
padro irregular como este faz parte da aleatoriedade.
Propriedade 2: Falta de memria.
Essa propriedade pode ser declarada matematicamente como
P{T ' t $ (tT ' (t} ! P{T ' t}
13
&
! exp #! $it ,
i!1
$ ! ! $i.
i!1
Essa propriedade apresenta as mesmas implicaes para tempos entre atendimentos nos
modelos de filas. Suponha, particularmente, que existam vrios (n) tipos diferentes de clientes, porm os tempos entre atendimentos para cada tipo (tipo i) possuem uma distribuio
14
CAPTULO 17
exponencial com parmetro $i (i ! 1, 2, . . . , n). Pela Propriedade 2, o tempo restante a partir de um instante especificado at a prxima chegada de um cliente do tipo i tem a mesma
distribuio. Portanto, faamos que Ti seja o tempo restante, medido a partir do instante que
um cliente de qualquer tipo chegue. A Propriedade 3 nos revela ento que U, os tempos entre
atendimentos para o sistema de filas como um todo, tem uma distribuio exponencial com
parmetro $ definido pela ltima equao. Conseqentemente, podemos optar por ignorar a
distino entre clientes e ainda ter tempos entre atendimentos exponenciais para o modelo
de filas.
Entretanto, as implicaes so at mais importantes para tempos de atendimento em
modelos de filas com vrios atendentes que para tempos entre atendimentos.
Consideremos, por exemplo, uma situao na qual todos os atendentes possuem a mesma
distribuio exponencial de tempo de atendimento com parmetro ". Para esse caso, faamos que n seja o nmero de atendentes atendendo no momento e faamos que Ti seja o
tempo de atendimento remanescente para o atendente i (i ! 1, 2, . . . , n), que tambm
possui uma distribuio exponencial com parmetro $i ! ". Decorre ento que U, o
tempo at o trmino do prximo atendimento de qualquer um desses atendentes, tenha
uma distribuio exponencial com parmetro $ ! n". De fato, o sistema de filas no
momento est funcionando exatamente como um sistema com um nico atendente no qual
tempos de atendimento tm uma distribuio exponencial com parmetro n". Iremos fazer
uso freqente dessa implicao para analisar modelos com vrios atendentes posteriormente, ainda no presente captulo.
Ao usar essa propriedade, algumas vezes tambm til determinar as probabilidades
para quais das variveis aleatrias exponenciais por acaso ser aquela que tem o valor mnimo. Voc poderia, por exemplo, querer encontrar a probabilidade de que determinado atendente j terminar de atender um cliente primeiro entre n atendentes exponenciais ocupados.
bastante simples (ver Problema 17.4-9) demonstrar que essa probabilidade proporcional
ao parmetro $j. Particularmente, a probabilidade de que Tj acabar sendo a menor das n
variveis aleatrias
n
P{Tj ! U} ! $j /! $i,
para j ! 1, 2, . . . , n.
i!1
para n ! 0, 1, 2, . . . ;
isto , X(t) possui uma distribuio de Poisson com parmetro $t. Por exemplo, com n ! 0,
P{X(t) ! 0} ! e#$t,
que simplesmente a probabilidade da distribuio exponencial de que o primeiro evento
ocorra aps o tempo t. A mdia dessa distribuio de Poisson
E{X(t)} ! $t,
15
de modo que o nmero esperado de eventos por unidade de tempo seja $. Portanto, diz-se
que $ a taxa mdia na qual ocorrem os eventos. Quando os eventos so contados de uma
forma contnua, diz-se que o processo de contagem {X(t); t " 0} um processo de Poisson
com parmetro $ (a taxa mdia).
Essa propriedade fornece informaes teis sobre trminos de atendimento quando
tempos de atendimento tm uma distribuio exponencial com parmetro ". Obtemos essa
informao definindo X(t) como o nmero de trminos de atendimento alcanado por um
atendente permanentemente ocupado no tempo decorrido t, em que $ ! ". Para modelos
com vrios atendentes de filas, X(t) tambm pode ser definido como o nmero de trminos
de atendimento alcanado por n atendentes permanentemente ocupados no tempo decorrido
t, em que $ ! n".
A propriedade particularmente til para descrever o comportamento probabilstico
das chegadas quando tempos entre chegadas possuem uma distribuio exponencial com
parmetro !. Nesse caso, X(t) o nmero de chegadas no tempo decorrido t, em que $ !
! a taxa mdia de chegada. Portanto, as chegadas ocorrem de acordo com um processo
de entrada de Poisson com parmetro !. Tais modelos de filas tambm so descritos como
supondo uma entrada de Poisson.
Diz-se que as chegadas algumas vezes ocorrem aleatoriamente, significando que elas
ocorrem de acordo com um processo de entrada de Poisson. Uma interpretao intuitiva
desse fenmeno que todo perodo de durao fixa tem a mesma chance de ter uma chegada independentemente de quando ocorreu a chegada precedente, conforme sugerido pela
seguinte propriedade.
Propriedade 5: Para todos os valores positivos de t, P{T & t $ (tT ' t} ' $
(t, para (t pequeno.
Continuando a interpretar T como o tempo a partir do ltimo evento de certo tipo
(chegada ou trmino de atendimento) at o prximo evento desse tipo, supomos que um
tempo t j tenha decorrido sem a ocorrncia do evento. Sabemos da Propriedade 2 que a
probabilidade de que o evento v ocorrer dentro do prximo intervalo de tempo de durao fixa (t uma constante (identificada no prximo pargrafo), independentemente de
quo grande ou pequeno seja t. A Propriedade 5 vai mais alm dizendo que, quando o
valor de (t pequeno, essa probabilidade constante pode ser aproximada com boa margem de aproximao por $ (t. Alm disso, ao considerarmos diferentes valores pequenos de (t, essa probabilidade basicamente proporcional a (t, com fator de proporcionalidade $. De fato, $ a taxa mdia na qual ocorrem os eventos (ver Propriedade 4), de
modo que o nmero esperado de eventos no intervalo (t seja exatamente $ (t. A nica
razo para que a probabilidade da ocorrncia de um evento v diferir ligeiramente desse
valor a possibilidade de que ocorra mais de um evento, que tem uma probabilidade desprezvel quando (t pequeno.
Para verificar por que a Propriedade 5 vlida matematicamente, note que o valor
constante de nossa probabilidade (para um valor fixo (t ' 0) simplesmente
P{T & t $ (tT ' t} ! P{T & (t}
! 1 # e#$ (t,
para qualquer t " 0. Portanto, pelo fato de a expanso da srie de ex para qualquer expoente x ser
!
xn
ex ! 1 $ x $ ! %%,
n!2 n!
16
CAPTULO 17
decorre que
P{T & t $ (tT ' t}
!
(#$ (t)n
! 1 # 1 $ $ (t # ! %%
n!
n!2
( $ (t,
pois os termos do somatrio se tornam relativamente desprezveis para valores $ (t suficientemente pequenos.
Como T pode representar tanto tempos de atendimento como entre chegadas em modelos de filas, essa propriedade fornece uma aproximao conveniente da probabilidade de que
o evento de interesse ocorra no prximo intervalo de tempo ((t) pequeno. Uma anlise
baseada nessa aproximao tambm pode se tornar exata adotando-se os limites apropriados
como (t ! 0.
Propriedade 6: No afetada por agregao ou desagregao.
Essa propriedade relevante basicamente para verificar que o processo de entrada de
Poisson. Portanto, iremos descrev-la nesses termos, embora ela tambm se aplique diretamente distribuio exponencial (tempos entre atendimentos exponenciais) em virtude da
Propriedade 4.
Consideremos primeiramente a agregao (combinada) de diversos processos de entrada de Poisson em um nico processo de entrada geral. Particularmente, suponhamos que
existam vrios (n) tipos diferentes de clientes, em que os clientes de cada tipo (tipo i) cheguem de acordo com um processo de entrada de Poisson com parmetro !i (i ! 1, 2, . . . , n).
Supondo que estes sejam processos de Poisson independentes, a propriedade diz que o processo de entrada agregado (chegada de todos os clientes independentemente do tipo) tambm deve ser de Poisson, com parmetro (taxa de chegada) ! ! !1 $ !2 $ $ !n. Em
outras palavras, ter um processo de Poisson no ser afetado por agregao.
Essa parte da propriedade decorre diretamente das Propriedades 3 e 4. A ltima propriedade implica que os tempos entre atendimentos para clientes do tipo i possuem uma distribuio exponencial com parmetro !i. Para essa mesma situao, j vimos para a
Propriedade 3 que ela implica que os tempos entre atendimentos para todos os clientes tambm tm de ter uma distribuio exponencial, com parmetro ! ! !1 $ !2 $ $ !n.
Usando a Propriedade 4 novamente implica ento que o processo de entrada agregado seja
de Poisson.
A segunda parte da Propriedade 6 (no ser afetado por desagregao) refere-se
ao caso inverso, no qual o processo de entrada agregado (aquele obtido pela combinao de processos de entrada para vrios tipos de clientes) conhecido como Poisson
com parmetro !, porm a questo agora se refere natureza dos processos de entrada
desagregados (os processos de entrada individuais para os tipos de clientes individuais).
Supondo que cada cliente que chega tenha uma probabilidade pi fixa de ser do tipo i
(i ! 1, 2, . . . , n), com
n
!i ! pi!
! pi ! 1,
i!1
a propriedade diz que o processo de entrada para clientes do tipo i tambm deva ser de
Poisson com parmetro !i. Em outras palavras, ter um processo de Poisson no ser afetado por desagregao.
Como exemplo da utilidade dessa segunda parte da propriedade, considere a seguinte situao. Clientes indistinguveis chegam de acordo com um processo de Poisson com
parmetro !. Cada cliente que chega tem uma probabilidade fixa p de recusar (sair sem
ter entrado no sistema de filas), de modo que a probabilidade de entrar no sistema seja 1
5
Mais precisamente,
P{T & t $ (tT ' t}
! $.
lim %%%
(t
(t0
17.5
17
# p. Portanto, h dois tipos de clientes aqueles que se recusam a entrar e aqueles que
entram no sistema. A propriedade diz que cada tipo chega de acordo com um processo de
Poisson, com parmetros p! e (1 # p)!, respectivamente. Assim, utilizando o ltimo processo de Poisson, modelos de filas que supem um processo de entrada de Poisson ainda
podem ser usados para analisar o desempenho do sistema de filas para aqueles clientes
que entram no sistema.
Um dos exemplos na seo de Exemplos Trabalhados do CD-ROM ilustra a aplicao
de vrias das propriedades da distribuio exponencial apresentada nesta seo.
17.5
PROCESSO DE NASCIMENTO-E-MORTE
Os modelos de filas mais elementares partem do pressuposto de que as entradas (clientes
que chegam) e sadas (clientes que saem) do sistema de filas ocorram de acordo com o processo de nascimento-e-morte. Esse importante processo na teoria das probabilidades tem
aplicaes em diversas reas. Entretanto, no contexto da teoria das filas, o termo nascimento corresponde chegada de um novo cliente no sistema de filas e a morte refere-se partida de um cliente atendido. O estado do sistema no instante t (t " 0), representado por N(t),
o nmero de clientes no sistema de filas no instante t. O processo de nascimento-e-morte
descreve probabilisticamente como N(t) muda medida que t aumenta. Em termos genricos, ela diz que nascimentos e mortes individuais ocorrem aleatoriamente, em que suas
taxas mdias de ocorrncia dependem apenas do estado atual do sistema. Mais precisamente, as hipteses do processo de nascimento-e-morte so as seguintes:
Hiptese 1. Dado N(t) ! n, a distribuio probabilstica atual do tempo remanescente at
o prximo nascimento (chegada) exponencial com parmetro !n (n ! 0, 1, 2, . . .).
Hiptese 2. Dado N(t) ! n, a distribuio probabilstica atual do tempo remanescente at
a prxima morte (trmino do atendimento) exponencial com parmetro "n (n ! 1, 2, . . .).
Hiptese 3. A varivel aleatria da hiptese 1 (o tempo remanescente at o prximo nascimento) e a varivel aleatria da hiptese 2 (o tempo remanescente at a prxima morte)
so mutuamente independentes. A prxima transio no estado do processo
n n $ 1 (um nico nascimento)
ou ento
n n # 1 (uma nica morte),
dependendo de se a primeira ou a ltima varivel aleatria for menor.
Para um sistema de filas, !n e "n representam, respectivamente, a taxa mdia de chegada e a taxa mdia de trminos de atendimento, quando existem n clientes no sistema.
Para alguns sistemas de filas, os valores de !n sero os mesmos para todos os valores de
n e os "n tambm sero os mesmos para todos os n, exceto para n muito pequeno (por
exemplo, n ! 0) que um atendente se encontra ocioso. Entretanto, !n e "n tambm podem
variar consideravelmente com n para alguns sistemas de filas.
Por exemplo, uma das maneiras nas quais !n pode diferir para diferentes valores de n
o caso no qual vai ficando cada vez mais provvel que os possveis clientes que chegam
vo se recusar (recusar-se a entrar no sistema) medida que n aumenta. Da mesma forma,
"n pode diferir para n diferentes porque fica cada vez mais provvel que os clientes na fila
venham a desistir (sair sem serem atendidos) medida que o tamanho da fila aumenta. Um
dos exemplos na seo de Exemplos Trabalhados do CD-ROM ilustra um sistema de filas
em que ocorrem tanto a recusa quanto a desistncia. Esse exemplo demonstra ento como
os resultados gerais para o processo de nascimento-e-morte conduzem diretamente a vrias
medidas de desempenho para esse sistema de filas.
18
CAPTULO 17
portanto
E (t)
L (t)
lim %n% # %n% ! 0.
t
t
t!
Dividindo En(t) e Ln(t) por t fornece a taxa real (nmero de eventos por unidade de tempo)
na qual esses dois tipos de eventos ocorreram e fazendo que t , d ento a taxa mdia
(nmero esperado de eventos por unidade de tempo):
FIGURA 17.4
Diagrama de taxas para o
processo de nascimento-emorte.
-1
-0
Estado:
1
.1
2
.2
-n # 2
-2
3
.3
n#2
-n # 1
n
n#1
.n # 1
-n
.n
n$1
.n $ 1
KARLIN, S.; MCGREGOR, J. Many Server Queueing Processes with Poisson Input and Exponential Service
Times. Pacific Journal of Mathematics, v. 8, p. 87-118, 1958.
17.5
19
E (t)
lim %n% ! taxa mdia na qual o processo entra no estado n.
t
t!
L (t)
lim %n% ! taxa mdia na qual o processo sai do estado n.
t
t!
de nascimento-e-morte
Estado
0
1
2
!
n#1
n
!
20
CAPTULO 17
Estado:
0:
1:
2:
!
n # 1:
n:
!
!0
! %%P
"1 0
!1
1
P2 ! %%P
$ %%(" P # !0P0)
"2 1 "2 1 1
!2
1
P3 ! %%P
$ %%(" P # !1P1)
"3 2 "3 2 2
!
! 1
1
Pn ! %n#
%P
$ %%(" P
# !n#2Pn#2)
"n n#1 "n n#1 n#1
!n
1
Pn$1 ! %%P
$ %%(" P # !n#1Pn#1)
"n$1 n "n$1 n n
!
P1
!1
! %%P
"2 1
!2
! %%P
"3 2
! !0
! %1%P
"2"1 0
!2!1!0
!%
%P
"3"2"1 0
! 1
!n#1!n#2 +++ !0
! %n#
%P
!%
%P
"n n#1
"n"n#1 +++ "1 0
!n
!n!n#1 +++ !0
! %%P
!%
%P
"n$1 n
"n$1"n +++ "1 0
para n ! 1, 2, . . . ,
para n ! 0, 1, 2, . . . .
A exigncia de que
!
! Pn ! 1
n!0
implica que
!
! Cn&P0 ! 1,
%n!0
de modo que
!
P0 !
! Cn&
%n!0
#1
L ! ! nPn,
n!0
Lq ! ! (n # s)Pn.
n!s
Lq
Wq ! %%,
!
"
17.6
21
em que "
! a taxa de chegada mdia a longo prazo. Como !n a taxa mdia de chegada
enquanto o sistema se encontra no estado n (n ! 0, 1, 2, . . .) e Pn a proporo de tempo
de que o sistema se encontra nesse estado,
!
! ! ! !n Pn.
"
n!0
17.6
Essas solues se baseiam nos seguintes resultados conhecidos para a soma de qualquer srie geomtrica:
N
1 # xN$1
%,
! xn ! %
1#x
n!0
!
%,
! xn ! %
1 #x
n!0
para qualquer x 0 1,
se x ) 1.
22
CAPTULO 17
Entretanto, quando o sistema tem vrios atendentes (s ' 1), "n no pode ser expresso
dessa forma to simples. Tenha em mente que "n representa a taxa mdia de trminos de
atendimento para o sistema de filas global quando existem n clientes atualmente no sistema.
Quando a taxa mdia de atendimento por atendente ocupado for ", a taxa mdia de trminos de atendimento global para n atendentes ocupados deve ser n". Portanto, "n ! n" quando n & s, ao passo que "n ! s" quando n " s de modo que todos os s atendentes estejam
ocupados. O diagrama de taxas para esse caso mostrado na Figura 17.5b.
Quando s" excede a taxa mdia de chegada !, isto , quando
!
# ! %% )1,
s"
um sistema de filas que se ajusta a esse modelo vai, finalmente, atingir uma condio de
estado estvel. Nessa situao, os resultados de estado estvel obtidos na Seo 17.5 para o
processo de nascimento-e-morte geral so diretamente aplicveis. Entretanto, esses resultados simplificam consideravelmente para esse modelo e levam a expresses de forma fechada para Pn, L, Lq e assim por diante, conforme mostrado a seguir.
Resultados para o Caso com um nico Atendente ( M/M/ 1).
res Cn para o processo de nascimento-e-morte se reduz a
% &
!
Cn ! % %
"
! #n,
Para s ! 1, os fato-
para n ! 0, 1, 2, . . .
Portanto,
Pn ! #nP0,
para n ! 0, 1, 2, . . . ,
em que
!
P0 !
! #n&
%n!0
#1
1
! %%
1##
&
#1
! 1 # #.
FIGURA 17.5
Diagramas de taxas para o
modelo M/M/s.
Estado: 0
n#1
.
para n ! 0, 1, 2, ...
n.,
.n ! s.,
para n ! 1, 2, ..., s
para n ! s, s $ 1, ...
s#2
(s # 1).
s.
s$1
s#1
n$1
.
-n ! -,
3.
2.
n#2
para n ! 0, 1, 2, ...
para n ! 1, 2, ...
-n ! -,
.n ! .,
s.
17.6
23
Portanto,
Pn ! (1 # #)#n,
para n ! 0, 1, 2, . . . .
Conseqentemente,
!
L!
n(1 # #)#n
n!0
!
! (1 # #)#
! %% (#n)
n!0 d#
d
! (1 # #)# %%
d#
! #n&
%n!0
d
1
! (1 # #)# %% %%
d# 1 # #
#
!
! %% ! %%.
1##
"#!
&
De forma similar,
!
Lq !
! (n # 1)Pn
n!1
! L # 1(1 # P0)
!2
! %%.
"(" # !)
Quando ! " ", de modo que a taxa mdia de chegada exceda a taxa mdia de atendimento, a soluo anterior estoura (pois o somatrio para calcular P0 diverge). Para esse
caso, a fila explodiria e cresceria sem limites. Se o sistema de filas iniciar operao sem
nenhum cliente presente, o atendente poderia ser bem-sucedido suportando os clientes que
chegam ao longo de um curto perodo, mas isso impossvel no longo prazo. Mesmo quando ! ! ", o nmero de clientes esperado no sistema de filas cresce lentamente sem limites
ao longo do tempo, pois, embora um retorno temporrio para nenhum cliente presente sempre possvel, as probabilidades de nmeros imensos de clientes presentes se torna significativamente maior ao longo do tempo.
Supondo novamente que ! ) ", agora podemos obter a distribuio probabilstica do
tempo de espera no sistema (portanto, incluindo tempo de atendimento) ! para uma chegada aleatria quando a disciplina da fila aquela na qual os primeiros que chegam sero os
primeiros a ser atendidos. Se essa chegada encontrar n clientes j no sistema, ento a chegada ter de esperar ao longo dos n $ 1 tempos de atendimento exponenciais, inclusive o
seu prprio. Para o cliente que est sendo atendido no momento, relembre-se da propriedade de falta de memria para a distribuio exponencial discutida na Seo 17.4. Portanto,
faamos que T1, T2, . . . sejam as variveis aleatrias de tempo de atendimento independentes tendo uma distribuio exponencial com parmetro ", e faamos que
Sn $ 1 ! T1 $ T2 $ $ Tn $ 1,
para n ! 0, 1, 2, . . . ,
de modo que Sn$1 representa o tempo de espera condicional dado n clientes j no sistema.
Conforme discutido na Seo 17.7, Sn$1 conhecido por ter uma distribuio de Erlang.8
Em virtude de a probabilidade de que a chegada aleatria v encontrar n clientes no sistema
ser Pn, decorre que
!
Fora do mbito da teoria das filas, essa distribuio conhecida como distribuio gama.
24
CAPTULO 17
para t " 0.
n!1
!
!#
! Pn P{Sn$1 ' t}
n!0
! #P{! ' t}
! #e#"(1##)t,
para t " 0.
Note que Wq no tem nenhuma distribuio exponencial, pois P{!q ! 0} ' 0. Entretanto,
a distribuio condicional de !q, dado que !q ' 0, tem uma distribuio exponencial com
parmetro "(1 # #), assim como !, pois
P{!q ' t}
P{!q ' t!q ' 0} ! %% ! e#"(1##)t,
P{!q ' 0}
para t " 0.
17.6
(!/")n
%n%
!
Cn !
s
(!/") !
%%
%s%
!
s"
25
para n ! 1, 2, . . . , s
% &
n#s
(!/")n
! %n#
%
s!s s
para n ! s, s $ 1, . . . .
+,
P0 ! 1
% & -
s#1
(!/")n
n#s
(!/")s
1
$ %% %%-,
+, ! %n%
!
s! 1 # !/(s")
!1
n!0
em que o termo n ! 0 no ltimo somatrio resulta no valor correto igual a 1 em decorrncia da conveno que n! ! 1 quando n ! 0. Esses fatores Cn tambm resultam em
(!/")n
%% P0
n!
Pn !
n
(!/")
%s P0
n#
%
s!s
se 0 & n & s
se n " s.
Alm disso,
!
Lq !
! (n # s)Pn
n!s
!
! jPs$j
j!0
!
(!/")s
j
P0
! j %s%#
!
j!0
(!/")s ! d
! P0%%# ! %% (# j)
s!
j!0 d#
(!/")s d
! P0%%# %%
s!
d#
! # j&
% j!0
(!/")s d
1
! P0%%# %% %%
d# 1 # #
s!
&
P0(!/")s#
!%
%;
s!(1 # #)2
Lq
Wq ! %%;
!
1
W ! Wq $ %%;
"
1
!
L ! ! Wq $ %% ! Lq $ %%.
"
"
&
26
CAPTULO 17
10
s!
20
s! 5
1
s !10
s!
7
s!
5
s!
4
s!
3
s!
1,0
s!
25
s!
100
0,1
FIGURA 17.6
Valores para L para o modelo
M/M/s (Seo 17.6).
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
1,0
1!
Fator de utilizao
1 $ P0(!/")s 1 # e#"t(s#1#!/")
P{! ' t} ! e#"t %%
%%
s!(1 # #)
s # 1 # !/"
0,9
s.
&-
e
P{!q ' t} ! (1 # P{!q ! 0})e#s"(1##)t,
em que
s#1
P{!q ! 0} ! ! Pn.
n!0
As frmulas anteriores para as vrias medidas de desempenho (inclusive Pn) relativamente impem clculos manuais. Entretanto, o arquivo em Excel para este captulo no
Courseware de PO inclui um gabarito em Excel que realiza todos esses clculos simultaneamente para quaisquer valores de t, s, ! e " que voc queira, desde que ! ) s".
Se ! " s", de modo que a taxa mdia de chegada exceda a taxa mdia de trminos de
atendimento mxima, ento a fila cresce sem limites, de maneira que as solues de estado
estvel anteriores no se aplicam.
17.6
27
28
CAPTULO 17
s"2
Lq
2
%%
3
1
%%
3
2
%%
9
1 2
%% %%
3 3
4
%%
3
Wq
2
%% hora
3
1 hora
P{!q ' 0}
1
P !q ' %%
2
0.667
1
%%
3
1
%%
2
1
%%
3
1 n
%%
3
1
%%
12
3
%%
4
1
%% hora
24
3
%% hora
8
0.167
0.404
0.022
P{!q ' 1}
0.245
0.003
P{!q ' t }
2
%%e#t
3
P{! ' t }
e#t
1
%%e#4 t
6
1
%%e#3 t(3 # e#t )
2
#
P0
P1
Pn
para n " 2
% &
% &
!
!n ! 0
para n ! 0, 1, 2, . . . , K # 1
para n " K.
Como !n ! 0 para alguns valores de n, um sistema de filas que se ajusta a esse modelo sempre vai finalmente atingir uma condio de estado estvel, mesmo quando # ! !/s" & 1.
Esse modelo chamado comumente M/M/s/K, em que a presena do quarto smbolo o
distingue do modelo M/M/s. A nica diferena na formulao desses dois modelos que K
finito para o modelo M/M/s/K e K !, para o modelo M/M/s.
A interpretao fsica usual para o modelo M/M/s/K que existe apenas uma sala de
espera limitada que acomodar um mximo de K clientes no sistema. Por exemplo, para o
problema da sala de emergncias do Hospital Municipal, esse sistema na verdade teria uma
fila finita se houvesse apenas K leitos para os pacientes e se a poltica fosse a de enviar
pacientes que chegam para outro hospital toda vez que no houvesse leitos vazios.
Outra interpretao possvel que os clientes que chegam sairo e procuraro outro
caminho toda vez que eles encontrarem muitos clientes (K) sua frente no sistema, pois eles
no esto propensos a esperar muito nessa fila. Esse fenmeno de recusa bastante comum
17.6
29
% &
%!%
Cn ! "
! #n
para n ! 0, 1, 2, . . . , K
para n ' K.
10
1
P0 ! %
%
n
/K
n!0 (!/")
1 # (!/")K$1
! 1 %%
1 # !/"
1##
! %%,
1 # #K$1
+,
de modo que
1##
#n,
Pn ! %%
1 # #K$1
para n ! 0, 1, 2, . . . , K.
Portanto,
K
L!
! nPn
n!0
K
1##
d n
! %%
K$1 # ! %%(# )
1##
d
n!0 #
1##
d
! %%
# %%
1 # #K$1 d#
! #n&
%n!0
1##
d 1 # #K$1
! %%
K$1 # %% %%
1##
d# 1 # #
&
10
30
CAPTULO 17
L
W ! %%,
!
"
em que
!!
"
! !nPn
n!0
K#1
!Pn
n!0
! !(1 # PK).
Resultados para o Caso com Vrios Atendentes (s ' 1). Como esse modelo no
permite mais que K clientes no sistema, K o nmero mximo de atendentes que poderia
ser usado. Portanto, suponha que s & K. Nesse caso, Cn se torna
n
(!/")
%
n%
!
Cn ! (!/")s !
%%
%s%
!
s"
para n ! 0, 1, 2, . . . , s
% &
n#s
(!/")n
! %n#
%
s!s s
para n ! s, s $ 1, . . . , K
para n ' K.
Portanto,
n
(!/")
%
P0
n%
!
Pn ! (!/")n
%P
%
s!sn#s 0
para n ! 1, 2, . . . , s
para n ! s, s $ 1, . . . , K
para n ' K,
em que
s
(!/")n
(!/")s
!
$ %% ! %%%& -.
+,! %n%
!
s!
s"
P0 ! 1
n!0
n#s
n!s$1
s#1
&
L ! ! nPn $ Lq $ s 1 # ! Pn .
n!0
11
n!0
Se # ! 1, necessrio aplicar duas vezes a regra de LHpital a essa expresso para Lq. Caso contrrio, todos esses resultados com vrios atendentes sero vlidos para todo #'0. A razo para que esse sistema de filas consiga atingir uma condio de estado estvel mesmo quando # " 1 que !n ! 0 para n " K, de modo
que o nmero de clientes no sistema no possa continuar a crescer indefinidamente.
17.6
31
E W e Wq so obtidos desses valores exatamente como mostrado para o caso com um nico
atendente.
O arquivo Excel para este captulo inclui um gabarito em Excel para calcular as medidas de desempenho dadas anteriormente (inclusive Pn) para esse modelo.
Um caso especial interessante desse modelo aquele no qual K ! s de maneira que a
capacidade da fila seja K # s ! 0. Nesse caso, clientes que chegam quando todos os atendentes esto ocupados sairo imediatamente e sero perdidos para o sistema. Isso ocorreria, por exemplo, em uma rede telefnica com s linhas-tronco de modo que aqueles que
telefonassem receberiam um sinal de ocupado e desligariam quando todas as linhas-tronco
estivessem ocupadas. Esse tipo de sistema (um sistema de filas sem nenhuma fila) chamado sistema de perda de Erlang, pois ele foi estudado pela primeira vez no incio do sculo
XX por A. K. Erlang, um engenheiro de telecomunicaes dinamarqus que considerado
o criador da teoria das filas.
Hoje comum para o sistema telefnico em um call center fornecer algumas linhastronco extras que colocam a pessoa que fez a chamada em espera, porm, outras pessoas que
ligarem depois disso podero encontrar as linhas ocupadas (sinal de ocupado). Um sistema
destes tambm se ajusta a esse modelo, no qual (K s) o nmero de linhas-tronco extras
que colocam a pessoa que fez a chamada na espera. Um dos exemplos na seo de Exemplos
Trabalhados do CD-ROM ilustra a aplicao desse modelo para um sistema destes.
Variante da Populao Solicitante Finita do Modelo M / M / s
Suponha agora que o nico desvio do modelo M/M/s seja que (conforme definido na
Seo 17.2) a fonte de entradas seja limitada, isto , o tamanho da populao solicitante
finito. Para esse caso, faamos que N represente o tamanho da populao solicitante.
Assim, quando o nmero de clientes no sistema de filas for n (n ! 0, 1, 2, . . . , N), existiro apenas N # n possveis clientes restantes na fonte de entradas.
A aplicao mais importante desse modelo foi a do problema do conserto de mquinas,
no qual um ou mais tcnicos de manuteno recebem o encargo de manter em operao
certo grupo de N mquinas reparando cada uma que quebrar. O exemplo dado no final da
Seo 16.8 ilustra essa aplicao quando os procedimentos gerais para solucionar qualquer
cadeia de Markov de tempo contnuo so usados em vez das frmulas especficas disponveis para o processo de nascimento-e-morte. A equipe de manuteno considerada como
atendentes individuais no sistema de filas se eles trabalharem individualmente em diferentes tipos de mquinas, ao passo que toda a equipe considerada um nico atendente se os
membros da equipe trabalharem juntos em cada mquina. As mquinas constituem a populao solicitante. Cada uma delas considerada um cliente no sistema de filas quando se
encontrar quebrada aguardando ser reparada, ao passo que ela se encontra fora do sistema
de filas enquanto ela estiver operacional.
Note que cada membro da populao solicitante alterna entre estar dentro e fora do sistema de filas. Portanto, o anlogo do modelo M/M/s que se enquadra nessa situao supe
que o tempo fora de cada membro (isto , o tempo decorrido entre deixar o sistema at retornar da prxima vez) tem uma distribuio exponencial com parmetro !. Quando n dos
membros estiverem dentro e, portanto, N # n membros estiverem fora, a distribuio probabilstica atual do tempo restante at a prxima chegada ao sistema de filas a distribuio do mnimo dos tempos fora restantes para os ltimos N # n membros. As Propriedades
2 e 3 para a distribuio exponencial implicam que essa distribuio tem de ser exponencial
com parmetro !n ! (N # n)!. Assim, esse modelo simplesmente o caso especial do processo de nascimento-e-morte que tem o diagrama de taxas mostrado na Figura 17.7.
Como !n ! 0 para n ! N, qualquer sistema de filas que se ajuste a esse modelo acabar finalmente atingindo uma condio de estado estvel. Os resultados de estado estvel disponveis so sintetizados a seguir:
Resultados para o Caso com um nico Atendente (s ! 1).
fatores na Seo 17.5 reduzem-se a
Quando s ! 1, os Cn
32
CAPTULO 17
* (N0, # n)-,
-n !
para n ! 0, 1, 2, ..., N
para n " N
para n ! 1, 2, ...
.n ! .,
N - (N # 1)Estado: 0
1
.
(N # n $ 2)- (N # n $ 1)-
n#2
n#1
.
para n ! 0, 1, 2, ..., N
para n " N
para n ! 1, 2, ..., s
para n ! s, s $ 1, ...
-n !
n
FIGURA 17.7
Diagramas de taxas para
uma variao de populao
solicitante finita do modelo
M/M/s.
N- (N # 1)Estado: 0
1
.
(N # s $ 2)- (N # s $ 1)
s#2
(s # 1).
2.
% &
"
Cn !
s#1
N#1
* (N0, # n)-,
n.,
. ! *
s.,
s.
s.
% &
N!
!
! %% % %
(N # n)! "
N#1
para n & N
para n ' N,
N!
!
% %% ;
+! ,%
(N # n)! % " & n
P0 ! 1
n!0
% &
N!
!
Pn ! %% %%
(N # n)! "
P0,
se n ! 1, 2, . . . , N;
Lq !
! (n # 1)Pn,
n!1
L !
! nPn ! Lq $ 1 # P0
n!0
"
! N # %%(1 # P0).
!
Finalmente,
L
W ! %%
!
"
Lq
Wq ! %%,
"
!
em que
!
n!0
n!0
"
! ! ! !nPn ! ! (N # n)!Pn ! !(N # L).
17.6
33
Neste ponto, voc poderia achar til retornar ao exemplo no final da Seo 16.8,
pois aquele exemplo se encaixa perfeitamente nesse modelo de caso com um nico atendente. Particularmente, N ! 2, ! ! 1 e " ! 2 para aquele exemplo, de modo que P0 ! 0,4,
P1 ! 0,4, P2 ! 0,2 e assim por diante.
Resultados para o Caso com Vrios Atendentes (s ' 1).
% &
!
!
%N%
(N # n)!n! %"%
N!
!
Cn ! %%
(N # n)!s!sn#s %"%
para n ! 0, 1, 2, . . . , s
% &
para n ! s, s $ 1, . . . , N
para n ' N.
Portanto,
% &
!
! n
%N%
%
(N # n)!n! "% P0
N!
Pn ! %%
! n
(N # n)!s!sn#s %"% P0
se 0 & n & s
% &
se s & n & N
se n ' N,
em que
s#1
+, !
P0 ! 1
n!0
% &
N!
!
%% %%
(N # n)!n! "
N
N!
!
$ ! %%
n#s %%
"
n!s (N # n)!s!s
% & -.
n
Finalmente,
N
Lq ! ! (n # s)Pn
n!s
e
s#1
s#1
&
L ! ! nPn $ Lq $ s 1 # ! Pn ,
n!0
n!0
que ento resulta em W e Wq pelas mesmas equaes como no caso com um nico atendente.
O arquivo Excel para este captulo inclui um gabarito em Excel para realizar todos os
clculos anteriores.
Esto disponveis tambm tabelas extensas de resultados computacionais12 para esse
modelo tanto para o caso com um nico atendente como para aquele com vrios atendentes.
Para ambos os casos, foi demonstrado13 que as frmulas anteriores para Pn e P0 (e,
portanto, para Lq, L, W e Wq) tambm so vlidas para uma generalizao desse modelo.
Particularmente, podemos eliminar a hiptese de que os tempos gastos fora do sistema de
filas pelos membros da populao solicitante possuam uma distribuio exponencial,
embora isso tire o modelo fora do escopo do processo de nascimento-e-morte. Desde que
esses tempos sejam distribudos identicamente com mdia 1/! (e a hiptese dos tempos de
atendimento exponenciais ainda vlida), esses tempos fora podem ter qualquer distribuio probabilstica!
12
13
PECK, L. G.; HAZELWOOD, R. N. Finite Queueing Tables. Nova York: Wiley, 1958.
BUNDAY, B. D.; SCRATON, R. E. The G/M/r Machine Interference Model. European Journal of Operational Research, v. 4, p. 399-402, 1980.
34
17.7
CAPTULO 17
14
Existe tambm uma frmula de recurso para calcular a distribuio probabilstica do nmero de clientes no
sistema; ver HORDIJK, A.; TIJMS, H. C. A Simple Proof of the Equivalence of Limiting Distribution of the
Continuous-Time and the Embedded Process of Queue Size in the M/G/1 Queue. Statistica Neerlandica,
v. 36, p. 97-100, 1976.
17.7
35
Para qualquer tempo de atendimento esperado fixo, 1/", note que Lq, L, Wq e W aumentam medida que %2 aumentado. Esse resultado importante, pois ele indica que a regularidade do atendente tem uma importante relao com o desempenho da instalao de atendimento no apenas a velocidade mdia do atendente. Esse ponto-chave ilustrado na
prxima subseo.
Quando a distribuio de tempos de atendimento for exponencial, %2 ! 1/"2, e os
resultados anteriores reduziro os resultados correspondentes para o modelo M/M/1 dado no
incio da Seo 17.6.
A flexibilidade total na distribuio de tempos de atendimento fornecida por esse
modelo extremamente til, de modo que uma pena que esforos para obter resultados
similares para o caso com vrios atendentes tenham sido infrutferos. Entretanto, alguns
resultados com vrios atendentes foram obtidos para os importantes casos especiais descritos pelos dois modelos a seguir. Existem gabaritos em Excel no arquivo Excel para este captulo para realizar os clculos tanto para o modelo M/G/1 como para os dois modelos considerados a seguir quando s ! 1.
Modelo M / D / s
Quando o atendimento consiste essencialmente na mesma tarefa rotineira a ser realizada
para todos os clientes, h uma tendncia de haver pouca variao no tempo de atendimento
necessrio. O modelo M/D/s normalmente fornece uma representao razovel para esse
tipo de situao, pois ele supe que todos os tempos de atendimento se igualam a alguma
constante fixa (a distribuio degenerada de tempo de atendimento) e que temos um processo de entrada de Poisson com uma taxa mdia de chegada fixa !.
Quando h apenas um atendente, o modelo M/D/1 simplesmente o caso especial do
modelo M/G/1 em que %2 ! 0, de modo que a frmula de Pollaczek-Khintchine reduz-se a
#2
Lq ! %%,
2(1 # #)
em que L, Wq e W so obtidos de Lq conforme ilustrado a seguir. Note que estes Lq e Wq so
exatamente metade do tamanho daqueles para o caso de tempo de atendimento exponencial
da Seo 17.6 (o modelo M/M/1), no qual %2 ! 1/"2, de modo que diminuir %2 pode melhorar muito a medida de desempenho de um sistema de filas.
Para a verso com vrios atendentes desse modelo (M/D/s), existe um mtodo complicado15 para obter a distribuio probabilstica de estado estvel do nmero de clientes no
sistema e sua mdia [supondo que # ! !/(s") ) 1]. Esses resultados foram tabulados para
inmeros casos,16 e as mdias (L) tambm so dadas graficamente na Figura 17.8.
Modelo M / Ek / s
O modelo M/D/s supe uma variao zero nos tempos de atendimento (% ! 0), ao passo que a
distribuio exponencial de tempos de atendimento supe uma variao muito grande (% ! 1/").
Entre esses dois casos bastante extremos temos um intermdio extenso (0 ) % ) 1/"), no qual
a maioria das distribuies de tempos de atendimento reais caem. Outro tipo de distribuio de
tempos de atendimento terica que cai nesse meio-termo a distribuio de Erlang (em homenagem ao criador da teoria das filas).
A funo de densidade probabilstica para a distribuio de Erlang
("k)k
f(t) ! %% t k#1e#k"t,
(k # 1)!
15
16
para t " 0,
Ver PRABHU, N. U. Queues and Inventories, Nova York. Wiley, p. 32-34, 1965; ver tambm as pginas 286288 na Referncia Selecionada 5.
HILLIER, F. S. et al. Queueing Tables and Graphs. Nova York: Elsevier North-Holland, 1981.
36
CAPTULO 17
100
10
s
15
s!
10
s!
7
s!
5
s!
4
s !3
s!
2
1,0
s! 1
s!
0,1
FIGURA 17.8
Valores de L para o modelo
M/D/s (Seo 17.7).
25
s!
0
!2
0,1
0,2
0,3
0,4
0,5
0,6
Fator de utilizao
0,7
0,8
0,9
1,0
1!
s.
17.7
37
FIGURA 17.9
Uma famlia de distribuies
de Erlang com mdia
constante 1/".
Com vrios atendentes (M/Ek/s), a relao da distribuio de Erlang para a distribuio exponencial que acabamos de descrever pode ser explorada para formular um processo de nascimento-e-morte modificado (cadeia de Markov de tempo contnuo) em termos
de fases de atendimento exponenciais individuais (k por cliente) em vez de clientes completos. Entretanto, no foi possvel obter uma soluo de estado estvel genrica [quando
# ! !/(s") ) 1] para a distribuio probabilstica do nmero de clientes no sistema, conforme fizemos na Seo 17.5. Em vez disso, so necessrias teorias avanadas para resolver
f (t)
.
k!,
k!3
k!2
k!1
0
Tempo de atendimento
1
.
38
CAPTULO 17
FIGURA 17.10
Valores de L para o modelo
M/Ek /2 (Seo 17.7).
100
k!1
k!2
10
k!8
1,0
0,1
0,1
0,2
0,3
0,4
0,5
0,6
0,7
Fator de utilizao
17
18
Ibid.
Ver, por exemplo, as pginas 248-260 da Referncia Selecionada 5.
0,8
0,9
1,0
1!
s.
17.7
39
segundo modelo novo (D/M/s) supe que todos os tempos entre atendimentos sejam iguais
a alguma constante fixa, que representaria um sistema de filas em que chegadas so programadas em intervalos regulares. O terceiro modelo novo (Ek/M/s) supe uma distribuio de Erlang de tempos entre atendimentos, que fornece um meio-termo entre chegadas
regularmente programadas (constantes) e completamente aleatrias (exponenciais). Foram
tabulados19 resultados computacionais extensos para esses dois ltimos modelos, incluindo os valores de L dados graficamente nas Figuras 17.11 e 17.12.
Se nem os tempos entre chegadas nem os tempos de atendimento para um sistema de
filas tiverem uma distribuio exponencial, ento existem outros trs modelos de filas para
os quais tambm esto disponveis resultados computacionais.20 Um desses modelos
(Em/Ek/s) supe uma distribuio de Erlang para esses dois tipos de tempo. Os outros dois
modelos (Ek/D/s e D/Ek/s) supem que um desses tempos tenham uma distribuio de
Erlang e o outro tempo seja igual a alguma constante fixa.
Outros Modelos
Embora voc tenha visto nesta seo um grande nmero de modelos de filas que envolvem
distribuies no-exponenciais, estamos longe de ter esgotado a lista. Por exemplo, outra
distribuio que usada ocasionalmente, tanto para tempos entre atendimentos quanto para
tempos entre chegadas, a distribuio hiperexponencial. A caracterstica-chave dessa
L
FIGURA 17.11
Valores de L para o modelo
D/M/s (Seo 17.7).
Nmero esperado de clientes em estado estvel no sistema
100
10
s!
10
s!
7
s!
5
s!
4
s! 3
s!
2
s!
1
s!
1,0
0,1
0,1
0,2
0,3
0,4
15
0,5
0,6
Fator de utilizao
19
20
0,7
0,8
0,9
1,0
1!
s.
40
CAPTULO 17
100
m!1
m ! 16
1,0
0,1
FIGURA 17.12
Valores de L para o modelo
Ek /M/2 (Seo 17.7).
m!2
10
0,1
0,2
0,3
0,4
0,5
0,6
Fator de utilizao
0,7
0,8
0,9
1,0
1!
s.
distribuio que, embora sejam permitidos apenas valores no-negativos, seu desviopadro %, na verdade, maior que sua mdia 1/". Essa caracterstica contrasta com a distribuio de Erlang, em que % ) 1/" em todos os casos, exceto para k ! 1 (distribuio
exponencial), que possui % ! 1/". Para ilustrar uma situao tpica na qual % ' 1/" pode
ocorrer, suponhamos que o atendimento envolvido no sistema de filas seja o reparo de
algum tipo de mquina ou veculo. Se por acaso muitos reparos se tornarem uma rotina
(tempos de atendimento pequenos), porm reparos ocasionais exigirem uma reviso geral
(tempos de atendimento muito grandes), ento o desvio-padro dos tempos de atendimento tender a ser bastante grande em relao mdia, em cujo caso a distribuio hiperexponencial pode ser usada para representar a distribuio de tempos de atendimento.
Especificamente, essa distribuio suporia que existam probabilidades fixas, p e (1 # p),
cujo tipo de reparo vai ocorrer, que o tempo necessrio para cada tipo tem uma distribuio exponencial, porm que os parmetros para essas duas distribuies exponenciais so
diferentes. (Em geral, a distribuio hiperexponencial tal qual um composto de duas ou
mais distribuies exponenciais.)
Outra famlia de distribuies que est se tornando popular aquela das distribuies
do tipo-fase (algumas das quais tambm so chamadas distribuies erlangianas generalizadas). Essas distribuies so obtidas subdividindo-se o tempo total em um nmero de
fases, cada uma tendo uma distribuio exponencial, na qual os parmetros dessas distribuies exponenciais podem ser diferentes e as fases poderiam ser em srie ou em paralelo (ou ento ambas). Um grupo de fases em paralelo significa que o processo seleciona
aleatoriamente uma das fases para percorrer de cada vez de acordo com probabilidades
especificadas. Essa abordagem , na realidade, como a distribuio hiperexponencial
17.8
41
obtida, de modo que essa distribuio seja um caso especial das distribuies tipo-fase.
Outro caso especial a distribuio de Erlang, que tem as restries de que todas suas k
fases esto em srie e que essas fases tm o mesmo parmetro para suas distribuies exponenciais. Eliminar essas restries significa que as distribuies tipo-fase, em geral, so
capazes de fornecer consideravelmente maior flexibilidade que a distribuio de Erlang em
adequar a verdadeira distribuio de tempos entre atendimentos ou de tempos de atendimento observada em um sistema de filas real. Essa flexibilidade especialmente valiosa
quando usar a distribuio real diretamente no modelo no for analiticamente tratvel e a
razo entre mdia e desvio-padro para a distribuio real no se aproximar muito das
razes disponveis (.k" para k ! 1, 2, . . .) para a distribuio de Erlang.
J que elas so construdas de combinaes de distribuies exponenciais, os modelos
de filas que usam distribuies tipo-fase ainda podem ser representados por uma cadeia de
Markov de tempo contnuo. Essa cadeia de Markov geralmente ter um nmero de estados
infinito, de forma que encontrar a distribuio de estado estvel do estado do sistema requer
resolver um sistema de equaes lineares infinito com uma estrutura relativamente complexa. Resolver um sistema destes est longe de ser uma coisa rotineira, porm avanos tericos recentes nos permitiram solucionar esses modelos de filas numericamente em alguns
casos. Uma extensa tabulao desses resultados para modelos com vrias distribuies tipofase (inclusive a distribuio hiperexponencial) est disponvel.21
17.8
42
CAPTULO 17
Portanto, assim que um atendente tiver comeado a atender um cliente, o atendimento tem
de ser completado sem interrupo. O primeiro modelo supe prioridades no-preemptivas.
Com prioridades preemptivas, o cliente de menor prioridade que est sendo atendido
preterido (jogado de volta para a fila) toda vez que um cliente com prioridade maior entrar
no sistema de filas. Um atendente , portanto, liberado para comear a atender imediatamente a nova chegada. Quando um atendente no consegue terminar um atendimento, o prximo cliente a comear a receber atendimento selecionado exatamente como descrito no incio desta subseo, de modo que um cliente preterido normalmente voltar a ser atendido
novamente e, aps um nmero suficiente de tentativas, finalmente acabar de ser atendido.
Em virtude da propriedade de falta de memria da distribuio exponencial (ver Seo
17.4), no precisamos nos preocupar em definir o ponto no qual o atendimento comea
quando um cliente preterido voltar a ser atendido; a distribuio do tempo de atendimento
restante sempre a mesma. Para qualquer outra distribuio de tempo de atendimento,
importante distinguir entre sistemas preemptivos-retomados, em que o atendimento para um
cliente preterido retomado no ponto onde foi interrompido, e sistemas preemptivos-repetidos, nos quais o atendimento tem de comear do incio novamente. O segundo modelo
supe prioridades preemptivas.
Para ambos os modelos, se a distino entre clientes em diferentes classes de prioridades for ignorada, a Propriedade 6 para a distribuio exponencial (ver Seo 17.4) implica
que todos os clientes chegariam de acordo com um processo de entrada de Poisson. Alm
disso, todos os clientes tm a mesma distribuio exponencial para tempos de atendimento. Conseqentemente, os dois modelos, na verdade, so idnticos ao modelo M/M/s estudado na Seo 17.6, exceto pela ordem na qual os clientes so atendidos. Portanto, quando
contamos apenas o nmero total de clientes no sistema, a distribuio de estado estvel
para o modelo M/M/s tambm se aplica a ambos os modelos. Portanto, as frmulas para L
e Lq tambm so transferidas, assim como os resultados esperados de tempo de espera (pela
frmula de Little) W e Wq, para um cliente selecionado aleatoriamente. O que muda a distribuio dos tempos de espera, que foi obtida na Seo 17.6 sob a hiptese de uma disciplina de fila em que os primeiros que chegam sero os primeiros a ser atendidos. Com uma
disciplina de prioridades, essa distribuio tem uma varincia muito maior, pois os tempos
de espera de clientes nas classes de prioridades mais altas tendem a ser muito menores
daqueles regidos pela regra na qual os primeiros que chegam sero os primeiros a ser atendidos, ao passo que os tempos de espera nas classes de prioridades mais baixas tendem a
ser muito maiores. Pelo mesmo motivo, a subdiviso do nmero total de clientes no sistema tende a ser desproporcionalmente tendenciosa para as classes de prioridades mais baixas. Porm, essa condio apenas a razo para impor prioridades no sistema de filas em
primeiro lugar. Queremos melhorar as medidas de desempenho para cada uma das classes
de prioridades mais altas custa de desempenho para as classes de prioridades mais baixas. Para determinar o nvel de melhoria que est sendo alcanado, precisamos obter tais
medidas na forma de tempo de espera previsto no sistema e nmero de clientes esperado
no sistema para cada uma das classes de prioridades. Expresses para essas medidas so
dadas a seguir para os dois modelos, um de cada vez.
Resultados para o Modelo de Prioridades No-preemptivas
Faamos que Wk seja o tempo de espera previsto no estado estvel no sistema (incluindo o
tempo de atendimento) para um membro da classe de prioridades k. Ento
1
1
Wk ! %% $ %%,
ABk#1Bk
"
em que
para k ! 1, 2, . . . , N,
s" # ! s#1 r j
A ! s!%%
! %j!% $ s",
r s j!0
B0 ! 1,
/ki!1 !i
Bk ! 1 # %
%,
s"
17.8
43
s ! nmero de atendentes,
" ! taxa mdia de atendimento por atendente ocupado,
!i ! taxa mdia de chegada for classe de prioridades i,
N
!!
! !i,
i!1
!
r ! %%.
"
Esse resultado parte do pressuposto de que
k
! !i ) s",
i!1
de modo que a classe de prioridades k possa alcanar uma condio de estado estvel. A frmula de Little ainda se aplica a classes de prioridades individuais, de forma que Lk, o nmero esperado no estado estvel de membros da classe de prioridades k no sistema de filas
(inclusive aqueles que esto sendo atendidos), seja
Lk ! !kWk, para k ! 1, 2, . . . , N.
Para determinar o tempo de espera previsto na fila (excluindo o tempo de atendimento) para
a classe de prioridades k, simplesmente subtraia 1/" de Wk; o comprimento esperado da fila
correspondente novamente obtido multiplicando por !k. Para o caso especial em que s
! 1, a expresso para A reduz-se a A ! "2/!.
No Courseware de PO, voc poder encontrar um gabarito em Excel para realizar os
clculos anteriores.
A seo de Exemplos Trabalhados do CD-ROM fornece um exemplo que ilustra a aplicao do modelo das prioridades no-preemptivas para determinar quantos tornos-revlver
uma fbrica deveria ter quando as tarefas caem nas trs classes de prioridades.
Variante com um nico Atendente do Modelo de Prioridades
No-preemptivas
A hiptese dada anteriormente que o tempo de atendimento esperado 1/" o mesmo para
todas as classes de prioridades bastante restritiva. Na prtica, essa hiptese algumas vezes
violada em decorrncia das diferenas nas exigncias de atendimento para as diferentes
classes de prioridades.
Felizmente, para o caso especial de um nico atendente, possvel permitir tempos de
atendimento esperado diferentes e ainda obter resultados teis. Faamos que 1/"k represente a mdia da distribuio exponencial de tempos de atendimento para a classe de prioridades k, de modo que
"k ! taxa mdia de atendimento para a classe de prioridades k,
para k ! 1, 2, . . . , N.
Depois, o tempo de espera previsto no estado estvel no sistema para um membro de classe
de prioridades k
ak
1
$ %%,
Wk ! %%
bk#1bk
"k
em que
para k ! 1, 2, . . . , N,
k
!i
ak ! ! %%,
2
"
i
i!1
b0 ! 1,
k
!
bk ! 1 # ! %%i
i!1 "i
44
CAPTULO 17
! %"%ii ) 1,
i!1
o que permite que classes de prioridades k atinjam uma condio de estado estvel. A frmula de Little pode ser usada conforme descrito antes para obter outras medidas de desempenho importantes para cada classe de prioridades.
Resultados para o Modelo de Prioridades Preemptivas
Para o modelo de prioridades preemptivas, precisamos restaurar a hiptese que o tempo de
atendimento esperado o mesmo para todas as classes de prioridades. Usando a mesma
notao daquela utilizada no modelo original de prioridades no-preemptivas, fazendo que
a preempo mude o tempo de espera total previsto no sistema (incluindo o tempo total de
atendimento) para
1/"
Wk ! %%,
Bk#1Bk
para k ! 1, 2, . . . , N,
para o caso com um nico atendente (s ! 1). Quando s ' 1, Wk pode ser calculado por um
procedimento iterativo que ser ilustrado no exemplo do Hospital Municipal. Os Lk continuam a satisfazer a relao
Lk ! !kWk,
para k ! 1, 2, . . . , N.
Os resultados correspondentes para a fila (excluindo os clientes que esto sendo atendidos)
tambm podem ser obtidos de Wk e Lk exatamente como descrito para o caso das prioridades no-preemptivas. Em virtudes da propriedade da falta de memria da distribuio exponencial (ver Seo 17.4), as preempes no afetam o processo de atendimento (ocorrncia
de trminos de atendimento) de qualquer maneira. O tempo de atendimento total previsto
para qualquer cliente ainda 1/".
O arquivo Excel deste captulo inclui um gabarito em Excel para calcular as medidas
de desempenho anterior para o caso com um nico atendente.
Exemplo do Hospital Municipal com Prioridades
No problema da sala de emergncias do Hospital Municipal, o administrador percebeu
que os pacientes no so tratados segundo a regra dos primeiros que chegam sero os primeiros a ser atendidos. Em vez disso, a enfermeira que recepciona os pacientes que chegam os divide, basicamente, em trs categorias: (1) casos crticos, nos quais o pronto atendimento vital para a sobrevivncia do paciente; (2) casos graves, cujo tratamento prvio
importante para impedir maior agravamento; e (3) casos estveis, em que o tratamento
pode ser retardado sem conseqncias mdicas adversas. Os pacientes so ento tratados
nessa ordem de prioridade, em que aqueles na mesma categoria so normalmente admitidos de acordo com a regra dos primeiros que chegam sero os primeiros a ser atendidos.
Um mdico interromper o tratamento de um paciente caso surja um novo caso em uma
categoria de maior prioridade. Aproximadamente 10% dos pacientes recaem na primeira
categoria, 30% na segunda e 60% na terceira. Como os casos mais graves sero enviados
ao hospital para cuidados posteriores aps receber tratamento de emergncia, o tempo de
tratamento mdio gasto por um mdico na sala de emergncias na verdade no difere
muito entre essas categorias.
O administrador decidiu usar um modelo de filas de disciplina de prioridades como
uma representao razovel desse sistema de filas, em que as trs categorias de pacientes
constituem as trs classes de prioridades no modelo. Como o tratamento interrompido pela
chegada de um caso de prioridade mais alta, o modelo de prioridades preemptivas o indicado. Tendo em vista os dados previamente disponveis (" ! 3 e ! ! 2), as porcentagens
17.8
45
para ! ! 0,2
portanto
1
W1 # %% ! 0,33370 # 0,33333 ! 0,00037 hora.
"
Consideremos agora as duas primeiras classes de prioridades. Observe novamente que
os clientes nessas classes no so de forma alguma afetados pelas classes de prioridades
mais baixas (somente classe de prioridade 3 nesse caso), que podem, conseqentemente, ser
ignorados na anlise. Faamos que "
W1#2 seja o tempo de espera previsto no sistema (e, portanto, incluindo tempo de atendimento) de uma chegada aleatria em qualquer uma dessas
duas classes, de modo que a probabilidade seja !1/(!1 $ !2) ! 1%4% de que essa chegada se
encontre na classe 1 e !2/(!1 $ !2) ! 3%4% de que ela se encontre na classe 2. Portanto,
1
3
"
W1#2 ! %%W1 $ %%W2.
4
4
Alm disso, como o tempo de espera previsto o mesmo para qualquer disciplina da fila,
"1#2 tambm deve ser igual a W para o modelo M/M/s na Seo 17.6, com s ! 2,
W
" ! 3 e ! ! !1 $ !2 ! 0,8, que resulta em
s"1
Prioridades
No-preemptivas
s"2
4,5
0,933
0,733
0,333
s"2
A
B1
B2
B3
0,933
0,733
0,333
1
W1 # %%
"
1
W2 # %%
"
1
W3 # %%
"
0,024 hora
0,00037 hora
0,238 hora
0,029 hora
0,154 hora
0,00793 hora
0,325 hora
0,033 hora
1,033 hora
0,06542 hora
0,889 hora
0,048 hora
22
s"1
36
0,967
0,867
0,667
Note que esses tempos esperados no podem mais ser interpretados como o tempo esperado antes de o tratamento comear quando k )1, pois o tratamento poderia ser interrompido pelo menos uma vez, provocando
tempo de espera adicional antes de o atendimento ser completado.
46
CAPTULO 17
para ! ! 0,8.
4
1
W2 ! %% 0,33937 # %% (0,33370) ! 0,34126 hora.
3
4
%W
&
1
# %% ! 0,00793 hora.
"
para ! ! 2.
Conseqentemente,
1
W3 ! %% [0,375 # 0,1(0,33370) # 0,3(0,34126)]
0.6
! 0,39875 hora.
%W
&
1
# %% ! 0,06542 hora.
"
17.9
REDES DE FILAS
At agora consideramos apenas sistemas de filas com uma nica instalao de atendimento
com um ou mais atendentes. Entretanto, sistemas de filas encontrados em estudos de PO so
algumas vezes, na realidade, redes de filas, isto , redes de instalaes de atendimento onde
clientes devem receber atendimento em algumas ou todas essas instalaes. Por exemplo,
pedidos que esto sendo processados em uma ferramentaria devem ser direcionados por
17.9
REDES DE FILAS
47
Para uma demonstrao, ver BURKE, P. J. The Output of a Queueing System. Operations Research, v. 4,
n. 6, p. 699-704, 1956.
48
CAPTULO 17
qi ! 1 # ! pij.
j!1
!j ! aj $ ! !i pij,
i!1
Ver JACKSON, J. R. Jobshop-Like Queueing Systems. Management Science, v. 10, n. 1, p. 131-142, 1963.
17.9
REDES DE FILAS
49
A equao dada para obter !j se baseia no fato que !i a taxa de partida, bem como a
taxa de chegada para todos os clientes usando a instalao i. Como pij a proporo de clientes partindo da instalao i que em seguida vo para a instalao j, a taxa na qual os clientes da instalao i chegam na instalao j !ipij. Somar esse produto ao longo de todos os
i, e depois acrescentando essa soma a aj, fornece a taxa de chegada total para a instalao j
proveniente de todas as fontes.
Calcular !j a partir dessa equao requer saber os !i para i 0j, porm esses !i tambm
so desconhecidos dados pelas equaes correspondentes. Portanto, o procedimento
encontrar simultaneamente !1, !2, . . . , !m, obtendo a soluo simultnea de todo o sistema
de equaes lineares para !j para j ! 1, 2, . . . , m. O Tutorial IOR inclui um procedimento
interativo para encontrar !j dessa maneira.
Para ilustrar esses clculos, considere uma rede de Jackson com trs instalaes de
atendimento com parmetros mostrados na Tabela 17.4. Agregando a frmula para !j para
j ! 1, 2, 3, obtemos
!1 ! 1
$ 0,1!2 $ 0,4!3
!2 ! 4 $ 0,6!1
$ 0,4!3
!3 ! 3 $ 0,3!1 $ 0,3!2.
Raciocine com base em cada equao para ver por que ela fornece a taxa de chegada total
para a instalao correspondente. A soluo simultnea para esse sistema
1
!1 ! 5, !2 ! 10, !3 ! 7%%.
2
Dada essa soluo simultnea, cada uma das trs instalaes de atendimento agora pode
ser analisada independentemente usando as frmulas para o modelo M/M/s dado na Seo 17.6.
Por exemplo, para obter a distribuio do nmero de clientes Ni ! ni na instalao i, note que
1
%%
2
1
!i
#i ! %%
! %%
si"i
2
3
%%
4
para i ! 1
para i ! 2
para i ! 3.
%&
1 1 n1
Pn1 ! %% %%
2 2
%1%
3
1
Pn2 ! %%
3
1 1 n2#1
%% %%
3 2
%&
%&
1 3
Pn3 ! %% %%
4 4
n3
para a instalao 1,
para n2 ! 0
para n2 ! 1
para a instalao 2,
para n2 " 2
para a instalao 3.
j!1
j!2
j!3
sj
!j
aj
i"1
i"2
i"3
1
2
1
10
10
10
1
4
3
0
0,6
0,3
0,1
0
0,3
0,4
0,4
0
50
CAPTULO 17
A probabilidade conjunta de (n1, n2, n3) dada ento simplesmente pela soluo em forma
de produto
P{(N1, N2, N3) ! (n1, n2, n3)} ! Pn1Pn2Pn3.
De forma similar, o nmero esperado de clientes Li na instalao i pode ser calculado
da Seo 17.6 como
L1 ! 1,
4
L2 ! %%,
3
L3 ! 3.
17.10
17.10
51
tos. Outro poderia ser que pelo menos 95% dos clientes deveriam esperar no mais de
certo nmero de minutos no sistema. Critrios similares em termos do nmero de clientes previstos no sistema (ou a distribuio probabilstica desse nmero) tambm poderiam ser usados. Os critrios tambm poderiam ser colocados em termos do tempo de
espera ou do nmero de clientes na fila em vez de no sistema. Assim que o critrio ou
critrios tiverem sido selecionados, ento normalmente simples usar um mtodo de tentativa e erro para encontrar o desenho do sistema de filas menos oneroso que satisfaa
todos os critrios.
A outra abordagem bsica para procurar o melhor equilbrio envolve avaliar os custos associados s conseqncias de se fazer os clientes esperarem. Suponha, por exemplo,
que o sistema de filas seja um sistema de atendimento interno (conforme descrito na
Seo 17.3), no qual os clientes so os empregados de uma empresa que visa lucros. Fazer
esses empregados esperarem no sistema de filas provoca perda de produtividade, o que
resulta em perda de lucros. Essa perda de lucros o custo de espera associado ao sistema de filas. Expressando esse custo de espera em funo do tempo de espera, o problema
de determinar o melhor desenho do sistema de filas agora pode ser colocado como minimizar o custo total esperado (custo de atendimento mais custo de espera) por unidade de
tempo.
A seguir, explicamos em detalhes essa ltima abordagem para o problema de determinao do nmero timo de atendentes a serem disponibilizados.
Quantos Atendentes Devem Ser Disponibilizados?
Para formular a funo objetivo quando a varivel de deciso o nmero de atendentes s,
faamos que
E(TC) ! custo total esperado por unidade de tempo,
E(SC) ! custo de atendimento esperado por unidade de tempo,
E(WC) ! custo de espera esperado por unidade de tempo.
Ento o objetivo escolher o nmero de atendentes de modo a
Minimizar E(TC) ! E(SC) $ E(WC).
Quando cada um dos custos de atendimento for o mesmo, o custo de atendimento ser
E(SC) ! Css,
em que Cs o custo marginal de um atendente por unidade de tempo. Para calcular WC para
qualquer valor de s, note que L ! !W fornece o tempo total de espera previsto no sistema
de filas por unidade de tempo. Assim, quando o custo de espera for proporcional ao tempo
de espera, esse custo pode ser expresso como
E(WC) ! CwL,
em que Cw o custo de espera por unidade de tempo para cada cliente no sistema de filas.
Portanto, aps estimar as constantes, Cs e Cw, o objetivo escolher o valor de s de modo a
Minimizar E(TC) ! Css $ CwL.
Escolhendo o modelo de filas que se ajuste ao sistema de filas, o valor de L pode ser obtido
para diversos valores de s. Aumentar s diminui L, no incio de forma rpida e depois gradualmente de forma mais lenta.
A Figura 17.13 mostra a forma geral das curvas E(SC), E(WC) e E(TC) versus o
nmero de atendentes s. Para melhor conceitualizao, desenhamos essas curvas como curvas suaves, embora os nicos valores viveis de s sejam s ! 1, 2, . . . . Calcular E(TC) para
valores consecutivos de s at que E(TC) pare de diminuir e, ao contrrio, comece a aumentar simples para encontrar o nmero de atendentes que minimize o custo total. O exemplo a seguir ilustra esse processo.
CAPTULO 17
52
Custo total
Custo de atendimento
Custo de espera
FIGURA 17.13
A forma das curvas de custos
esperados para determinar o
nmero de atendentes a
serem disponibilizados.
Nmero de atendentes (s )
Exemplo
A Ferramentaria Acme tem um almoxarifado para armazenar ferramentas a serem usadas
pelos ferramenteiros. Dois almoxarifes administram o almoxarifado. Esses almoxarifes distribuem as ferramentas medida que os ferramenteiros chegam e as solicitam. Depois, essas
ferramentas so devolvidas aos almoxarifes quando eles no precisarem mais delas. Tm
havido reclamaes dos supervisores de que seus ferramenteiros tm de perder muito tempo
esperando ser atendidos no almoxarifado, de modo que parece ser necessrio maior nmero de almoxarifes. No entanto, a gerncia est exercendo presso para reduzir os gastos indiretos na fbrica e essa reduo levaria a um nmero menor de almoxarifes. Para solucionar
essas presses conflitantes, est sendo realizado um estudo de PO para determinar exatamente quantos almoxarifes deve ter o almoxarifado.
O almoxarifado forma um sistema de filas, no qual os almoxarifes so seus atendentes
e os ferramenteiros seus clientes. Aps coletar alguns dados sobre os tempos entre atendimentos e tempos de atendimento, a equipe de PO chegou concluso que o modelo de filas
que melhor se ajusta a esse sistema de filas o modelo M/M/s. As estimativas da taxa mdia
de chegada ! e da taxa mdia de atendimento (por atendente) " so
! ! 120 clientes por hora,
" ! 80 clientes por hora,
de modo que o fator de utilizao para os dois almoxarifes seja
!
120
# ! %% ! %% ! 0,75.
s"
2(80)
O custo total para a companhia de cada almoxarife cerca de US$ 20 por hora e, dessa
forma, Cs ! US$ 20. Enquanto um ferramenteiro estiver ocupado, o valor para a companhia
de suas produes mdias de US$ 48 por hora e, assim, Cw ! US$ 48. Portanto, a equipe
de PO agora precisa encontrar o nmero de atendentes (almoxarifes) s que vai
Minimizar E(TC) ! US$ 20 s $ US$ 48 L.
Existe um gabarito em Excel no Courseware de PO para calcular esses custos com o
modelo M/M/s. Tudo o que preciso fazer introduzir os dados para o modelo juntamente
com o custo de atendimento unitrio Cs, o custo de espera unitrio Cw e o nmero de atendentes s que voc quiser tentar. O gabarito calcula ento E(SC), E(WC) e E(TC). Isso est
17.10
53
ilustrado na Figura 17.14 com s ! 3 para esse exemplo. Introduzindo repetidamente valores
alternativos de s, o gabarito pode ento revelar qual valor minimiza E(TC) em uma questo
de segundos.
A Tabela 17.5 mostra os dados que seriam gerados desse gabarito repetindo esses clculos para s ! 1, 2, 3, 4 e 5. J que o fator de utilizao para s ! 1 # ! 1,5, um nico
almoxarife seria incapaz de atender os clientes, de modo que essa opo seja descartada.
Todos os valores de s maiores so viveis, porm s ! 3 tem o menor custo total esperado. Alm disso, s ! 3 diminuiria o custo total esperado atual para s ! 2 por US$ 61 por
hora. Portanto, apesar da inteno atual da gerncia em reduzir os gastos indiretos (que
inclui o custo dos almoxarifes), a equipe de PO recomenda que um terceiro almoxarife
seja colocado no almoxarifado. Note que essa recomendao diminuiria o fator de utilizao para os almoxarifes de um j modesto 0,75 para 0,5. Entretanto, em virtude da grande melhoria na produtividade dos ferramenteiros (que so muito mais caros que os almoxarifes) pela diminuio de seus tempos de espera desperdiados no almoxarifado, a
gerncia adota a recomendao.
FIGURA 17.14
Este gabarito em Excel para emprego de anlise econmica para escolher o nmero de atendentes com o modelo M/ M/s
aplicado aqui ao exemplo da Ferramentaria Acme com s ! 3.
A
1
2
3
4
5
6
7
8
9
l =
m=
s= s
Dados
120
80
3
10
11
12
13
14
15
16
17
18
19
20
B
C
18 Custo de Atendimento =C s*s
Custo de Espera =C w*L
19
Custo Total =CustoDeAtendimento+CustoDeEspera
20
L=
Lq =
Resultados
1,736842105
0,236842105
W =
Wq =
0,014473684
0,001973684
#=
0,5
n
0
1
2
3
4
5
6
7
Pn
0,210526316
0,315789474
0,236842105
0,118421053
0,059210526
0,029605263
0,014802632
0,007401316
54
CAPTULO 17
Acme
s
"
1
2
3
4
5
1,50
0,75
0,50
0,375
0,30
,
3,43
1,74
1,54
1,51
,
204,57
143,37
154,15
172,41
Outras Questes
O Captulo 26 do CD-ROM expande consideravelmente alm da teoria das filas, inclusive
como lidar com algumas outras questes no consideradas anteriormente.
Por exemplo, a anlise da pgina 52 supunha que o custo de espera fosse proporcional
ao tempo de espera, mas isso algumas vezes no o caso. Se uma empresa tiver um ou dois
de seus empregados em um sistema de filas, talvez isso no seja muito srio em termos da
perda de produtividade deles, pois outros poderiam estar aptos a lidarem com todo o trabalho produtivo disponvel. Entretanto, ter mais empregados no sistema de filas pode resultar
em aumento agudo na perda de produtividade e o lucro perdido resultante, de modo que o
custo de espera se torne uma funo no-linear do nmero do sistema. Similarmente, as conseqncias para um sistema de atendimento comercial que fazem seus clientes esperarem
podem ser mnimas para esperas curtas, porm muito mais graves para esperas longas.
Nesse caso, o custo de espera se torna uma funo no-linear do tempo de espera. A Seo
26.3 descreve a formulao de funes no-lineares de custo de espera e depois o clculo de
E(WC) com tais funes.
A Seo 26.4 discute um modelo de deciso em que as variveis de deciso so tanto
o nmero de atendentes quanto a taxa mdia de atendimento para os atendentes. Uma
questo interessante que surge aqui se melhor ter um atendente rpido (vrias pessoas
trabalhando juntas para atender rapidamente cada cliente) ou vrios atendentes mais lentos (vrias pessoas trabalhando separadamente para atender clientes diferentes).
A Seo 26.4 tambm apresenta um modelo de deciso no qual as variveis de deciso
so o nmero de instalaes de atendimento e o nmero de atendentes por instalao para
fornecer atendimento para uma populao solicitante de possveis clientes. Dada a taxa
mdia de chegada para toda a populao solicitante, aumentar o nmero de instalaes permite diminuir a mdia de chegada (carga de trabalho) a cada instalao. O nmero de instalaes de atendimento tambm afeta quanto tempo cada cliente precisar despender na ida
e na volta da instalao mais prxima. O custo de espera agora precisa ser uma funo do
tempo total perdido por um cliente esperando em uma instalao de atendimento ou indo e
retornando da instalao. Portanto, a Seo 26.5 apresenta alguns modelos de tempo de viagem para determinar o tempo de viagem de ida e volta para cada cliente.
17.11
CONCLUSES
Sistemas de filas so dominantes na sociedade. A adequao desses sistemas pode ter um
efeito importante sobre a qualidade de vida e produtividade.
A teoria das filas estuda sistemas de filas formulando modelos matemticos de suas operaes e depois como usar esses modelos para obter medidas de desempenho. Essa anlise
fornece informaes vitais para desenhar, de forma eficaz, sistemas de filas que alcanam um
equilbrio apropriado entre o custo de fornecer um atendimento e o custo associado espera
por esse atendimento.
Este captulo apresentou os modelos mais bsicos da teoria das filas para os quais existem, particularmente, resultados teis. Entretanto, muitos outros modelos interessantes
55
poderiam ser considerados caso o espao permitisse. Na realidade, vrios milhares de trabalhos de pesquisa formulando e/ou analisando modelos de filas j apareceram na literatura
tcnica e muitos mais esto sendo publicados a cada ano!
A distribuio exponencial desempenha papel fundamental na teoria das filas para
representar a distribuio de tempos entre chegadas e tempos de atendimento, pois essa
hiptese nos permite representar o sistema de filas como uma cadeia de Markov de tempo
contnuo. Pela mesma razo, distribuies tipo-fase como a distribuio de Erlang, em que
o tempo total subdividido em fases individuais com uma distribuio exponencial, so
muito teis. Foram obtidos resultados analticos teis somente para um nmero relativamente pequeno de modelos de filas fazendo outras hipteses.
Modelos de disciplina de prioridades de filas so teis para a situao comum na qual
algumas categorias de clientes recebem determinada prioridade em relao a outros que
esto recebendo atendimento.
Em outra situao comum, clientes devem receber atendimento em diversas instalaes
de atendimento. Modelos para redes de filas esto ganhando ampla projeo para o emprego em tais situaes. Essa uma rea de pesquisa em andamento especialmente ativa.
Quando no tivermos disponvel nenhum modelo tratvel que fornea uma representao razovel do sistema de filas em estudo, uma abordagem comum obter dados de desempenho relevantes desenvolvendo um programa de computador para simular a operao do
sistema. Essa tcnica discutida no Captulo 20.
A Seo 17.10 descreve brevemente como a teoria das filas pode ser usada para ajudar
a desenvolver sistemas de filas eficientes e depois o Captulo 26 (no CD-ROM) expande
consideravelmente esse tema.
REFERNCIAS SELECIONADAS
1. CHAO, X. et al. Queueing Networks: Customers, Signals and Product Form. Nova York: Wiley,
1999.
2. CHEN, H.; YAO, D. D. Fundamentals of Queueing Networks: Performance, Asymptotics and
Optimization. Nova York: Springer, 2001.
3. COOPER, R. B. Introduction to Queueing Theory, 2. ed. Nova York: Elsevier North-Holland,
1981. Tambm distribudo pelo Programa de Educao Continuada em Engenharia da George
Washington University, Washington, DC.
4. __________. Queueing Theory. Captulo 10. In: HEYMAN, D. P.; SOBLE, M. J. (Eds.).
Stochastic Models. Amsterd e Nova York: North Holland, 1990. Esse trabalho de pesquisa tambm distribudo pelo Programa de Educao Continuada em Engenharia da George Washington
University, Washington, DC.
5. GROSS, D.; HARRIS, C. M. Fundamentals of Queueing Theory. 3. ed. Nova York: Wiley, 1998.
6. HALL, R. W. Queueing Methods: For Services and Manufacturing. Upper Saddle River, NJ:
Prentice-Hall, 1991.
7. HILLIER, F. S.; HILLIER, M. S. Introduction to Management Science: A Modeling and Case
Studies Approach with Spreadsheets. 2. ed. Captulo 14. Burr Ridge, IL: McGraw-Hill/Irwin,
2003.
8. KLEINROCK, L. Queueing Systems. Vol. I: Theory. Nova York: Wiley, 1975.
9. NORDGREN, B. The Problem with Waiting Times. IIE Solutions, p. 44-48, maio 1999.
10. PAPADOPOULOS, H. T. et al. Queueing Theory in Manufacturing Systems Analysis and Design.
Londres: Chapman Hall, 1993.
11. PRABHU, N. U. Foundations of Queueing Theory. Boston: Kluwer Academic Publishers, 1997.
12. SERFOZO, R. Introduction to Stochastic Networks. Nova York: Springer, 1999.
13. STIDHAM JR., S. Analysis, Design and Control of Queueing Systems. Operations Research,
v. 50, p. 197-216, 2002.
14. WALRAND, J. An Introduction to Queueing Networks. Englewood Cliffs, NJ: Prentice-Hall,
1988.
15. WOLFF, R. W. Stochastic Modeling and the Theory of Queues. Englewood Cliffs, NJ: PrenticeHall, 1989.
56
CAPTULO 17
PROBLEMAS 25
Inserimos um T esquerda de alguns problemas (ou parte deles)
toda vez que um dos gabaritos listados anteriormente puder ser til.
Um asterisco no nmero do problema indica que pelo menos h
uma resposta parcial no final do livro.
17.2-1.* Considere uma barbearia tpica. Demonstre que ela um
sistema de filas descrevendo seus componentes.
17.2-2.* Joo e Jos so dois barbeiros em uma barbearia que eles
possuem e dirigem. Eles tm duas cadeiras de barbear para clientes que esto esperando por um corte de cabelo e, portanto, o nmero de clientes na barbearia varia entre 0 e 4. Para n ! 0, 1, 2, 3,
4, a probabilidade Pn de que exatamente n clientes se encontrem
na barbearia P0 ! %11%6, P1 ! %14%6, P2 ! %16%6, P3 ! %14%6, P4 ! %11%6.
(a) Calcule L. Como voc descreveria o significado de L para Joo
e Jos?
(b) Para cada um dos possveis valores do nmero de clientes no
sistema de filas, especifique quantos clientes se encontram na
fila. Calcule ento Lq. Como voc descreveria o significado de
Lq para Joo e Jos?
(c) Determine o nmero esperado de clientes atendidos.
(d) Dado que chegue uma mdia de quatro clientes por hora e
permaneam para cortar o cabelo, determine W e Wq. Descreva esses dois valores em termos significativos para Joo
e Jos.
(e) Dado que Joo e Jos so igualmente rpidos nos cortes de
cabelo, qual a durao mdia de um corte de cabelo?
25
17.2-3. A Mercearia Mom-and-Pop tem um pequeno estacionamento com trs vagas reservadas para seus clientes. Durante o horrio de
funcionamento da mercearia, os carros entram no estacionamento e
usam uma das vagas a uma taxa mdia de 2 por hora. Para n ! 0, 1,
2, 3, a probabilidade Pn de que exatamente n vagas estejam sendo
usadas no momento P0 ! 0,2, P1 ! 0,3, P2 ! 0,3, P3 ! 0,2.
(a) Descreva como esse estacionamento pode ser interpretado
como um sistema de filas. Particularmente, identifique os clientes e os atendentes. Qual o atendimento que est sendo fornecido? O que constitui um tempo de atendimento? Qual a
capacidade da fila?
(b) Determine as medidas de desempenho bsicas L, Lq, W e
Wq para esse sistema de filas.
(c) Use os resultados do item (b) para determinar a durao mdia que um carro permanece no estacionamento.
17.2-4. Para cada uma das seguintes alternativas sobre a fila em
um sistema de filas, classifique a alternativas como verdadeira ou
falsa e, em seguida, justifique sua resposta referindo-se a uma afirmao especfica no captulo.
(a) Fila onde clientes aguardam no sistema de filas at que seu
atendimento seja completado..
(b) Modelos de filas supem, convencionalmente, que a fila seja
capaz de reter apenas um nmero limitado de clientes.
(c) A disciplina de fila mais comum aquela na qual os primeiros que chegam sero os primeiros a ser atendidos.
Consulte tambm o final do Captulo 26 (no CD-ROM) para outros problemas envolvendo a aplicao da teoria das filas.
PROBLEMAS
17.2-5. O Midtown Bank sempre tem dois caixas em servio. Os
clientes chegam para ser atendidos por um caixa em uma taxa mdia de 40 por hora. Um caixa precisa de uma mdia de dois minutos para atender um cliente. Quando os dois caixas esto ocupados, um cliente que chega junta-se a uma fila nica para esperar
por atendimento. A experincia demonstra que os clientes aguardam na fila em mdia um minuto antes de ser atendidos.
(a) Descreva por que esse um sistema de filas.
(b) Determine as medidas bsicas de desempenho Wq, W, Lq e
L para esse sistema de filas. Dica: No conhecemos as distribuies probabilsticas dos tempos entre atendimentos e tempos de atendimento para esse sistema de filas, de modo que
precisaremos usar as relaes entre essas medidas de desempenho para ajud-lo a responder a estas perguntas.
17.2-6. Explique por que o fator de utilizao # para o atendente
em um sistema de filas com um nico atendente tem de ser igual
a 1 P0, em que P0 a probabilidade de ter 0 clientes no sistema.
17.2-7. So dados dois sistemas de filas, Q1 e Q2. A taxa mdia
de chegada, a taxa mdia de atendimento por atendente ocupado e
o nmero esperado de clientes em estado estvel para Q2 so o dobro dos valores correspondentes para Q1. Faamos que Wi ! tempo
de espera previsto em estado estvel no sistema para Qi, para i !
1, 2. Determine W2/W1.
17.2-8. Considere um sistema de filas com um nico atendente
com uma distribuio de tempo de atendimento qualquer e uma
distribuio de tempos entre atendimentos qualquer (o modelo
GI/G/1). Use somente definies bsicas e as relaes dadas na
Seo 17.2 para verificar as seguintes relaes gerais:
(a) L ! Lq $ (1 # P0).
(b) L ! Lq $ #.
(c) P0 ! 1 # #.
17.2-9. Demostre que
s#1
s#1
&
L ! ! nPn $ Lq $ s 1 # ! Pn
n!0
n!0
57
(b) Suponha que no haja mais nenhuma chegada de cliente antes
das 13 h. Qual a probabilidade agora de que a prxima chegada venha a ocorrer entre 13 e 14 h?
(c) Qual a probabilidade de que o nmero de chegadas entre 13
e 14 h ser: (i) 0, (ii) 1 e (iii) 2 ou mais?
(d) Suponha que ambos os atendentes estejam com clientes s 13
h. Qual a probabilidade de que nenhum dos clientes ter seu
atendimento completado (i) antes das 14 h, (ii) antes das 13h10
e (iii) antes das 13h01 h?
17.4-2.* As tarefas a ser executadas em determinada mquina chegam de acordo com um processo de entrada de Poisson com uma
taxa mdia de duas por hora. Suponha que a mquina quebre e exija uma hora para ser reparada. Qual a probabilidade de que o
nmero de tarefas novas que chegaro durante esse perodo seja
de: (a) 0, (b) 2 e (c) 5 ou mais?
17.4-3. O tempo necessrio para um mecnico consertar uma
mquina tem uma distribuio exponencial com uma mdia de quatro horas. Entretanto, uma ferramenta especial reduziria essa mdia para duas horas. Se o mecnico consertar a mquina em menos
de duas horas, ele receber US$ 100; caso contrrio, ele receber
US$ 80. Determine o aumento esperado no pagamento do mecnico por mquina consertada caso ele use a ferramenta especial.
17.4-4. Um sistema de filas com trs atendentes possui um processo de chegada controlado que libera clientes a tempo de manter os atendentes sempre ocupados. Os tempos de atendimento tm
uma distribuio exponencial com mdia 0,5.
Voc observa o sistema de filas iniciando com todos os trs
atendentes comeando a atender no instante t ! 0. A seguir, voc
percebe que o primeiro trmino de atendimento ocorre no instante
t ! 1. Dadas essas informaes, determine o tempo esperado aps
t ! 1 at a ocorrncia do prximo trmino de atendimento.
17.4-5. Um sistema de filas possui trs atendentes com tempos de
atendimento esperado de 20 minutos, 15 minutos e dez minutos.
Os tempos de atendimento possuem uma distribuio exponencial.
Cada um dos atendentes tem-se mantido ocupado com um cliente
por cinco minutos. Determine o tempo restante esperado at que
acontea o prximo trmino de atendimento.
17.4-6. Considere um sistema de filas com dois tipos de clientes. Os clientes do tipo 1 chegam de acordo com um processo de
Poisson com uma taxa mdia de 5 por hora. Os clientes do tipo
2 tambm chegam de acordo com um processo de Poisson com
uma taxa mdia de 5 por hora. O sistema possui dois atendentes,
ambos atendem os dois tipos de clientes. Para ambos os tipos, os
tempos de atendimento possuem uma distribuio exponencial
com uma mdia de dez minutos. O atendimento feito segundo
a regra na qual os primeiros que chegam sero os primeiros a ser
atendidos.
(a) Qual a distribuio probabilstica (incluindo sua mdia) do
tempo entre chegadas consecutivas de clientes de qualquer tipo?
(b) Quando determinado cliente do tipo 2 chega, ele encontra dois
clientes do tipo 1 no processo de serem atendidos, porm
nenhum outro cliente no sistema. Qual a distribuio probabilstica (incluindo sua mdia) do tempo de espera na fila desse
cliente de tipo 2?
17.4-7. Considere um sistema de filas com dois atendentes em que
todos os tempos de atendimento so independentes e identicamen-
58
CAPTULO 17
! $i,
+i!1
P{Tj ! U} ! $j
para j ! 1, 2, . . . , n.
Taxa de Nascimento
Taxa de Mortalidade
1
1
0
2
2
PROBLEMAS
(f) Volte ao exemplo quase idntico da cadeia de Markov de tempo
contnuo dado no final da Seo 16.8. Descreva a relao entre cadeias de Markov de tempo contnuo e o processo de nascimento-e-morte que permite que ambos sejam aplicados a esse
mesmo problema.
17.5-7. Considere um sistema de filas com um nico atendente em
que tempos entre atendimentos possuem uma distribuio exponencial com parmetro ! e tempos de atendimento tm uma distribuio exponencial com parmetro ". Alm disso, clientes desistem (deixam o sistema de filas sem ser atendidos) caso seus tempos
de espera na fila acabem ficando muito grandes. Em particular,
suponha que o tempo que cada cliente est disposto a esperar na
fila antes de desistir tenha uma distribuio exponencial com mdia 1/&.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Desenvolva as equaes de equilbrio.
17.5-8.* Determinada mercearia pequena possui um nico caixa
em tempo integral. Os clientes chegam aleatoriamente ao caixa
(isto , um processo de entrada de Poisson) a uma taxa mdia de
30 por hora. Quando h apenas um cliente na fila, ele processado somente pelo caixa, com um tempo de atendimento esperado de 1,5 minuto. Entretanto, o ajudante de estoque recebeu
ordens de sempre que houvesse mais de um cliente na fila, ele
deve ajudar o caixa, empacotando as mercadorias. Essa ajuda reduz o tempo esperado para processar um cliente a um minuto.
Em ambos os casos, a distribuio de tempo de atendimento
exponencial.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Qual a distribuio probabilstica em estado estvel do nmero de clientes no caixa?
(c) Derive L para esse sistema. Dica: Volte derivao de L para
o modelo M/M/1 no incio da Seo 17.6. Use essas informaes para determinar Lq, W e Wq.
17.5-9. Um departamento possui um operador de processador de
texto. Documentos produzidos pelo departamento so entregues
para processamento de acordo com um processo de Poisson com
tempos entre atendimento esperado de 20 minutos. Quando o operador tem apenas um documento para processar, o tempo de processamento esperado de 15 minutos. Quando ele tem mais de um
documento, ento ajuda para edio que se encontra disponvel reduz o tempo de processamento esperado para cada documento a
dez minutos. Em ambos os casos, os tempos de processamento possuem uma distribuio exponencial.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Encontre a distribuio de estado estvel do nmero de documentos que o operador recebeu, mas no completou ainda.
(c) Derive L para esse sistema. Dica: Volte derivao de L para
o modelo M/M/1 no incio da Seo 17.6. Use essa informao para determinar Lq, W e Wq.
17.5-10. Clientes chegam em um sistema de filas de acordo com
um processo de Poisson a uma taxa mdia de chegada de 2 clientes por minuto. O tempo de atendimento possui uma distribuio
exponencial com uma mdia de um minuto. Um nmero ilimitado
de atendentes est disponvel conforme a necessidade de modo que
os clientes jamais tm de esperar para ser atendidos. Calcule a probabilidade de estado estvel de que exatamente um cliente se
encontre no sistema.
59
17.5-11. Suponha que um sistema de filas com um nico atendente se ajuste a todas as hipteses do processo de nascimento-e-morte,
exceto que clientes sempre chegam em pares. A taxa mdia de chegada de dois pares por hora (quatro clientes por hora) e a taxa
mdia de atendimento (quando o atendente estiver ocupado) de
cinco clientes por hora.
(a) Construa o diagrama de taxas para esse sistema de filas.
(b) Desenvolva as equaes de equilbrio.
(c) Para fins de comparao, mostre o diagrama de taxas para o
sistema de filas correspondente que se ajusta completamente
ao processo de nascimento-e-morte, isto , onde clientes chegam individualmente em uma taxa mdia de quatro por hora.
17.5-12. Considere um sistema de filas com um nico atendente
com uma fila finita capaz de reter no mximo dois clientes, excluindo qualquer um que esteja sendo atendido. O atendente capaz de
fornecer atendimento em lote a dois clientes simultaneamente, onde
o tempo de atendimento tem uma distribuio exponencial com
uma mdia de uma unidade de tempo independentemente do nmero que estiver sendo atendido. Sempre que a fila no estiver cheia,
os clientes chegam individualmente de acordo com um processo
de Poisson a uma taxa mdia de 1 por unidade de tempo.
(a) Suponha que o atendente deva atender dois clientes simultaneamente. Portanto, se o atendente estiver ocioso quando
somente um cliente estiver no sistema, o atendente tem de esperar por outra chegada antes de iniciar o atendimento. Formule
o modelo de filas como uma cadeia de Markov de tempo contnuo definindo os estados e depois construindo o diagrama de
taxas. Fornea as equaes de equilbrio, mas no as resolva.
(b) Suponha agora que o tamanho do lote para um atendimento
seja 2 somente se dois clientes estiverem na fila quando o atendente terminar o atendimento anterior. Portanto, se o atendente estiver ocioso quando apenas um cliente estiver no sistema,
o atendente deve atender esse nico cliente e quaisquer chegadas subseqentes devero aguardar na fila at que o atendimento seja completado para esse cliente. Formule o modelo de
filas resultante como uma cadeia de Markov de tempo contnuo definindo os estados e depois construindo o diagrama de
taxas. Fornea as equaes de equilbrio, mas no as resolva.
17.5-13. Considere um sistema de filas com duas classes de clientes, dois escriturrios atendendo e nenhuma fila. Possveis clientes
de cada classe chegam de acordo com um processo de Poisson,
com uma taxa mdia de chegada de dez clientes por hora para a
classe 1 e 5 clientes por hora para a classe 2, porm essas chegadas so perdidas para o sistema, caso elas no possam ser atendidas imediatamente.
Cada cliente da classe 1 que entra no sistema ser atendido
por um dos escriturrios que estiver livre, onde os tempos de atendimento possuem uma distribuio exponencial com uma mdia
de cinco minutos.
Cada cliente de classe 2 que entrar no sistema requer o uso
simultneo de ambos os escriturrios (os dois escriturrios trabalham juntos com um nico atendente), onde os tempos de atendimento possuem uma distribuio exponencial com uma mdia de
cinco minutos. Portanto, um cliente que chega desse tipo seria perdido para o sistema a menos que ambos os escriturrios estejam
livres para comear a atender imediatamente.
(a) Formule o modelo de filas como uma cadeia de Markov de
tempo contnuo definindo os estados e construindo o diagrama de taxas.
60
CAPTULO 17
(b) Agora, descreva como a formulao no item (a) pode ser adequada no formato do processo de nascimento-e-morte.
(c) Use os resultados para o processo de nascimento-e-morte para
calcular a distribuio conjunta de estado estvel do nmero
de clientes de cada classe no sistema.
(d) Para cada uma das duas classes de clientes, qual a parcela
de chegadas esperada que se encontram incapazes de entrar
no sistema?
17.6-1.* A 4M Company possui um nico torno-revlver como
principal mquina de usinagem em seu cho de fbrica. As tarefas chegam nessa mquina de acordo com um processo de Poisson em uma taxa mdia de 2 por dia. O tempo de processamento
para realizar cada tarefa tem uma distribuio exponencial com
uma mdia de %14% dia. Como as tarefas so volumosas, aquelas que
no esto sendo trabalhadas no momento esto sendo armazenadas em uma sala a certa distncia da mquina. Entretanto, para
poupar tempo na produo das tarefas, o gerente de produo est
propondo adicionar espao de armazenagem para produtos em
fabricao suficiente prximo ao torno-revlver para acomodar
trs tarefas alm daquela que est sendo processada no momento. Tarefas em excesso continuaro a ser armazenadas temporariamente na sala distante. Segundo essa proposta, que proporo
de tempo esse espao de armazenagem prximo ao torno-revlver adequado para acomodar todas as tarefas em espera?
(a) Use frmulas disponveis para calcular sua resposta.
T (b) Use o gabarito de Excel correspondente para obter as probabilidades necessrias para responder a pergunta.
17.6-2. Clientes chegam em um sistema de filas com um nico
atendente de acordo com um processo de Poisson em uma taxa
mdia de 10 por hora. Se o atendente trabalhar continuamente, o
nmero de clientes que podem ser atendidos em uma hora tem uma
distribuio de Poisson com mdia 15. Determine a proporo de
tempo durante o qual ningum est esperando para ser atendido.
17.6-3. Considere o modelo M/M/1, com ! ) ".
(a) Determine a probabilidade de estado estvel de que o tempo
de espera real no sistema de um cliente no maior que o
tempo de espera previsto no sistema, isto , P{! ' W}.
(b) Determine a probabilidade de estado estvel de que o tempo
de espera real na fila de um cliente no seja maior que o tempo
de espera previsto na fila, isto , P{!q ' Wq}.
17.6-4. Verifique as seguintes relaes para um sistema de filas
M/M/1:
(1 # P0)2
! ! %%,
WqP0
1 # P0
" ! %%.
WqP0
1 # xN$1
%.
! xn ! %
1#x
n!0
17.6-6. Considere as seguintes alternativas sobre um sistema de filas M/M/1 e seu fator de utilizao #. Classifique cada uma das alternativas como verdadeira ou falsa e ento justifique sua resposta.
(a) A probabilidade de que um cliente tenha de esperar antes de
ser atendido proporcional a #.
(b) O nmero de clientes esperado no sistema proporcional a #.
(c) Se # tiver sido aumentado de # ! 0,9 a # ! 0,99, o efeito de
qualquer outro aumento em # sobre L, Lq, W e Wq ser relativamente pequeno desde que # ) 1.
17.6-7. Clientes chegam em um sistema de filas com um nico atendente de acordo com um processo de Poisson com um tempo esperado entre atendimentos de 25 minutos. Tempos de atendimento possuem uma distribuio exponencial com mdia de 30 minutos.
Classifique cada uma das seguintes alternativas sobre esse sistema como verdadeira ou falsa e, a seguir, justifique sua resposta.
(a) O atendente certamente estar ocupado para sempre aps o primeiro cliente chegar.
(b) A fila crescer sem limites.
(c) Se for acrescentado um segundo atendente com a mesma distribuio de tempos de atendimento, o sistema pode alcanar
uma condio de estado estvel.
17.6-8. Para cada uma das seguintes alternativas sobre um sistema de filas M/M/1, classifique cada uma das seguintes alternativas
sobre esse sistema como verdadeira ou falsa e, a seguir, justifique
sua resposta referindo-se a afirmaes especficas (citando o nmero da pgina) no captulo.
(a) O tempo de espera no sistema possui uma distribuio
exponencial.
(b) O tempo de espera na fila possui uma distribuio exponencial.
(c) O tempo condicional de espera no sistema, dado o nmero de
clientes j no sistema, possui uma distribuio de Erlang (distribuio gama).
17.6-9. A Friendly Neighbor Grocery Store possui um terminal de
caixa com um caixa em tempo integral. Clientes chegam aleatoriamente no caixa a uma taxa mdia de 30 por hora. A distribuio
de tempo de atendimento exponencial, com uma mdia de 1,5
minuto. Essa situao resultou, ocasionalmente, em longas filas e
reclamaes por parte dos clientes. Portanto, como no h espao
para um segundo terminal de caixa, o gerente est considerando a
alternativa de contratar outra pessoa para ajudar o caixa empacotando as mercadorias. Essa ajuda reduziria o tempo esperado para
processar um cliente para um minuto, porm a distribuio ainda
seria exponencial.
O gerente gostaria de ter a porcentagem de tempo onde h
mais de dois clientes no caixa abaixo de 25%. Ele tambm gostaria de que no mais de 5% dos clientes tivessem de esperar na fila
pelo menos cinco minutos antes de ser atendido ou pelo menos
sete minutos antes de terminar o atendimento.
(a) Use as frmulas para o modelo M/M/1 para calcular L, W, Wq,
Lq, P0, P1 e P2 para o modo de operao atual. Qual a probabilidade de ter mais de dois clientes no caixa?
PROBLEMAS
(b) Use o gabarito em Excel para esse modelo para verificar
suas respostas no item (a). Encontre tambm a probabilidade de que o tempo de espera antes do atendimento exceda
cinco minutos e a probabilidade de que o tempo de espera
antes de terminar o atendimento exceda sete minutos.
(c) Repita o item (a) para a alternativa considerada pelo gerente.
(d) Repita o item (b) para essa alternativa.
(e) Que abordagem o gerente deveria usar para satisfazer seus critrios o mais prximo possvel?
T
61
(a) Use o modelo M/M/s para determinar o nvel em que essas
diretrizes esto sendo satisfeitas.
(b) Avalie em que nvel as diretrizes sero satisfeitas daqui a um
ano caso no seja feita nenhuma alterao no nmero de caixas.
(c) Determine quantos caixas sero necessrios daqui a um ano
para atender completamente a essas diretrizes.
17.6-12. Considere o modelo M/M/s.
(a) Suponha que haja um atendente e o tempo de atendimento
esperado seja exatamente igual a um minuto. Compare L
para os casos nos quais a taxa mdia de chegada de 0,5,
0,9 e 0,99 cliente por minuto, respectivamente. Faa o
mesmo para Lq, W, Wq e P{! ' 5}. Que concluses voc
tira sobre o impacto de aumentar o fator de utilizao # de
valores pequenos (por exemplo, # ! 0,5) para valores bem
altos (por exemplo, # ! 0,9) e depois para valores maiores
ainda, prximos a 1 (por exemplo, # ! 0,99)?
(b) Suponha agora que haja dois atendentes e o tempo de atendimento esperado seja exatamente de dois minutos. Siga as instrues para o item (a).
T
T 17.6-13. Considere o modelo M/M/s com taxa mdia de chegada de dez clientes por hora e um tempo de atendimento esperado de cinco minutos. Use o gabarito em Excel para esse modelo
para obter e imprimir as diversas medidas de desempenho (com
t ! 10 e t ! 0, respectivamente, para as duas probabilidades de
tempo de espera) quando o nmero de atendentes for 1, 2, 3, 4 e
5. Depois, para cada um dos seguintes critrios possveis para um
nvel satisfatrio de atendimento (em que a unidade de tempo
de 1 minuto), use os resultados impressos para determinar quantos atendentes so necessrios para satisfazer esse critrio.
(a) Lq & 0,25
(b) L & 0,9
(c) Wq & 0,1
(d) W & 6
(e) P{!q ' 0} & 0,01
(f) P{! ' 10} & 0,2
s
(g)
! Pn " 0.95
n!0
(1)
(2)
n!0
62
CAPTULO 17
17.6-20.* Na Cia. de Seguros Blue Chip Life, as funes de depsito e de retirada associadas a certo produto de investimento so
destinadas separadamente a dois escriturrios, Clara e Clarence.
Os comprovantes de depsito chegam aleatoriamente (um processo de Poisson) na mesa de Clara a uma taxa mdia de 16 por hora.
Comprovantes de retirada chegam aleatoriamente (um processo de
Poisson) na mesa de Clarence a uma taxa mdia de 14 por hora.
O tempo necessrio para processar qualquer uma das transaes
apresenta uma distribuio exponencial com mdia de trs minutos. Para reduzir o tempo de espera previsto no sistema tanto para
os comprovantes de depsito quanto de retirada, o departamento
atuarial fez as seguintes recomendaes: (1) Treinar cada escriturrio para lidar com depsitos e retiradas e (2) colocar os recibos
de depsito bem como os de retirada em uma nica fila que fosse
acessada por ambos os escriturrios.
(a) Determine o tempo de espera previsto no sistema segundo os
procedimentos atuais para cada tipo de comprovante. A
seguir, combine esses resultados para calcular o tempo de
espera previsto no sistema para uma chegada aleatria de cada
tipo de envelope.
T (b) Se as recomendaes forem adotadas, determine o tempo de
espera previsto no sistema para chegada dos envelopes.
T (c) Suponha agora que a adoo das recomendaes resultasse
em um ligeiro aumento no tempo de processamento esperado. Use o gabarito em Excel para o modelo M/M/s para determinar por tentativa e erro o tempo de processamento esperado (dentro de 0,001 hora) que faria o tempo de espera
previsto no sistema para uma chegada aleatria ser o mesmo
segundo os procedimentos atuais e as novas recomendaes.
17.6-21. A Peoples Software Company acaba de instalar um call
center para fornecer assistncia tcnica para o seu novo pacote de
software. Dois tcnicos esto atendendo as ligaes, nas quais o
tempo necessrio para cada um dos tcnicos responder s perguntas de um cliente apresenta uma distribuio exponencial com mdia de oito minutos. Os telefonemas esto chegando de acordo com
um processo de Poisson a uma taxa mdia de 10 por hora.
Espera-se que no ano que vem a taxa mdia de chegada de
ligaes caia para 5 por hora, de modo que o plano seja reduzir o
nmero de tcnicos para somente um.
(a) Supondo que " continuar a ser 7,5 ligaes por hora para
o sistema de filas do prximo ano, determine L, Lq, W e Wq
tanto para o sistema atual como para o sistema do prximo
ano. Para cada uma dessas quatro medidas de desempenho,
que sistema leva ao menor valor?
(b) Suponha agora que " ser ajustvel quando o nmero de
tcnicos for reduzido para um. Encontre algebricamente o
valor de " que resultaria no mesmo valor de W daquele do
atual sistema.
(c) Repita o item (b) com Wq em vez de W.
T
PROBLEMAS
linhas estiverem ocupadas, as ligaes sero colocadas em estado
de espera at que alguma linha seja liberada.
(a) Imprima as medidas de desempenho fornecidas pelo gabarito em Excel para esse sistema de filas (com t ! 1 hora e
t ! 0, respectivamente, para as duas probabilidades de tempo
de espera).
(b) Use o resultado impresso fornecendo P{!q ' 0} para identificar a probabilidade de estado estvel de que uma ligao ser
atendida imediatamente (no ser colocada em espera). A
seguir, verifique essa probabilidade usando os resultados
impressos para Pn.
(c) Use os resultados impressos para identificar a distribuio probabilstica de estado estvel do nmero de ligaes em espera.
(d) Imprima as novas medidas de desempenho caso as ligaes
que chegam sejam perdidas sempre que todas as linhas estiverem ocupadas. Use esses resultados para identificar a probabilidade de estado estvel de que uma ligao que chega
seja perdida.
17.6-25.* Janet planeja abrir um pequeno lava-rpido e ela tem de
decidir sobre quanto espao dever ser disponibilizado para os carros que esto esperando sua vez. Ela estima que os clientes cheguem aleatoriamente (isto , um processo de entrada de Poisson)
com taxa mdia de 1 a cada quatro minutos, a menos que a rea
de espera esteja cheia, em cujo caso os clientes que chegam levariam seus carros em outro lugar. O tempo que pode ser atribudo
para lavar um carro apresenta uma distribuio exponencial com
mdia de trs minutos. Compare a frao esperada de possveis
clientes que sero perdidos em razo do espao de espera inadequado caso: (a) no exista nenhuma vaga (no inclui o carro que
est sendo lavado), (b) duas vagas e (c) quatro vagas disponveis.
17.6-26. Considere a variante de fila finita do modelo M/M/s. Derive a expresso para Lq dada na Seo 17.6 para esse modelo.
17.6-27. Para a variante da fila finita do modelo M/M/1, desenvolva uma expresso anloga Eq. (1) do Problema 17.6-16 para as
seguintes probabilidades:
(a) P{! ' t}.
(b) P{!q ' t}.
Dica: Chegadas podem ocorrer somente quando o sistema no estiver cheio e, portanto, a probabilidade de que uma chegada aleatria j encontre n clientes l Pn/(1 # PK).
17.6-28. George planeja abrir uma cabina para revelao de fotos
(drive-through) com um nico posto de atendimento que ficar
aberto aproximadamente 200 horas por ms em uma movimentada rea comercial. Existe espao disponvel para aluguel de vagas
para drive-through por US$ 200 mensais por vaga (espao temporrio ocupado por carro, disposto em fila). George precisa decidir
quantas vagas devem ser fornecidas para seus clientes.
Excluindo esse custo de aluguel, George acredita que ter um
lucro mdio de US$ 4 por cliente atendido (nada para quando o
filme for deixado e US$ 8 quando forem retiradas as fotografias
reveladas). Ele tambm estima que os clientes chegaro de forma
aleatria (um processo de Poisson) a uma taxa mdia de 20 por
hora, embora aqueles que encontrem a fila do drive-through cheia
sero obrigados a desistir. Metade dos clientes que encontram a
fila cheia queriam deixar o filme e a outra metade queria pegar
suas fotos reveladas. A metade que queria deixar filme acabar
indo fazer isso em outra loja. A outra metade dos clientes que
63
encontram a fila cheia no ser perdida, pois tentar pegar suas
fotos em outra oportunidade. George supe que o tempo necessrio para atender a um cliente ter uma distribuio exponencial
com mdia de dois minutos.
T (a) Encontre L e a taxa mdia nas quais os clientes so perdidos quando o nmero de vagas fornecidas for 2, 3, 4 e 5.
(b) Calcule W a partir de L para os casos considerados no item (a).
(c) Use os resultados do item (a) para calcular o decrscimo na taxa
mdia na qual os clientes so perdidos quando o nmero de vagas fornecidas aumentado de 2 para 3, de 3 para 4 e de 4 para
5. A seguir, calcule o aumento no lucro esperado por hora
(excluindo os custos de aluguel) para cada um dos trs casos.
(d) Compare os aumentos no lucro esperado encontrado no item
(c) com o custo por hora de aluguel para cada vaga de carro.
Que concluso pode ser tirada sobre o nmero de vagas de
carro que George deveria disponibilizar?
17.6-29. Na Forrester Manufacturing Company, foi atribuda a um
tcnico de manuteno a responsabilidade de fazer a manuteno
de trs mquinas. Para cada mquina, a distribuio probabilstica
do tempo em funcionamento antes de ocorrer uma quebra exponencial, com mdia de nove horas. O tempo de reparo tambm
apresenta uma distribuio exponencial, com mdia de duas horas.
(a) Qual modelo de filas se encaixa nesse sistema de filas?
T (b) Use esse modelo de filas para encontrar a distribuio probabilstica do nmero de mquinas que no esto operando
e a mdia dessa distribuio.
(c) Use essa mdia para calcular o tempo esperado entre a quebra
de uma mquina e o trmino do reparo dessa mquina.
(d) Qual a frao esperada de tempo que o tcnico de manuteno ficar ocupado?
T (e) Como aproximao grosseira, suponha que a populao
solicitante seja infinita e que quebras de mquina ocorram
aleatoriamente a uma taxa mdia de 3 a cada nove horas.
Compare o resultado do item (b) com aquele obtido por
fazer essa aproximao usando: (i) o modelo M/M/s e (ii)
a variante de fila finita do modelo M/M/s com K ! 3.
T (f) Repita o item (b) quando o segundo tcnico disponibilizado para reparar uma segunda mquina sempre que mais de
uma das trs mquinas precisar de reparo.
17.6-30. Reconsidere o processo de nascimento-e-morte especfico descrito no Problema 17.5-1.
(a) Identifique um modelo de filas (e os valores de seus parmetros) na Seo 17.6 que se encaixa nesse processo.
T (b) Use o gabarito em Excel correspondente para obter respostas para os itens (b) e (c) do Problema 17.5-1.
17.6-31.* A Dolomite Corporation planeja construir uma nova
fbrica. Foram alocadas 12 mquinas semi-automticas a um
departamento. Um pequeno nmero (ainda a ser determinado) de
operadores ser contratado para fornecer s mquinas o atendimento ocasional necessrio (carregamento, descarregamento, ajuste,
preparao e assim por diante). preciso decidir agora como organizar os operadores para fazer isso. A alternativa 1 alocar cada
operador s suas prprias mquinas. A alternativa 2 fazer um pool
de operadores de modo que qualquer operador ocioso possa pegar
a prxima mquina precisando de atendimento. A alternativa 3
combinar os operadores em uma nica equipe que trabalhar junta
em qualquer mquina precisando de atendimento.
T
64
CAPTULO 17
PROBLEMAS
17.7-6.* A base de manuteno da Friendly Skies Airline possui
instalaes para revisar somente um motor de avio por vez. Portanto, para que os avies sejam liberados para uso o mais rpido
possvel, a poltica tem sido alternar a reviso dos quatro motores
de cada avio. Em outras palavras, somente um motor revisado
cada vez que um avio chega no hangar. Segundo essa poltica, os
avies chegam de acordo com um processo de Poisson a uma taxa
mdia de 1 por dia. O tempo necessrio para uma reviso de motor (assim que os trabalhos forem iniciados) apresenta uma distribuio exponencial com mdia de 12%% dia.
Foi feita uma proposta para alterar a poltica de modo que todos os quatro motores so revisados consecutivamente cada vez
que um avio chega no hangar. Embora isso quadruplicaria o tempo
de atendimento esperado, cada avio precisaria ir para a base de
manuteno somente um quarto das vezes.
A gerncia agora precisa decidir se deve continuar na mesma
situao ou adotar a nova proposta. O objetivo minimizar o tempo
de vo mdio perdido pela frota inteira por dia em razo das revises de motor.
(a) Compare as duas alternativas em relao ao tempo mdio de
vo perdido por um avio cada vez que ele chega na base
de manuteno.
(b) Compare as duas alternativas em relao ao nmero mdio de
avies perdendo tempo de vo em virtude de se encontrar na
base de manuteno.
(c) Qual das duas comparaes seria apropriada para tomar a deciso da gerncia? Explique.
65
17.7-9.* Considere um sistema de filas com um nico atendente
com uma entrada de Poisson, tempos de atendimento com distribuio de Erlang e uma fila finita. Suponha, particularmente, que
k ! 2, a taxa mdia de chegada seja de 2 clientes por hora, o tempo
de atendimento esperado seja de 0,25 hora e o nmero mximo
permitido de clientes no sistema seja 2. Esse sistema pode ser formulado como uma cadeia de Markov de tempo contnuo dividindo cada tempo de atendimento em duas fases consecutivas, cada
uma tendo uma distribuio exponencial com mdia de 0,125 hora
e depois definindo o estado do sistema como (n, p), em que n o
nmero de clientes no sistema (n ! 0, 1, 2) e p indica a fase do
cliente que est sendo atendido (p ! 0, 1, 2, em que p ! 0 significa que nenhum cliente est sendo atendido).
(a) Construa o diagrama de taxas correspondente. Escreva as
equaes de equilbrio e depois use essas equaes para
encontrar a distribuio de estado estvel do estado dessa
cadeia de Markov.
(b) Use a distribuio de estado estvel obtida no item (a) para
identificar a distribuio de estado estvel do nmero de clientes no sistema (P0, P1, P2) e o nmero esperado de clientes de
estado estvel no sistema (L).
(c) Compare os resultados do item (b) com os resultados correspondentes quando a distribuio de tempos de atendimento
for exponencial.
17.7-7. Reconsidere o Problema 17.7-6. A gerncia adotou a proposta, mas agora quer que sejam realizadas mais anlises desse
novo sistema de filas.
(a) Como o estado do sistema deveria ser definido de modo a
formular o modelo de filas como uma cadeia de Markov de
tempo contnuo?
(b) Construa o diagrama de taxas correspondente.
66
CAPTULO 17
17.8-5. Reconsidere o problema da sala de emergncias do Hospital Municipal conforme analisado na Seo 17.8. Suponha que
as definies das trs categorias de pacientes estejam ligeiramen-
PROBLEMAS
te ligadas de modo a transferir casos marginais para uma categoria inferior. Conseqentemente, somente 5% dos pacientes se qualificaro como casos crticos, 20% como casos graves e 75% como
casos estveis. Crie uma tabela mostrando os dados apresentados
na Tabela 17.3 para esse problema revisado.
17.8-6. Reconsidere o sistema de filas descrito no Problema 17.46. Suponha agora que clientes tipo 1 sejam mais importantes do
que clientes do tipo 2. Se a disciplina da fila fosse alterada da regra em que os primeiros que chegam sero os primeiros a ser atendidos para um sistema de prioridades com clientes do tipo 1 tendo
prioridade no-preemptiva em relao a clientes do tipo 2, isso
aumentaria, diminuiria ou manteria inalterado o nmero total esperado de clientes no sistema?
(a) Determine a resposta sem fazer qualquer clculo e depois apresente o raciocnio que o levou a essa concluso.
T (b) Verifique sua concluso no item (a) encontrando o nmero
total esperado de clientes no sistema sob cada uma dessas
duas disciplinas de fila.
17.8-7. Considere o modelo de filas com a disciplina de fila de
prioridade preemptiva apresentada na Seo 17.8. Suponha que
s ! 1, N ! 2 e (!1 $ !2) ) "; e faamos que Pij seja a probabilidade de estado estvel de que existem i membros da prioridade
de classe mais alta e j membros da prioridade de classe mais baixa
no sistema de filas (i ! 0, 1, 2, . . . ; j ! 0, 1, 2, . . .). Use um
mtodo anlogo ao apresentado na Seo 17.5 para derivar um sistema de equaes lineares cuja soluo simultnea Pij. No obtenha realmente essa soluo.
17.9-1. Considere um sistema de filas com dois atendentes, no qual
os clientes chegam de duas origens distintas. Da origem 1, os clientes sempre chegam de 2 em 2, onde o tempo entre chegadas consecutivas de pares de clientes possui uma distribuio exponencial
com mdia de 20 minutos. A origem 2 , por si s, um sistema de
filas com dois atendentes, que possui um processo de entrada de
Poisson com taxa mdia de sete clientes por hora e o tempo de
atendimento de cada um desses dois atendentes tem uma distribuio exponencial com mdia de 15 minutos. Quando um cliente
completa o atendimento na origem 2, ele entra imediatamente no
sistema de filas sendo considerado para outro tipo de atendimento. No ltimo sistema de filas, a disciplina da fila prioridade
preemptiva em que clientes da origem 1 sempre tm prioridade
preemptiva em relao a clientes da origem 2. Entretanto, os tempos de atendimento so independentes e distribudos identicamente para ambos os tipos de clientes de acordo com uma distribuio
exponencial com mdia de seis minutos.
(a) Concentre-se primeiramente no problema de derivar a distribuio de estado estvel somente do nmero de clientes
da origem 1 no sistema de filas sendo considerado. Usando
uma formulao de cadeia de Markov de tempo contnuo,
defina os estados e construa o diagrama de taxas para derivar de forma mais eficiente essa distribuio (mas no a derive efetivamente).
(b) Agora se concentre no problema de derivar a distribuio de
estado estvel do nmero total de clientes de ambos os tipos
no sistema de filas sendo considerado. Usando uma formulao de cadeia de Markov de tempo contnuo, defina os estados e construa o diagrama de taxas para derivar de forma mais
eficiente essa distribuio (mas no a derive efetivamente).
67
(c) Agora se concentre no problema de derivar a distribuio conjunta de estado estvel do nmero de clientes de cada tipo no
sistema de filas sendo considerado. Usando uma formulao
de cadeia de Markov de tempo contnuo, defina os estados e
construa o diagrama de taxas para derivar esta distribuio (mas
no a derive efetivamente).
17.9-2. Considere um sistema de duas filas infinitas em srie, em
que cada uma das duas instalaes de atendimento possui um nico
atendente. Todos os tempos de atendimento so independentes e
possuem uma distribuio exponencial, com mdia de trs minutos na instalao 1 e quatro minutos na instalao 2. A instalao
1 tem um processo de entrada de Poisson com taxa mdia de 10
por hora.
(a) Encontre a distribuio de estado estvel do nmero de clientes na instalao 1 e depois na instalao 2. A seguir, mostre
a soluo em forma de produto para a distribuio conjunta do
nmero nas respectivas instalaes.
(b) Qual a probabilidade de que ambos os atendentes se encontrem ociosos?
(c) Encontre o nmero total de clientes esperado no sistema e o
tempo total de espera previsto (incluindo os tempos de atendimento) para um cliente.
17.9-3. Sob as hipteses especificadas na Seo 17.9 para um sistema de filas infinitas em srie, esse tipo de rede de filas, na verdade, um caso especial de uma rede de Jackson. Demonstre que
isso verdadeiro descrevendo esse sistema como uma rede de
Jackson, inclusive especificando os valores de aj e pij, dado ! para
esse sistema.
17.9-4. Considere uma rede de Jackson com trs instalaes de
atendimento com valores de parmetros mostrados a seguir.
pij
Instalao j
j!1
j!2
j!3
sj
!j
aj
i"1
i"2
i"3
1
1
1
40
50
30
10
15
3
0
0,5
0,3
0,3
0
0,2
0,4
0,5
0
17.10-1. Ao descrever a anlise econmica do nmero de atendentes para ser fornecido em um sistema de filas, a Seo 17.10
introduz um modelo de custos bsico no qual o objetivo minimizar E(TC) ! Css $ CwL. O propsito desse problema permitir
que voc explore o efeito que os tamanhos relativos de Cs e Cw
tem sobre o nmero timo de atendentes.
T
68
CAPTULO 17
T 17.10-2.
CASOS
CASO 17.1 Reduzindo o Estoque de Itens
em Fabricao
Jim Wells, vice-presidente de Manufatura da Northern
Airplane Company, est exasperado. Sua visita pela unidade fabril mais importante da empresa essa manh o deixou mau humorado. Entretanto, agora ele poder descarregar sua raiva em Jerry Carstairs, o gerente de produo
da unidade, que acaba de chegar ao escritrio de Jim aps
sua convocao.
Jerry, acabo de voltar de uma vistoria pela fbrica e
estou muito desapontado. Qual o problema, Jim?
Bem, voc sabe muito bem quanto tenho enfatizado a
necessidade de cortar nosso estoque de itens em fabricao. Claro, temos dado duro nesse sentido, responde
Jerry. Bem, no to duro quanto deveria! Jim aumenta
seu tom de voz ainda mais. Voc sabe o que descobri junto
s prensas? No. Cinco chapas metlicas ainda esperando para serem conformadas em perfis de asas. E depois,
logo aps, na unidade de inspeo, 13 perfis de asas! O inspetor estava inspecionando uma delas, porm as outras 12
estavam ali ao lado, dormindo em bero esplndido! Voc
sabe que temos algumas centenas de milhares de dlares
atrelados a cada um desses perfis de asas. Portanto, entre as
prensas e a unidade de inspeo, temos alguns milhes de
metal terrivelmente caro simplesmente parado ali do lado.
Isto no pode acontecer!
O desgostoso Jerry Carstairs tenta responder. Certo,
Jim, estou bem ciente de que a unidade de inspeo um
gargalo. Normalmente a situao no to ruim quanto esta
que voc viu hoje pela manh, mas sem dvida nenhuma
um gargalo. Muito menos do que para as prensas. Voc realmente nos pegou em um mau dia. Espero que sim, replica Jim, mas, at mesmo ocasionalmente, voc precisa
impedir que isso acontea. Qual sua proposta?. Jerry agora
se anima notadamente em sua resposta. Bem, na verdade,
j venho trabalhando nessa questo. Tenho uma srie de propostas engatilhadas e solicitei a um analista de PO da minha
equipe para analisar essas propostas fazendo um relatrio
com sugestes. timo, responde Jim, fico feliz por ver
que voc est tentando resolver o problema. D a esse problema a mais alta prioridade e me informe o mais rpido
possvel. Faremos isso, promete Jerry.
Eis o problema que Jerry e seu analista de PO esto
resolvendo. Cada uma das dez prensas idnticas est
sendo usada para conformar perfis de asas de avio a partir de grandes folhas de metal especialmente processadas.
Essas chapas chegam aleatoriamente ao grupo de prensas
a uma taxa mdia de 7 por hora. O tempo necessrio para
uma prensa conformar um perfil de asa de avio a partir
de uma chapa de metal tem uma distribuio exponencial
com mdia de uma hora. Quando completados, os perfis
de asas chegam aleatoriamente a uma unidade de inspeo
na mesma taxa mdia que as chapas de metal chegam s
prensas (7 por hora). Um nico inspetor fica em tempo
integral inspecionando esses perfis de asas para certificarse de que elas atendem s especificaes. Cada inspeo
leva 7%12% minutos e, portanto, ele capaz de inspecionar
oito perfis de asas por hora. Essa taxa de inspeo resul-
CASO 17.2
69