Métodos Quantitativos 2023/2024

P1 Grupo 3

Trabalho realizado por:

▪ Artur Cruz n.º 62487

▪ Duarte Lima n. º63766
▪ Iulia Stancu n.º 62901
▪ Sofia Antunes n.º 60859
▪ Tomás Sousa n.º 63418
Índice

1. Introdução.................................................................................3
2. Síntese Caso de Estudo...........................................................4
3. Proposta Mini-Caso..................................................................6
4. Resolução Mini-Caso................................................................7
4.1. Modelo de Fila de Espera.....................................7
4.2. Cálculos modelos de Fila de Espera....................7
4.3. Ferramentas de análise........................................9
4.4. Cálculo dos custos..............................................12
5. Análise de Diferenças entre casos..........................................13
6. Conclusão................................................................................14
7. Autoavaliação e Responsabilidade Individual.........................15

Índice de Figuras

1. Tab.1(Tabela de Valores do Caso de Estudo).........................................1

2. Fig.1(Screenshot do RStudio)..................................................................4
3. Fig.2(Resultados RStudio).....................................................................10
4. Fig.3(Resultados RStudio).....................................................................10
5. Tab.2(Resultados de L, Lq, W, Wq, P0)................................................11
6. Fig.4(Gráfico de evolução de Wq, Lq em relação ao nº de servidores).11
7. Fig.5(Gráfico de Custos)........................................................................12

2
1. Introdução
Este relatório tem como objetivo analisar e otimizar um sistema de atendimento
utilizando a teoria das filas de espera, com base em um modelo previamente estudado.
A teoria das filas é essencial para entender e melhorar a eficiência em ambientes onde
ocorrem esperas, como em serviços ao cliente, saúde, transportes e muitos outros.

O modelo utilizado é baseado em um caso específico de um restaurante, onde

foram reunidos e analisados dados sobre o tempo de espera dos clientes, o número de
servidores necessários e a taxa de utilização do sistema. A partir desses dados, é
possível identificar o número ideal de servidores para garantir um equilíbrio entre
eficiência operacional e satisfação dos clientes.

Além de aplicar o modelo original, propomos uma modificação para avaliar como
o sistema vai reagir em cenários mais complexos, como variações na população, canais
de atendimento e em custos dos operadores. O objetivo é, verificar se certos ajustes no
modelo podem levar a melhorias adicionais na gestão de filas e na experiência do
cliente.

Este estudo demonstra a importância da teoria das filas na tomada de decisões

gerenciais e na otimização de recursos, mostrando como a aplicação de modelos
teóricos pode resolver problemas práticos em diversos contextos.

3
2. Síntese Caso de Estudo
O artigo atribuído ao nosso grupo aborda um problema de filas de espera de um
sistema de atendimento de um restaurante XYZ. O objetivo deste estudo, é analisar e
otimizar o número de servidores do sistema de atendimento onde é utilizada a teoria
das filas para que seja possível minimizar o tempo de espera e para que seja
maximizada a eficiência operacional.

O modelo deste sistema é (M/G/S/FIFO/4/∞) e indica que as chegadas seguem

uma distribuição de Poisson (M), que o atendimento segue uma distribuição não
especificada (G), que o número de servidores (S) é desconhecido, que a disciplina de
fila de espera é First In First Out (o primeiro a chegar à fila é atendido primeiro), que há
uma limitação do sistema em que a sua capacidade máxima é de 4 (K=4) e que, por
último, a população é infinita. A análise estatística foi conduzida com a utilização do
software EasyFit que permite ajustar a distribuição dos dados de chegada e de
atendimento, verificando a adequação dos modelos teóricos com os dados reais.

Foram coletados durante um período de 8 horas de operação dados como a taxa

de chegada (λ) de 0.4542 pessoas/minuto e o tempo de atendimento de 2.344
minutos/pessoas que, posteriormente, permitiu o cálculo da taxa de atendimento (μ) de
0.4266 pessoas/minuto. Com esses dados foi possível calcular os seguintes parâmetros
com a utilização das respetivas fórmulas de um sistema (M/G/S/K), onde K é a
capacidade máxima do sistema (4) e o S, número de servidores, admite diferentes
valores, correspondentes à primeira coluna da seguinte tabela.

Tab.1 Tabela de valores do Caso de Estudo

Com os valores obtidos, conclui-se que o número ótimo de servidores do caso

de estudo é de dois visto que o tempo de espera de 0.46 minutos é muito inferior aos
15 minutos máximos de espera e que o número médio de visitantes da fila é de 0.2104,
ou seja, aproximadamente 1 pessoa. O nível de utilização do sistema é de 53.23% o
que indica que os servidores estão ocupados aproximadamente metade do tempo, o
tempo médio de permanência no sistema desde que um cliente entra no restaurante e
até à saída do mesmo é de 2.8074 minutos, e o número médio de clientes no sistema
também pode ser arredondado para 1 pessoa, o que indica que o sistema mantém um
fluxo estável de clientes.

4
 Adicionar mais servidores não seria tão proveitoso pois iria reduzir o tempo de
espera por pouco, não justificando o ganho marginal de satisfação do cliente devido ao
custo adicional, visto que, os custos seriam mais elevados e a utilização seria de
35.49%, ou seja, levaria a uma subutilização dos recursos humanos o que não seria
economicamente eficiente. Assim, o estudo concluí que a melhor forma de se balancear
a eficiência e os tempos de espera é com a utilização de dois servidores de modo a
oferecer um serviço eficaz com os menores custos operacionais possíveis.

As limitações que foram consideradas para este caso de estudo foi ser um
sistema simplificado que poderá não ser adequado para exemplificar situações mais
complexas da vida, como por exemplo, variações nas chegadas e nos tempos de
atendimento que são situações do quotidiano. No entanto, é um bom artigo para se
entender as aplicações que a teoria das filas de espera e para se aplicar os conceitos
aprendidos durante a unidade curricular de Métodos Quantitativos. A gestão de filas de
espera é crucial para tratar o serviço ao cliente em diversos ambientes e com a utilização
da teoria das filas de espera, uma estratégia matemática que analisa e otimiza sistemas
de espera, é possível avaliar muitas outras situações semelhantes à deste caso.

5
3. Proposta Mini-Caso
Foi criada uma proposta para um novo caso de estudo relacionado com o do
enunciado fornecido, mas com modificações que foram consideradas mais realistas e
relevantes para a otimização do sistema da fila de espera. Para este novo caso do
restaurante, foram assumidos os seguintes pressupostos para o modelo de fila de
espera:
• Entrada individual de elementos;
• A disciplina da fila é FIFO (First In First Out);
• As chegadas seguem uma distribuição de Poisson;
• O atendimento segue uma distribuição Exponencial Negativa;
• A capacidade total do restaurante é 15;
• População finita de 300 elementos de uma aldeia.

Deste modo, para esta nova situação pretende-se calcular também o número de
servidores ótimo para um bom funcionamento do sistema visto que a taxa de chegada
é de 32 pessoas/hora e a taxa de atendimento de 14 pessoas/hora respetivamente.
Foram alterados os valores para a taxa de chegada e a de atendimento, adaptando-os
para situações mais realistas no caso de um restaurante de maiores dimensões.

Para se conseguir comparar também a eficácia financeira da nossa fila de

espera, foram estabelecidos os seguintes custos:
• Custo de 1-2 servidores: 8€/hora;
• Custo de 3-4 servidores: 12€/hora visto que é preciso contratar os trabalhadores
em horário extra;
• Custo de 5-6 servidores: 30€/hora pois é necessário empregar a uma empresa
externa para suportar o número balcões desejados;
• Custo de espera: 25€/hora*fila, custo de oportunidade perdido.

6
4. Resolução Mini-Caso
4.1 Modelo de Fila de Espera

Primeiramente, para a resolução deste mini-caso é necessário atribuir um modelo

de fila de espera relativamente ao enunciado, sendo este M/M/S/K/FIFO/N, um dos
modelos mais complexos onde:
• M – Chegadas seguem uma distribuição de Poisson
• M – Atendimento segue uma distribuição Exponencial Negativa
• S – Número de servidores do sistema (está por determinar)
• K – Capacidade do sistema é de 15
• FIFO – Disciplina da fila, o primeiro a chegar é o primeiro a ser atendido
• N – Dimensão da população que é finita e de 300

Assim, tendo estabelecido o modelo como M/M/S/15/FIFO/300 é possível iniciar-

se a resolução através da aplicação direta de fórmulas ou com a utilização de diversas
aplicações informáticas.

4.2 Cálculos Modelo de Fila de Espera

Como desconhecemos as fórmulas para uma população finita foram feitos os

cálculos tendo em consideração que esta é infinita para se utilizar uma fórmula
conhecida do formulário de Métodos Quantitativos e para se verificar posteriormente o
bom funcionamento do software escolhido. Ao obter os mesmos valores com a aplicação
direta de fórmulas e o software, podemos posteriormente confiar plenamente nos
resultados obtidos do software para o cálculo de um sistema com uma população finita.
De modo a simplificar o sistema, temos: M/M/S/15/FIFO/∞.

λ =32; μ=14

Para K=1: Modelo M/M/1/K

7
 • Fator de ocupação ρ=2,28571

1−(𝜆/𝜇) 1−(32/14)
𝑃0 = = = 0,0000023,
1−(𝜆/𝜇)𝐾+1 1−(32/14)15+1
a probabilidade de o sistema estar vazio é praticamente nula.

𝜌 (𝐾 + 1) ⋅ 𝜌𝐾+1 2.28571 (15 + 1) ⋅ 2.2857115+1

𝐿 = − = − = 14.2223
1−𝜌 1 − 𝜌𝐾+1 1 − 2.28571 1 − 2.2857115+1

Para K>1 ou seja, para K=S, as fórmulas utilizadas são as seguintes:

Quando:

• S=2
• Fator de ocupação ρ = 1,14286
•
1 1
𝑃0 = (𝜆/𝜇) 𝑛 (𝜆/𝜇)𝑠 1−𝜌𝐾−𝑆+1 = (32/14) 𝑛 (32/14)2 1−1,1428615−2+1
∑𝑆−1
𝑛=0 𝑛! + 𝑆! ⋅ 1−𝜌 ∑2−1
𝑛=0 + 2! ⋅
𝑛! 1−1,14286

= 0.00965

𝑃0 ⋅(𝜆/𝜇)𝑆⋅𝜌
𝐿𝑞 = 𝑆!(1−𝜌)2
⋅ [1 − 𝜌𝐾−𝑆 − (𝐾 − 𝑆)𝜌𝐾−𝑆 (1 − 𝜌)]
= 8.27746 (aproximado ao valor obtido em 4.3, a discrepância ocorreu devido a
arredondamentos).

8
4.3 Ferramentas de Análise

Para a resolução do nosso mini-caso de estudo, foram realizados cálculos

anteriores através da aplicação direta de fórmulas, no entanto, os mesmos foram
corroborados com a utilização de diversas aplicações informáticas.

As aplicações informáticas permitem criar modelos matemáticos

correspondentes a filas de espera, para que seja possível realizar uma análise
estatística e uma simulação dos sistemas. Com base nos modelos criados também é
possível analisar o desempenho no sistema, graças à estimação de métricas, como por
exemplo, o tempo médio de espera, a taxa de ocupação de servidores, o número médio
de clientes na fila, etc. Os cálculos através da aplicação direta de fórmulas são um
método menos útil e prático pois demora muito tempo para se obter os resultados
pretendidos, assim, com a utilização de um software de análise de filas de espera é
possível criar e testar diferentes cenários e políticas de atendimento mais rapidamente.

Deste modo, o software escolhido foi o RStudio que em conjunto com pacotes
“simmer” permite criar simulações de sistemas de filas de espera. Depois de criados os
modelos desejados de filas de espera para o nosso caso, foi possível avaliar o impacto
de se aumentar o número de servidores e otimizar-se as variáveis para se reduzir o
tempo de espera dos clientes e aumentar a eficiência do sistema tendo em conta
também os custos. Também é possível criar gráficos com o “ggplot2” para uma
visualização mais fácil e compreensiva dos resultados obtidos, já que o RStudio possui
ferramentas para visualização de dados.

Primeiramente, para a criação do nosso modelo de fila de espera calculado

acima, é preciso instalar o pacote “simmer” e o pacote queueing, utilizado para
simulações e para o cálculo de características de uma fila, com o seguinte código:
> install.packages("simmer")
> library(simmer)
> install.packages(“queueing”)
> library(queueing)
Posteriormente, é criado o nosso modelo onde também são definidos os parâmetros:
>i_mm1k <- NewInput.MM1K(lambda=32, mu=14, k=15)
> View(i_mm1k)
> o_mm1k <- QueueingModel(i_mm1k)
É possível ver os resultados com summary(o_mm1k) ou ao clicar-se no canto
superior direito em “Environment -> Data -> List of ()” onde se encontram todos os
parâmetros, como na figura 2. Foi repetido o mesmo raciocínio para outras filas de
espera utilizando-se o mesmo modelo, mas variando o número de servidores do
sistema, para que seja possível avaliar-se e escolher-se o melhor.

9
 Fig.1 Screenshot do RStudio

Deste modo, comprova-se que de facto, os valores obtidos no RStudio são

idênticos aos cálculos através da aplicação de fórmulas. Assim, foram criados mais
modelos com diferentes valores de servidores através da programação em R por ser um
método muito mais rápido do que o cálculo pela utilização das fórmulas do modelo
M/M/S/K. Para a criação de um modelo onde se varia o número de servidores o
raciocínio é o mesmo, tendo sido utilizado o seguinte código:
>i_mmck <- NewInput.MMCK(lambda=32, mu=14, c=2 , k=15)
> View(i_mmck)
> o_mmck <- QueueingModel(i_mmck)
O mesmo código é repetido e apenas é alterado o valor c para se obter os
seguintes resultados para um número diferente de servidores como demonstrado nas
figuras seguintes.

Fig.2 Resultados RStudio

10
 Por fim, também foram calculados os valores para um modelo M/M/S/K/FIFO/N
que é o objetivo deste trabalho e é a situação do nosso mini-caso, através do RStudio,
com a utilização do seguinte código onde o valor do c (número de servidores) foi alterado
entre 1 e 6:
> i_mmckm <- NewInput.MMCKM(lambda=32, mu=14, c=2, k=15, m=300, method=0)
> View(i_mmckm)
> o_mm2km <- QueueingModel(i_mmckm)

Fig.3 Resultados RStudio

Com os valores obtidos em RStudio, criou-se a seguinte tabela e gráfico de resultados

para 6 servidores do modelo desejado:

S L(pessoas) Lq(pessoas) W(horas) Wq(horas) P0

1 14.99847 13.99847 1.071319 0.9998906 4.09e-43
2 14.99693 12.99693 0.5356047 0.4641761 6.69e-39
3 14.99539 11.99539 0.3570331 0.2856045 1.30e-36
4 14.99384 10.99384 0.2677472 0.1963186 4.10e-35
5 14.99229 9.992293 0.2141756 0.142747 4.76e-34
6 14.99074 8.990737 0.1784612 0.1070326 2.94e-33
Tabela.2 Resultados de L, Lq, W, Wq, P0

Fig.4 Gráfico de evolução de Wq e Lq em relação ao nº de servidores

11
4.4 Cálculo de Custos

Dados:

• 8 horas/dia
• Custo (espera da fila) = 25€/hora
• Caso1 = Caso2 = 8€/hora
• Caso3 = Caso4 = 12€/hora
• Caso5 = Caso6 = 30€/hora

Fig.5 Gráfico de Custos

→ 𝐶1 = (8 ⋅ 8 ⋅ 1) + (14 ⋅ 8 ⋅ 25) = 2864€

→ 𝐶2 = (8 ⋅ 8 ⋅ 2) + (13 ⋅ 8 ⋅ 25) = 2728€
→ 𝐶3 = (12 ⋅ 8 ⋅ 1) + (8 ⋅ 8 ⋅ 2) + (12 ⋅ 8 ⋅ 25) = 2624€
→ 𝐶4 = (12 ⋅ 8 ⋅ 2) + (8 ⋅ 8 ⋅ 2) + (11 ⋅ 8 ⋅ 25) = 2520€
→ 𝐶5 = (12 ⋅ 8 ⋅ 2) + (8 ⋅ 8 ⋅ 2) + (1 ⋅ 30 ⋅ 8) + (10 ⋅ 8 ⋅ 25) = 2560€
→ 𝐶6 = (12 ⋅ 8 ⋅ 2) + (8 ⋅ 8 ⋅ 2) + (2 ⋅ 30 ⋅ 8) + (9 ⋅ 8 ⋅ 25) = 2600€

12
5. Análise de diferenças entre casos
Logicamente, encontrando um balanço entre o custo estimado de permanência
dos clientes no restaurante e os custos horários dos servidores, podemos observar,
segundo os cálculos realizados, que o caso 4 é o mais económico. Logo, podemos
assumir que seria também o mais praticável.
Para o mini-caso proposto que corresponde a uma adaptação do caso de estudo,
conclui-se a seguinte resolução como a ótima:

M/M/S/K/FIFO/N = M/M/4/15/FIFO/∞

No entanto, cabe considerar que esta opção utiliza servidores com custos
adicionais que foram especulados durante a resolução do mini-caso e que apenas pode
ser considerado como uma proposta de adaptação do caso requerido e que também
conta com uma adaptação da capacidade do sistema (K=4 para K=15) e da dimensão
da população (N=∞ para N=300) apenas possível ao utilizar o software RStudio.

Ainda assim, tendo em conta que o caso proposto tem o objetivo de realizar um
estudo mais realista e comparável ao de uma situação similar verdadeira, justifica tais
modificações.

13
6. Conclusão

Durante o desenvolvimento do trabalho deparámos-mos com certas

adversidades, nomeadamente a adaptação do caso de estudo e da escolha das
ferramentas de análise. Para esta última, optámos pela utilização do RStudio, uma
opção que tornou viável a adaptação da dimensão da população para um valor contrário
a infinito, algo que não foi possível durante o estudo de Métodos Quantitativos, o que
nos deu a oportunidade de ir além da matéria instruída durante o semestre, utilizando
programas alternativos e correntes.
Com a utilização de pacotes incluídos no RStudio como o “simmer” e o
“queueing”, foi possível criar simulações realistas de vários sistemas de filas de espera,
onde avaliámos o efeito do aumento do número de servidores para o nosso mini-caso
de modo a otimizar o funcionamento do sistema tendo sempre em conta os custos
envolvidos.
Pudemos ainda explorar os conceitos aprendidos em aula o que foi bastante útil
na sua aprendizagem já que os implementámos num caso mais realista, deixando-nos
mais preparados para a sua futura utilização num âmbito profissional ou académico.
Em resumo, pensamos que a resolução apresentada pelo grupo é a melhor no
contexto do mini-caso proposto e que conseguimos em grupo chegar a uma solução
ótima alcançando um equilíbrio eficaz entre eficiência operacional e satisfação de
atendimento.

14
7. Autoavaliação e Responsabilidade Individual

No decorrer deste trabalho, todos os membros do grupo contribuíram para a sua

realização em aspetos e situações diferentes. Em relação a “brainstorming” de ideias,
todos contribuíram igualmente, ao sugerir valores para utilizar, o que escrever no
relatório e de como realizar os cálculos.

Para além disso, a Sofia Antunes organizou o trabalho realizado, os documentos

Excel, realizado durante a análise do mini-caso, e Word e realizou sínteses das
conversas ocorridas, como também realizou alguns cálculos. A Iulia Stancu escreveu a
síntese do caso de estudo e a proposta do mini-caso, e também realizou cálculos,
análise em R e tabelas essenciais para a conclusão do estudo do mini-caso. O Duarte
Lima escreveu e transcreveu alguns cálculos no relatório. O Artur Cruz e o Tomás Sousa
forneceram bastantes dados e realizaram cálculos necessários para a realização do
caso de estudo.

Para finalizar, e depois de discutirmos entre o grupo, concluímos unanimemente

que a Iulia Stancu foi quem contribui mais, seguida do resto dos elementos do grupo
que tiveram contribuições semelhantes.

Autoavaliação: 18-19valores

15