Processos Estocasticos Unopar

Processos estocásticos
Fernando Mori
© 2017 por Editora e Distribuidora Educacional S.A.
Todos os direitos reservados. Nenhuma parte desta publicação poderá ser reproduzida ou transmitida de qualquer modo ou por
qualquer outro meio, eletrônico ou mecânico, incluindo fotocópia, gravação ou qualquer outro tipo de sistema de armazenamento e
transmissão de informação, sem prévia autorização, por escrito, da Editora e Distribuidora Educacional S.A.
Presidente
Rodrigo Galindo
Vice-Presidente Acadêmico de Graduação Mário Ghio

Júnior
Conselho Acadêmico
Dieter S. S. Paiva
Camila Cardoso Rotella
Emanuel Santana
Alberto S. Santana
Lidiane Cristina Vivaldini Olo Cristiane
Lisandra Danna
Danielly Nunes Andrade Noé
Ana Lucia Jankovic Barduchi
Grasiele Aparecida Lourenço
Paulo Heraldo Costa do Valle
Thatiane Cristina dos Santos de Carvalho Ribeiro
Revisor Técnico Sabrina

Saito
Editoração
Emanuel Santana
Lidiane Cristina Vivaldini Olo
Cristiane Lisandra Danna
André Augusto de Andrade Ramos
Erick Silva Griep
Adilson Braga Fontes
Diogo Ribeiro Garcia eGTB
Editora
Dados Internacionais de Catalogação na Publicação (CIP)
Mori, Fernando
M152p Processos estocásticos / Fernando Mori. – Londrina:
Editora e Distribuidora Educacional S.A., 2017. 152
p.
ISBN 978-85-8482-530-1
1. Processos estocásticos. II. Título.

CDD 519.2
2017
Editora e Distribuidora Educacional S.A.
Avenida Paris, 675 – Parque Residencial João Piza
CEP: 86041-100 — Londrina — PR e-mail:
editora.educacional@kroton.com.br
Homepage: http://www.kroton.com.br/
Sumário
Unidade 1 | Processos estocásticos

7
Seção 1 - Processos estocásticos
1.1 | Introdução e primeira definição de processo estocástico 11
11
Seção 2 - Definições formais e exemplos
2.1 | Definição formal de processo estocástico 21
2.2 | Exemplos de processos estocásticos 21
21
Seção 3 - Exemplos de processos estocásticos
3.1 | Exemplos gerais de processos estocásticos 29
29
43
Seção 1 - Cadeias de Markov
1.1 | Definição de cadeias de Markov e propriedades 47
47
61
61
Seção 3 - Exemplos de aplicações
3.1 | Exemplos gerais de aplicação das cadeias de Markov 67
67
Seção 4 - Aplicação a curvas de sobrevivência
4.1 | Curvas de sobrevivência 77
77
Unidade 3 | Processos de Poisson

89
Seção 1 - Processos de Markov em tempo contínuo
1.1 | Processos de Markov no tempo continuo 93
93
Seção 2 - Processos nascimento-morte
2.1 Processo nascimento morte e exemplos 103
103
Seção 3 - Processos de Poisson
3.1 | Definição de processos de Poisson e exemplos 109
109
Unidade 4 | Teoria da renovação e aplicações à teoria das filas 123
127
127
131
131
135
∞∞ 135
∞∞ 140
Apresentação
A disciplina de Processos Estocásticos é de fundamental importância para o engenheiro
de produção e para alguns ramos da Administração.
A maioria dos processos que ocorrem na indústria ou empresas são aleatórios, ou seja,
de uma certa forma, imprevisíveis. Sendo assim, usamos as ferramentas de análise dos
processos estocásticos com a finalidade não de controlar esses processos, mas sim de
realizar previsões quantitativas.
Com base na observação de padrões pode-se obter as distribuições de probabilidades
que controlam um processo aleatório e, de posse dos modelos desenvolvidos nessa
disciplina, realizar previsões que permitam fazer análise de comportamento de sistemas
produtivos ou administrativos.
Os processos estocásticos ocorrem não só na engenharia de produção, conforme o
aluno poderá ver na Unidade 1, mas também em diferentes áreas das ciências, como
biologia, fenômenos elétricos ou crescimento de populações. Sua principal aplicação para
o engenheiro, por exemplo, é na construção de modelos que possam fornecer algum tipo
de previsão.
Na Unidade 2 serão apresentados os princípios da modelagem de processos
estocásticos por meio das cadeias de Markov. Uma cadeia de Markov é um tipo específico
de processo estocástico, que por ter algumas propriedades especiais permite a construção
de um modelo simples, facilmente aplicável a uma enorme quantidade de casos. Iremos
criar modelos de processos de manutenção e, inclusive, um caso particular de análise de
sobrevivência de máquinas e equipamentos.
Os processos de Poisson serão discutidos na Unidade 3. Eles são importantes como
processos de chegada usados em teoria das filas e são obtidos a partir das cadeias de
Markov. Portanto, uma análise completa será desenvolvida para melhor compreensão.
Na Unidade 4 aprenderemos sobre a teoria das filas, que consiste na modelagem
analítica de processos ou sistemas que resultam em espera e tem como objetivo
determinar e avaliar quantidades denominadas medidas de desempenho, que expressam
a produtividade desses processos. O estudo dessas quantidades é importante para a
tomada de decisão quanto à modificação ou manutenção da operação de sistemas em seu
estado atual, ou possíveis modificações. Trata-se de um capítulo de fundamental
importância por permitir que, com base em alguns conceitos simples, possamos obter
modelos que nos fornecem previsões sobre o comportamento de filas com um ou vários
postos de serviço. Nesta unidade realizamos algumas aplicações para problemas reais
envolvendo situações que surgem em empresas.
Assim, é comum encontrar no dia a dia da empresa inúmeras situações em que
processos aleatórios estejam ocorrendo. Com base na modelagem desenvolvida a partir da
análise desses processos estocásticos, obtemos ferramentas de previsão que, sempre
quando utilizadas corretamente, promovem grande impacto na produtividade da empresa.
8 Processos estocásticos
Processos estocásticos 9
U1
Seção 1
Processos estocásticos
Introdução à seção
Trataremos de maneira resumida, nesta seção, as principais características dos processos

estocásticos que ocorrem na Engenharia. O tratamento será formal, com alguns exemplos
simples de processos estocásticos que ocorrem no dia a dia.
1.1 Introdução e primeira definição de processo estocástico
Entenderemos por processo aleatório aquele cuja evolução no tempo não é completamente
previsível.
De maneira um pouco formal, definimos um processo estocástico como sendo uma
família de variáveis aleatórias {xθ} indexadas por um parâmetro θ em que este pertence a
um conjunto qualquer finito de índices.
Em praticamente todas as situações que aparecem a seguir, o parâmetro θ encontrase

no conjunto de inteiros, representando pontos temporais. Estes caracterizam o processo
estocástico no tempo discreto. Desse modo, a notação padrão para processos em tempo
discreto é {xn}.
Se o conjunto for contínuo, teremos um processo estocástico no tempo contínuo e usamos
a notação {xt}.
A razão para usarmos essa notação abstrata é que muitas vezes queremos analisar
processos espaciais em vez de temporais. Em um processo espacia,l o parâmetro seria um
vetor representando a localização no espaço ao invés do tempo. Por exemplo, poderíamos
ter um processo {x(u,v)} representando uma variável aleatória, que varia através de um espaço
bidimensional. Neste caso, xu,v representa o valor do processo na posição (u,v). Temos
também processos que evoluem no espaço e no tempo e são chamados de processos espaço
temporais.
Para processos no tempo, uma definição menos formal é que um processo estocástico é
simplesmente um processo desenvolvido no tempo de acordo com regras probabilísticas.
Estamos particularmente preocupados com processos estacionários, para os quais as regras
de probabilidades não mudam com o passar do tempo.
Consideremos o exemplo de um processo estocástico a seguir, para melhor compreensão.
Suponha que você esteja antecipando o que irá ocorrer quando se formar como engenheiro
e trabalhar em uma grande empresa. Sabe-se, por experiência passada, que nessa empresa
aplica-se a política de redistribuir os funcionários novos a cada seis meses, com o intuito de que
estes conheçam as fases mais importantes do negócio. Existem três setores mais importantes:
distribuição, transmissão e geração.
Não há nenhum modelo para a rotação, realmente nunca se sabe em que setor alguém irá
trabalhar no próximo semestre. É possível, inclusive, ficar no mesmo setor em que se trabalhou
no último semestre. Por outro lado, nem todas as possibilidades são igualmente prováveis. Para
onde alguém será deslocado depende, de certo modo, de onde estava antes.
Desse modo, algumas questões para esse processo podem ser as seguintes:
1) Se inicialmente um funcionário for designado para a distribuição, qual a probabilidade

de após três semestres ele estar de volta à distribuição?
2) Se inicialmente um funcionário começar na geração, quantos semestres passarão, em

média, antes que pela primeira vez ele trabalhe na distribuição?
3) Se um funcionário conseguir permanecer cinco anos na empresa, quantas vezes em

média será designado para o setor de transmissão?
4) Em longo prazo, qual a porcentagem de designações será para a geração?
Essas perguntas são interessantes para avaliar sua satisfação pessoal com a posição na
empresa.
Algumas dessas questões terão probabilidades como resposta e, outras, valores esperados.
Algumas delas dizem respeito à probabilidade de estar em um setor particular em um instante
especificado e outras à probabilidade de atingir um dado setor num dado tempo.
Dessa maneira, a nova designação ocorre em intervalos fixos de um semestre, a passagem

do tempo pode ser registrada contando-se o número de designações que ocorreram.
Iniciando em um instante arbitrário, representamos o intervalo, particular de seis meses pelo

número zero.
A primeira nova designação ocorrerá no fim daquele intervalo de modo que o intervalo
seguinte será representado por 1 e assim por diante.
A designação de número n, ou seja, a n-ésima designação ocorre no início do n-ésimo

semestre.
Se especificarmos um particular intervalo no futuro e perguntarmos em que setor o

funcionário poderá estar , no futuro determinado, podemos dizer que isso será dado pela
variável aleatória que toma os valores 1, 2 e 3, de acordo com alguma distribuição de
probabilidades.
Desde que isso seja verdade para qualquer intervalo de tempo especificado, uma forma de
descrever o futuro com um processo integral é dizer que é dado por uma sequência de valores
que a variável aleatória pode assumir:
{x1, x2, x3 ........, xn}

A variável aleatória xn será interpretada como uma designação incerta, que você pode ter
durante o n-ésimo intervalo.
Modelos estocásticos podem ser comparados com modelos determinísticos. Um modelo
determinístico é especificado por um conjunto de equações que descrevem exatamente como
o sistema evolui no tempo. Em um modelo estocástico, a evolução é no mínimo parcialmente
aleatória e, se o processo é executado várias vezes, ele não dará resultados idênticos. Execuções
diferentes de um processo estocástico são frequentemente chamados de realizações do
processo. Modelos determinísticos são em geral mais fáceis de analisar do que modelos
estocásticos. No entanto, em muitos casos, estes são mais realistas em particular para
problemas que envolvem números pequenos. Por exemplo, suponha que estamos construindo
um modelo de gestão de espécies de animais raros, analisando como as diferentes estratégias
de sobrevivência afetam a espécie. Modelos determinísticos não serão de grande valia nesse
ponto, pois eles irão prever que a espécie ou vai se tornar definitivamente extinta ou
definitivamente vai sobreviver. Em um modelo estocástico, no entanto, haverá uma
probabilidade de extinção e iremos analisar como isto é afetado pelas práticas de gestão.
Nos últimos anos, a distinção entre modelos determinísticos e modelos estocásticos ficou
menos aparente em virtude do desenvolvimento dos modelos caóticos. Um modelo caótico é
um modelo determinístico extremamente sensível a valores assumidos por alguns parâmetros
do modelo. Realizando uma variação bem pequena nos valores desses parâmetros, tem-se um
modelo completamente diferente. Algumas pessoas defendem a ideia de que sistemas vistos
como estocásticos são, na verdade, sistemas caóticos determinísticos.
A formulação matemática usada para tratar sistemas caóticos determinísticos é bem
diferente da que é usada para tratar sistemas estocásticos.
Um processo estocástico envolve uma variável de resposta y t , com valores que variam
aleatoriamente no tempo t.
Um valor observado ou a realização da variável resposta y t , é chamado de estado do
processo no instante t. Chamamos de evento a observação de um estado do processo. Portanto,
o número de eventos possíveis depende, entre outras coisas, do número de estados distintos.
Mas, geralmente, a probabilidade de um processo estar em determinado estado, em algum

ponto no tempo, pode depender de alguma função dos eventos prévios. Normalmente as
probabilidades dos eventos possíveis serão condicionais ao estado do processo. Tais relações
serão determinadas pelo tipo de modelo que está sendo ajustado.
As principais propriedades distinguidas entre os processos estocásticos observados
I. A frequência ou periodicidade com a qual as observações são feitas no tempo.
II. O conjunto de todos os valores observados, ou seja, de todas as possíveis respostas ou

estados da série, chamado de espaço de estados.
III. As fontes ou formas da aleatoriedade presentes, incluindo a natureza da dependência

entre os valores na série de realizações da variável aleatória.
IV. O número de cópias do processo disponível (somente uma ou várias), as quais

determinam quão boa é a informação obtida do modelo.
As observações de um processo estocástico são feitas no tempo. Se essas observações forem

executadas em intervalos igualmente espaçados, ou seja, em um conjunto enumerável, então é
chamado de discreto. Em caso contrário (em um conjunto não enumerável), dizemos que é
contínuo. No entanto, um processo dificilmente será observado continuamente, pois isso
implica um número infinito de observações, mesmo em um pequeno intervalo de tempo. A
diferença é usada pricipalmente para determinar o tipo de modelo usado. Modelos de tempo
contínuo podem ser usados, em princípio, em qualquer tipo de dados, mas são muito difíceis de
serem aplicados. Modelos de tempo discreto são mais simples de serem usados, mas
normalmente requerem dados igualmente espaçados.
Assim, inicialmente é importante notar:
I. Se os estados são dados em pontos no tempo.
II. Os eventos ou a mudança de estado em um instante temporal particular.
III. Os instantes dos eventos.
Considere os exemplos a seguir:
Exemplo 1 – Quando um economista mede a taxa mensal de desemprego, o tempo é um

indicador igualmente espaçado de quando as observações são feitas. O número de
desempregados varia a cada mês de forma aleatória, e o tempo é apenas uma grandeza usada
para ordenar os eventos. Neste caso, a variável tempo é discreta.
Exemplo 2 – Por outro lado, quando um médico conta as vezes que um paciente teve
uma mesma infecção, o estado pode ser definido como o número total de infecções
sofridas pelo paciente. Neste caso, cada evento é o mesmo, uma infecção, e o que
interessa é o tempo entre os eventos. Com a perda muito grande de informação, isto
poderia ser reduzido a tempo discreto, armazenando somente as infecções ocorridas em
intervalos de tempo igualmente espaçados.
Conforme observamos anteriormente, esses dois processos ocorrem em tempo discreto.
Uma resposta é armazenada quando um evento específico de interesse ocorre. No entanto,

para determinar o instante do evento, observações contínuas do processo são necessárias, ou
seja, uma série de dados intermediários do evento.
Em um ponto qualquer no tempo, um processo está em algum estado. Isto é normalmente
observado registrando o valor de uma variável de resposta em um instante t. Como sempre
ocorre em modelagem estatística, o conjunto de todos os possíveis estados em um modelo deve
ser definido de maneira a responder à pergunta ou ao problema que estamos tentando resolver.
É interessante saber que, apesar de termos definido o estado como algo que está sendo
observado, certos modelos assumem um segundo estado de estados não observados ou estados
ocultos.
O conjunto de todos os possíveis estados observáveis é chamado de espaço de estados. Ele

pode ser finito, dando uma variável resposta categórica, ou infinito, dando ou uma variável
resposta discreta ou contínua. Em geral, um espaço de estado mínimo é escolhido, no qual a
probabilidade de qualquer estado é diferente de zero.
Se uma variável resposta fosse realmente contínua, todo dado armazenado seria um evento,
pois nenhum par de eventos poderia ser o mesmo. No entanto, isto é empiricamente impossível,
pois nenhum processo observado poderia permanecer no mesmo estado em um ou mais pontos
de observação consecutivos.
Uma resposta categórica se refere a um conjunto finito de estados possíveis diferentes que
podem ser observados. No entanto, quando somente um tipo de resposta for de interesse
particular, esta pode ser registrada como binária, indicando a presença (código 1) ou ausência
(código 0) da resposta. Essa resposta, em particular, com uma resposta em estado binário, é
chamada de evento pontual ou evento recorrente; e aqui evento se refere a um dos estados e à
variação destes..
Em algumas situações, o estado pode ser definido por mais do que uma variável resposta, ou
seja, pode ser um vetor contendo tipos distintos de valores. Poderia ser um valor categórico, tal
como um indicador binário de chove ou não chove, acompanhado por um valor quantitativo,
por exemplo, a quantidade de chuva que caiu em uma certa região.
Um vetor yt é necessário quando existem variáveis endógenas, ou seja, que são influenciadas
pelos estados prévios daquela resposta. Suponha, por exemplo, que a condição de um paciente,
medida de maneira apropriada, seja a resposta de interesse direto. Se a dose de medicação que
o paciente recebe depende de sua condição prévia, então a dose e a condição devem ser
medidas simultaneamente. Elas, em conjunto, definem o estado e variam de forma estocástica
independente, se um modelo razoável para esse processo for construído.
Um processo pode também envolver variáveis exógenas, ou seja, variáveis que não são
influenciadas pelos estados anteriores do processo. A variabilidade estocástica desse processo
não é de interesse, de modo que a probabilidade do estado pode ser tomada como sendo
condicional aos valores observados, como nos modelos de regressão usuais.
Em um processo determinístico podemos prever a sequência exata de resultados (estados),
com base nas condições iniciais, apesar de que em sistemas caóticos a sensibilidade a pequenas
variações dessas condições iniciais é muito grande. Por outro lado, em um processo estocástico,
há uma componente de aleatoriedade completamente imprevisível. Em observações empíricas,
a aleatoriedade está em relação direta com o desconhecido ou com a informação incompleta.
Para lidar com essa situação é usada a teoria da probabilidade. Assim, as previsões que envolvem
processos estocásticos não fornecem resultados específicos ou determinísticos, mas somente
probabilidades de ocorrência de possíveis resultados diferentes.
Um processo estocástico pode envolver muitas formas de aleatoriedade. Um número pode
ser resultado de imperfeições nas observações e do modelo proposto.
Os tipos de aleatoriedades que precisam ser levadas em consideração ao modelar um
processo estocástico podem ter várias fontes, dentre as quais podemos citar:
I. A variabilidade, que não pode ser medida, está presente em muitos sistemas físicos.
Isto é verdadeiro para a mecânica quântica, por exemplo, mas também é verdadeiro para a
maioria dos processos sociais e biológicos.
II. Invariavelmente é impossível levar em conta todos os fatores determinando um
processo, por isso, ele se torna aleatório.
III. As condições inicias podem ser muito difíceis de serem determinadas com precisão.
Tradicionalmente e essencialmente, por simplicidade matemática, as distribuições de
Poisson, Binomial e Normal, são as mais usadas para modelar a aleatoriedade dos processos
estocásticos. Uma grande variedade de outras distribuições pode ser mais adequada em
circunstâncias específicas.
A série de respostas de um processo estocástico normalmente não será independente. Para
que os modelos possam ser usados, devemos introduzir procedimentos que nos permitam
identificar as dependências apropriadas.
Distribuições de probabilidades multivariadas (TAHA, 2008) fornecem a estrutura geral para
especificar maneiras de determinarmos a interdependência entre as respostas. Infelizmente, no
contexto dos processos estocásticos, esse recurso será de pequena valia, pois para uma série de
R observações será necessária a manipulação de uma matriz de covariância R x R, que
tecnicamente é de difícil manipulação.
É importante observar que embora um processo possa não ser estacionário, quando se inicia,
ele pode alcançar o equilíbrio após um tempo suficientemente longo, independentemente das
condições inicias. Em outras palavras, se um equilíbrio foi alcançado, a probabilidade de que o
processo esteja em um dado estado, ou a quantidade de tempo gasto naquele estado, converge
para uma constante que não depende das condições iniciais. Isto quer dizer que o processo se
aproxima de uma situação estacionária de equilíbrio para os estados.
O conceito de ergodicidade está relacionado de maneira muito próxima ao conceito de

equilíbrio. Se a probabilidade de um equilíbrio estar em um dado estado for igual à proporção
de um período longo gasto naquele estado, dizemos que o processo tem a propriedade ergódica.
Ao se estudar um processo estocástico, duas maneiras de obter informações adequadas
podem ser consideradas:
I. Uma série para um período longo o suficiente, se for razoavelmente estável.
II.Várias pequenas replicações do processo, se elas forem razoavelmente similares.
Ambas as maneiras podem criar problemas. O fenômeno em estudo pode não ser estável o
suficiente durante um longo período de tempo, e fica difícil analisá-lo mesmo levando em conta
a possibilidade de considerar a replicação em intervalos de tempo menores.
Uma classe importante de processos simples assume forte hipótese sobre a dependência em
relação ao tempo, reduzindo assim a quantidade de informação empírica necessária para
modelar o fenômeno. Uma série de repostas no tempo discreto tal que
f(yt / y0, y1, ......., yt−1) = f(yt / yt−1)
Ou seja, cada estado depende apenas daquele que o precede imediatamente. Este é um
processo de Markov. Em outras palavras, o estado no instante t depende apenas do estado no
instante t – 1, e é independente de todos os anteriores. Observe que a
M M
U1
Seção 2
Definições formais e exemplos
Nesta seção discutiremos com um pouco mais de profundidade os processos estocásticos,

usando para isso definições formais e alguns exemplos de aplicações.
2.1 Definição formal de processo estocástico.

Definição: um processo estocástico é uma coleção de variáveis aleatórias {Xt} em que t é um
índice temporal que assume valores de um dado conjunto T.
Tanto Xt como T podem ser contínuos ou discretos, dando origem, assim, a diferentes
categorias de modelos.
A propriedade Markoviana define que, se o estado atual for conhecido, a probabilidade

condicional do próximo estado é independente dos estados anteriores.
Um sistema que tem essa propriedade é chamado sem memória, pois a realização futura
depende apenas do estado atual, ou seja, não há dependência do passado. Para um processo
estocástico no tempo discreto com estados discretos, a probabilidade condicional do
próximo estado (Xt + 1 = j), dado o estado atual (Xt = i) e todos os estados anteriores ao estado
atual, é idêntica à probabilidade condicional para um próximo estado específico, dado um
estado atual. Isto pode ser escrito como:
P = P (Xt + 1 = j / Xt = i)
t = 0, 1, 2, ..............
Para compreendermos melhor o que é um processo estocástico, vamos analisar
atenciosamente um exemplo completo que enfatiza as diferenças entre processos
determinísticos e estocásticos.
2.2 Exemplos de processos estocásticos
Exemplo 3:
Consideremos um sistema industrial no qual partes individuais chegam em uma célula de
montagem robótica com um minuto de intervalo. O robô necessita de 0,75 minuto para
executar o trabalho na parte que chega e realiza essa tarefa sempre que
0 para t <1 min
P =
a
1 para t ≥1 min
0 para t < 075

, min
P ts t =
1 para t ≥ 075
, min
0 para t < 075
, min
P ts t = 06
, para 07 , t ,min
5
1 para t ≥15
, min
O estado do sistema é representado graficamente a seguir para uma realização
do processo. A sequência particular e o tempo dos eventos que geram este gráfico
foram determinados por um modelo de simulação discreta. Se a simulação for
executada novamente, uma realização diferente provavelmente irá ocorrer.
Gráfico 1.3 | Gráfico modelo de simulação do robô
Fonte: elaborado pelo autor.
Para processos governados por atividades que obedecem a distribuições de

probabilidades, é muito difícil (se não impossível) identificar exatamente as partes
transientes e de estado estacionário desta realização em particular. De fato, a
realização inteira depende, de alguma maneira, do estado inicial. Para algumas
situações, as propriedades estatísticas da realização se tornam cada vez menos
afetadas pelo estado inicial, conforme se consideram intervalos que estão bem
afastados do instante inicial 0. Vale a pena ressaltar que quando o processo é
observado próximo ao ponto inicial, estamos sempre observando um
comportamento transiente. Por isso, em modelos de simulação, devemos esperar o
sistema se estabilizar antes de considerarmos a obtenção de resultados confiáveis.
Exemplo 5:
Considere um técnico de manutenção que executa reparos em residências. Em

cada residência o tempo de serviço é uma variável aleatória, que obedece a uma
distribuição de probabilidades com média m. Quando termina, o técnico deve se
deslocar para a próxima residência para a execução do reparo. O tempo de
deslocamento do técnico obedece a uma distribuição de probabilidades com média
m1. Temos então duas atividades: a atividade de serviço que resulta no tempo de
serviço e a atividade de deslocamento que resulta no tempo de deslocamento.
U1
Seção 1.Seção 3
Exemplos de processos estocásticos
O objetivo desta seção é fornecer alguns exemplos para que você compreenda um pouco
melhor os processos estocásticos e, também, as mais diversas situações em que ele pode
ocorrer. Assim, apresentaremos os exemplos com seus respectivos modelos matemáticos.
3.1 Exemplos gerais de processos estocásticos.
Exemplo 7: Emissão de fótons
Fótons são pequenas partículas de luz. Em algumas circunstâncias, uma fonte de luz
emite fótons de forma aleatória (de acordo com o que chamamos de um processo de
Poisson). Fótons individuais são muito fracos para serem detectados pelo olho humano, mas
detectores eletrônicos de fótons podem detectar um único fóton de cada vez. No entanto,
existe um problema com essas máquinas. Imediatamente após terem detectado um fóton,
existe um intervalo de tempo bem curto, conhecido como tempo morto, durante o qual
nenhum fóton que chega ao detector pode ser detectado.
O número de fótons detectado pelo equipamento subestima o número real de fótons

emitidos pela fonte de luz e precisamos corrigir o número observado de fótons para
obtermos uma estimativa do número verdadeiro. Sendo assim, uma correção bastante
complicada é necessária porque quando a fonte de luz está emitindo fótons a uma taxa bem
baixa, a chance de dois fótons que foram emitidos muito próximos não serem mensurados
é baixa, mas quando a taxa de emissão aumenta, vários fótons podem ser perdidos sem
serem detectados. Para resolver esse problema, é necessário construir um modelo
estocástico que modela tanto a emissão de fótons como o efeito do tempo morto do
detector, estudar a distribuição do número observado de fótons e analisar como isto está
relacionado ao número de fótons realmente emitidos pelo detector.
Exemplo 8: Modelos de epidemias
Uma epidemia pode ser compreendida como um processo estocástico no tempo

discreto. A variável de interesse (número de casos) é discreta. Muitos modelos matemáticos
sofisticados de epidemias foram desenvolvidos e incorporam diversos fatores, como o
número de contatos que uma pessoa infectada faz com pessoas não infectadas e a chance
de que a infecção seja transmitida durante um desses contatos. Esses modelos
servem para compreender os fatores que determinam se uma epidemia vai se
espalhar e afetar uma grande parte da população ou se é mais provável que
afete uma pequena parte e depois desapareça. Os modelos também servem
para determinar o efeito de intervenções: como a epidemia será afetada se
vacinarmos 50% da população?
Exemplo 9: Modelos de crescimento populacional
Seja P(t) a população em um certo instante t. No intervalo de tempo ∆t a

população aumenta por uma quantidade ∆P (t) = P (t + ∆t) – P(t). O modelo clássico
de crescimento populacional sugere que o aumento porcentual relativo na
população
∆P t( ) = r t∆ , em que a
constante é proporcional ao intervalo de tempo, ou seja,
P t( )
r > 0 denota o crescimento populacional. Supondo intervalos infinitesimais, a
equação pode ser reescrita como dP(t) = rP(t)dt. Essa equação diferencial tem
solução P(t) = P0ert em que P0 é o tamanho da população inicial. A evolução da
população é dada pela sua taxa de crescimento r. Na vida real essa taxa não é
constante. Ela pode ser uma função do tempo ou, de modo mais geral, ela pode
oscilar de forma irregular em torno de alguma função média determinística:
rt = a(t) + ruído
Neste caso, rt se torna uma variável aleatória indexada no tempo t.
A equação associada a ela torna-se uma equação diferencial estocástica: dP(t)
= (a(t) + ruído) P(t)dt

Para resolver uma equação desse tipo usa-se o Cálculo Estocástico.
Exemplo 10: Difusão de partículas
Considere o fluxo de um fluido com um campo de velocidades v(x). Uma partícula

que se move com um fluido tem uma trajetória φ(t) descrita pela equação φ'(t) =
v(φ(t)). Uma pequena partícula, que está sujeita a bombardeios moleculares, terá
sua trajetória descrita por uma equação do tipo φ'(t) = v(φ(t)) + σ(ruído), em que a
constante σ > 0 determina a intensidade do ruído e controla a difusão das pequenas
partículas no fluido.
Considere agora uma gota de tinta (que é feita de uma grande quantidade de
pequenas partículas) que está sofrendo um processo de difusão no líquido. Cada
uma das pequenas partículas de tinta realiza uma trajetória aleatória no líquido. Seja
p(x,t) a densidade de partículas que chegam no ponto x no instante t. Após algum
tempo de difusão, as regiões escuras do líquido representam as regiões com alta
densidade P(x,t), enquanto as mais claras correspondem a uma densidade menor de
p(x,t). Conhecendo a densidade p(x,t), temos controle sobre a dinâmica do processo
de difusão e esta pode ser usada para encontrar a probabilidade de uma partícula de
tinta atinja certa região.
Exemplo 11: Nível de colesterol
O nível de colesterol no instante t é dado por C(t). Esse nível depende da

quantidade de gordura ingerida na alimentação, da absorção pelo organismo, além
da produção individual de colesterol. A taxa de variação do nível de colesterol será
dada pela equação:
dCdt( )t = a C( 0 −C t( ))+bE
C0 é o nível natural de colesterol a E é a taxa diária de colesterol consumida, as

constantes a e b modelam a produção e absorção do colesterol no organismo. A
solução desta equação diferencial linear é obtida:
C t( ) = C e0 −at +(C0 + b E)(1−e−at )

a
+
Essa equação, a longo prazo, tende à saturação do nível de colesterol C0 bE a
virtude de erros de medida na quantidade de gordura ingerida, a equação com um
termo estocástico se transforma em:
dC ( )t
dt = a C( 0 −C t( ))+bE + ruído
Essa equação pode ser resolvida usando cálculo estocástico. Com essa solução
podemos encontrar a probabilidade de que o nível de colesterol está acima de um
certo limite.
Exemplo 12: A ruína do jogador (The gambler’s ruim)
No início do jogo, tempo (t0), o jogador tem somente R$ 2,00. De acordo com as
regras do jogo, o jogador deve apostar apenas R$ 1,00 por vez. Com probabilidade
‘p’, o jogador ganha mais R$ 1,00, e com probabilidade ‘p-1’, o jogador perde R$ 1,00.
O jogo acaba, sem direito a empréstimos ou prorrogações, quando o jogador tem R$ 4,00 ou
perde tudo.
Considerando-se ‘Xt’ como a quantidade de capital que o jogador tem em um determinado

instante ‘t’, existem cinco estados possíveis (HILLIER; LIEBERMAN, 2006).
‘Xt’ = {0, 1, 2, 3, 4}
é 0,92, enquanto a probabilidade de se tornar instável é 0,08. A probabilidade de que uma
famíliana na situação instável passe para a situação estável é de 0.03, enquanto a probabilidade
de que ela permaneça dessa maneira é 0,97 (WINSTON, 2004).
Chamando por
1 – estabilidade 2 – instabilidade temos que:
P11 = 0,92 P12 = 0,08
P21 = 0,03 P22 = 0,97 Cu seja:
P = 0,92 0,08
0,03 0,97
Após 20 anos, se ela começa estável, teremos:
U1
Nesta unidade você aprendeu as características básicas de processos

estocásticos. Nas próximas aprenderemos outros modelos que tratam
alguns processos estocásticos particulares e que nos permitem realizar
previsões.
Andrei Andreyevich Markov nasceu no dia 14 de junho de 1856, em Ryazan, na

Rússia. Morreu no dia 20 de julho de 1922, em Petrograd (agora São Petersburgo),
Rússia. Formou-se na Universidade de São Petersburgo (1878), onde se tornou
professor em 1886. Os primeiros trabalhos de Markov foram principalmente em
teoria dos números e análise, frações contínuas, limites de integrais, teoria da
aproximação e a convergência de séries. Após 1900, Markov aplicou o método das
frações contínuas, inicialmente desenvolvido por Pafnuty Chebyshev, na teoria da
probabilidade. Ele também estudou sequências de variáveis mutuamente
independentes, esperando estabelecer as leis da probabilidade de forma mais
geral. Ele, ainda, provou o teorema do limite central. Markov é particularmente
lembrado pelo seu estudo de cadeias de Markov. Cadeias de Markov são um
formalismo de modelagem de sistemas que descrevem o sistema como um
processo estocástico. Desse ponto de vista, o sistema modelado é caracterizado
pelos seus estados e a forma pela qual eles se alternam. Em 1923, Norbert Winter
se tornou o primeiro a tratar rigorosamente um processo contínuo de Markov. A
fundação da teoria geral ocorreu em 1930, por Andrei Kolmogorov (HILLIER;
LIEBÅERMAN, 2006).
1. Formule o processo seguinte como um processo estocástico. O

fabricante de um creme dental sabe que os dados do ano anterior
mostram que 88% dos usuários de seu produto lhe permanecem fiéis,
enquanto 12% mudam para
088
, 012
,
085
, 015
,
088
, 085
,
012
, 015
,
085
, 012
,
088
, 015
,
088
, 015
,
012
, 085
,
085
, 012
,
015
, 088
,
09
, 01
,
02
, 08
,
01
, 09
,
02
, 08
,
09
, 01
,
08
, 02
,
09
, 08
,
02
, 01
,
02
, 01
,
09
, 08
,
U1
3. A ala geriátrica de um hospital classifica os seus pacientes como

acamados ou ambulatórios. Dados históricos indicam que durante o
período de uma semana, 30% de todos os pacientes ambulatórios têm
alta, 40% permanecem em regime ambulatório e 30% têm de ser
acamados para repouso completo. Durante o mesmo período, 50% dos
pacientes acamados tornam-se ambulatórios, 20% permanecem
acamados e 30% morrem. Podemos afirmar que (WINSTON, 2004): a)
Esse processo não é estocástico.
b) A probabilidade de um paciente que teve alta voltar ao estado
internado é de 10%.
c) A probabilidade de um paciente internado ter alta é de 10%.
d) A matriz de transição do processo é 0 2, 0 5, 0 3, 0
0 3, 0,4 0 0 3,
0 0 1 0
0 0 0 1
0 2, 0 5,
e) A matriz de transição do processo é 0 3, 0 4,
4. Os proprietários de um grande edifício de apartamentos para alugar

pretendem entregar sua gestão a uma companhia imobiliária com
excelente reputação. Com base nas classificações de boa, média e fraca
condição dos edifícios geridos por essa imobiliária, foi documentado
que 50% de todas as construções que começaram um ano em boas
condições, assim permaneceram até o fim do ano, enquanto as 50%
restantes deterioraram para uma condição média. De todas as
construções que começaram o ano com condição média, 30% assim
permaneceram até o fim do ano, enquanto 70% foram melhoradas
para uma boa condição. De todas as construções que começaram o ano
com uma condição fraca, 90% assim permaneceram até o fim do ano,
enquanto as outras 10% foram melhoradas para uma boa condição.
Considerando este como um processo estocástico, a matriz de
transição será (WINSTON, 2004):
0 5, 0 3, 0 a)
0 7, 0 5, 0 0
1, 0 0,9
05
, 05
, 0
01
, 03
, 0
07
, 0 0, 9
01
, 05
, 0
07
, 03
, 0
05
, 0 0, 9
05
, 05
, 0
07
, 03
, 0
01
, 0 09
,
05
, 0 05,
07
, 03
, 0
09
, 0 0,1
04
, 09
,
01
, 06
,
01
, 09
,
04
, 06
,
Cadeias de Markov 47
Cadeias de Markov
U2
Seção 1
Cadeias de Markov
Será estudado e definido o que é uma cadeia de Markov, suas principais propriedades e
exemplos de aplicações.
1.1 Definição de cadeias de Markov e propriedades
Considere um processo estocástico qualquer. Eles são de interesse por descreverem o

comportamento de um sistema operando ao longo de um período.
Um processo estocástico normalmente apresenta a seguinte estrutura:
O estado atual do sistema pode cair em qualquer uma das M + 1 categorias mutuamente
exclusivas, denominadas de estados. Esses estados são identificados como 0,1,2,......,M. A
variável aleatória {Xt} representa o estado do sistema no instante t, de modo que os seus
únicos valores possíveis sejam 0,1,2,......,M. O sistema é observado em pontos
determinados no tempo, identificados por t = 0,1,2,...... Portanto, o processo estocástico
fornece uma representação matemática de como o sistema físico evolui ao longo do tempo.
Esse tipo de processo é conhecido como um processo estocástico em tempo discreto com
um espaço de estado finito.
Exemplo 1:
O tempo em uma certa cidade pode mudar de maneira rápida. Entretanto, as chances
em termos de tempo seco (sem chuvas) amanhã são ligeiramente maiores, caso esteja seco
hoje, do que se chover hoje. Particularmente, a probabilidade de termos tempo seco
amanhã é de 0,8, caso hoje esteja seco, porém é de apenas 0,6, caso amanhã chova.
A evolução do tempo, dia a dia, é um processo estocástico. Começando em dado dia
inicial (chamado dia 0), o tempo é observado em cada dia t, para t = 0,1,2,...... O estado do
sistema no dia t pode ser: Estado = 0, dia t é seco
Estado = 1, dia t com chuva
Portanto, para t = 0,1,2,...., a variável aleatória {Xt} assume os seguintes valores:
Xt = 0, se o dia t estiver seco
Cadeias de Markov
Xt = 1, se o dia t estiver chuvoso
O processo estocástico {Xt} = { X0, X1, X2,...} fornece uma representação matemática de como
o estado do tempo na cidade evolui ao longo do tempo.
Definição 1:
I. Um processo estocástico tem a propriedade Markoviana se a probabilidade

condicional de qualquer evento futuro, dados quaisquer eventos do passado e o estado
presente, é independente dos eventos passados e depende apenas do estado atual.
II. Um processo estocástico {Xt} é uma cadeia de Markov se possuir a propriedade

Markoviana.
As probabilidades condicionais P (Xt+1 = j/Xt = i) para uma cadeia de Markov são chamadas
de probabilidades de transição (uma etapa). Se para cada i e j
P X( t+1 = j X/ t = i)= P X( 1 = j / X0 = i)
então, as probabilidades de transição (uma etapa) são ditas estacionárias. Portanto, ter
probabilidades de transição estacionárias implica que as probabilidades de transição não
mudam ao longo do tempo. A existência de probabilidades de transição estacionárias também
implicam nisto para cada i, j e n (n = 0,1,2,....).
P X( t n+ = j X/ t = i)= P X( n = j / X0 = i)
Para todo t = 0,1,2,..., essas probabilidades condicionais são denominadas probabilidades

de transição em n etapas.
Para simplificar a notação com probabilidades de transição estacionárias, usamos:
pij = P X( t+1 = j X/ t = i) pij( )n = P X( t n+ = j / Xt = i)
Assim, a probabilidade de transição em n etapas

P (n) é simplesmente a probabilidade
ij
condicional de que o sistema estará no estado j após exatamente n etapas (unidades de tempo),
dado que ele inicia no estado i a qualquer instante j.
Como
P (n) são probabilidades condicionais, elas têm de ser não negativas e já que o
ij
processo deve realizar uma transição para algum estado, elas devem satisfazer as seguintes
propriedades:
pij( )n ≥ 0, para todo i,j;n=0,1,2,......
Σp ij
( )n
=1 para todo i;n=0,1,2,...... j=0
Uma maneira conveniente de mostrar as probabilidades de transição é usar o formato de

matriz:
estado 0 1 2 . . . M
0 p00( )n p01( )n p02( )n . . . p0M ( )n
1 p10( )n p11( )n p12( ) . . . p1M (n) P( )n = 2 p20( )n p21( )n p22( )n . . . p2M ( )n

.. . . . . . .. .
. . . . . .. . .
. . . . .
M pM 0( )n pM1( )n pM 2( )n . . . pMM ( )n
A matriz de transição será, então, dada por:
p00 p01 p02 . . p10 p11 p12 . .
P( )n p20 p21 p22 . ..
p30 p31 p32 . ..

. . . . .
Note que a probabilidade de transição em determinada linha e coluna é para a transição do

estado da linha para o estado da coluna. Quando n = 1, eliminamos n e simplesmente nos
referimos à matriz como matriz de transição.
As cadeias de Markov que iremos estudar possuem as seguintes propriedades:
a) Um número finito de estados.
b) Probabilidades de transição estacionárias.
c) Partimos da hipótese de que conhecemos as probabilidades iniciais para todo i.
Cadeias de Markov
Propriedade dos sistemas sem memória:
Dado o estado atual, o próximo estado só depende desse estado e de nenhum outro em que
o sistema tenha estado no passado (ausência de memória espacial).
O tempo em que o sistema se encontra no estado atual não é relevante para se determinar
o próximo estado (ausência de memória temporal). Já foi visto que para especificar uma cadeia
de Markov, deve-se:
a) Identificar um espaço de estados.
b) Conhecer a probabilidade inicial de estado para cada estado pertencente

ao espaço de estados.
c) Conhecer a probabilidade de transição.
Considerando o espaço de estado como um conjunto enumerável, ele pode ser

representado pelo conjunto dos números inteiros não negativos: (1,2,3,.......).
As letras i e j são usadas para representar o estado atual e o próximo. No caso de sistemas
com tempo discreto, representam-se os instantes pelo conjunto de números inteiros, sendo k
a variável utilizada para representar esses instantes discretos.
Probabilidade de transição:
Pij(k) = P(Xk+1 = j/Xk = i) em que i, j pertencem aos estados

de tempos discreto. As seguintes propriedades são válidas:
0 ≤ Pij(k) ≤ 1; e para todo estado i e instante de
tempo k:
∑ Pij(k) = 1, para todo j
A probabilidade de transição em n passos será dada por:
Pij(k, k + n) = P(Xk+n = j/Xk = i)

Vamos condicionar essa transição dee n passos a passagem por um estado intermediário r,
num determinado instante u, entre k e k + n, ou seja: pij(k, k + n) = ∑P(Xk+n = j/Xk = i).
P(Xu = r/Xk = i)
r
Pela propriedade da ausência de memória temos:
P(Xk+n = j / Xu = r, Xk = i) = P(Xk+n = j/Xu = r) = Prj(u, k + n) em que:
pir(k, u) = P(Xu = r/Xk = i)
A equação dada a seguir determina a evolução dos estados:
pij(k k, + =n) ∑p k uir ( , ).p u k n k u k nrj( ,), ≤ ≤

r
Esta é a equação de Chapman-Kolmogorov, que determina a evolução,trajetória dos

estados da cadeia de Markov. Essa relação é válida para cadeias de Markov com tempo
discreto. Ela pode ser escrita na forma matricial.
Define-se a matriz H como sendo:
H (k, k + n) = [ pij(k, K + n)], i, j = 0, 1, 2,...
Esta é a matriz das probabilidades de transição de estados em n passos. Portanto,

podemos reescrever a equação de Chapman-Kolmogorov: H (k, k + n) = H (k, u). H
(u, k + n) ou escolhendo=se u = k + n – 1, tem-se:
H (k, k + n) = H (k, k +n – 1). H (k + n – 1, k + n)
Esta é a relação de evolução direta de Kolmogorov.
Definição 2:
Quando as probabilidades de transição forem independentes do tempo k, para todo i,j, tem-
se uma cadeia de Markov homogênea.
Nesse caso, escreve-se:
Pij = P(Xk + 1 = j/Xk = i)
Em que o elemento da matriz de transição é independente de k.
Ou seja, a transição de i para j sempre ocorre com a mesma probabilidade p,

independentemente do instante de tempo em que ela venha a ocorrer.
Exemplo 2:
Considere uma máquina que pode estar em um dos dois estados: up e down.
Cadeias de Markov
Considere o conjunto de estados (0,1) para representar os estados dessa máquina, sendo 0
para up e 1 para down.
O estado dessa máquina é observado (verificado) a cada hora. Esses instantes de observação
são representados pela sequência k=0,1,2,3,...... .
Dessa maneira, temos uma cadeia estocástica, em que o estado da máquina está na k-ésima
hora de observação.
Considere ainda que:
- Se a máquina estiver no estado up, a probalidade de falhar na próxima hora é dada por
a.
- Se a máquina estiver no estado down, a probalidade dela ser consertada na próxima

hora é b.
Com essas definições, obtemos uma cadeia de Markov homogênea.
A matriz de transição de probalidades possui os seguintes elementos:
p10 = a p11 = 1 – a p01 = b p00 = 1 – b
em que 0 ≤ a ≤ 1 e 0 ≤ b ≤ 1.
A matriz de transição será dada por:
β β1−
α α1−
Uma maneira conveniente de representar uma cadeia de Markov é por meio de um
diagrama de transição de estados, conforme já vimos anteriormente. Neste caso, o diagrama
será bem simples: Figura 2.1 | Diagrama de transição do exemplo 2
Fonte: elaborada pelo autor.

Considere agora a situação em que, com o passar do tempo, a probabilidade de a máquina
falhar na próxima hora aumenta em virtude de seu envelhecimento. Nesse caso, as
probabilidades de transição poderiam ser escritas na forma:
p10 = a = 1 – γk p11 = 1 – a = γk para 0 < γ < 1 e k = 0, 1, 2,.... Essa nova cadeia de Markov não
é mais homogênea.
Numa cadeia homogênea, a matriz de transição de estado também é independente do

tempo k. Nesse caso pode-se escrever:
pijn = P X( k n+ = j X/k = i),n =1 2, ,...

Se fizermos u=k+m e escolhendo m=n-1, na equação de Chapman-Kolmogorov, tem-se:
H(n) = H(n – 1). H(1), em que H(n) =
Exemplo 3: chamadas telefônicas.
Considere os intervalos de tempo discretos, k=0,1,2,...., chamados de time slots.
O processo de chamada telefônica opera da seguinte maneira:
No máximo, uma chamada telefônica pode ocorrer no time slot com o seguinte modelo: se
o telefone estiver ocupado, a chamada é perdida (não há transição de estado), se não, a
chamada é processada.
Uma chamada sendo processada pode ser encerrada dentro de um time slot com o seguinte
modelo: se ocorrer a chegada de uma nova chamada e o término de uma outra dentro de um
mesmo time slot, a nova chamada será aceita e o seu processamento iniciado.
Assume-se que a chegada ou o término das chamadas são independentes entre si.
Seja Xk a representação do estado desse processo estocástico no k-ésimo time slot, o qual
pode assumir valor 0 (telefone livre) ou 1 (telefone ocupado).
As probabilidades de transição de estado são:
p00 = 1 – a: o telefone permanece livre se nenhuma chamada chega no time slot. p01 = a: o
telefone fica ocupado se uma nova chamada chega no time slot.
p10 = b. (1 – a): o telefone fica livre se uma chamada é completada e não chega
nenhuma nova chamada no time slot.
p11 = (1 – b) . (1 – a): o telefone permanece ocupado se a chamada não completa

ou completa, porém chega uma nova chamada no time slot.
A matriz de transição P é dada por:
1−α α
Cadeias de Markov
P β.(1−α) (1−β α) + .β
Figura 2.2 | Diagrama de transição do exemplo 3
Em resumo, um processo de Markov (processo estocástico) consiste em um conjunto de

estados tais que:
a) A qualquer instante cada objeto deve estar em um único estado.
b) A probabilidade de que um objeto passe de um estado para outro, em

determinado período de tempo, depende apenas desses dois estados.
Os estados de uma cadeia de Markov podem ser classificados da seguinte forma:
Dados dois estados i e j, uma trajetória de i para j é uma sequência de transições que iniciam
em i e terminam em j, de tal maneira que cada transição na sequência tem uma
probabilidade positiva de ocorrência.
II) Um estado j é acessível a partir do estado i se existir uma trajetória que leva
III) Dois estados i e j são chamados comunicantes se j é acessível de i e i é acessível

de j.
IV) Um estado i é chamado absorvente se pii = 1.
V) Um estado i é chamado estado transiente se existe um estado j acessível a

partir de i, mas o estado i não é acessível a partir de j.
0 4,
0 5,
0
0
0,4 06
, 0 0 0
Figura 05
, 0 0 0
0 03
, 07
, 0
0 05
, 04
, 01
,
0 0 08
, 02
,
Cadeias de Markov
2.4 | Diagrama de transição de uma cadeia ergódica
Figura 2.5 | Diagrama de transição de uma cadeia não ergódica
Para definir a evolução dos estadoscom base na matriz de transição, de maneira simples,
vamos recapitular algumas definições e chegar ao importante teorema que permite realizar
previsões com uma cadeia de Markov.
Vimos que:
Os processos de Markov ocorrem sempre em uma base de tempo que depende do problema
analisado.
O número inteiro de períodos de tempo decorridos desde o início do processo representa o

número de estágios do processo, que pode ser finito ou infinito.
Se o número de estados é finito, o processo de Markov recebe o nome de uma cadeia de

Markov.
Denotamos a probabilidade de transição do estado i para o estado j em um período de

tempo por pij.
Para uma cadeia de Markov com n estados (n é um número inteiro), a matriz n x n formada
pelas probabilidades de transição é a matriz estocástica associada ao processo.
Necessariamente, a soma dos elementos de cada linha da matriz de transição P é igual a 1.
O valor pij representa a probabilidade de que o processo, quando no estado i, faça uma
transição para o estado j.
p00 p01 p02 . .
p10 p11 p12 . .
P p20 p21 p22 . ..
p30 p31 p32 . ..

. . . . .
Os estados de um processo de Markov são armazenados em uma matriz linha que possui
tantas colunas quantos forem os estados do processo de Markov.
A evolução do processo se faz por meio da multiplicação da matriz de estados pela matriz
de transição.
A matriz de estados será:
X(n) = [ p , p , p ...]
1 2 3
Em que p1, p2,.... são as probabilidades de estarmos no estado 1, 2, ....
Podemos agora enunciar um importante teorema: se P é a matriz de transição de um

processo de Markov, então a matriz linha de estados X(n + 1) no período (n+1) da observação pode
ser determinada a partir da matriz linha de estados X(n) no período n da observação a partir da
relação:
X(n+1) = X(n) . P
Exemplo 4:
1) Os dados de uma pesquisa dividem as famílias em economicamente estáveis e

economicamente instáveis. Num período de 10 anos, a probabilidade de uma família estável
permanecer estável é 0,92, enquanto a probabilidade de ficar economicamente instável é 0,08.
A probabilidade de que uma família instável se torne estável é de 0,03, enquanto a
probabilidade de que ela assim permaneça é 0,97. Qual a probabilidade de que daqui a 20 anos
uma família hoje economicamente estável torne-se economicamente instáve (WINSTON,
2004)?
U2
Figura 2.6 | Diagrama de transição
Cadeias de Markov
0 92 0 08 P 0 03 0 97
estado inicial
=
0
X
primeiro período = 10 anos X ( )1 = X P( )0 .
X ( )1 = . 0 920 03 0 850 08
= 092
,
X ( )1 0 08,
segundo período = 20 anos X ( )2 = X P( )1 .
X( )2 =0,92 0,08 . 00,92 0,,03 0,0897
X ( )2 =0,8488 0,1512
A probabilidade de se tomar instável é 0,1512 ou 15,12%
U2
Conheça um pouco mais sobre cadeias de Markov. Disponível em:
<https://pt.wikipedia.org/wiki/Cadeias_de_Markov>. Acesso em: 4 set. 2016.
1. Um escritório possui dois computadores para executar o trabalho

diário. Observou-se que quando os dois computadores estão funcionando
de manhã, existe uma probabilidade de 30% de que um deles pare de
funcionar até à noite e 10% de que os dois parem de funcionar. Se apenas
um computador estiver funcionando no início do dia, existem 20% de
chance de que ele deixe de funcionar até o fim do dia. Se nenhum
computador estiver funcionando pela manhã, o escritório envia todo o
serviço para ser executado externamente. Nesse caso, não haverá falha
das máquinas durante o dia. Os consertos são executados em uma loja
próxima. Os computadores são levados durante o dia e devolvidos em
condições de operação na manhã seguinte. O intervalo de um dia ocorre
quando uma ou ambas as máquinas estão sendo consertadas (WINSTON,
2004).
a) Construa a matriz de transição para a situação apresentada.

b) Construa a matriz de transição se a operação de reparo levar dois dias,
sabendo que apenas uma máquina pode ser consertada de cada vez.
2. Uma inspeção do mercado permite determinar os

“movimentos” das pessoas entre os diversos tipos de moradia. Assim,
foram entrevistadas pessoas que moravam em apartamentos próximos
do centro (Categoria 1) e afastados do centro (Categoria 2); e pessoas que
moravam em casas com terreno menor que 250 m² (Categoria 1) e com
terreno maior de 250 m² (Categoria 2).
Os resultados de um estudo para um ano foram:
Cadeias de Markov
Probabilidade de estado em fase de regime estacionário
Os processos de Markov apresentam a propriedade do estado de equilíbrio após a evolução
em um grande número de ciclos. Iremos usar essa propriedade para obter previsões em
sistemas que atingem esse equilíbrio.
2.1 Definição do regime estacionário e exemplos

Consideremos uma situação na qual uma máquina pode estar operando convenientemente
ou pode necessitar de ajuste.
Se a máquina está operando convenientemente (representaremos esse estado por 1) hoje,
a probabilidade de que opere convenientemente amanhã é 0,8 e a probabilidade de que
necessite de um ajuste (representaremos esse estado por 2) amanhã é 0,2.
Suponhamos que a máquina ainda tenha um sistema de ajuste próprio (autoajuste) que
funciona de forma imperfeita, e se a máquina precisa de ajuste a probabilidade que irá operar
convenientemente amanhã é de 0,3 e a probabilidade de que ainda precisará de um ajuste
amanhã é 0,7.
Nesse caso, a matriz de transição será:
0 8, 0 2,
P
0 3, 0 7,
Supondo que o estado inicial é X ( )0 =[0 5, 0 5, ]
Calculando a evolução para 4 períodos obtemos:
X ( )1 = X P( )0 . =[0 5,0 5, ]. =[0 55,0 45, ]

0 8,0 2,
0 3, 0 7,
X ( )2 = X (1).P=[0 55, 0 45,]. =[0,5750,425]

0 8,0 2,
0 3, 0 7,
=[0,593
0 2,
0 7,
= X P . =[0,575 0,425].
( )3 ( )2 0 8,
X
0 3, 0,407]
X ( )4 = X P( )3 . =[0,587 0,413].
0 8,
0 3,
0 7,
=[0,587 0,413]
0 2,
Cadeias de Markov
Verifica-se, portanto, que o processo atinge uma fase de regime com as seguintes
características:
A distribuição de probabilidades de ocorrência dos estados passa a ser constante.
II) Essa distribuição independe das condições iniciais.
III) Quando isso acontece o processo é ergódico.
Chamamos isso de probabilidade de estado estacionário.
A distribuição de estado estacionário é o conjunto Π j em que:
Π j = limn→∞ pj( )n = lim (n→∞ P Xn = j)

Para o processo ergódico é válida a equação matricial:
Π=Π.P
Com a condição óbvia de que os elementos da matriz linha somem 1.
Π=[Π0 Π1 Πn ]
Com Π0 +Π1 +Π2 +..........+Πn =1

Resolvendo o sistema de equações que assim aparece, temos a distribuição de estado
no longo prazo.
Exemplo 5:
Consideremos a matriz de transição dada a seguir:
0 3, 0 2, 0 5,
P= 0 1, 0 8, 0 1,
0,6 0 0 4,
Calcule o estado estacionário ou longo prazo para essa situação.
Nesse caso, precisamos resolver a equação matricial Π=Π.P com a condição
fundamental Π Π Π0 + + +1 2 ..........+ 0 4,
=Πn 1.
0 2, 0 5,
0 3,
0 8, 0 1,
Π Π= .P→[Π0 Π1 Π2]=[Π0 Π1 Π2] 0 1,
0 4,0 2,
Π0 = 0 3, Π0 +0 1, Π1 +0 4, Π2
Π1 = 0 2, Π0 +0 8, Π1 +0 4, Π2 Π2 = 0 5, Π0 +0 1, Π1 +0 2, Π2
Com a equação fundamental: Π0 +Π1 +Π2 =1.
Escolhendo, por exemplo, as duas primeiras equações do sistema anterior e a

equação de normalização e resolvendo o sistema linear assim obtido, temos:
Π0 = 0 2,
Π1 = 0 6,
Π2 = 0 2,
Existe a probabilidade do sistema ocupar os estados no longo prazo.
Exemplo 6:
Uma companhia aérea com um voo às 7:15h da manhã entre São Paulo e Rio de
Janeiro não quer que o voo se atrase na partida em dois dias seguidos. Se o voo sair
atrasado num dia, a companhia faz um esforço adicional no dia seguinte para que o
voo cumpra o horário e é bem-sucedida em 90% das vezes. Se o voo não sair
atrasado num dia, a companhia não toma providências especiais para o dia seguinte
e o voo cumprirá o horário em 60% das vezes. Qual a porcentagem de vezes que o
voo parte atrasado (WINSTON, 2004)?
66 Cadeias de Markov
Cadeias de Markov
U2
Recomendamos a leitura do texto. Disponível em: <https://pt.wikipedia.

org/wiki/Cadeias_de_Markov>. Acesso em: 4 set. 2016. Indicamos também o capítulo 17 do livro:
WINSTON, Wayne L. Operations resarch.
4. ed. São Paulo: Thomson Brooks-Cole, 2004.
1. A propaganda de um certo produto será feita em três regiões R1, R2 e R3,

seguindo certas regras. Ela nunca deverá ser feita na mesma região em dias
sucessivos. Se for feita em R1, então no dia seguinte poderá ser feita em R2 ou R3
com igual possibilidade, se foi feita em R2, há duas vezes mais possibilidades de ser
feita em R3 do que em R1; se foi feita em R3, há três vezes mais possibilidade de ser
feita em R1 do que em R2. Em longo prazo, durante quanto tempo foi feita a
divulgação em cada região (TAHA, 2008)?
2. Uma pesquisa realizada recentemente com os assinantes de uma revista de

viagens mostrou que 65% deles têm pelo menos um cartão de crédito associado a
uma companhia aérea. Quando comparou-se com uma pesquisa semelhante
realizada cinco anos atrás, os dados indicaram que 40% das pessoas que não tinham
cartão de crédito associado a uma empresa aérea obtiveram um posteriormente,
enquanto 10% dos que então tinham cartão já não os têm mais. Assumindo que essas
tendências se manterão no futuro, determine a proporção de assinantes que terão
cartão de crédito associado a uma empresa aérea a longo prazo (WINSTON, 2004).
Cadeias de Markov
088 12
P=
015 85
(0)
0,6 0,4
X ()1 = XP()0 .
X ()1 = 0,6 0,88 0,12

0,4 .
0,15 0,85
X ()1 = 0,5880 0,4120
BH MM MH
0.5 0.4 0.1
Cadeias de Markov
0.3 0.4 0.3
0.2 0.3 0.5
0,4
Matriz de transição
0 5, 0 4, 0 1, P= 0 3, 0 4, 0 3,
0 2, 0 3, 0 5,
Estado inicial
X ( )0 =[1 0 0]
X ( )1 = X P( )0 .
0 5, 0 4, 0 1,
X ( )1 =[1 0 0]. 0, 0,4 0 3,

0 2, 0 3, 0 5,
X ( )1 =[0 5, 0 4, 0 1, ] Segundo dia
X ( )2 = X P( )1 .
0 5, 0 4, 0 1,
X ( )2 =[0 5, 0 4, 0 1, ]. 0 3, 0 4, 0 3,
0 2, 0 3, 0 5,
=
X ( )2 [0 39, 0 39, 0 22,]
A probabilidade de estar de mau humor daqui a 2 dias é de 22%
3) Suponhamos que uma indústria produza dois tipos de produtos: tipo 1 e tipo 2. Se uma
pessoa comprou o tipo 1, existe 90% de chance de que sua próxima compra seja o tipo 1. Se
uma pessoa comprou o tipo 2, existe 80% de chance de que na próxima compra seja o tipo 2.
Se uma pessoa comprou o tipo duas, qual a probabilidade de ela comprar o tipo 1 num
intervalo de 2 compras? Se uma pessoa comprou o tipo 1, qual a probabilidade de ela comprar
tipo 1 num intervalo de três compras (WINSTON, 2004)?
Cadeias de Markov
P=
X ()0
X ()1 0 9,0 1,
()1
0 2,0 8,
()1
a) Início
=[01]
X ()2
Primeira compra = X P( )0 . X =[0 1]. 0 9,
X ()2
0 1,
X ()2
0 2, 0 8, X =[0 2, 0 8, ]
Segunda compra = X P( )1 .
X ()0 =[0 2,0 8, ]. 0 9,0 1,

0 2, 0 8,
X ()1 =[0 34, ,66]
X ()1 A probabilidade de compra tipo 1 após duas compras é 34%
b) Início
X ()1
=[01]
Primeira compra = X P( )0 .
X ()2
X ()2 [ ] 0 9, 0 1,
=1 0.
X ()2
0 2, 0 8,
=[0 9, 0 1, ]
Segunda compra
= X P( )1 .
=[0 9, 0 1, ]. 0 9,0 1,
0 2, 0 8,
=[0 83, 0 17,]

Terceira compra X 3 = X ( )2 .P
X ( )3 = 0,83 0,17 . 00,9 0,,2 0,18
X ( )3 = 0,781 0,219
A probabilidade de compra tipo 1 na terceira compra é 78,1%.
4) Em uma cidade, sabemos que 90% de todos os dias ensolarados são seguidos por outro
dia ensolarado, e 75% de todos os dias nublados são seguidos por outro dia nublado. Construa
a matriz de transição e calcule a probabilidade de daqui a três dias termos um dia nublado, sendo
que hoje está um dia ensolarado (WINSTON, 2004).
0 9, 0 1,
P
0 25, 0 75,
estado inicial:Estado inicial:
Cadeias de Markov
X ( )0 =[1 0]
Primeiro dia
X ( )1 =[1 0]. 0 9, 0 1,
0 25, 0 75,
X ( )1 =[0 9, 0 1, ]
] 0 9, 0 1,
0 1, .
0 25, 0 75,
0,1650]
] 0 9, 0 1,
0,1650 .
0 25, 0 75,
= 0,7928 0 2073]
A
X (2 ) =[09
,
X ()2 =[0, 8350
X ()3 =[0, 8350
X ()3 [
1 1 1
Cadeias de Markov
probabilidade de termos dia ensolarado é de 20,73%
24 4
C daqui a duas semanas (WINSTON, 2004)?

Cadeias de Markov
uma boa condição. Considerando que essa tendência se mantém se a empresa for contratada, determine a
condição dos apartamentos sob a administração dessa firma esperada em longo prazo (WINSTON, 2004).
Um banco resolveu investir em uma estratégia de marketing. A estratégia 1 tem um custo de R$

58,00 por cliente conquistado.. Avalia-se que 12% dos que não eram clientes e foram submetidos à
estratégia 1 tornam-se clientes. A estratégia 2 tem um custo de R$ 37,00 por cliente novo. Com o uso dessa
estratégia, 21% dos não clientes tornam-se clientes. Para as duas estratégias, 88% dos que eram clientes
continuam clientes. Sabendo que a receita do banco é de R$ 98,00 por novo cliente, decida qual estratégia
deverá ser adotada (WINSTON, 2004).
Cadeias de Markov
U2
1. Uma pesquisa realizada com 171 famílias brasileiras estudou a mobilidade

destas com relação à mudança de moradia em um prazo de cinco anos. Dessa
forma, coletaram-se os seguintes dados:
I) De 34 famílias que viviam inicialmente em moradias luxuosas, após cinco

anos constatou-se que 12 ainda estavam em moradias luxuosas, 7 em moradias de
classificação média e 15 em moradias ruins.
II) De 53 famílias que estavam inicialmente em moradia média, após cinco
anos constatou-se que 21 passaram a moradias luxuosas, 16 permaneceram em
moradias médias e 16 passaram a morar em moradias ruins.
III) De 84 famílias que estavam inicialmente em uma moradia ruim, após
cinco anos constatou-se que 16 passaram para moradias luxuosas, 28 passaram a
moradias médias e 40 permaneceram em moradias ruins (WINSTON, 2004).
a) Considerando que hoje temos 13 famílias em moradias luxuosas, 20 em

moradias médias e 28 em moradias ruins, qual será, aproximadamente, a
distribuição de moradias dessas famílias daqui a 10 anos? b) E em longo prazo?
2. Uma empresa de cartões de crédito cobra uma taxa anual de 40,00 u.m. de seus
associados. A empresa está discutindo dois novos métodos para obtenção de
novos clientes e para manter os existentes. Um método envolve “Mala direta” para
os clientes em potencial. Sabe-se que, com isso, 7% daqueles que recebem a
correspondência e não eram clientes tornarse-ão clientes. Um segundo método
envolve “Visita pessoal” ao cliente. Espera-se, com isso, que 35% dos visitados, que
não eram clientes, tornem-se clientes. Para os dois métodos, dos que eram
clientes, 85% continuam clientes. O custo do primeiro método é de 3,50 u.m. e o
do segundo é de 14,00 u.m. Qual o método deve ser adotado? Faça a análise para
longo prazo.
n
Vk = P (T >=
t k) ≅ k
n
0
Vi
Pi =−
1 V
i−
1
≤ ≤
Cadeias de Markov
idade idade 0 idade 1 idade 2 idade 3 idade idade 5 idade 6 . . . idade n
idade 0 P1 q1 0 0 0 0 0 . . . 0 idade 1 P2 0 q2 0 0 0 . . . 0
idade 2 P3 0 0 q3 0 0 0 . . . 0
idade 3 P4 0 0 0 q4 0 0 . . . 0
idade 4 P5 0 0 0 0 q5 0 . . . 0
.
idade 5 P6 0 0 0 0 0 q6 . . . 0 idade 6 P7 0 0 0 0 0 0 . . . 0
. . . . . .
. .
Cadeias de Markov
idade n Pn+1 0
tenha sobrevivido até a idade i – 1 morra no intervalo i – 1 a i.
= qi = 1 – Pi é a probabilidade de durar até a data seguinte.
P ≥ 0 se j = 0 e j = +i 1 P = se j ≠ 0 e j
≠ +i 1
podemos determinar a evolução do sistema ou a situação no longo prazo.
Cadeias de Markov
Vamos substituir:
1 π0 8
= π1
= π2
= π3
= π4
= π5
Cadeias de Markov
Cadeias de Markov
a) 29%.
b) 47%.
c) 71%.
d) 87%.
e) 95%.
2. Consideremos uma análise de falha de um certo componente de uma amostra inicial

de 90 unidades:
Dias Unidades
0 90 3 74 6 59
9 38
12 24 15 13
18 0
Esperamos, então, que para 1.000 unidades instaladas, tenhamos um número médio
de substituições por período:
a) 300.
b) 400.
c) 500.
d) 250.
e) 130.
3. No início de cada ano, o carro de Pedro está em boas condições, em condições

razoáveis ou quebrado. Um carro em boas condições estará em boas condições no
próximo ano, com probabilidade de 0,85; condição razoável com probabilidade de
0,10; e quebrado, com probabilidade de 0,05. Um carro em condições razoáveis estará
em condições razoáveis no início do próximo ano, com probabilidade de 0,7 ou
quebrado, com probabilidade de 0,3. Custa R$ 6.000,00 para comprar um bom carro,
R$ 2.000,00 para comprar um carro em condições razoáveis e um veículo quebrado não
tem nenhum valor e deve ser substituído por um carro em boas condições. Custa R$
1.000,00 por ano a manutenção de um carro em boas condições e custa R$ 1.500,00
por ano a manutenção de um carro em condições razoáveis. O que Pedro deverá fazer?
U2
a) Deverá esperar até o carro quebrar.

b) Nunca deverá trocar.
c) Deverá trocar quando se tornar razoável.
d) Deverá trocar quando estiver em boas condições.
e) Não é possível determinar a melhor solução.
4. Considere dois títulos do governo. O Título 1 sempre é vendido por R$ 1,00 ou R$

20,00. Se o Título 1 é vendido por R$ 10,00 hoje, existe uma probabilidade de 0,8 de
ser vendido amanhã por R$ 10,00. Se estiver sendo vendido por R$ 20,00 hoje, então
há uma probabilidade de 0,9 de ser vendido por R$ 20,00 amanhã. O Título 2 sempre
é vendido por R$ 10,00 ou R$ 25,00. Se o Título 2 for vendido por R$ 10,00 hoje,
então existe uma probabilidade de 0,9 de que ele seja vendido amanhã por R$ 10,00.
Se for vendido hoje por R$ 25,00, então existe uma probabilidade de 0,85 de ser
vendido amanhã por R$ 25,00. Podemos afirmar que (TAHA, 2008):
a) Em longo prazo, o Título 2 será vendido por um preço mais alto.

b) Em longo prazo, o Título 1 será vendido por um preço mais alto.
c) Em longo prazo, os dois títulos serão vendidos pelo mesmo preço.
d) O sistema não pode ser calculado para longo prazo.
e) Em curto prazo, o Título 1 será vendido por um preço mais baixo.
5. Consideremos um modelo simplificado de previsão do tempo em que a previsão

do tempo amanhã depende unicamente do tempo de hoje e de ontem. Assim, temos
(WINSTON, 2004):
I. Se ontem choveu e hoje está sol, a probabilidade de chover amanhã é de .

II. Se ontem choveu e hoje está chovendo, então a probabilidade de chover amanhã
é de .
III. Se ontem fez sol e hoje está chovendo, então a probabilidade de chover amanhã
é de .
1
IV. Se ontem
3 fez sol e hoje está sol, então a probabilidade de estar sol amanhã é de .
2
3
3
4
1
2
Cadeias de Markov
1
.
2
2.
1 9
.
3
4.
9
Cadeias de Markov
Processos de Poisson
Processos de Poisson 101
U3
Seção 1
Processos de Markov em tempo contínuo

Os processos estocásticos de tempo contínuo são muito semelhantes aos processos

estocásticos com tempo discreto.
1.1 Processos de Markov no tempo continuo
No entanto, algumas modificações devem ser feitas, pois em cada instante infinitesimal
pode ocorrer uma transição. Nessa situação, não tem muito sentido o conceito de matriz
de transição de um passo ou etapa, porque o tempo não é medido em passos.
Consideremos um exemplo para melhor compreensão.
Exemplo 1
Consideremos uma máquina de operação automática que funciona sem intervenção de

um operador. Ocasionalmente, pode ocorrer uma falha na operação e um operador deve
corrigir o defeito, colocando o equipamento novamente em operação. Dessa maneira, o
equipamento poderá estar em um dos dois estados:
0: o equipamento está parado e o operador está tentando repará-lo.
1: o equipamento está em funcionamento normal e o operador está ocioso.
Uma forma de analisar esse problema por meio de um modelo, seria descrever os
tempos de operação e reparo como variáveis aleatórias contínuas tendo alguma
distribuição em particular.
Seja Pij(t) a probabilidade de que o sistema esteja no estado j, no instante t, dado que estava
no instante i no instante 0.
Como há dois estados, então existem quatro funções, a saber:
p00 ( )t , p01( )t , p10 ( )t , p11( )t

O desenvolvimento das equações que determinam as funções pode ser simplificado usando
as seguintes hipóteses:
I. O processo satisfaz a propriedade de Markov.
II. O processo é estacionário.

III. A probabilidade de transição de 0 para 1 (reparo) ou de 1 para 0 (quebra) em
um pequeno intervalo ∆t é proporcional a ∆t.
IV. A probabilidade de duas ou mais mudanças de estado em um pequeno

intervalo ∆t é zero.
Quando supomos que o processo satisfaz a propriedade de Markov, queremos dizer que em
qualquer instante sabemos que a máquina ou está operando ou está parada, podemos
determinar todas as probabilidades associadas com o processo desse instante em diante.
Não nos interessa a sequência de estados que se sucederam antes do atual e quanto tempo
o processo passou em cada um desses estados ou mesmo quanto demora o estado atual.
Essa propriedade é conhecida como ausência de memória.
O processo será estacionário se as paradas e os tempos de reparo não dependerem do
particular instante do dia. Não será estacionário se o operador executar mais vagarosamente
em certos períodos de tempo durante o dia.
No nosso exemplo vamos considerar a hipótese da proporcionalidade, levando em conta os
seguintes valores: p01( )∆t =4∆t p10( )∆t =3∆t
Podemos interpretar essas constantes de proporcionalidade como taxa de reparo e taxa de

falha.
Considerando que o valor da função P01(t + ∆t) seja a probabilidade de a máquina estar no
estado 1 no instante t + ∆t, dado que estava no estado 0 no instante 0.
Nesse caso, ou a máquina estava sendo reparada no instante t e foi colocada em operação
durante o intervalo ∆t ou estava operando no instante t e continuou a operar no pequeno
intervalo ∆t.
A equação a seguir é um caso especial das equações de Chapman-Kolmogorov para o caso

de tempo contínuo:
p01(t + t)= p00( )t p01( )t + p01( )t p11( )t

Essa equação requer a hipótese de Markov para que se possam multiplicar as probabilidades
referentes aos eventos durante t e aos eventos durante ∆t. É necessário também que o
processo seja estacionário para que se possa usar as mesmas funções de probabilidade para o
intervalo t e, posteriormente, para o intervalo ∆t.
Substituindo as aproximações lineares para P01(∆t) e para P11(∆t) temos:
p01(t + t) = p00( ).t 4 t + p01( )(t 1−3 t)

Usando p11( t) = −1 p10( t)
Temos: p01(t + t)=4p00( )t t + p01( )t −3p01( )t

t p01(t + −t) p01( )t =4p00(t) t
−3p01(t) t
Dividindo por ∆t ficamos com: p01(t + −tt) p01( )t =4p00( )t −3p01( )t
Fazendo o limite de ambos os lados temos:
limt→0 p01(t + −tt)p01( )t = limt→0[4p00(t)−3p01(t)]
Assim, temos a equação diferencial:
dp01( )t = 4p00 ( )t −3p01( )t dt

Com raciocínio análogo para as outras três funções de transição, as derivadas são:
()
dpdt00 t =−4p00 ( )t +3p01( )t
()
dp10 t =−4p10 ( )t +3p11( )t
dt
()
dpdt11 t = 4p10 ( )t −3p11( )t
Temos assim um sistema de equações diferenciais de primeira ordem com coeficientes

constantes. Usando as condições iniciais: pij ( )0 = 0 para i ≠ j pij ( )0 =1 para i = j
Obtemos as soluções do sistema de equações diferenciais:
p00 ( )t = +73 74 e−7t
p01( )t = −74 74 e−7t
p10 ( )t = −3 3 e−7t
7 7
p11( )t = +4 3 e−7t
7 7
Devemos observar que essas funções se comportam de forma adequada para representar
probabilidades.
Elas estão todas no interior do intervalo [0,1] para todos os valores de t ≥ 0, a soma sobre o
segundo índice iguala a 1 para todos os valores de t ≥ 0 e as condições iniciais são satisfeitas.
O limite de cada função, à medida que t → ∞, tem um valor bem definido e as funções com
o mesmo segundo índice convergem para o mesmo valor.
A solução está completa, porém não temos ainda uma interpretação para as taxas que seja
suficiente para que possamos obter as taxas em uma situação real.
Consideremos, do exemplo, apenas o processo de reparo isoladamente.
Imagine que o processo começa com um reparo no instante t = 0 e fica no estado 0 até que
o reparo seja executado, e então muda e permanece no estado 1.
Não existem quebras nessa versão modificada do processo. Usando o método
de derivação como anteriormente, temos:
p00(t +t)= p00( )t p00( )t p00(t +t)= p00( )t [1 4−t] p00(t +

−t) p00( )t =4 tp00( )t
p00(t + −tt) p00( )t =−4p00( )t dpdt00(
)t =−4p00(t)
Essa equação diferencial tem solução imediata desde que tenhamos a condição inicial
P00(o) = 1. Assim: p00 ( )t = e−4t

Portanto, essa solução nos dá a probabilidade do equipamento não estar funcionando no
instante zero, e de que não esteja operando até o instante t.
Desde que não se permitam quebras, esse evento pode ser descrito como o tempo de reparo
excede t.
Desse modo, a probabilidade de que o tempo de reparo seja menor ou igual a t é 1 – e–4t.
Essa é a expressão da função de distribuição exponencial.
As suposições feitas anteriormente implicam, então, que a distribuição de tempo de reparo

seja exponencial. Nenhuma outra distribuição de tempo de reparo satisfaz essas suposições.
De forma análoga, podemos deduzir que os tempos de operação têm a função de

distribuição dada por 1 – e–3t.
Para a variável aleatória, tendo a função de distribuição dada por 1 – e–λt , mostrase que o
valor esperado é .
No nosso exemplo, a distribuição de tempo de reparo tinha λ = 4, de forma que o tempo
médio de reparo seria .

A distribuição do tempo de operação tinha λ = 3, de maneira que o tempo médio de
operação seria .
Definição: processo contínuo
Processo estocástico com tempo contínuo ou simplesmente tempo contínuo, é uma família
infinita de variáveis aleatórias indexadas pela variável contínua real t.
Para qualquer t fixo, X(t) é uma variável aleatória e a coleção de todas essas variáveis
aleatórias é um processo estocástico.
Se para todos tn, tn – 1, ........ , t0 satisfazendo tn > tn – 1 > ........ > t0 tivermos:
PXt ( )n = jn / X (tn−1)= jn−1,.....X t( )0 = j0 = P X t[ ( )n = jn / X t( n−1) = jn−1]
Dizemos que é um processo de Markov tempo contínuo.
Essa é uma propriedade de independência.
Desse modo, se interpretarmos o presente com tn –1 e qualquer instante futuro como tn e os

instantes t0, t1, ..... tn – 2 como quaisquer índices do passado, podemos dizer que o futuro de um
processo de Markov depende somente do presente e não do passado.
É por isso que um processo de Markov não tem memória.
Definição: processo de Markov estacionário
Um processo de Markov é chamado de estacionário ou homogêneo no tempo
P X t( ( )2 = j X t/( )1 = i)= P X t( ( 2 −t1) = j X/( )0 = i)

Para todo i, j e tal que t1 < t2.
O processo é estacionário se as probabilidades condicionais dependem somente do

intervalo de tempo entre os eventos e não do tempo absoluto.
Note que o estado do processo muda com o tempo.
Um processo estacionário de Markov está totalmente descrito pelas suas funções de
probabilidade de transição que são representadas por Pij(t) sendo: p tij ( ) = P X t( ( )= j /

X( )0 = i)
Com base nisso, pode-se obter a equação fundamental para os processos de Markov
estacionários, conhecida como a equação de Chapman-Kolmogorov.
pij (t + =s) Σ pik ( )t pkj ( )s

k
Podemos, portanto, afirmar que P(t +∆t) = P(t) P(∆t).
Para o cálculo de P(∆t) usaremos a expansão em série de Taylor:
Pij(∆t) = Pij(0) + P`ij(0) ∆t + P’’ ij(0)(∆t)2 + ...

Pij(∆t) = Pij(0) + P`ij(0) ∆t + O(∆t2) O(∆t2) → 0
Os termos de segunda ordem e superiores vão a zero para ∆t → 0.
Como:
0,i ≠ j pij ( )0 1,i = j
Então, podemos ter a aproximação linear:

λij = p ' ( )ij 0
p ' (ij t) =λij t pij ( )t =λij ( )t +Ot2)
Pode-se entender a expressão anterior como (

uma aproximação linear para P (t),
sendo uma boa aproximação à medida que ∆t torna-se pequeno.
Chamamos λij de taxa de transição de i para j. Essa terminologia é consistente, pois λij é a
derivada em relação ao tempo da função de transição.
Considerando a equação de Chapman-Kolmogorov com as aproximações anteriores, temos:
dpdtij ( )t =Σk pik ( )t λkj
O resultado é uma equação diferencial de primeira ordem com coeficientes constantes λki.
Reconhecendo essa somatória como uma multiplicação matricial, podemos expressar todas as
equações diferenciais na forma matricial:
dP( )t = P t( )Λ dt
( )t
Em que dP é a matriz cujo elemento (i, j) é dpij ( )t
,P(t) é a matriz cujo elemento
dt dt
(i, j) é Pij(t) e Λ é matriz cujo elemento (i, j) é λij.
A soma dos elementos de cada linha de Λ deve ser zero.
Pode-se mostrar que cada elemento da diagonal principal é não negativo, o elemento da
diagonal principal λii é igual em módulo e, portanto, de sinal oposto à soma dos outros
elementos na mesma linha, ou seja: λii =− Σλ ij
j i≠
Se você lembrar agora do exemplo 1 desta seção, as equações diferenciais poderiam ser
obtidas novamente de forma mais rápida, pois naquele caso tínhamos λ = 4 e λ10 = 3. Nesse
caso, a matriz Λ será dada por:
44 3 −3
E as quatro equações diferenciais seriam obtidas da equação diferencial dada na forma
matricial obtida anteriormente.
Vemos, então, que os elementos λij para i ≠ j podem ser interpretados e assim medidos
como os parâmetros de distribuições exponenciais.
Para um particular λij, a distribuição a que nos referimos é a do tempo gasto no estado i
quando j é o próximo estado.
Sendo assim, as hipóteses de Markov e do processo serem estacionárias implicam que os

tempos entre os eventos precisam ter distribuição exponencial.
Os parâmetros dessas distribuições, os λij, precisam ser dependentes do estado ocupado i e

do próximo estado j, porém todas as distribuições precisam ter a forma exponencial.
Nenhuma outra família de distribuições pode ser considerada como candidata para
descrever os tempos entre os eventos.
Devemos lembrar que em muitas aplicações os tempos podem ser melhor analisados se as
funções de distribuição forem a Gama ou a Weibull.
Ao se utilizar o modelo exponencial, adota-se que os tempos próximos de zero são os mais
prováveis e que os tempos muito longos são cada vez menos prováveis.
Se porventura essa característica for incompatível com o problema que está sendo
analisado, talvez deva ser escolhido outro modelo, pois o exponencial não pode ser usado neste
caso.
Uma outra característica da distribuição exponencial que precisa ser lembrada é a ausência
de memória, para isso, considere o exemplo 2:
Exemplo 2
Suponha que desejamos representar um processo no qual o tempo entre a mudança de

estado corresponde ao tempo de vida de um pneu de automóvel.

−λλ
Λ=
µµ −
−5 5
Λ=
7 −7

π j = lim
t →∞
ptij ()
dpij ()t
lim
t →∞ dt
= lim
t Σ pik ()t λ kj
→∞ k
( )
d
lim pt ( ) = Σ pik (t )λ kj
dt t →∞ ij k
dt ( ) Σk
d
= λ kj
0 = Σ πλk kj
k
ΠΛ= 0
Em que 0 é o vetor linha de zeros, Π é o vetor linha das probabilidades de estado
estacionário e Λ é a matriz das taxas de transição.
A equação adicional para determinar uma solução única é como no caso discreto:
Σπ =1j
j
Exemplo 3
Considerando novamente o exemplo 1 da seção anterior, podemos encontrar as
probabilidades de estado estacionário a partir de sua matriz de transição:
4 4
3 −3
Usando a equação Π . Λ = 0 temos
[π π01] 34 4−3 =[0 0]
Assim:
4π π0 +3 1 = 0
4π π0 −3 1 = 0
Como essas equações são linearmente dependentes, usaremos uma delas e a equação
fundamental para encontrar uma solução:
4π π0 +3 1 = 0
π π0 + 1 =1
Que será:

π0 = 73 π1
= 74
Todos os casos simples de teoria das filas a serem considerados na próxima unidade são
casos especiais do processo nascimento-morte.
λ λ λ λ λ λ
..... .....
µ µ µ µ µ µ
λ µ
λ µ

Considerando novamente o problema de nascimento-morte temos a seguinte
matriz de transição:
λ λ00 01
λ λ10 11 λ12 0
λ λ21 22 λ23
λ λ32 33 λ34
λ λ43 44 λ45
. . .
. . .
0 . . .
. . .
. .
No processo de nascimento-morte as transições possíveis de um estado i são

apenas três:
I. Do estado i para o estado i – 1.
II. Do estado i para o estado i + 1.
III. Permanecia no estado i.
No caso de i = 0 temos apenas duas possibilidades. Como os saltos são proibidos
λ = 0 exceto quando |i – j| ≤ 1 .
Isso implica que a matriz Λ é tridiagonal. Além disso, devemos ter:
λ λii =−( i i, −1 +λi i, +1 )

Portanto, a forma final de nossa matriz de transição será:
λ00 λ01
λ λ10 −( 10 +λ12) λ12 0
λ21 −(λ21 +λ23) λ23
λ32 −(λ32 +λ34) λ34
λ43 −(λ λ43 + 45) λ45
. . .
. . .
0 . . .
. . .
. .

.
.
.
.

µ
λ λ
λ λ λ λ
Λ
−λλ
−λλ 0
−λλ
−λλ
−λλ
Λ=
. .
. .
0 . .
. .
.
Desde que as aplicações normalmente envolvam a contagem de ocorrências e a contagem
comece normalmente no zero, assumimos que o estado inicial é zero.
As equações diferenciais que determinam os Poj(t) são:
( )t
dpdt00 =−λp00 ( )t
dpdt01( )t =λp00 ( )t −λp01( )t
dpdt02 ( )t =λp01(t)−λp02 (t)
dpdt0 j ( )t =λp0, j−1( )t −λp0 j ( )t
A primeira equação diferencial tem como solução:
p00 ( )t = e−λt
Substituindo esse resultado na segunda equação diferencial temos:
dp01( )t =λ λe−λt − p01( )t dt
Cuja solução será:
p01( )t =λt e. −λt
Esse resultado substituído na terceira equação diferencial dá como solução:

(λ t )2 p02 ( )t = e−λt
2
Continuando esse processo chega-se à equação que expressa a solução geral:
(λt) j p0 j ( )t = j! e−λt para j = 0 1 2 3, , , ,.........
λ

Como chega uma pessoa a cada 3 minutos, temos:
λi i, +1 = para i = 0 1 2, , ,,.....,199
Como sai uma pessoa sozinha a cada 5 minutos, temos:
λi+1,i = para i = 0 1 2, , ,.......199
Como a cada 5/3 de minutos parte um par , temos:
λi+2,i = para i = 0 1 2, , ,......,198
A matriz de transição terá 200 linhas e 200 colunas e apresentará a forma:
1 1
3 3
1 −8 1
5 15 3
1 − 3 17 1
5
.
5 5 3
. .
. . .
. . .
1 1
17 5 3
3 −
− 5
5
1 4
5 5
As equações diferenciais construídas com base na definição da equação de

Chapman-Kolmogorov com os coeficientes i = 0,1,2,3,4,.........,200 ficam:
dpi0 ( )t =−1 pi0 ( )t + 15 p ti1( )+ 53 pi2 ( )t

dt 3
dpi1( )t = 1 pi0 ( )t −185 p ti1( )+ 15 pi2 ( )t + 53 pi3( )t

dt 3
dpdtij ( )t = 13 pi j, −1( )t −1715 p tij ( )+ 15 pi j, +1( )t + 53 pi j, +2 (

)t para 2 ≤ ≤j 198
.
.
dpi,199 ( )t = 13 pi,198 ( )t −1715 pi,199 ( )t + 15 pi,200 ( )t dt
dpi,dt200 ( )t = 13 pi,199 (t)− 54 pi,200 ( )t
Um processo de nascimento-morte é um processo contínuo de Markov em que

somente transições entre estados adjacentes podem acontecer. As transições
ocorrem de acordo com o processo de Poisson. Quando o processo está no estado
n, a taxa de nascimento é λn e a taxa de morte é µn.

Na próxima unidade analisaremos os processos de filas em várias situações. Um
sistema de filas é um processo de nascimento-morte em que:
I. Quando o sistema está no estado n, usuários chegam de acordo com um

processo de Poisson com taxa λn.
II. Tempos de chegada sucessivos são variáveis aleatórias que obedecem a uma
distribuição exponencial. Quando o sistema está no estado n, a variável aleatória
exponencial tem parâmetro λn.
III. Tempos de atendimento são variáveis aleatórias que obedecem à distribuição

exponencial.
A matriz de transição para o processo de nascimento-morte será:
λ0 λ0 0 0 0 0 0 . . .
µ µ1 −( 1 +λ1) λ1 0 0 0 0 . . .
0µ2 −(µ2 +λ2) λ2 0 0 0 . . .
0 0 µ3 −(µ λ3 + 3) λ30 0 . . .
.. . . . . . . .
.
.. . .
. . . .
As probabilidades do estado estacionário são obtidas resolvendo a equação

matricial:
ΠΛ. = 0
]
Π=[p0, p1, p2,...., pn
Essa equação matricial nos dá o sistema de equações:
λ0 0p +µ1 1p = 0
λ0 0p −(µ1 +λ1) p1 +µ2 2p = 0
λ1 1p −(µ2 +λ2)p2 +µ3 3p = 0 λ2 2p −(µ λ3 + 3)p3 +µ4 4p
=0
. . .
.
Essas equações são chamadas de equações de balanço, pois elas mostram o balanço entre
as taxas médias de entrada e saída para cada estado. O sistema é equivalente ao seguinte
sistema de equações lineares:

−λ 00p +µ11p = 0
−λ11p +µ 22p = 0
−λ 22p + µ 33p = 0
−λ 33p + µ 44p = 0
.
.
p1 = λ 0 p0
µ1
p2 = λ1 p1 = λλ01 p0
µ2 µµ
12
p3 = λ 2 p2 = λλ012 λ p0
µ3 µµ
123 µ
.
.
.
pn = λ n −1 pn −1 = λλ01 λ 2
.......λ n −1
p
µn µµ123 µ
.......µ n 0
λ µ
p = 1 e −12/
3
83.!
p = 1 e−32/
3
84.!
p = 1 e−53/
3
63.!
p = 1 e −910
/
3
34.!
p = 1 e −813
/
3
25.!

λ µ
−λλ0 0
0
Λ= µµ
1 −−1 λλ
1 1
0 µ2 −µ 2
(λλ0 µ1 ) t
p01 ()t = e −++ 1
p01 ()t = λ1 e −λ0t

1+
λµ 1
p01 ()t = e −+λ 0 λ 1 +µ1 )t
1) 1)
e −+λ 0 λ 1 +µ1 )t
p01 ()t = −
1 1
p01 ()t = µ1 e−λ 0t

λ 0 +λ1 +µ1
Teoria da renovação e aplicações à teoria das filas 137
138 Teoria da renovação e aplicações à teoria das filas
≥
[
µ = EX n ], n ≥1

t
F ()x = PXx
( ≤ )
n
Tn =Σ Xi , ∈
nN
i =1
∞
N t = Σ 1(Tn ≤ t )
n =1

Figura 4.2 | Diagrama do processo de contagem
O processo de Poisson é o mais importante de todos os processos de renovação.
O processo de contagem {N(t), t ≥ 0} é chamado um processo de Poisson com taxa λ, se X1,

X2, .... são independentes e têm em comum a distribuição exponencial:
P X( n ≤ =x) −e−λx, ≥
Os tempos entre chagadas obedecem a uma distribuição exponencial com parâmetro r. O
tempo médio entre chegadas é λ = 1/r. A distribuição exponencial é a única com a propriedade
de ausência de memória. O processo de contagem tem incrementos independentes e
estacionários e Nt tem a distribuição de Poisson com parâmetro rt para t ∈ [ 0 ,∞ ].
Exemplo: suponha que temos um processo de renovação cujo valor médio da função é dado
por m(t) = 2t, qual a distribuição do número de renovações ocorrendo no instante 10?
Solução: desde que m(t) = 2t é o valor médio de uma função de um processo de Poisson com
taxa 2, segue que N(10) tem uma distribuição de Poisson com parâmetro 20:
P N{ (10) =n} e−20

20n
,n 0
n!

M

Os elementos de um sistema de filas são:
Padrões de chegada
O padrão de chegada dos clientes é especificado pelo intervalo de tempo entre chegadas
consecutivas de clientes ao local de prestação de serviços.
Padrões de serviço
O padrão de serviço é específico pelo tempo de serviço, tempo necessário para um
atendimento do cliente.
Capacidade do sistema
A capacidade do sistema é o número máximo de clientes (incluindo tanto os que estão sendo
atendidos como os que aguardam na fila de espera) permitidos no local de prestação de serviços
ao mesmo tempo.
Um sistema que não tenha limite no número permitido de clientes dentro do
estabelecimento tem uma capacidade infinita, um sistema com um limite tem capacidade finita.
Disciplina das filas de espera

A disciplina da fila é a ordem pela qual os clientes são atendidos, e pode ser:
PCPS: primeiro a chegar, primeiro a sair.
UCPS: último a chegar, primeiro a sair.
SOA: serviço em ordem aleatória.
SPSA: sistema por prioridade.
Notação de Kendall:
Para o estudo de teoria das filas devemos analisar seis fatores:
(a b c// ) (: d e// f )
a: como são as chegadas ou distribuição de chegadas. b: tempo
de atendimento. c: número de atendentes. d: disciplina de
atendimento.
e: espaço para espera. f: população que
usa o sistema.
U4

As características de operação dos sistemas de filas são determinadas por duas propriedades
estatísticas: a distribuição de probabilidade dos tempos entre chegadas e a distribuição de
probabilidades dos tempos de serviço. Para sistemas de filas reais, essas distribuições podem assumir
praticamente qualquer forma (só não podem ocorrer valores negativos). Entretanto, para a formulação
de um modelo de teoria das filas como representação de um sistema real, é necessário especificar a
forma assumida de cada uma dessas distribuições. Para ser útil, a forma assumida deveria ser
suficientemente realista para que o modelo forneça previsões razoáveis, enquanto, ao mesmo tempo,
fosse suficientemente simples para que o modelo seja matematicamente tratável. Assim, a distribuição
de probabilidades mais importante na teoria das filas é a distribuição exponencial.
Suponhamos que a variável aleatória T represente o tempo entre chegadas ou o tempo de serviço.
Quais são as implicações de supormos que T tenha uma distribuição exponencial para um modelo de
filas? Para analisar isso precisamos discutir cinco propriedades-chave da distribuição exponencial.
1) A função de distribuição de probabilidade é estritamente crescente. Uma consequência dessa

propriedade é que:
P(0 ≤ ≤T ∆t)> P t( ≤ ≤ +Tt ∆t)
Para quaisquer valores estritamente positivos de ∆t e t. Isto decorre do fato de que essas
probabilidades são a área sob a curva fT( )t dentro do intervalo de comprimento ∆t indicado, e de que
a altura média da curva é menor para a segunda probabilidade do que para a primeira.
2) Falta de memória
Essa propriedade pode ser definida matematicamente como:
P T( > +t ∆t /T >∆t)
A distribuição de probabilidade do tempo restante até a próxima chegada ou conclusão do serviço é

sempre a mesma, independentemente de quanto tempo ∆t já tenha se passado. Com efeito, o processo
esquece sua história e esse fenômeno ocorre com a distribuição exponencial, pois:
) ( )
P T( > +∆tt T/ >∆t)= P T( >∆P T( t T,>∆> +∆tt)t = P TP T ( > +>∆t ∆t)t
= e−eα− ∆(αt+∆t t) = e−αt
Para tempos entre chegadas, essa propriedade descreve a situação comum em que o tempo até a
chegada seguinte não é influenciado por quando tenha ocorrido a última chegada.
3) O mínimo de diversas variáveis aleatórias independentes exponenciais tem uma

distribuição exponencial.

4) Relação com a distribuição de Poisson.
Supor que o tempo entre ocorrências consecutivas de algum tipo de incidente particular
(por exemplo, chegadas ou conclusão de serviços por um servidor continuamente ocupado)
tenha uma distribuição exponencial com parâmetro a. A propriedade tem a ver com a
implicação resultante quanto à distribuição de probabilidade do número de vezes em que esse
tipo de incidente ocorre dentro de um espaço de tempo específico. Em particular, fazendo
que X(t) seja o número de ocorrências no tempo t (t > 0), em que o tempo 0 indica o instante
em que se começa a contar. Temos que:
( ) (αt)n e−αt
P X t( ) = n = , para n = 0 1 2, , ,... n!
Isto é, X(t) tem uma distribuição de Poisson com parâmetro at. Por exemplo, com
P X( ( )t −0)= e−αt
O qual é exatamente a probabilidade da distribuição exponencial de que o primeiro

incidente ocorra depois do tempo t. A média dessa distribuição de Poisson é:
E X( ( )t )=αt
De modo que o número esperado de incidentes por tempo unitário é a. Assim, dizemos
ser a taxa média com a qual os incidentes ocorrem. Quando os incidentes são contados em
uma base contínua, o processo de contagem {X(t) / t > o} é chamado de processo de Poisson
com parâmetro a (a taxa média).
5) Para todos os valores positivos de t, P(T ≤ t +
∆t / T > t) ≈ ∆t para ∆t pequeno.
Conforme já foi dito anteriormente, T pode representar tanto tempos entre chegadas
quanto tempos de serviços nos modelos de filas. Por isso, essa propriedade oferece uma
aproximação conveniente da probabilidade de que o incidente em questão (chegada ou
conclusão do serviço) ocorra no intervalo ∆t de tempo pequeno seguinte. A propriedade
também mostra que essa probabilidade é essencialmente proporcional a ∆t para valores
pequenos de ∆t.
1)
2)

•
•
•
•
• ∞ ∞
∞ ∞
∞ ∞
Fonte:
elaborada
pelo autor.
−µ t
At() =−
1 e
−λ t Bt() =−
1 e
λ µ
λ µ

Sejam
tempo.
U4
O processo de Markov N(t) é de fato um processo de nascimento-morte com taxas independentes

do estado do sistema. Para n > 0, a transição do estado n a n+1 se dá com taxa λ e entre n e n – 1 com
taxa µ. Quando n = 0, só pode haver chegadas. Assim, chegadas correspondem a nascimentos e o fim
do serviço a uma morte. A Figura 4.5 apresenta um diagrama com taxas de mudança de processo.
Figura 4.5 | Processo nascimento-morte
λ0 λ1 λ2 λn- 1 λn λn + 1
0 1 2 ..... n n+1 .....
µ1 µ2 µ0 µn µn + 1 µ
A condição básica para que um sistema de filas seja estável é que a taxa de chegada λ
seja menor do que a taxa de serviço, ou seja, tem que ser menor que 1. Essa fração
µ
será denominada de fator de utilização da fila e será denotado por ρ.
Seja Pn(t) = P(N(t) = n) a distribuição de probabilidade do número no sistema no instante t; sua
respectiva distribuição estacionária será Pn.
Vamos escrever as equações de equilíbrio do sistema usando o procedimento conhecido como
balanço de fluxo e, com base nelas, obter a distribuição estacionária.
Definimos o fluxo como o produto da probabilidade estacionária pela taxa de transição. Vamos
admitir que em regime estacionário o sistema permanece uma fração do tempo Pn no estado n. Dessa
maneira, se chegam λ usuários por unidade de tempo, a taxa de fluxo médio que entra em n + 1
proveniente do estado n é λPn. Se condições de equilíbrio existem, então para cada estado e fluxo que
sai deve ser igual ao fluxo que entra nesse estado. Para determinar o total que sai do estado n, notamos
que o sistema vai a n + 1 se uma chegada ocorre e a n – 1 se acontece o fim do serviço. O fluxo total
que entra no estado n vem a partir de n + 1 com um fim de serviço ou, então, a partir de n – 1 pela
ocorrência de uma chegada, enquanto o fluxo que entra vem do estado 1 por causa do fim do serviço.
As equações de balanço são as seguintes:

λ µP Pn + n =µ λPn+1 + Pn−1 λ µP0
= P1
Esse sistema de equações é chamado de equações de balanço global e será resolvido

por indução matemática.
Resolvendo as equações para n = 0,1,2,3,.... temos:
P1 =λµP0 λ
P2 =µ2P0
P3 =µλ3P0
Pk =µλkP0
Então:
λ n λ n−1
(λ µ+ ) P0 =µ λPn+1 P0
Temos:
λ n+1
Pn+1 µ P P0 → n+1 = ρn+1P0
Utilizando a condição de que a soma das probabilidades estacionárias seja igual a 1,

calculamos P0:
Σ∞ Pn =1→Σ∞ λµ n
P0 =1→Σn∞=0ρnP0 =1→P0 = Σ∞1ρn

n=0 n=0
n=0
A soma realizada é a série geométrica de razão ρ que converge se |ρ| < 1. Como λ e µ são
estritamente positivos, essa condição equivale a 0 < ρ < 1. Note que nessa condição a taxa
média de serviço por unidade de tempo é maior do que a taxa média que os fregueses estão
chegando. Portanto, independentemente do quanto crescer a fila, se esvazia de tempos em
tempos e o processo de Markov será recorrente positivo com uma única distribuição de
equilíbrio. Efetuando a soma da série anterior ficamos com:
Pn =ρ ρn (1− )
Com base nos cálculos dos valores esperados obtemos:
a) Pn é a probabilidade de termos v clientes no sistema.
Pn =ρ ρn (1− ) =ρnP0
b) E(Ls)é o número médio de clientes no sistema.
Ls =
c) E L( f )é o número médio na fila. λ2
Lf =
(µ λ− )µ
d) E(Ws) é o tempo médio no sistema.
Ws =
e) EW( f ) é o tempo médio na fila.
Wf = (µ λ−λ )µ
Exemplos
1) Suponhamos que o tráfego de 1.500 veículos/hora que se aproxima de um túnel divide-
se igualmente para passar pelos postos de pedágio (existem três) que estão na entrada do túnel.
Cada posto tem uma capacidade de serviço máxima de 600 veículos/hora. Nessas condições,

ou seja, quando o fluxo é igualmente dividido entre os três postos de atendimento, podemos
considerar cada posto como uma única estação de serviço. Sob a suposição de que as chegadas
seguem a lei de Poisson e os tempos de serviços a lei exponencial, ache para um único posto
(WINSTON, 2004):
a) Qual é a probabilidade do atendente estar ocioso?
b) Qual é a probabilidade de ter fila?
c) Qual é o número médio de clientes no sistema?
d) Qual é o número médio de clientes na fila?
e) Qual é o tempo médio gasto por um veículo para deixar o sistema?
f) Qual é o tempo médio gasto por um veículo na fila?
Para um único posto temos λ = 500 ve/hora

Taxa média de atendimento µ = 600 ve/hora
λ 500
ρ = = = 0,833 µ 600
a) A probabilidade do atendente estar ocioso é:
P0 = 1 – ρ = 1 – 0,833 = 0,167
b) A probabilidade de ter fila = 1 – probabilidade de não ter fila.
Não temos fila quando temos apenas 1 ou 0 clientes no sistema.
P1 = ρ1 (1 – ρ) = 0,139
P0 = 0,167
P(fila) = 1 – [ 0,167 + 0,139] = 0694
c) Número médio no sistema:c) n˙mero mÈdio no sistema
E L( s ) =µ λλ− = 600500−500 = 5
d) n˙merod) Número médio na fila: mÈdio na fila
E L( f ) =µµ( λ−2 λ) = 600(600500−2 500) = 4 17, e) tempo mÈdio gasto no sistema
e) Tempo médio gasto no sistema:

e) tempo mÈdio gasto no sistema

1 1
EW( s ) =µ λ − = 600− 500 = 0 01, h= 36 segundos
f) tempo mÈdio na filaf) Tempo médio na fila.
500
λ = 0,0083h= 29,8 segundos
EW( f ) = µµ( −λ) = 600(600−500)
2) A seção masculina de uma grande loja emprega um alfaiate para consertar roupas compradas pelos
clientes. O número de clientes cujas roupas necessitam de consertos segue uma distribuição de Poisson
com uma taxa média de chegada de 24 por hora. Os clientes são atendidos por ordem de chegada, estando
dispostos a esperar pelo atendimento do alfaiate, já que os consertos são gratuitos. O tempo gasto para
atender um cliente é exponencialmente distribuído com média de 2 minutos (WINSTON, 2004):
Esse é um sistema M/M/1
1 cliente
2 minutos

= 30
λ
µ λ
µ λ
λ
µ
∞∞
λ →
µ →
3) µ →

clientes/hora
a) Número médio no sistema:

24
30 – 24
1
30 – 24 6
= 1 – 0,8 = 0,2
clientes ou unidades).
µt =µ1
4) S ≥ 2 é o número de atendentes.
λ
5) Definindo: ρ= , então chamamos de fator de utilização da fila a quantidade:
µ
λ
γ=
Sµ
6) P0 é a probabilidade de não ter ninguém no sistema:
P0 n ΣS=−01 ρnn!
ρ
1 s . −1γ
S! 1
7) Pn é probabilidade de ter n clientes ou unidades no sistema.
Pn ρn n ! .P0 ⇒ ≤n S

Pn =γ(n s− ). S ρ! .P0 ⇒ ≥n S
8) Lf é o número médio na fila:
Lf =
(S −1 !( .ρµ)S Sλµ P0−λ)2
9) LS é o número médio no sistema: L LS = f +ρ
=L S
10) WS é o tempo médio gasto por um cliente no sistema: WS λ
L
11) Wf é o tempo médio gasto por um cliente na fila: Wf = λf
Exemplos
1) Suponhamos que o tráfego de 1.500 veículos/hora se aproxima de um túnel no qual temos

três postos de pedágio em que cada um deles atende em média 600 veículos/hora. Sabendo que
as chegadas seguem a lei de Poisson e os tempos de serviço a lei exponencial, calcular
(WINSTON, 2004):
a) a probabilidade de ocorrer ociosidade total?

λ
µ
λ
ρ
µ
λ
γ
.µ
Σ
ρ ρ 1
γ 0,833

c) Número médio de veiculos na fila:
E(L) = ρ s µ λ P0 = (2,5)3 . 600 . 1500.0,0449 = 3,5078 veículos

f
(S – 1) ! (Sµ – λ)2 2!(1800 – 1500)2
d) Número médio de veículos no sistema:
E(Ls) = E(Lf) + ρ
E(Ls) = 3,5078 + 2,5 = 6,0078 veículos
e) Tempo médio na fila:
E(Lf) = 3,5078 = 0,0023h = 8,4188 segundos

E(Wf) =
λ 1500
f) Tempo médio no sistema:
6,0078
E(Ls)
E(Ws) = = = 0,0040h = 14,418 segundos λ 1500
2) O departamento de estradas tem três equipes que são chamadas constantemente e cujo
trabalho é analisar as condições das estradas nas proximidades de cada acidente fatal. As
equipes são igualmente eficientes, cada uma trabalha em média dois dias para investigar um
acidente e produzir o respectivo relatório, sendo o tempo exponencialmente distribuído. O
número de acidentes fatais nas estradas segue um processo de Poisson com uma taxa média de
300 por ano. Determine:
a) Qual é o intervalo de tempo entre um acidente fatal e o início de sua

investigação?
b) Quanto tempo é gasto, em média, para o departamento completar seu

trabalho após a ocorrência de um acidente?

=
0.1775
λ
ρ
µ
λ
γ
µ
(1.644) (1.644) (1.644)
Lf
Wf =
λ
3
L f = (.1 644)( 182.)5 300(.0 1775) = 0.35244
(31− )!((3 182.)5 −300)
2
W f = 0.35244 = 0.0011748(365)(24) =10.29h

300
Ls
Ws =
λ
s =
LL f ρ
+= 0.35244 +1.644 =1.9964
Ws = 1.9964 = 0.006654 (36 )(24 ) = 5829
. h
300
3)

o atendimento a partir de uma única fila. Cada atendente preenche o formulário na frente da
pessoa. O tempo médio do processamento dessa atividade é 10 minutos, sendo que o tempo
entre chegadas obedece a uma distribuição exponencial; Opção 2: cada pessoa preenche seu
formulário sem a ajuda do atendente. O tempo que as pessoas levam na execução dessa tarefa
é exponencialmente distribuído com média de 8 minutos. Quando a pessoa preencheu seu
formulário ela se junta a uma fila e espera por um dos atendentes conferir seu formulário. O
atendente leva uma média de 3 minutos (exponencialmente distribuídos) para realizar essa
tarefa. O tempo entre chegadas das pessoas obedece a uma distribuição exponencial com média
de 3,8 pessoas por hora. Qual opção permite que as pessoas gastem o menor tempo possível no
setor?
Opção 1:
1 pessoa 1
µ= = = 6 pessoas/hora
10 minutos λ= 3 8. pessoas/hora ρ= = 0 633. γ= = 0 2111.
P0 = 2 = 0.5083
1+0 633.+ 1( .0 633)3 1
( .0 633) 3! 1−0 2111.

2!
Tempo médio no sistema:
Ws = Lλs
Ls = Lf +ρ
Lf = ( .0 633 2 3 6!()36 3 8 0 5083( )( . )( .−3 8. )2

) = 0.00728
Ls = 0.00728+0.633 = 0.64028

0.
Ws = = 0.1684h =10.109min

pessoas
λ = 38.
hora
1 pessoa 1
µ= = 1 = 20 pessoas/hora
3 minutos 3
60
λ 38
.
ρ= = = 019.
µ 20
38.
γ= = 00633
.
320
( )
1
P0 = 2 = 0.8052
(.019 ) (.01 9)3 1
1 + 019
. + +
2! 6 1 −00633
.
)3 (.)(.
(.019203808052 )
Lf = = 000006644
.
!( ( ) −38
2320 .) 2
Ls = L f +=ρ 019. + 000006644

. = 019
. 006644
L 019006644
.
Ws = s = = 005001
. h = 3001
. min
λ 38.
t =+
8 3001. =11. 01

U4
6. Os caminhões de uma empresa de transportes chegam à estação de serviço da

empresa de acordo com um processo de Poisson, com uma taxa média de 10 por
dia. A estação de serviço pode atender apenas um caminhão de cada vez, sendo
o tempo de serviço exponencialmente distribuído com média de 1/12 por dia. O
custo de funcionamento da estação de serviço é $200,00 para a empresa,
estimando-se que o custo de imobilização de um caminhão na estação de serviço
durante um dia seja de $50,00.Pode-se reduzir o tempo de serviço médio para
1/15 por dia, com a compra de um novo equipamento, o que acarretará um
aumento no custo diário de funcionamento da estação de serviço para $245,00.
Qual é o menor custo (HILLIER; LIEBERMAN, 2006)
a) $675,00.
b) $235,00.
c) $345,00.
d) $890,00.
e) $975,00.
7. Uma empresa deseja contratar um reparador para efetuar manutenção em

suas máquinas que param a um ritmo de 3 falhas por hora. Para isso, possui duas
opções: um reparador lento que é capaz de consertar a um ritmo de 4 falhas por
hora ou um reparador rápido que é capaz de consertar a um ritmo médio de 6
falhas por hora. O salário médio do reparador lento é $3,00 por hora e o do
reparador rápido é $5,00 por hora. Qual contratação deve ser efetuada para que
o custo total seja mínimo? Sabe-se que uma máquina parada implica um custo
horário de $5,00. O custo mínimo da contratação será (HILLIER; LIEBERMAN,
2006):
a) $10,00.
b) $18,00.
c) $5,00.
d) $14,00.
e) $20,00.


Processos Estocasticos Unopar

Enviado por

Direitos autorais:

Formatos disponíveis

Processos Estocasticos Unopar

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Processos Estocasticos Unopar

Enviado por

Direitos autorais:

Formatos disponíveis

Processos estocásticos

Vice-Presidente Acadêmico de Graduação Mário Ghio

Revisor Técnico Sabrina

Dados Internacionais de Catalogação na Publicação (CIP)

1. Processos estocásticos. II. Título.

Unidade 1 | Processos estocásticos

Unidade 3 | Processos de Poisson

Trataremos de maneira resumida, nesta seção, as principais características dos processos

1.1 Introdução e primeira definição de processo estocástico

Em praticamente todas as situações que aparecem a seguir, o parâmetro θ encontrase

1) Se inicialmente um funcionário for designado para a distribuição, qual a probabilidade

2) Se inicialmente um funcionário começar na geração, quantos semestres passarão, em

3) Se um funcionário conseguir permanecer cinco anos na empresa, quantas vezes em

4) Em longo prazo, qual a porcentagem de designações será para a geração?

Dessa maneira, a nova designação ocorre em intervalos fixos de um semestre, a passagem

Iniciando em um instante arbitrário, representamos o intervalo, particular de seis meses pelo

A designação de número n, ou seja, a n-ésima designação ocorre no início do n-ésimo

Se especificarmos um particular intervalo no futuro e perguntarmos em que setor o

{x1, x2, x3 ........, xn}

Mas, geralmente, a probabilidade de um processo estar em determinado estado, em algum

As principais propriedades distinguidas entre os processos estocásticos observados

II. O conjunto de todos os valores observados, ou seja, de todas as possíveis respostas ou

III. As fontes ou formas da aleatoriedade presentes, incluindo a natureza da dependência

IV. O número de cópias do processo disponível (somente uma ou várias), as quais

As observações de um processo estocástico são feitas no tempo. Se essas observações forem

Assim, inicialmente é importante notar:

I. Se os estados são dados em pontos no tempo.

II. Os eventos ou a mudança de estado em um instante temporal particular.

III. Os instantes dos eventos.

Considere os exemplos a seguir:

Exemplo 1 – Quando um economista mede a taxa mensal de desemprego, o tempo é um

Conforme observamos anteriormente, esses dois processos ocorrem em tempo discreto.

Uma resposta é armazenada quando um evento específico de interesse ocorre. No entanto,

O conjunto de todos os possíveis estados observáveis é chamado de espaço de estados. Ele

O conceito de ergodicidade está relacionado de maneira muito próxima ao conceito de

I. Uma série para um período longo o suficiente, se for razoavelmente estável.

II.Várias pequenas replicações do processo, se elas forem razoavelmente similares.

f(yt / y0, y1, ......., yt−1) = f(yt / yt−1)

Nesta seção discutiremos com um pouco mais de profundidade os processos estocásticos,

2.1 Definição formal de processo estocástico.

A propriedade Markoviana define que, se o estado atual for conhecido, a probabilidade

2.2 Exemplos de processos estocásticos

0 para t < 075

Gráfico 1.3 | Gráfico modelo de simulação do robô

Fonte: elaborado pelo autor.

Para processos governados por atividades que obedecem a distribuições de

Considere um técnico de manutenção que executa reparos em residências. Em

3.1 Exemplos gerais de processos estocásticos.

Exemplo 7: Emissão de fótons

O número de fótons detectado pelo equipamento subestima o número real de fótons

Exemplo 8: Modelos de epidemias

Uma epidemia pode ser compreendida como um processo estocástico no tempo

Exemplo 9: Modelos de crescimento populacional

Seja P(t) a população em um certo instante t. No intervalo de tempo ∆t a

A equação associada a ela torna-se uma equação diferencial estocástica: dP(t)

= (a(t) + ruído) P(t)dt

Exemplo 10: Difusão de partículas

Considere o fluxo de um fluido com um campo de velocidades v(x). Uma partícula

Exemplo 11: Nível de colesterol