Estimativa Do Número Mínimo de Peças de Reposição

1
ESTIMATIVA DO NMERO MNIMO DE PEAS DE REPOSIO

REPARVEIS UTILIZANDO PROCESSOS ESTOCSTICOS
MARCUS VINICIUS DA SILVA SALES
UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE - UENF

CAMPOS DOS GOYTACAZES - RJ
MAIO - 2011


Dissertao apresentada ao Centro de
Cincia e Tecnologia, da Universidade
Estadual do Norte Fluminense, como
parte das exigncias para obteno de
ttulo de Mestre em Engenharia de
produo".
Orientador (a): Prof Gudelia Guilermina Morales de Arica
CAMPOS DOS GOYTACAZES - RJ

MAIO - 2011
FICHA CATALOGRFICA
Preparada pela Biblioteca do CCT / UENF
29/2011
Sales, Marcus Vinicius da Silva

Estimativa do nmero mnimo de peas de reposio reparveis
utilizando processos estocsticos / Marcus Vinicius da Silva Sales.
Campos dos Goytacazes, 2011.
xiii, 87 f. : il.
Dissertao (Mestrado em Engenharia de Produo) -Universidade Estadual do Norte Fluminense Darcy Ribeiro. Centro de
Cincia e Tecnologia. Laboratrio de Engenharia de Produo.
Campos dos Goytacazes, 2011.
Orientador: Gudlia Guilermina Morales de Arica.
rea de concentrao: Pesquisa operacional.
Bibliografia: f. 74-76.
1. Controle de estoque 2. Peas de reposio sobressalente 3.
Aplicao de processos estocsticos I. Universidade Estadual do
Norte Fluminense Darcy Ribeiro. Centro de Cincia e Tecnologia.
Laboratrio de Engenharia de Produo lI. Ttulo.
658.787
CDD
iii

"Tese apresentada ao Centro de Cincia

e Tecnologia, da Universidade Estadual
do Norte Fluminense, como parte das
exigncias para obteno de ttulo de
mestre em Engenharia de Produo".
Aprovada em 20 de Maio de 2011.
Comisso Examinadora:
iv
Dedicatria
Dedico esta dissertao a minha famlia, em especial a

minha tia Maria das Graas Gonalves da Silva (In
memorian) que, em vida, me motivava com toda a sua
sabedoria e dedicao ao estudo e ao trabalho.
A todos, o meu eterno agradecimento.
Agradecimentos
A Deus, sobre todas as coisas.

Aos meus pais, Jos Antnio e Nila, por serem formadores do meu carter, e que
sempre me incentivaram aos estudos. As minhas irms e meus sobrinhos, pela
pacincia e no pacincia que tiveram comigo durante todo o meu estudo. Aos meus
tios e primos, por compreenderem muitas das minhas faltas, sei que vocs sempre
acreditaram em meu potencial.
A Prof. Gudelia Morales, minha orientadora do mestrado, pelos ensinamentos,
disponibilidade e orientaes para que eu pudesse concluir esta dissertao com o
conhecimento maior do que quando iniciei. Ao Prof. Paulo Dias, meu orientador na
graduao por me incentivar na formulao do tema aqui apresentado. Ao Prof.
Jos Arica, pelos ensinamentos e por sempre estar de portas abertas para me
receber e esclarecer minhas dvidas. Aos professores do LEPROD/CCT, pelos
ensinamentos e confiana depositada em mim. A Ktia Rosane e Rogrio Castro,
Secretria do LEPROD e Secretrio Acadmico, por sempre estarem dispostos a me
ajudar orientando nos procedimentos a serem tomados durante o mestrado.
Ao grande amigo Fernando Frana, que desde o inicio do mestrado mostra-se como
um exemplo de amizade; por ser meu psiclogo me escutando em momentos de
dificuldade e me ajudando a solucion-los. Aos amigos do mestrado, pelo
companheirismo, pelas dicas, boas conversas e pelos bons momentos de
descontrao. Andr, a pacincia a sua virtude. A minha amiga Tamara, que
desde a graduao deposita tanta confiana em mim. Aos meus amigos, Anderson,
Felipe, Maycon e Paulo, por me apoiar durante este perodo, respeitando os meus
momentos de estudo e sempre estando presentes quando eu precisava.
A CAPES (Coordenao de Aperfeioamento de Pessoal de Nvel Superior), por
financiar meus estudos, e sempre acreditar na potencialidade de seus alunos.
vi
Sumrio
Lista de Smbolos ....................................................................................................... ix
Lista de Figuras ........................................................................................................... x
Lista de Tabela ........................................................................................................... xi
Resumo ..................................................................................................................... xii

Abstract .................................................................................................................... xiii
Captulo 1 - Introduo ............................................................................................. 14
Captulo 2 - Estoques: Metodologias e Modelos ...................................................... 17

2.1 Modelos simples para o clculo dos estoques ................................................ 17
2.2. Reviso de literatura sobre estoque de peas de reposio ............................. 23
Captulo 3 - Conceitos Preliminares ......................................................................... 29

3.1. Processos Estocsticos ..................................................................................... 29
3.2. Processos Markovianos..................................................................................... 33
3.3. Cadeia de Markov.............................................................................................. 34
3.4. Equaes de Chapmam-Kolmogorov ................................................................ 36
3.5. Classes de estados em uma cadeia de Markov ................................................ 38
3.6. Probabilidades de Estado Estvel ..................................................................... 41
3.7. Cadeias de Markov em Tempo Contnuo .......................................................... 43
3.8. Processo de Nascimento e Morte ...................................................................... 47
3.9. Distribuio tipo Fase (PH) ................................................................................ 53
Captulo 4 - Metodologia QBD e Aplicaes............................................................. 55

4.1. Processo de Quase Nascimento e Morte (QBD) .............................................. 55
4.1.1. Representao de linhas de Produo ........................................................... 56
4.1.2. Parmetros de Confiabilidade Usando um Processo QBD............................. 63
4.1.3. Estimativa de peas de reposio reparveis................................................. 66
vii
Captulo 5 ................................................................................................................. 71
Concluses ............................................................................................................... 71
5.1. Consideraes Finais ........................................................................................ 71
5.2. Trabalhos futuros ............................................................................................... 72
Referncias .............................................................................................................. 74
ANEXO I Diferena entre Distribuio e Processo de Poisson ............................. 77
ANEX0 II Exponencial de uma Matriz Quadrada ................................................... 79
ANEXO III Operaes de Kronecker ..................................................................... 80
ANEXO IV Definies de Confiabilidade e Disponibilidade ................................... 84
APNDICE A ............................................................................................................ 85
viii
Lista de Smbolos
EOQ Economic Order Quantity Lote Econmico de Compras.

QBD process Quasi-Birth- and-Death Processo de Quase-Nascimento-e-Morte.
M/M/1 Modelo de Fila com processo de chegada do tipo Poisson, tempo de servio
exponencial e apenas um servidor.
Distribuio PH Distribuio tipo Fase.
Q Matriz geradora infinitesimal formada por blocos tri-diagonais que indicam
probabilidade de transio entre estados e subestados.
Operao produto de kronecker.
Operao soma de kronecker.
ix
10
Lista de Figuras
Figura 1 Cadeia estocstica de parmetro discreto a): Fogliatti e Mattos (2007) . 32
Figura 2 Cadeia estocstica de parmetro continuo b): Fogliatti e Mattos (2007). 32
Figura 3 Processo estocstico contnuo de parmetro discreto c): Fogliatti e
Mattos (2007). .......................................................................................................... 32
Figura 4 Processo estocstico contnuo de parmetro continuo do item d): Fogliatti
e Mattos (2007). ....................................................................................................... 33
Figura 5 Diagrama de fluxo de uma cadeia de Markov de parmetro continuo:
Fogliatte e Mattos (2007). ......................................................................................... 36
Figura 6 Tela de entrada para os estados 2 i, j 10 de uma Cadeia de Markov
do exemplo na pgina 717 em Hillier e Lieberman (2006). ...................................... 37
Figura 7 Matriz de transio na 2 etapa, n=2. .................................................... 38
Figura 8 Matriz de transio na 5 etapa, n=5. ..................................................... 38
Figura 9 Representao em diagrama de rede da matriz de transio
P . .......... 40
Figura 10 Matriz de transio na 8 etapa, apresentando as probabilidades de

estado estvel, calculadas para n etapas. ................................................................ 43
Figura 11 Probabilidades de estado estvel, calculadas por meio das equaes de
estado estvel............................................................................................................42
Figura 12 Modelo bsico do Processo nascimento e morte usando grafos: Fogliatti
e Mattos (2007). ....................................................................................................... 48
Figura 13 Representao de um processo QBD: Fadiloglu e Yeralan (2002). ..... 57
Figura 14 Servidor com buffer limitado e parmetros relevantes: Fadiloglu e
Yeralan (2002). ......................................................................................................... 58
Figura 15 Diagrama de transio de Markov para o Modelo 1: Fadiloglu e Yeralan
(2002). ...................................................................................................................... 58
Figura 16 Servidor com avaria e reparo e seus parmetros relevantes, adaptado
de Fadiloglu e Yeralan (2002). ................................................................................. 59
x
11
Figura 17 Diagrama de transio de Markov do Modelo 2: Fadiloglu e Yeralan

(2002). ...................................................................................................................... 60
Figura 18 Servidor com tempo de servio Erlang-2, buffer limitado e parmetros
relevantes: Fadiloglu e Yeralan (2002). .................................................................... 61
Figura 19 Diagrama de transio de Markov do Modelo 3: Fadiloglu e Yeralan
(2002). ...................................................................................................................... 61
Figura 20 Resultados obtidos com o cdigo do algoritmo HUANG-LIANG-GUO,
rodado no Scilab. ...................................................................................................... 69
Figura 21 Grfico para a distribuio de Poisson com diferentes..................... 77
Figura 22 Cdigo que gera a matriz infinitesimal Q , do exemplo numrico, seo
4, em Prez-Ocn e Montoro-Cazorla (2004)........................................................... 82
Figura 23 Matriz Q do exemplo numrico, seo 4, em Prez-Ocn e MontoroCazorla (2004), com as 11 primeiras e as 8 ltimas colunas na tela do aplicativo
Scilab 5.2.2. .............................................................................................................. 83
Figura 24 Cdigo implementado a partir do cdigo do algoritmo de HUANGLIANG-GUO. ............................................................................................................ 86
Lista de Tabela
Tabela 1- Classificao de Processos Estocsticos sob a natureza do Tempo e o

Espao de Estados diferenciados..............................................................................30
Tabela 2 Valores de confiabilidade para que um sistema permanea em
funcionamento analisado por diferentes valores de t.................................................70
xi
12
Resumo
Diferentes ferramentas auxiliam a tomada de deciso do nmero estimado
de peas de reposio, garantindo a continuidade de um processo produtivo. As
caractersticas dessas peas fazem necessrio o uso de modelos que incorporem a
aleatoriedade na definio confivel no tamanho dos estoques. Ento foi estudado
ferramenta que modela esta tomada de deciso usando processos markovianos de
tempo contnuo.
Para a representao desse tipo de problema foi necessrio o estudo da
extenso do processo de nascimento e morte, chamado processo de quase
nascimento e morte, (QBD Quasi-Brith-and-Death process). por meio deste que
se construiu um algoritmo capaz de estimar a quantidade de peas de reposio
com uma confiabilidade especificada. Neste trabalho construiu-se um cdigo para
testar numericamente o algoritmo em ambiente Scilab 5.2.2 testado utilizando dados
presentes na literatura com um desempenho numrico satisfatrio.
Palavras-chave: Controle de Estoque, Peas de reposio sobressalente, Aplicao

de Processos Estocsticos.
xii
13
Abstract
Different tools help decision making in the estimated number of spare parts,
ensuring continuity of a production process. The characteristics of these pieces are
necessary to use models that incorporate randomness in the reliable definition of the
size of inventories. So was studied with the tool that shapes this decision-making
processes using continuous time Markov.
To represent this type of problem it was necessary to study the extension of
the birth and death process, called quasi birth and death process (QBD process). It is
through this that has built an algorithm to estimate the amount of spare parts with a
specified reliability. In this work we constructed a numerical code to test the algorithm
in an environment Scilab 5.2.2 tested using data from the literature with a satisfactory
numerical performance.
Keywords: Inventory Control, Demand of Spare Parts, Application of Stochastic

Processes.
xiii
14
Captulo 1
Introduo
Os sculos XX e XXI caracterizam-se pelo crescimento econmico, pelo
desenvolvimento tecnolgico da informao e o aumento da participao deste na
gesto de negcios. O desenvolvimento se deu graas globalizao dos
mercados,
que
permite
disponibilizar
da
informao
em
tempo
real,
as
comunicaes mais rpidas e a integrao dos mercados. Assim sendo, sob auxilio
destas tecnologias de informao e comunicao, a logstica evolui garantindo s
empresas acessibilidade aos mercados em diferentes locais no mundo de forma
competitiva.
Atualmente, uma das formas que as empresas encontram para obter
vantagens competitivas no mercado por meio de uma gesto eficiente da cadeia
de suprimentos. A relao do cliente-fornecedor est cada vez mais evidente neste
meio garantindo assim grandes oportunidades de negcios, principalmente na
reduo de custos, (BALLOU, 2006).
Como parte da cadeia de suprimentos, a Logstica entendida como uma
funo empresarial que tem por objetivo atender o cliente em um nvel de servio
especificado. Para isso so necessrias tomadas de deciso nos nveis estratgico,
ttico e operacional, nas trs reas que compe a Logstica: transportes; estoques e
localizao, (BALLOU, 2006). Tais tomadas de deciso influenciam diretamente nos
custos gerais da empresa, no atendimento ao cliente, nos problemas operacionais e
na lucratividade da companhia. Alm disso, os estoques so de grande importncia
para avaliao da liquidez da empresa por parte de investidores e instituies
15
financeiras.
Porm, no fcil tomar decises adequadas, visto que, existem muitas
flutuaes dos produtos que tornam os problemas mais complexos de serem
resolvidos. Sendo assim, os gestores de estoque sempre se deparam com
problemas,
que
podem
ser
conflitantes:
os
estoques
geram
custos
por
armazenagem, empatam uma quantia significativa do capital, contudo, eles

proporcionam certo nvel de segurana nos ambientes onde a demanda variada.
Com esta viso, um estudo sobre gesto de estoque, em particular sobre a
gesto de peas de reposio (ou peas sobressalentes) relevante. Pois
normalmente a gesto desses itens complexa, porque estes tm como
caractersticas demandas baixas e irregulares, as respostas a pedidos de
fornecimento para reposio podem tomar longos perodos de tempo (meses), e o
custo de aquisio por unidade alto. O que se percebe que a tomada de deciso
sobre peas sobressalentes feita de forma intuitiva, isto , pela experincia
adquirida na prtica e/ou apenas aplicando princpios gerais da administrao de
estoque.
Segundo Huiskonen (2001), o principal objetivo do gerenciamento de
estoques de sobressalentes conseguir um patamar satisfatrio de nvel de servio
(confiabilidade e disponibilidade) com o mnimo custo.
O presente trabalho desenvolvido tomando como foco o tamanho do
estoque de peas de reposio reparveis. Utilizar a opo de reparao nestas
peas mais vivel do que se fazer a substituio das mesmas, tanto por questes
econmicas quanto por questes temporais e assim podem-se resgatar princpios
ambientais. Abordagens para estimar o estoque destas peas de reposio feita
sobre a importante hiptese: uma pea ao ser reparada volta ao funcionamento to
boa quanto uma nova; isto faz com que o sistema operacional no fique
comprometido. Ento, ao se deparar com estas caractersticas percebe-se que
existe uma ampla oportunidade de reas a serem pesquisadas.
Como objetivos do trabalho, pretende-se identificar modelos que utilizam
ferramentas estocsticas para a definio do tamanho do estoque de peas de
reposio e; estimar o tamanho timo do estoque de peas de reposio reparveis.
Para estes propsitos sero direcionados os estudos em processos estocsticos,
distribuio tipo Fase e o processo de quase nascimento e morte.
16
Focado nesta oportunidade que se desenvolve o presente trabalho,

trabalhar com peas de reposio e que sejam reparveis. A seguir sero
apresentados abordagens e modelos que solucionam tal problemtica para a
determinao destes itens. Os trabalhos relacionados no prximo captulo abordam
diferentes metodologias para a identificao da quantidade de peas de reposio,
que ainda esto em estoque, o qual leve a fazer um novo pedido, para garantir que o
sistema produtivo continue em funcionamento. Estas metodologias so necessrias
para que o sistema no entre em colapso, o que permite abordar o problema de
estoque em estudo como a determinao do estoque de peas de reposio para
evitar um prximo estado de falha. O estado de falha encontrado normalmente em
trabalhos que envolvem a manuteno de equipamentos, onde as peas de
reposio so fundamentais para dar continuidade ao funcionamento destes.
Este trabalho est estruturado em 5 captulos. No Captulo 2 inicia-se o
estudo sobre os estoques, estendendo ao estoque de peas de reposio
reparveis, apresentando as metodologias utilizadas para o clculo da estimativa
das mesmas; No Captulo 3 encontra-se o embasamento terico desta dissertao;
No Captulo 4 so apresentadas aplicaes do processo de Quase Nascimento e
Morte (QBD) para sistemas produtivos, e no ltimo captulo so apresentadas as
consideraes finais da pesquisa.
17
Captulo 2
Estoques: Metodologias e Modelos
O estoque tem um papel fundamental nos processos produtivos tanto para
gerao de produtos quanto para a venda deles. Corra et al. (2000) definem que os
estoques so acmulos de recursos, materiais entre fases especficas de processos
de transformao.
Este captulo tem por objetivo, no primeiro tpico, apresentar o modelo
clssico para o controle de estoque, clculo do EOQ (Economic Order Quantity), que
a estimativa da quantidade de material a ser comprado que minimiza os custos de
investimentos de uma indstria. Adicionalmente, uma extenso deste modelo que
considera pedidos de materiais novos e materiais obitidos da recuperao de
produtos que retornaram indstria. No segundo tpico, apresenta-se uma reviso
bibliogrfica de metodologias aplicadas nos estoques de peas de reposio.
2.1 Modelos simples para o clculo dos estoques
A modelagem de estoques uma ferramenta que se utiliza para determinar

o nvel de mercadoria que uma empresa deve manter para assegurar uma operao
tranquila de seu processo produtivo. Um modelo de estoque ajuda na tomada de
deciso da quantidade de materiais que necessrio, para um sistema produtivo,
levando em considerao o equilbrio entre o custo de capital devido ao
armazenamento deste estoque com aquele ocasionado pela falta do mesmo, (TAHA,
2007). A complexidade do problema de estoque no permite o desenvolvimento de
18
um modelo geral que abranja todas as situaes possveis. preciso fazer uma
anlise dos dados coletados e criar um modelo especfico para o problema que est
sendo levado em questo.
O fator primordial que afeta a determinao do nvel de estoque a natureza
da demanda, que pode ser tanto determinstica quanto probabilstica. mais
comum, segundo Taha (2007), a utilizao de demanda probabilstica, porm em
alguns casos a aproximao determinstica pode ser aceitvel.
Um tipo especial de mercadoria, considerado muito crtico para a maioria
das empresas, so as peas de reposio, por exemplo, para compressores, os
mancais; e para PCs Desktop, uma placa me ou HD.
O controle de estoque
dessas peas de acordo com Silva (2009), necessrio devido ao alto custo de
cada item para o estoque, prazos longos de fornecimentos destes e a pouca
frequncia de demanda dos mesmos, conhecida como de baixo giro.
Para se modelar problemas que envolvam a determinao de estoques de
peas de reposio e/ou estimativa de falhas, so utilizados os processos
estocsticos e a teoria de filas. E a soluo desses modelos pode usar vrias
ferramentas de clculo, tais como, a programao linear ou a no-linear ou a
dinmica. No entanto, a escolha de qualquer que seja a ferramenta, depender da
natureza da demanda para a resoluo do modelo. Os critrios que norteiam o
estudo dos modelos de estoque tm de responder a trs questes bsicas quais
sejam: quanto pedir, quando fazer o pedido e qual o nvel de servio que se deseja
oferecer.
De acordo com os interesses da empresa e obviamente da quantidade de
informaes que forem disponibilizadas pela mesma, maior ser o apoio destas
ferramentas no auxlio estimativa mdia de capacidades e custos produtivos em
cada etapa do processo estudado, (BRANCO e COELHO, 2006). De modo similar,
quanto mais informaes forem disponibilizadas a respeito da demanda, mais
ajustados sero os resultados obtidos atravs dessas ferramentas, portanto uma
deciso mais segura poder ser tomada.
Para responder a estes questionamentos de quanto e quando pedir os
materiais (insumos) se formula uma funo de custos (total) de estoque, cuja
varivel ser a quantidade a ser solicitada, e em seguida busca-se a minimizao
desta funo:
19
Custo
Custo Custo Custo Custo

total
de
de
=
de
de
+
+
+
de
compra preparao estocagem falta

estoque
(2.1-1)
onde,
Custo de compra - o preo unitrio de um item para o estoque;
Custo de preparao - representa os encargos fixos incorridos para que o pedido de
compra seja emitido;
Custo de estocagem - representa o custo de manter a mercadoria em estoque;
Custo de falta - a multa incorrida pela falta de unidades em estoque.
A demanda tem um papel importantssimo no desenvolvimento dos modelos
de estoque, conforme foi mencionado anteriormente, a demanda para um
determinado item pode ser determinstica ou probabilstica e, dentro de qualquer
categoria, a demanda pode variar ou no ao longo do tempo.
De acordo com Taha (2007), em situaes prticas, o padro de demanda
em um modelo de estoque pode assumir um dos quatro tipos a seguir:
1.
Determinstico e constante (esttico) ao longo do tempo.
2.
Determinstico e varivel (dinmico) ao longo do tempo.
3.
Probabilstico e estacionrio ao longo do tempo.
4.
Probabilstico e no estacionrio ao longo do tempo.
Dentre estes padres considera-se a disponibilidade de dados da demanda

futura que sejam representativos. Conhecer este parmetro essencial para a
resoluo de muitos modelos de estoque. O modelo mais conhecido e utilizado para
fazer clculo da quantidade de estoque o EOQ - Economic Order Quantity,
conhecido tambm como Lote Econmico de Compras. Este modelo calcula a
quantidade a ser comprada de um insumo que vai minimizar os custos de
estocagem e de aquisio que mantm um sistema produtivo em funcionamento,
garantindo a satisfao do cliente.
Realizar este clculo importante para as empresas, pois a estimativa
encontrada ir funcionar como apoio a tomada de deciso para os gestores na
20
cadeia de produo. A seguir apresentado o desenvolvimento para o clculo do

EOQ.
Para alguns autores como Hiller & Lieberman (2006) e Taha (2007), o
modelo de lote econmico de compra, EOQ mais simples, considera as seguintes
hipteses: demanda constante; reabastecimento instantneo; e no aceita nenhuma
falta do insumo. Assim se definem:
y quantidade de pedido (em unidades);
d taxa de demanda (unidades por unidade de tempo);
t0 comprimento do ciclo do pedido (em unidade de tempo), se calcula t0 como
t0 =
y
;
d
K custo de preparao associado com a emisso de um pedido (por pedido);

h custo de estocagem (por unidade de estoque e por unidade de tempo);
Assim, considerando um nvel de estoque igual ao valor mdio do pedido,
y
, o custo total por unidade de tempo, TCU (total cost per unit time), ser calculado
2
pela seguinte funo:
TCU ( y ) =
K
y
+ h .
y
2

d
(2.1-2)
Ento, para encontrar a quantidade tima do pedido, y*, se minimizar a

funo TCU em relao y. Como a funo TCU contnua, para y > 0, e sendo
diferencivel, s deve-se resolver a equao
TCU
= 0 para encontrar os pontos
y
crticos, condio necessria da soluo tima. Sendo a funo TCU convexa, a

soluo da equao anterior um ponto de mnimo, pois neste caso a equao
uma condio suficiente. Assim, o tamanho timo do pedido, EOQ,
y* =
2 Kd
.
h
(2.1-3)
Notar que este primeiro modelo de lote econmico trata somente da

elaborao de produtos com materiais novos (virgens). Porm, nos ltimos 30 anos,
21
por causa de fatores ambientais e esgotamento de recursos naturais, a tecnologia

de produo se desenvolve e incorpora materiais, ps-consumo, a partir de
componentes
recuperados
de
produtos
descartados
da
prpria
indstria.
Descobrindo-se assim um nicho de negcios que satisfaz a legislao ambiental

presente em alguns pases. Dentro desta ideia, preciso formular modelos que
incluam taxas de recuperao de produtos (ao final da vida til) e de taxas de
recuperao de componentes, materiais necessrios para nova produo. Estas
novas abordagens s podem ser possveis aps a implantao de uma logstica
reversa nas indstrias manufatureiras, (ROGERS e TIBBEN-LEMBKE, 2001).
Sob hipteses de recuperao de itens, no final de sua vida til, encontra-se
uma das extenses do clculo do lote econmico timo. O modelo EOQ
apresentado a seguir foi proposto por El Saadany e Jaber (2008), modelado para
dois armazns, um especfico para a produo de novos e reparados e outro
somente para as armazenagens de produtos recolhidos, em que os parmetros so:
T - comprimento do intervalo de tempo da produo de itens novos e reparados

(unidades de tempo), onde T > 0;
T1 - comprimento do primeiro intervalo de tempo para produo (unidades de tempo),

em que T1 <T e T1> 0;
n - nmero de lotes de produo com insumos novos durante um intervalo de

durao T;
m - nmero de lotes de produo com insumos reparados durante um intervalo de

durao T;
d - taxa de demanda (unidades por unidade de tempo);

h - custo de manuteno por unidade por unidade de tempo no 1 armazm;
u - custo de manuteno por unidade por unidade de tempo no 2 armazm;
- taxa de eliminao de resduos, onde 0 < < 1;
- taxa de itens coletados reparados, onde + = 1 e 0 < <1;
y - tamanho de lote para intervalo T, que inclui n lotes recm-fabricados e m lotes
reparados;
r - custo de preparao para a reparao por lote;
22
s - custo de preparao para a produo de novos por lote;

A seguir apresentada a funo custo proposta por El Saadany e Jaber
(2008).
K ( y, m, n, ) =
K2 d
y 2 2
(m 1)
+ u u 2
= (mr + ns ) + h
+
,
T
y
m
m
2 n
(2.1-4)
y
h 2 y 2 2 y 2 u y 2
(m 1)
+
onde, K 2 = (mr + ns ) +
+
, e T = .
1
d
m 2d
m
2d n
Notar que a funo de custo da relao (2.1-4) tem uma configurao

anloga da funo de custo da relao (2.1-2). O primeiro termo esta relacionado
aos custos de preparao ou de pedido e o segundo termo est relacionado ao
custo de manuteno do estoque mdio. O custo de manuteno compreende o
custo de armazenagem de materiais virgens mais o custo de armazenagem de
produtos aps consumo, fonte dos materiais recuperados.
Na relao (2.1-4) defini-se a funo K que convexa e diferencivel em
relao varivel y, para cada valor de m, n, e fixos, isto , 2 K / y 2 > 0 para todo
y > 0 . Por esta razo, e para valores de m, n, e fixados, esta relao tem um nico
mnimo:
y (m, n, ) =
2d (mr + ns )
.
2 2
+ u 1 +
h
+
m
m
(2.1-5)
O desenvolvimento deste novo modelo est relacionado com a necessidade

de resultados que incorporem a remanufatura, proposta inicialmente por (RICHTER,
1996). Como puderam ser observadas, as relaes (2.1-4) e (2.1-5) foram
adaptados por El Saadany e Jaber (2008) para estimar o EOQ utilizando itens que
podem ser recuperados. importante destacar que o modelo adaptado ajusta-se
bem a quantidade de pedido timo, visto que, a funo de custo se mantm ainda
convexa e diferencivel assim como no modelo da relao (2.1-2).
Diante das caractersticas de peas de reposio: altos custos, pouca
rotatividade e tempos longos de fornecimento, existe o caso de peas que podem
ser reparadas na prpria indstria as quais so chamadas de peas de reposio
reparveis. Pode-se observar que a possibilidade de reparao no est
23
considerada nas relaes (2.1-2) e (2.1-4) que estima o lote econmico de estoque.
Mesmo sendo muito eficiente para os itens comuns h uma necessidade maior de
construir outros modelos para o estoque de tais peas de reposio.
2.2. Reviso de literatura sobre estoque de peas de reposio
A seguir apresenta-se uma reviso bibliogrfica das abordagens feitas no

tratamento de estoques de peas de reposio recuperveis e no recuperveis, de
onde se afirma que ainda est em desenvolvimento um mtodo geral para a
determinao do tamanho dos mesmos.
Itens reparveis formam parte das peas de reposio as quais so tcnica
e economicamente recuperveis. Em caso de falha, a pea que causou a falha
substituda por uma de reserva e enviada para um centro de reparo interno, sendo
posteriormente, uma vez recuperada, disponibilizada em estoque. J os itens no
reparveis (descartveis) correspondem s peas que no so nem tcnica nem
economicamente recuperveis. Assim, para estes itens, em caso de falha, a pea
simplesmente descartada, (GOMES e WANKE, 2008).
Considerando estes dois tipos de peas de reposio que se desenvolve
esta reviso bibliogrfica. Sero abordados aqui os mtodos que foram utilizados
para solucionar o problema de estocagem de tais peas.
Koaa (2004) estudou um sistema de servio de peas de reposio de um
grande fabricante de equipamentos para semicondutores. De acordo com o autor, a
empresa tem por objetivo fornecer peas de reposio e servios aos clientes que a
procuram tanto por falhas de seus equipamentos, quanto para manutenes j
programadas. Fazendo um levantamento histrico das demandas foi percebido que
as mesmas no so regulares e poderiam ser reclassificadas para melhorar a
anlise do atendimento ao cliente. O autor props ento, incorporar na empresa uma
poltica de racionamento, com duas classes de demandas diferenciadas, utilizando
somente dentro do tempo de reabastecimento, seu lead-time. Neste trabalho
construdo um modelo que assume que as demandas seguem uma distribuio de
Poisson e que o inventrio preenchido de acordo com a poltica de estoques
(S 1, S), onde S indica o nvel mximo de estoque, isto , to logo o nvel de
24
estoque baixe em uma unidade solicitado o ressuprimento.

J no trabalho de Wanke (2005) foram apresentadas consideraes
metodolgicas sobre como segmentar a gesto de peas de reposio do tipo
consumveis em termos de suas caractersticas principais, consumo mdio e
coeficiente de variao do consumo, assumindo como base para a determinao do
nvel de estoque a distribuio Gama. Segundo o autor, os estoques na empresa
so repostos com base em previses de consumo para os prximos meses, sendo
que todas as peas de reposio so fabricadas internamente e os ciclos de
produo observam o horizonte de um ms. Para este propsito, formulou o modelo
de segmentao, para tais peas, implementado em planilhas MS-Excel utilizando o
aplicativo estatstico SPSS.
O autor Kayano (2005) desenvolveu um trabalho que consiste na elaborao
de uma nova gesto de estoques nos centros de manuteno da Diretoria do
Material da Socit Nationale des Chemins de Fer Franais (SNCF). O foco do
trabalho foi determinao da quantidade de peas de reposio que devem ser
estocadas para garantir um nvel de servio desejado nos centros de manuteno da
SNCF. Para isso o autor desenvolveu um aplicativo utilizando MS Access capaz de
calcular novos parmetros (pontos de pedido, quantidades de abastecimento,
estoques de segurana) para a gesto de estoque, ou seja, o dimensionamento do
estoque. E para estimar estes novos parmetros foi utilizada a distribuio de
Poisson e a distribuio normal. No entanto, com a utilizao desse aplicativo,
percebeu-se que a frmula que calcula o lote econmico de compras (LEC), ou
EOQ, era inadequada para o caso especfico da manuteno na SNCF, pois os
fluxos, alm de no serem constantes durante o ano, eram bastante fracos,
implicando lotes muito grandes e pouco frequentes de abastecimento.
Oliveira et al. (2007) apresentaram um modelo de simulao para analisar o
comportamento de diversos cenrios ou estratgias de polticas de estoque de itens
sobressalentes de baixo consumo. Assim, contriburam para o aprimoramento do
processo de tomada de deciso e na construo de polticas de estoques que visem
aperfeioar a disponibilidade de sistemas baseados na tecnologia COTS
(Commercial Off-The-Shelf). A disponibilidade de um sistema entendida como a
frao do tempo em que o sistema permanece em bom funcionamento. Os cenrios
utilizados foram definidos por diferentes polticas de deciso, como a poltica (s, S)
25
onde a demanda estocstica e est associada com os itens de movimentao

lenta, com a finalidade de facilitar a anlise de sensibilidade dos parmetros e/ou
fatores de entrada do problema. Uma vez obtidos os resultados da disponibilidade
das peas de reposio, realizada utilizando um planejamento de experimento de
simulao com enfoque na metodologia Fatorial, os autores utilizaram o programa
MINITAB para calcular o efeito de cada fator e a interao dos fatores sobre as
respostas encontradas.
Kochi (2008) teve como objetivo de trabalho melhorar a poltica de estoque
do setor de servios ps venda de relgios de uma empresa que comercializa
artigos de luxo de joalheria e relojoaria. O autor comparou o mtodo de clculo de
estoque, mdia ponderada, que era utilizado na empresa durante o estudo e, props
dois outros mtodos: o de suavizao exponencial e o Bootstrap. O resultado
indicou que os mtodos propostos, atravs do clculo de necessidades, foram
melhores do que o utilizado pela empresa e com melhores nveis de servio e
menores custos de estocagem.
Gomes e Wanke (2008) apresentaram uma pesquisa que aborda a gesto
de estoques de peas de reposio descartveis. Neste trabalho foi feito uma
comparao entre um modelo de simulao computacional convencional e um
modelo por cadeias de Markov, cujo objetivo foi de determinar qual poltica
representar o melhor momento de fazer um pedido para completar o estoque.
Props uma heurstica para determinao dos parmetros (nvel de estoque mximo
e o ponto de pedido) para a melhor poltica de gesto de estoques. Isto , uma
poltica tipo (S, s), em funo dos itens: demanda, com distribuio Poisson, e
custos pela falta, pelo excesso e do ressuprimento; assumindo o lead time constante
equivalente a um perodo.
A heurstica desenvolvida a partir desses resultados
mostrou que a aproximao da poltica (S, s) pela (S, S 1), mesma poltica utilizada
por Koaa (2004), satisfatria em termos dos custos totais, sobretudo quando as
peas de reposio apresentam elevado custo da falta, chamado pelos autores de
extrema criticidade.
Freitas (2008) objetivou por fazer um levantamento de um modelo da gesto
de estoque, j legitimado pela literatura, para aplic-lo, a realidade da refinaria
estudada, nas peas sobressalentes de manuteno. O modelo proposto pelo autor
foi um modelo de controle de estoque baseado no sistema (r, q), onde r o ponto de
26
ressuprimento, equivale ao s na poltica tipo (S, s), e q a quantidade de itens para

o ressuprimento. Este modelo foi utilizado, pelo autor, para tratar de problemas de
otimizao de estoques de sobressalentes com as premissas: possuir demandas
com distribuio de Poisson e tempo de ressuprimento constante.
Silva (2009) desenvolveu em sua dissertao um estudo sobre peas de
reposio de uma grande empresa multinacional do setor de siderurgia. O trabalho
do autor consistiu em desenvolver uma metodologia que classifique e controle estas
peas considerando demanda e lead-time estocsticos. Foram utilizados como
premissas, nos modelos de estoques, as distribuies estatsticas de Poisson,
Laplace, Gama e Normal em combinao com a otimizao do custo total para a
modelagem da demanda durante o lead-time e determinao do ponto de
ressuprimento, quantidade de pedido e estoque de segurana. Para a gerao dos
valores de previso foi implantado o mtodo Bootstrap indicado para itens de baixa
rotatividade com demanda intermitente, (WILLEMAIN et. al, 2004).
Drohomeretski et al. (2009) propuseram um modelo de gesto de estoque de
peas de reposio no reparveis, para uma empresa que produz equipamentos de
refrigerao para todo o pas. O modelo est baseado no mtodo de reviso
peridica e classificao ABC, abordando a dependncia entre a demanda das
peas sobressalentes e a dos produtos acabados com garantia de assistncia ps
venda. Para criar o modelo apropriado, no estudo de caso em questo, os autores
utilizaram histricos de consumo das peas de reposio dos equipamentos, que
ainda esto em garantia. Usou como premissa a reviso destes itens feita
mensalmente e a partir de dados histricos foi possvel estimar a distribuio normal
da demanda. O modelo apresentou boa capacidade para adaptar-se a mudanas de
demanda de produtos acabados e do consumo de peas de reposio.
Nos trabalhos acima se ressalta a importncia da utilizao de mtodos
adequados que se mostraram eficientes para a resoluo do problema em estudo,
estoques de peas de reposio. Os mtodos utilizados foram uma combinao de
classificao, simulao com funes de distribuio diferentes exponencial,
decididas por cada autor como consequncia da especificidade do problema
abordado, garantindo bom desempenho dentro da pesquisa desenvolvida.
As funes de distribuio utilizadas foram a de Poisson, Gama, Normal,
Erlang e Laplace como relatado pelos autores Koaa (2004), Wanke (2005), Kochi
27
(2008), Freitas (2008) e Silva (2009). No entanto, pesquisadores como Gomes e

Wanke (2008) apresentam uma metodologia baseada em processos markovianos,
utilizando as cadeias de Markov, mostrando que h necessidades de novos
direcionamentos e uso de ferramentas diferentes das clssicas para ajustar melhor
os resultados.
No artigo de Sales e Morales (2010) foi apresentada uma reviso dos
trabalhos apresentados at o momento, onde se utilizam as metodologias clssicas
conhecidas aplicadas para estoque de peas de reposio. Seguindo o
desenvolvimento desse trabalho sero referidos os artigos sobre a metodologia
chamada processos de Quase Nascimento e Morte (Quasi-Birth-and-Death process,
QBD), que consegue representar melhor os estgios intermedirios para o estudo
das peas de reposio reparveis, por exemplo. Esta metodologia tambm
utilizada para a modelagem do gerenciamento de estoques, e entendida como
uma extenso dos processos de Nascimento e Morte usada no estudo de peas de
reposio que sejam reparveis. Esta abordagem ser apresentada no captulo 3.
Fadiloglu e Yeralan (2002) apresentam exemplos que utilizam a metodologia
processo QBD aplicados a modelagem de processos de linha de produo. Os
processos em linha apresentados so modelados como se fosse um sistema de fila,
que apresentam um grau de complexibidade maior a cada modelo desenvolvido. O
mais simples dos modelos representado pelo modelo de fila M/M/1, definida por
uma distribuio exponencial representado por M, de parmetro , servio de
atendimento definido por uma distribuio exponencial M com um nico servio de
atendimento, e a disciplina de atendimento, o primeiro que chega o primeiro a ser
atendido. Estendendo o modelo, pode-se incluir dois servidores com chegadas
exponenciais, buffer intermedirio, avaria e reparao, entre outros. Entende-se por
buffer todo local que serve de armazm temporrio, menor do que o abitual, para ser
utilizado como amortecedor na linha de produo.
Cada
modelo,
em
Fadiloglu
Yeralan
(2002),
foi
primeiramente
apresentado, usando um diagrama de rede e aps a visualizao da rede so

includas equaes de balano que definem o processo. A partir das equaes de
balano possvel identificar cada sub-matriz dos estados de transio do sistema.
A definio das equaes de balano encontra-se no tpico Processos de
Nascimento e Morte.
28
No trabalho de Prez-Ocn e Monoto-Cazorla (2004), considera-se que um

sistema opera com n unidades e que destas apenas uma suficiente para manter o
sistema em funcionamento, casos as outras estejam no reparo ou na fila para a
reparao. Sendo assim, uma vez que esta unidade sofre uma avaria e no se tem
mais nenhuma outra para a substituio, pelos motivos anteriores, o sistema inteiro
entra no estado de falha. Para que este estado seja minimizado, os autores realizam
clculos para a determinao dos vetores de probabilidade estacionria e as
medidas de desempenho considerando termos de confiabilidade. Os clculos
envolvidos tomam em considerao que o tempo operacional e o tempo de reparo
das unidades seguem uma distribuio tipo Fase contnua e que o sistema
governado por um processo QBD. As medidas de desempenho que os autores
determinam so a disponibilidade e a taxa de ocorrncia de falhas. Lembrando que
a disponibilidade e taxa de falha so assuntos tambm abordados em Oliveira et al.
(2007) e Koaa (2004) respectivamente. Definies sobre a confiabilidade e
disponibilidade de um sistema encontram-se no Anexo IV.
Huang et al. (2006) desenvolvem um modelo geral para demanda de peas
de reposio reparveis baseados em um processo QBD. No modelo assumido
que tanto o tempo operacional quanto o tempo de reparao tambm seguem uma
distribuio tipo Fase de tempo contnuo assim como em Prez-Ocn e MonotoCazorla, (2004). A partir do modelo desenvolvido, os autores constroem um
algoritmo que determina a quantidade mnima necessria de peas de reposio a
serem adquirida, ou que deve se manter, para que o sistema no fique inoperante.
Estes trs ltimos trabalhos descritos acima formam a base do estudo dessa
dissertao. A utilizao do processo QBD na determinao da quantidade de peas
de reposio torna-se a nova metodologia que eficiente na forma de visualizao
de resultados.
Neste captulo foram enumerados captulos de livros e artigos que estudam
o clculo do tamanho do lote econmico, EOQ, para estoques. Alm de uma
extenso ao mtodo de Nascimento e Morte para quando se quer predizer o
tamanho de estoque, caso de peas sobressalentes, com a capacidade de serem
recuperveis. Esta reviso garante a necessidade de um maior estudo de tpicos
relacionados a processos estocsticos para uma modelagem mais acurada de
problemas reais.
29
Captulo 3
Conceitos Preliminares
Neste captulo sero abordados os conceitos preliminares que formam a
base essencial para o estudo relacionado ao estoque de peas de reposio
reparveis.
3.1. Processos Estocsticos
Os processos estocsticos foram inicialmente estudados nos anos de1900

utilizados em estudos da fsica para descrever o movimento de partculas em um
instante de tempo (Movimento Browniano e a Teoria do Caos), (GLATTFELDER,
2011). Este estudo serviu e serve como base para o desenvolvimento de pesquisas
nas reas de meteorologia, finanas e engenharia.
Os processos estocsticos podem-se classificar:
Quanto ao comportamento dos parmetros das variveis aleatrias na
evoluo do tempo:
Processos Estacionrios: onde a mdia e varincia so constantes no tempo; e
Processos No-estacionrios: onde o valor esperado, a mdia da varivel
aleatria, pode crescer sem limite e sua varincia aumenta com o tempo.
30
Quanto natureza da varivel tempo e dos estados, pode-se visualizar a

seguinte tabela:
Tabela 1- Classificao de Processos Estocsticos sob a natureza do Tempo e o Espao de Estados
diferenciados.
A seguir alguns exemplos encontrados em Bhat (1971) ilustram a

classificao visualizada na Tabela 1.
1 Processos estocsticos com parmetros, tempo discreto e espao de estado
discreto:
O nmero de itens defeituosos em um esquema de amostragem. O nmero
de itens inspecionados o parmetro de indexao.
2 Processos estocsticos com parmetros, tempo contnuo e espao de estado

discreto:
Nmero de alunos esperando o nibus a qualquer hora do dia.
3 Processos estocsticos com parmetros, tempo discreto e espao de estado

contnuo:
Suponha que o produto no enumervel (tais como tecido, gasolina, etc)
e o inventrio est sendo observado apenas em pocas distintas de tempo.
4 Processos estocsticos com parmetros, tempo e espao de estado contnuo:
31
O tempo de funcionamento de uma mquina at que ocorra a primeira
falha.
Uma formulao matemtica descreve os processos estocsticos como
processos que evoluem ao longo do tempo e podem ser definidos como um conjunto
indexado de variveis aleatrias { X t } em que o ndice t percorre um dado conjunto
T que representa o tempo de observao da varivel. O conjunto T normalmente

um conjunto de nmeros inteiros no negativos e, X t representa uma caracterstica
mensurvel de interesse no instante t .
De acordo com Hillier e Lieberman (2006), um processo estocstico
normalmente estruturado da seguinte maneira:
O estado atual pode cair em qualquer uma das M + 1 categorias
mutuamente exclusivas denominadas de estados. Onde os estados do sistema no
instante
t , so representados pela varivel aleatria X t , e podem ser identificados
como 0, 1,..., M , os quais so os nicos valores possveis. O sistema observado

em pontos determinados do tempo, identificados por t = 0, 1, 2,... . Portanto, a
sequncia { X t } = { X 0 , X 1 , X 2 ,...} fornece uma representao de como o estado do
sistema fsico, em estudo, evolui ao longo do tempo. Este tipo de processo
conhecido como um processo estocstico em tempo discreto em um espao de
estados finito.
A seguir ser apresentado um exemplo disponvel em Fogliatti e Mattos
(2007), adaptado para este trabalho, de modo que ilustre os diferentes tipos de
processos estocsticos segundo os espaos de estados e de parmetros.
Exemplo
Considere um centro de manuteno no qual mquinas chegam para serem
reparadas, entram numa fila na qual permanecem at ingressarem no servio e so
liberadas imediatamente aps o servio estar concludo. Logo, diferentes processos
podem ser definidos:
a)
Seja N k a varivel aleatria que representa o nmero de mquinas na fila no
instante em que a k-sima mquina comea a ser atendida. Nesse caso, o processo
estocstico {N k : k = 1,2,3,...} , representado na Figura 1, um processo estocstico
32
de parmetro discreto, com espao de estados
E = {0, 1, 2, 3,...}
e tempo
T = {1, 2, 3,...} .
Figura 1 Cadeia estocstica de parmetro discreto do item a): Fogliatti e Mattos (2007).
b)
Seja X (t ) a varivel aleatria que representa o nmero de mquinas que
chegam ao sistema at o tempo t. Nesse caso, o processo estocstico { X (t ) : t T } ,

representado na Figura 2, uma cadeia estocstica de parmetro continuo, com
E = {0, 1, 2,...} e T = [0, ) .
Figura 2 Cadeia estocstica de parmetro continuo do item b): Fogliatti e Mattos (2007).
c)
Seja Wk a varivel aleatria que representa o tempo de permanncia no
sistema da k-sima mquina. O processo {Wk : k T } , representado na Figura 3,

um processo estocstico continuo de parmetro discreto, com E = [0, ) e
T = {1, 2, 3,...} .
Figura 3 Processo estocstico contnuo de parmetro discreto do item c): Fogliatti e Mattos (2007).
33
d)
Seja Y (t ) a varivel aleatria que representa o tempo acumulado de
atendimento de todas as mquinas at o tempo t . O processo estocstico

{Y (t ) : t T } , representado na Figura 4, um processo estocstico continuo de
parmetro continuo, com E = [0, ) e T = [0, ) .
Figura 4 Processo estocstico contnuo de parmetro continuo do item d): Fogliatti e Mattos (2007).
3.2. Processos Markovianos
Um processo estocstico { X (t ) / t T } denominado processo markoviano

se dada uma sequncia de tempo
t 0 < t1 < t 2 ... < t n < t , a distribuio de
probabilidade condicional de X (t n+1 ) para dados valores de X (t 0 ), X (t1 )... X (t n ) ,

depende unicamente de X (t n ) , ou seja:
P[ X (t n+1 ) x n +1 / X (t n ) = x n , X (t n 1 ) = x n 1 ,..., X (t 0 ) = x0 ] =
P[ X (t n+1 ) x n +1 / X (t n ) = x n ]
(3.2-1)
Em outras palavras, dado o estado presente, o comportamento futuro do

processo independente da sua histria passada. Essa propriedade denominada
ausncia de memria.
Um processo markoviano que possui o espao de estados discreto
denominado cadeia de Markov.
34
3.3. Cadeia de Markov
Uma cadeia de Markov um caso particular de processo estocstico. um

processo de espao de estados discretos e parmetro de tempo de valores discretos
com a condio de que os estados anteriores no so relevantes para a predio
dos estados futuros, isto desde que o estado atual seja conhecido.
Aplicaes do modelo de Markov encontram-se em abordagens de anlise
de desempenho de sistemas de informao, instalaes de servios e sistemas de
manufatura, (OSOGAMI, 2005)
Em linguagem matemtica temos que, uma cadeia de Markov uma famlia
de variveis aleatrias X t , que caracterizam o estado de um sistema em pontos
discretos do tempo t = 0, 1, 2,... . Esta famlia, { X t } , por sua vez forma um processo
estocstico, que possui a propriedade:
P{ X t +1 = j / X 0 = k 0 , X 1 = k1 ,..., X t 1 = kt 1 , X t = i} = P{ X t +1 = j / X t = i} ,
(3.3-1)
para todo t = 0, 1, ... e toda sequncia i, j , k 0 , k1 , ..., kt 1 .

As probabilidades condicionais, P{ X t +1 = j / X t = i} , em uma cadeia de
Markov so chamadas probabilidades de transio em uma etapa.
Se para cada estado i e j, se verifica
P{ X t +1 = j / X t = i} = P{ X 1 = j / X 0 = i},
t = 0, 1, 2,...,
(3.3-2)
ento, as probabilidades de transio em uma etapa (ou passo) so ditas

estacionrias, o que implica que estas probabilidades no mudam ao longo do
tempo.
A existncia destas probabilidades estacionrias de um passo pode ser
estendida para cada i, j e n ( n = 0, 1, 2,...) , onde
P{ X t + n = j / X t = i} = P{ X n = j / X 0 = i},
t = 0, 1, 2,...,
(3.3-3)
assim estas probabilidades condicionais so chamadas de probabilidade de

transio em n passos.
35
Simplificando a notao das probabilidades de transio estacionrias:
pij = P{ X t +1 = j / X t = i} , para um passo.
(3.3-4)
pij( n ) = P{ X t +n = j / X t = i} para n passos.
(3.3-5)
Desta maneira, a probabilidade de transio em n passos simplesmente a

probabilidade condicional de que o sistema chegue ao estado j aps exatamente n
passos, dado que ele no instante de tempo t se encontre no estado i , (HILLIER e
LIEBERMAN, 2006).
(n )
Como as probabilidades pij representam transies de um estado para
outro, elas devem satisfazer as seguintes propriedades:
pij( n ) 0, i e j; n = 0,1,2,...
e
M
pij( n ) = 1, i; n = 0,1,2,...; M + 1 o nmero de estados

j =0
Uma maneira de armazenar tais probabilidades de transio em n etapas

usando um arranjo matricial, conhecido como matriz de transio:
P(n)
Estado
0
(n)
p00
0
(n)
= 1
p10
M
M
(n)
M
pM 0
1 L M
(n)
p01
L p0(nM)
(n)
L L piM
n = 0, 1, 2,...
L L M
(n)
(n)
pM
p
L
MM
1
Na matriz de transio vlido observar que a entrada na clula (i, j) indica

a transio do estado i para o estado j. Observar que uma consequncia das
propriedades acima mencionadas leva a estabelecer que P ( 0) = I M +1 .
Segundo Fogliatti e Mattos (2007), as cadeias de Markov podem ser
representadas esquematicamente por diagramas de fluxo como o da Figura 5. No
diagrama, os ns representam os j estados, e os arcos as transies entre esses
estados no tempo, representados pelos j.
36
Figura 5 Diagrama de fluxo de uma cadeia de Markov de parmetro continuo: Fogliatte e Mattos
(2007).
O comportamento da cadeia de Markov { X (t ), t T } de parmetro contnuo

com espao de estados E = {0, 1, 2,...,} caracterizado pela distribuio inicial
P[ X (t 0 ) = i ], i = 0, 1, 2,...,
onde, t0 o instante inicial de observao, e as probabilidades (condicionais) de
transio entre os estados i e j , pij (u , v) so definidos como:
pij (u , v) = P[ X (v) = j / X (u ) = i ]
1,
com pij (v, v) =
0,
0 u v;
u,v T ; i, j E
(3.3-6)
se i = j ,
caso contrrio.
3.4. Equaes de Chapmam-Kolmogorov
Um mtodo para calcular as probabilidades de transio em n passos

atravs das Equaes de Chapmam-Kolmogorov onde,
M
pij( n ) = pik( m ) pkj( nm ) ,
0 i, j M ; n = m + 1, m + 2,... e 1 m n 1.
(3.4-1)
k =0
Estas equaes implicam que as probabilidades de transio em n passos

podem ser obtidas, recursivamente, a partir das probabilidades de transio de um
passo.
Se denotarmos
P (n ) como a matriz de probabilidades de transio [ pij(n ) ] ,
ento a equao (3.4-1) pode ser escrita como
37
P ( n ) = P ( m ) P ( nm ) , 1 m n 1
(3.4-2)
representado por uma multiplicao de matrizes. Portanto,
P (n) = P P (n1 ) = P (n1 ) P = P P n1 = P n1 P = P n
(3.4-3)
dessa maneira, a matriz de transio em n etapas P n pode ser obtida calculando a
n-sima potncia da matriz de transio em uma etapa P .

Para exemplificar as relaes apresentadas acima foi utilizado o Interactive
Operations Research Tutorial (IOR), disponvel no livro de HILLIER e LIEBERMAN
(2006), neste tutorial se calculam as matrizes de transio P n para qualquer inteiro
positivo 2 n 99 . Nele foi possvel construir a matriz de transio do exemplo de
estoque de cmeras fotogrficas, pgina 717.
Figura 6 Tela de entrada de dados para os estados de uma Cadeia de Markov com 2 i, j 10 .
A seguir so apresentadas duas telas que mostram as matrizes de transio

em
etapas, utilizando o tutorial IOR para o exemplo referido, onde so utilizadas
as Equaes de Chapman-Kolmogorov.
38
Figura 7 Matriz de transio na 2 etapa, n=2.
Figura 8 Matriz de transio na 5 etapa, n=5.
Notar nas matrizes, da Figura 7 e da Figura 8, que a soma das

entradas de todas as linhas exatamente igual a 1, e na Figura 8, aps 5 passos, a
matriz P 5 mostra que as probabilidades nas colunas se aproximam transformando
as linhas em vetores iguais. Isto se interpreta como que as probabilidades de
transio, entre estados, esto se tornando sem variao fixando o estado de
chegada, j.
3.5. Classes de estados em uma cadeia de Markov
Os estados de uma cadeia de Markov podem ser classificados com base

nas probabilidades de transio associadas aos estados. Para descrever mais
propriedades das cadeias de Markov necessrio apresentar alguns conceitos e
definies importantes a esses estados.
De acordo com Hillier e Lieberman (2006):
O estado j dito acessvel a partir do estado i se pij( n ) > 0 para algum n 0 .
Se o estado j for acessvel a partir do estado i e o estado i for acessvel a

partir do estado j , ento se pode dizer que os estados i e j se comunicam.
39
Em geral tem-se:
Qualquer estado se comunica consigo mesmo;
Se o estado i se comunica com o estado j , ento o estado j se comunica com

o estado i ;
Se o estado i se comunica com o estado j , e o estado j se comunica com o

estado k , ento o estado i se comunica com o estado k ;
Em uma cadeia de Markov de parmetros discretos, uma classe de
comunicao fechada um subconjunto C E , de espao de estados, com as

seguintes propriedades:.
1 - Se para cada i C ,
pij( n ) = 0
j C; n > 1
2 Para cada par de estados i, j C
pij( n ) > 0
n >1
Se C=E, ento a cadeia dita ser irredutvel, (CLARKE e DISNEY, 1979).

Como consequncia das propriedades de comunicao, os estados podem
ser subdivididos em uma ou mais classes tais que, aqueles estados que se
comunicam entre si, se encontram na mesma classe. E se em uma matriz de
transio existir apenas uma classe, isto , todos os estados se comunicarem, a
cadeia de Markov dita irredutvel.
A seguir apresentam-se as definies das classes dos estados de uma
cadeia de Markov.
1.
Um estado j absorvente se retorna com certeza para ele mesmo, em uma
transio, isto ,
2.
p jj = 1 .
Um estado j transiente se puder alcanar outro estado, e no retorna (volta) a
este estado novamente. Um resultado importante se j for um estado transiente

ento acontecer o
(n)
p jj < 1 para todo i = j lim p jj = 0 .
n
40
3.
Um estado j recorrente se a probabilidade, no limite, de voltar ao estado
anterior com base em outros estados for igual a 1. Neste caso, o estado pode ser
recorrente se, e somente se, o estado no for transiente.
A recorrncia uma propriedade de classe, isto , todos os estados em uma
classe so recorrentes ou ento transientes, (HILLIER e LIEBERMAN, 2006).
Segundo Taha (2007), de acordo com as definies descritas, uma cadeia de
Markov finita no pode consistir em estados que sejam todos transientes porque, por
definio, a propriedade transiente requer entrar em outros estados. Isto , toda
cadeia com nmero finito de estados tem pelo menos um estado recorrente.
Para melhor serem entendidos os estados de uma matriz de transio se
fornece um exemplo numrico encontrado em Nogueira, (2010), que tambm podem
ser visualizado no diagrama da Figura 9. Seja a seguinte matriz de transio
Estados
0
1
P=
2
3
4
0
1
2
3
0
0
0.25 0.75
0.5 0.5
0
0
0
0
1
0
0
0.33 0.67
0
1
0
0
0
P:
4
0
0
0
0
0
Figura 9 Representao em diagrama de rede

da matriz de transio P .
Os estados 0 e 1 so recorrentes e representam uma classe de

comunicao fechada. Se o processo comear por um desses dois estados, este
nunca sair destes dois estados. Alm disso, sempre que o processo inicia-se a
partir de um desses estados, ir voltar ao estado de partida.
O estado 2 um estado absorvente, ou seja, uma vez que o processo entre
neste estado nunca mais o deixar.
Os estados 3 e 4 so estados transientes. No estado 3 percebe-se que h
uma probabilidade positiva do processo sair deste estado para o estado 2 e nunca
mais retorn-lo. E o estado 4 tambm transiente pois, uma vez que o processo se
41
inicie nele, imediatamente o processo o deixa e nunca mais retorna ao estado de

origem.
Outra propriedade til das classes de uma cadeia de Markov a
periodicidade. O perodo do estado
i definido como o inteiro t (t > 1) tal que
pii( n ) = 0 para todos os valores de n diferentes de t , 2t , 3t ,... e t o maior inteiro

com essa propriedade. Agora se houver dois nmeros consecutivos
que o processo possa se encontrar no estado
s e s + 1 tais
i nos instantes s e s + 1 , o estado
dito como tendo perodo 1 e assim ser denominado como um estado aperidico.
Em uma cadeia de Markov de um nmero finito de estados, os estados
recorrentes que forem aperidicos so denominados de estados ergdicos e se uma
cadeia de Markov possui todos os seus estados ergdicos denominada cadeia de
Markov ergdica.
3.6. Probabilidades de Estado Estvel
Ao calcular as probabilidades de transio em n etapas nota-se uma

interessante caracterstica de algumas dessas matrizes de transio. Se n for
suficientemente grande todas as linhas da matriz so vetores iguais, as entradas em
cada linha tem valores idnticos, de modo que a probabilidade do sistema se
encontrar em cada estado j no depender mais do estado inicial.
Esta propriedade vale, efetivamente, segundo condies relativamente
genricas, conforme apresentado a seguir: (HILLIER e LIEBERMAN, 2006)
(n)
Seja uma cadeia de Markov ergdica e irredutvel, ento o lim pij

n
existe
e no dependente de i . Alm disso,
lim pij( n ) = j > 0,
onde os j satisfazem as seguintes equaes de estado estvel.
(3.6.1)
42
j =
i pij ,
para j = 0,1,..., M
(3.6.2)
i =0
j = 1
(3.6.3)
j =0
Os
so chamados probabilidades de estado estvel de uma cadeia de
Markov. importante considerar:
a probabilidade de estado estvel no implica que o processo se acomode
em determinado estado, pelo contrrio, o processo continua a realizar transies de

estado em estado.
o sistema de estado estvel, acima apresentado, formado por M+2
equaes para M+1 incgnitas. Pelo fato do sistema (3.6.2) e (3.6.3) apresentar
soluo nica, e o sistema (3.6.2) ser linearmente dependentes por conta de uma
linha, pode-se eliminar a ltima, completando o sistema com a equao (3.6.3).
Retornando ao exemplo do estoque de cmeras fotogrficas, na Figura 10
se mostra a matriz de transio aps 8 passos, obtidas usando o tutorial IOR, nela
aparecem as probabilidades de estado estvel. Na Figura 11, so mostradas as
equaes de estado estvel onde foi eliminada a ltima linha da matriz de transio
inicial e substituda pela linha de 1s.
Figura 10 Matriz de transio na 8 etapa,
Figura 11 Probabilidades de estado estvel,
apresentando as probabilidades de estado
calculadas por meio das equaes de estado
estvel, calculadas para n etapas.
estvel.
43
Notar que tanto na Figura 10 quanto na Figura 11 se teve por objetivo

apresentar as probabilidades de estado estvel de uma matriz de transio. Na
Figura 10 percebe-se que para calcular estas probabilidades so necessrios 8
multiplicaes da matriz de transio original. Percebe-se que nem sempre o clculo
das probabilidades de estado estvel ser vivel usando as Equaes de ChapmanKolmogorov, pois o nmero de etapas finito, mas pode tomar valores grandes e o
tamanho
dos
estados
tambm
podem
ser
grandes,
que
torna
computacionalmente pesado.
No entanto, na Figura 11, apresenta-se outra forma de calcular as
probabilidades de estado estvel, que atravs das equaes de estado estvel
apresentadas (3.6.2) e (3.6.3). A construo do sistema de equaes que calcule as
probabilidades
j segue com o descarte de uma das linhas da relao (3.6.2) e
completada com a equao da relao (3.6.3). Para o exemplo encontraram-se os

seguintes valores das probabilidades de estado estvel:
0 = 0,286 1 = 0,285 2 = 0,263 3 = 0,166.
3.7. Cadeias de Markov em Tempo Contnuo
Nas sees anteriores partimos do pressuposto que o parmetro tempo
assume valores discretos. Esta hiptese adequada para muitos casos, porm h
os que necessitam ser analisados com o parmetro de tempo contnuo. Este caso se
desenvolve nesta seo.
Os estados possveis do sistema continuam os mesmos, 0, 1, ..., M , iniciando
no instante 0 e permitindo que o parmetro de tempo agora definido como t '
continuamente assuma valores t ' 0, fazendo com que a varivel aleatria X (t ' ) seja
o estado do sistema no instante t ' . Portanto, X (t ' ) assumir um de seus M + 1
valores possveis ao longo de algum intervalo, 0 t ' t1 .
Considere agora trs pontos no tempo:
1. t ' = r , r 0 um tempo passado,
44
2. t ' = s, s > r o tempo presente

3. t ' = s + t , t > 0 representando t unidades de tempo no futuro.
Assumindo que X ( s) = i e X (r ) = x(r ) natural procurar a distribuio de
probabilstica de t ' = s + t , ou seja, determinar a probabilidade
P{ X ( s + t ) = j /X ( s) = i e X (r ) = x(r ), 0 < r < s}
para i,j = 0,1,...M .
A determinao desta probabilidade no fcil. No entanto se o processo

estocstico envolvido possuir a propriedade fundamental a seguir esta determinao
ser simplificada.
Um processo estocstico de tempo contnuo { X (t ' ); t ' 0} tem a propriedade
markoviana se
P{ X (t + s) = j /X ( s) = i e X (r ) = x(r )} = P{ X (t + s) = j /X (s) = i}
i, j = 0,1,...M e todo r 0, s > r e t > 0.
(3.7-1)
Percebe-se que P{ X (t + s) = j /X ( s) = i} uma probabilidade de transio,

da mesma forma das probabilidades de transio nas cadeias de Markov de tempo
discreto apresentado nas sees anteriores, se diferenciando apenas pelo
parmetro t que agora no assume valores discretos.
Se estas probabilidades de transio forem independentes, de modo que
P{ X (t + s) = j /X ( s) = i } = P{ X (t ) = j /X (0) = i}
s 0 ,
(3.7-2)
elas so denominadas probabilidades de transio estacionrias.

Para simplificar a notao anterior das probabilidades de transio
estacionrias, tem-se
pij (t ) = P{ X (t ) = j /X (0) = i },
(3.7-3)
em que pij (t ) chamada de funo de probabilidade de transio de tempo

contnuo. Supondo que
1
lim pij (t ) =
t 0
0
se i = j
se i j.
(3.7-4)
45
Um processo estocstico de tempo contnuo { X (t ' ); t ' 0} uma cadeia de

Markov de tempo contnuo se ela possuir a propriedade markoviana.
De acordo com Hillier e Lieberman (2006), algumas consideraes devem
ser tomadas a partir das seguintes propriedades:
Um nmero de estados finito.
Probabilidades de transio estacionrias.

Para a anlise das cadeias de Markov de tempo contnuo necessitam-se
apresentar um conjunto de variveis aleatrias que se relacionam a seguir.

Considerando que cada vez que o processo entra no estado i ele gasta um
tempo at se transferir para um estado diferente; a quantidade de tempo que o
processo gasta ser representada pela varivel aleatria Ti , i = 0,1,..., M . Ento,
para descrever uma cadeia de Markov de tempo contnuo so necessrias:
1.
A varivel aleatria Ti que possui uma distribuio exponencial com uma

mdia
1
, sendo qi igual ao nmero de vezes que o processo deixa o estado i
qi
por unidade de tempo.

2.
Ao sair do estado i , o processo vai para o estado j com probabilidade pij ,

em que estes satisfazem as seguintes condies
pii = 0
para todo i,
(3.7-5)
M
pij = 1
para todo i.
j =0
3.
O prximo estado visitado aps o estado i independente do tempo que

permaneceu neste.
Do mesmo modo que as probabilidades de transio em uma etapa
desempenham um papel importante na descrio de uma cadeia de Markov de

tempo discreto, para as cadeias de Markov de tempo contnuo tem-se o
desempenho a partir das intensidades de transio, estas so apresentadas a
seguir.
46
qi =
1-p (t )
d
pii (0) = lim ii ,
t 0
dt
t
para todo i = 0,1,2,...M ,
(3.7-6)
qij =
pij (t )
d
= qi pij ,
pij (0) = lim
t 0
dt
t
para todo j i,
(3.7-7)
em que qi a taxa de transio fora do estado i no sentido que qi o nmero

esperado de vezes que o processo deixe o estado i por unidade de tempo, e de
modo similar, qij a taxa de transio do estado i para o estado j no sentido que
qij o nmero de vezes esperado que processo transite do estado i para o estado
j por unidade de tempo gasto no estado i . Assim,
qi = qij
(3.7-8)
j i
qij , i j
A matriz Q formada pelas entradas
define a matriz geradora da
q i , i = j
cadeia de Markov em tempo contnuo.

Da mesa forma que as equaes de Chapman-Kolmogorov so satisfeitas
pelas probabilidades de transio das cadeias de Markov de tempo discreto, a
funo de probabilidade de transio de tempo contnuo tambm satisfaz essas
equaes. Dessa maneira, para quaisquer estados i e j e nmeros no-negativos
t e s (0 s t ),
M
pij (t ) = pik ( s) pkj (t s).
(3.7-9)
k =0
Da propriedade da comunicao de estados de uma cadeia de Markov de

tempo discreto tem-se o mesmo para as cadeias de Markov de tempo contnuo, pois
se diz que um par de estados i e j se comunica entre si se houver tempos t1 e t 2
tal que pij (t1 ) > 0 e p ji (t 2 ) > 0 . Se todos os estados se comunicam formam uma
classe, assim,
pij (t ) > 0
Alm disso,
para todo t > 0 e todos os estados i e j.
47
lim pij (t ) = j ,
i = 0,1,..., M
(3.7-10)
sempre existe e independente do estado inicial de uma cadeia de Markov, para

cada j = 0,1,..., M . Estas probabilidades so conhecidas como probabilidades de
estado estvel de uma cadeia de Markov contnua, e os
j satisfazem as equaes
j = i pij (t ),
para j = 0, 1, ..., M e todo t 0.
(3.7-11)
i =0
No entanto, as equaes de estado estvel a seguir fornecem um sistema de

equaes mais til para encontrar as probabilidades de estado estvel.
j q j = i qij ,
para j = 0, 1, ..., M .
i j
(3.7-12)
M
j = 1.
j =0
A equao do estado estvel (3.7-12) para o estado j * , por exemplo, pode

ser interpretado intuitivamente como segue. O lado esquerdo j* q j* a taxa na qual
o processo deixa o estado j . E cada termo i qij* , do lado direito, taxa na qual o
estado entra ao estado j * proveniente do estado i , somando-se ao longo dos
i j * . Resultando ento que o lado direito fornece a taxa na qual o processo entra
no estado j a partir de qualquer estado. Portanto a equao (3.7-12) diz que a taxa
na qual o processo deixa o estado j * deve ser igual a taxa na qual o estado entra
no estado j * .
3.8. Processo de Nascimento e Morte
Neste tpico apresentada a definio de processo de Nascimento e Morte

com o desenvolvimento de equaes de balano. Estas equaes sero teis para o
entendimento da extenso deste processo, conhecido como processo de Quase
Nascimento e Morte a ser abordado no Captulo 4. As definies deste tpico podem
ser encontradas em (FOGLIATTI E MATTOS, 2007).
48
O processo de nascimento e morte uma cadeia de Markov homognea,

irredutvel, de tempo contnuo. Para este processo, as mudanas permitidas entre
estados devem ocorrer, apenas, entre os estados adjacentes, transies para os
estados vizinhos imediatos. Isto , se o processo estiver no estado j , ele s poder
ir para o estado j + 1 ou para o estado j 1 . Onde a transio para o estado j + 1 se
interpreta um nascimento para j 0 , e a transio para o estado j 1 , uma morte,
com j > 0 . Processos de nascimento e morte so utilizados para representar a
evoluo do nmero de usurios em um centro de servio.
Um processo de nascimento e morte pode ser esquematizado pelo diagrama
de grafos apresentado na Figura 12, onde os ns representam os estados j , ou
seja, os estados no processo, e os arcos representam as transies entre os
estados, com as taxas de nascimento e morte j e j , sobre as ligaes (j, j+1) e (j,
j-1) respectivamente.
Figura 12 Modelo bsico do Processo nascimento e morte usando grafos: Fogliatti e Mattos (2007).
Para este processo so consideradas vlidas as seguintes hipteses:

1.
No instante inicial t 0 = 0 , o sistema se encontra vazio, isto , X (0) = 0 ;
2.
Nascimentos e mortes so eventos estatisticamente independentes;
3.
Dado que o sistema est no estado j , no intervalo de tempo (t , t + t ) , t to
pequeno quanto se queira, a probabilidade de ocorrer:

a) um nascimento igual a j t + o(t ) ;
b) uma morte e igual a j t + o(t ) ;
c) mais de um evento (de nascimento(s) e/ou morte(s)) desprezvel, igual a
o(t ) , onde
lim
o(t ) = 0
t
t 0
49
Usando a notao:
Pi n ( t ) = P{ ocorncia de i nascimentos em t} e
Pkm ( t ) = P{ ocorncia de k mortes em t}
a terceira hiptese pode ser reescrita da seguinte forma:
P1n ( t ) = P[ X (t + t ) X (t ) = 1 / X (t ) = j ] = j t + o( t ) j = 0, 1, 2,...,
(3.8-1)
P1m ( t ) = P[ X (t + t ) X (t ) = 1 / X (t ) = j ] = j t + o(t ) j = 0,1,2,...,
(3.8-2)
Pi n ( t ) Pkm ( t ) = o ( t )
i , k | (i + k ) > 1.
(3.8-3)
De (3.8-1) e (3.8-2), respectivamente, obtm-se as probabilidades de no

haver nascimento nem mortes em um intervalo pequeno de tempo, t :
P0n (t ) = P[ X (t + t ) X (t ) = 0 / X (t ) = j ] = 1 j (t ) o(t ) j = 0, 1, 2,...,
(3.8-4)
P0m (t ) = P[ X (t + t ) X (t ) = 0 / X (t ) = j ] = 1 j (t ) o(t ) j = 0,1,2,...,
(3.8-5)
Com essas hipteses, determinam-se, para todo n , as probabilidades Pn

dos estados do processo, como mostrado a seguir.
Dividindo-se o intervalo de observao (0, t + t ) em dois subintervalos
disjuntos (0, t ] e (t , t + t ) , verifica-se que o sistema est no estado j > 0 no
instante
(t + t ) , para t
pequeno, se ocorre um dos seguintes eventos
mutuamente excludentes:
1.
no instante t , o sistema se encontra no estado j e, no intervalo de tempo
(t , t + t ) , no h nenhum nascimento e nenhuma morte;
2.
no instante t , o sistema se encontra no estado j e, no intervalo de tempo
(t , t + t ) , h um nascimento e no h nenhuma morte;
50
3.
no instante t o sistema est no estado j e, no intervalo de tempo (t , t + t ) , h
uma morte e no h nenhum nascimento.

O sistema est no estado j = 0 no instante (t + t ) , para t pequeno, se
ocorre um dos seguintes eventos mutuamente excludentes:
1.
no instante t , o sistema est no estado 0 e, no intervalo de tempo (t , t + t ) ,
no h nenhum nascimento;
2.
no instante t , o sistema est no estado 1 e, no intervalo de tempo (t , t + t ) ,
h uma morte e no h nenhum nascimento.

Utilizando as hipteses 1 e 2 apresentadas anteriormente e o Teorema da
Probabilidade Total, pode-se calcular a probabilidade do sistema estar no estado j
no instante (t + t ) :
Pj (t + t ) = Pj (t )P0n (t )P0m (t ) + Pj 1 (t )P1n (t )P0m (t )
(3.8-6)
+ Pj +1 (t )P0n (t )P1m (t ) + o(t ), j 1,

P0 (t + t ) = P1 (t ) P0n (t ) P1m (t ) + P0 (t ) P0n (t ) + o(t ).
(3.8-7)
Substituindo (3.8-1), (3.8-2), (3.8-3), (3.8-4) e (3.8-5) em (3.8-6) e (3.8-7), tm-se:
Pj (t + t ) = Pj (t )[1 j t o(t )][1 j t o(t )]

+ Pj 1 (t )[1 j 1t o(t )][1 j 1t o(t )]
+ Pj +1 (t )[1 j +1t o(t )][1 j +1t o(t )] + o(t )
(3.8-8)
= Pj (t ) j tPj (t ) j tPj (t ) + Pj 1 (t ) j 1 (t )
+ Pj +1 (t ) j +1t + o(t ),
j 1,
P0 (t + t ) = P0 (t )[1 0 t o(t )]
+ P1 (t )[1 1t o(t )][ 1t o(t )] + o(t )
= P0 (t ) 0 tP0 (t ) + 1tP1 (t ) o(t ),
foram utilizadas as relaes de aproximao (t ) 2 o( t ) e o(t ) t o(t ).
De (3.8-5) e (3.8-6), obtm-se:
(3.8-9)
51
Pj (t + t ) Pj (t )
t
= j Pj (t ) j Pj (t ) + j 1 Pj 1 (t )
+ j +1 Pj +1 (t ) +
o ( t )
,
t
j 1,
P0 (t + t ) P0 (t )
o ( t )
= 0 P0 (t ) + 1 P1 (t ) +
.
t
t
Tomando-se os limites quando t 0 , tm-se:
dPj (t )
dt
= j Pj (t ) j Pj (t ) + j 1 Pj 1 (t ) + j +1 Pj +1 (t ),
j 1
(3.8-10)
dP0 (t )
= 0 P0 (t ) + 1 P1 (t ),
dt
(3.8-11)
que formam um sistema infinito de equaes diferenciais que representam as

possibilidades dos estados do sistema.
Como o processo de nascimento e morte uma cadeia de Markov
irredutvel, existe um tempo t* a partir do qual ele entra no regime estacionrio
mantendo suas caractersticas estveis. Neste caso,
dP j ( t )
dt
= 0,
j, t > t * .
Portanto, o sistema de equaes diferenciais (3.8-10) e (3.8-11) se

convertem no sistema infinito de equaes algbricas
0 = j Pj (t ) j Pj (t ) + j 1Pj 1 (t) + j +1 Pj +1 (t),
j 1, e t > t*
(3.8-12)
0 = 0 P0 (t ) + 1P1 (t ).
(3.8-13)
Rearranjando (3.8-12) tem-se:
j P j (t ) j +1 P j +1 (t ) = j 1 P j 1 (t ) j P j (t)
j 1e t > t *
e usando-se de recorrncia,
j Pj (t ) j +1 Pj +1 (t ) = j 1 Pj 1 (t ) j Pj (t)
= j 2 Pj 2 (t ) j 1 Pj 1 (t)
= 0 P0 (t ) 1 P1 (t).
(3.8-14)
52
De (3.8-13) e (3.8-14), tem-se:
j 1 P j 1 (t ) j P j (t ) = 0
j 1 e t > t *
ento,
Pj (t ) =
j 1
j 1 j 2
j 1 j 2 j 3 ...0
Pj 1 (t ) =
Pj 2 (t ) = ... =
P0 (t )
j
j j 1
j j 1 j 2 ...1
j
= P0 (t ) i 1
i
i =1
Pj (t ) = 1,
Como
(3.8-15)
j 1 e t > t * .
obtm-se:
j 0,t >t*
P0 (t ) =
1 + i 1
j 1 i =1 i
j
t > t*
(3.8-16)
desde que soma do denominador de (3.8-16) seja convergente.

A partir de (3.8-15) e (3.8-16), tem-se a distribuio limite dos estados do
sistema (P0(t), P1(t), P2(t)...), que tambm a distribuio do estado de regime
estacionrio do processo, totalmente determinada pelas taxas de nascimento e de
morte.
As equaes (3.8-12) e (3.8-13) so denominadas equaes de balano ou
de equilbrio e podem ser obtidas diretamente do diagrama apresentado na Figura
1, utilizando o princpio da conservao de fluxos, isto , para cada estado, o fluxo
que entra igual ao que sai.
Dessa forma, para qualquer estado j 1 e t > t * tem-se:
j 1 P j 1 (t ) + j +1 P j +1 (t ) = j Pj (t ) + j Pj (t)
(3.8.17)
e para o estado j = 0,
0 P0 (t) = 1P1 (t).
(3.8-18)
Observar que para o regime estacionrio as equaes (3.8-12) at (3.8-18)

podem ser trabalhadas omitindo a dependncia do tempo em evidncia, isto , para
t > t * . Por exemplo, as equaes de conservao de fluxo se tornam em:
53
j 1 P j 1 + j +1 P j +1 = j P j + j P j j 1.
3.9. Distribuio tipo Fase (PH)

Nesta seo apresenta-se uma distribuio de probabilidade que se
considera uma generalizao natural da distribuio de Erlang para abordagens
computacionais, segundo Neuts (1994).
Definio 1: Uma distribuio de tipo Fase (distribuio PH) ser representada por
H() no intervalo [0, [ com parmetros (, T) , dada por
H ( x) = 1 exp(Tx)e, x 0.
(3.9-1)
Onde um vetor linha de dimenso m ; T uma matriz de ordem m no singular

e e um vetor coluna onde todas as componentes so iguais a 1, (PREZ-OCN e
MONTORO-CAZORLA, 2004 e HUANG et al. 2006).
A exponencial de uma matriz resulta ser uma nova matriz da mesma ordem,
obtida como o limite de uma srie de potncias, da prpria matriz, convergente. Ver
detalhes no Anexo II.
A distribuio PH entendida como a distribuio do tempo at a absoro
em um processo de Markov em tempo contnuo com um nmero finito de estados.
Os parmetros (, T) se decompem em um vetor de probabilidade inicial (, m+1 )
e a matriz T construir o gerador do processo markoviano
T T0
0 0 ,
sendo o vetor T 0 = Te cujas componente so no negativas.

Uma distribuio PH representa variveis aleatrias que so medidas pelo
tempo t, que a cadeia de Markov subjacente gasta em sua parte transitria at a
absoro, segundo Riska (2003). Em geral, uma distribuio PH a distribuio do
tempo at a absoro no estado 0 em uma cadeia de Markov, (OSOGAMI, 2005).
Para Riska (2003), as distribuies PH so constitudas por uma mistura geral de
exponenciais e so caracterizados por uma cadeia de Markov finita e absorvente.
Cada estado transiente de uma distribuio PH ser chamado uma fase. O nmero n
de fases na distribuio PH igual ao nmero de estados transitrios associados a
54
cadeia de Markov (subjacente).

Uma propriedade importante mencionada na literatura : A distribuio tipo
Fase densa no conjunto de distribuies definida sobre o conjunto de nmeros
reais no negativos. Caracterstica que a equipara com o conjunto dos nmeros
racionais, que possui a propriedade de poder se aproximar de qualquer nmero real,
com a preciso desejada.
Aqui
foram
vistos
definies
de
processos
estocsticos,
processos
Markovianos e processos de Nascimento e Morte, entre outros. A distribuio (PH)

tambm foi definida neste captulo. Estes definies so importantes para o
entendimento do processo QBD, extenso do processo de Nascimento e Morte, que
ser abordado no captulo seguinte.
55
Captulo 4
Metodologia QBD e Aplicaes
O conceito de processos estocsticos (em particular o processo de
nascimento e morte) bsico para o estudo dos problemas de servios na teoria de
filas. Nesta pesquisa trabalhou-se com um modelo que estima a falta de peas
sobressalentes no estoque, na presena de falha dos equipamentos; a abordagem
foi feita via processos de Markov de estados finitos de tempo continuo.
Na primeira seo apresentam-se aplicaes que envolvem a extenso do
processo de Nascimento e Morte, o processo Quase Nascimento e Morte (QuasiBirth-and-Death QBD).
4.1. Processo de Quase Nascimento e Morte (QBD)
O processo QBD uma extenso do processo de Nascimento e Morte. O

que os diferencia a presena de subestados em cada estado, portanto haver a
opo de que as transies possam ocorrer entre estados ou no interior de um
mesmo estado. A definio a seguir fornece uma explicao deste modelo.
Definio 2: Considere um processo de Markov com espao de estado de duas

dimenses: E = {(i , j ) : i 0; j = 1, 2, ..., m} , referindo-se, por exemplo, ao nvel n o
conjunto de estados escrito por extenso {( n, 1), ( n, 2),..., ( n, m )} . Tal processo de
56
Markov chamado de processo quase nascimento e morte (QBD) quando as

transies de um passo so limitadas aos estados de mesmo nvel ou nos dois
nveis adjacentes, (HUANG et al. 2006).
Para o processo QBD, os estados so ordenados lexicograficamente, isto ,
{(0, 1), ..., (0, m), (1, 1), ..., (1, m), ..., ( n, 1),..., (n, m),...}
e o gerador infinitesimal Q, de forma genrica, tem a seguinte estrutura de blocos:
B00
B
10
Q=
B01
A1
A2
A0
A1
A2
A0
A1
O
,
A0 L
O O
(4.1-1)
onde as sub-matrizes B00 e A1 denotam as transies entre os estados de mesmo

nvel i; as sub-matrizes B01 e A0 denotam as transies entre os nveis i e i + 1; e
finalmente as sub-matrizes B10 e A2 denotam as transies entre os nveis i + 1 e i.
Desta disposio podemos visualizar as chamadas equaes de balano
B00 e + B01e = B10 e + A1e + A0 e = A2 e + A1e + A0 e = 0 ,

onde B00 , B01 , B10 , A2 , A1 e A0 so submatrizes descrevendo cada estado do sistema
e o vetor coluna e de componentes 1s. Este gerador assumido ser irredutvel,
(adaptado de PREZ-OCN e MONTORO-CAZORLA, 2004).
A seguir apresenta modelos para o processo QBD com distribuies que
possuem ou no caractersticas de processos Markovianos. So apresentados
exemplos disponveis em Fadiloglu e Yeralan (2002), Prez-Ocn e Montoro-Cazorla
(2004) e Huang et al. (2006).
4.1.1. Representao de linhas de Produo
Para Fadiloglu e Yeralan (2002), em um processo QBD, os estados ao invs

de corresponderem apenas a uma nica opo de passo, como o caso do
processo de nascimento e morte, so formados por um grupo de sub-estados. As
57
transies de um passo podem acorrer entre estados adjacentes assim como

tambm pode existir transies de um passo dentro do mesmo estado. A
representao grfica representando o fluxo de transies deste processo de
Markov se mostra na Figura 13.
Figura 13 Representao de um processo QBD: Fadiloglu e Yeralan (2002).
A partir da representao na Figura 13, necessrio que se faa uma

definio que possa ser utilizada neste texto. Segundo Fadiloglu e Yeralan (2002), o
QBD em estudo um processo de Markov cujo espao de estados finito
E = {(i, j ), 0 i n, 1 j m} , com taxas de transio formando a matriz de blocos,
tri-diagonal, Q . Os blocos resultam das equaes de balano do processo, e a

matriz chamada de gerador infinitesimal, representada por:
B00
B
10
Q=
B01
A1
A2
O
A0
A1
O
A2
A0
O
A1
A2
A0
A1
Bn,n1
Bn1,n
Bn,n
(4.1-1)
onde as sub-matrizes satisfazem B00 e + B01e = B10 e + A1e + A0 e = A2 e + A1e + A0 e =

= A2 e + A1e + Bn1,n e = Bn,n 1e + Bn,n e = 0 . Ao todo so n estados do sistema e m
indicadores de sub-estados possveis em cada estado.

Em continuao so apresentados exemplos onde foi utilizado o processo
QBD aplicado modelagem de linhas de produo em Fadiloglu e Yeralan (2002).
Os modelos diagramados a seguir mostram a versatilidade do processo QBD para
representar uma linha de produo, modelado como um sistema de fila, cuja
chegada est definida por uma distribuio exponencial representado por M, de
parmetro , servio de atendimento definido por uma distribuio exponencial M
58
com um nico servio de atendimento, e a disciplina de atendimento, o primeiro que

chega o primeiro a ser atendido, M/M/1. .
MODELO 1. Servidor definido por distribuio exponencial com buffer limitado.

A representao grfica do modelo dada na Figura 14, que mostra um
modelo de fila tpico M/M/1. A nica diferena do modelo bsico a presena do
buffer com tamanho limitado, M. Neste modelo, as peas chegam ao servidor como
um processo de Poisson com uma taxa mdia , e eles so atendidos com o tempo
de servio exponencial de parmetro .
Figura 14 Servidor com buffer limitado e parmetros relevantes: Fadiloglu e Yeralan (2002).
Na Figura 15, apresenta-se o diagrama da cadeia de Markov utilizando a

descrio do Modelo 1. Desta maneira facilita-se a obteno das equaes de
estado estacionrio, ou de balano, do modelo.
Figura 15 Diagrama de transio de Markov para o Modelo 1: Fadiloglu e Yeralan (2002).
As equaes de balano pertinentes ao modelo so dadas a seguir.

P (0) + P (1) = 0,
( + ) P (i ) + P (i + 1) + P (i 1) = 0 , para todo 1 i M 1,
(4.1-2)
P ( M ) + P ( M 1) = 0
e os valores especficos das submatrizes de transio, em um estado, dadas pelo

sistema de equaes (4.1-2) so visualizadas na matriz de blocos Q a seguir:
59
Q=
( + )
( + )
( + )
e definidas da seguinte forma de acordo com as matrizes apresentadas

anteriormente:
B00 = - ,
B01 = A0 = Bn1,n = ,
A1 = - ( + ),
B10 = A2 = Bn,n1 = ,
Bn , n = -
MODELO 2. Servidor definido por distribuio exponencial com buffer limitado,

considerando avarias e reparaes.
Na Figura 16 ilustra-se o modelo. Este, baseia-se no Modelo 1
acrescentando a avaria e a capacidade de reparao. Onde a avaria e o reparo
obedecem a uma distribuio exponencial com parmetro e respectivamente.
Uma vez que o desgaste ocorre, o reparo se inicia e, retorna logo aps o
termino do reparo, na mesma parte onde se iniciou o conserto.
Figura 16 Servidor com avaria e reparo e seus parmetros relevantes, adaptado de Fadiloglu e
Yeralan (2002).
O diagrama de transio de Markov para este processo dado pela Figura

17. E as equaes de estado estacionrio so apresentadas logo a seguir.
60
Figura 17 Diagrama de transio de Markov do Modelo 2: Fadiloglu e Yeralan (2002).
Os estados, em funcionamento e em reparo, so indicados respectivamente

como W e R.
( + )P( 0 , W) + P( 0 , R) + P( 1, W) = 0 ,
( + )P( 0 , R) + P( 0 , W) = 0 ,
( + + )P(i, W) + P(i,R) + P(i 1,W) + P(i + 1,W) = 0, para 1 i M 1,
( + )P(i, R) + P(i,W) + P(i 1,R) = 0, para 1 i M 1,
(4.1-3)
( + )P(M, W) + P(M,R) + P(M 1,W) = 0,

P(M,R) + P(M,W) + P(M 1,R) = 0.
A matriz de blocos tri-diagonal Q , deste processo, observada a seguir.
( + )
+ )
0
0
Q=
0
+ + )
( + ) 0
0
0 ( + + )
0
0
0

( + )
0
( + )
0
0
Dessa forma, as submatrizes definidas pelo sistema de equaes (4.1-3) e

analisadas atravs do gerador infinitesimal Q , podem ser facilmente identificadas,
como se mostra a seguir.
0
B 01 = A0 = B n 1, n =
,
0
( + )
0
, Bn,n =
,
= A2 = B n , n 1 =
0 0
( + + )
A1 =
.
( + )
( + )
B 00 =
B10
,
( + )
61
MODELO 3. Servidor definido com tempo de servio Erlang-2 e buffer limitado.

O Modelo 3, apresentado a seguir, representado na Figura 18, se diferencia
do Modelo 1 somente pela sua funo de distribuio do tempo de servio. No
Modelo 1, o processo de linha comporta-se como uma fila M/M/1 de distribuio
exponencial, enquanto no modelo atual, a distribuio de probabilidades Erlang-2,
representado como uma fila M/E2/1. Esta distribuio a soma de duas distribuies
exponenciais com a mesma taxa. Em ordem, para acomodar essa distribuio no
exponencial, preciso incorporar um estado adicional para cada nvel de contagem.
A Figura 19 representa esta ideia atravs do diagrama de transio de Markov.
Figura 18 Servidor com tempo de servio Erlang-2, buffer limitado e parmetros relevantes:
Fadiloglu e Yeralan (2002).
Figura 19 Diagrama de transio de Markov do Modelo 3: Fadiloglu e Yeralan (2002).
No diagrama h apenas um estado corresponde ao estado inicial, o

elemento 0 (zero) do grafo de contagem. Consequentemente, este elemento no
pode ser incorporado no QBD e tem que ser tratado separadamente. O QBD
comea a partir do elemento 1. Isto tem de ser levado em considerao ao aplicar o
procedimento de soluo de matriz polinomial.
62
As equaes de estado estacionrio para o processo so:
P( 0 ) + P( 1, 2 ) = 0 ,
( + )P( 1, 1 ) + P( 0 ) + P( 2, 2 ) = 0 ,
( + )P( 1, 2 ) + P( 1, 1 ) = 0 ,
( + )P(i 1, 1 ) + P(i 1,1) + P(i + 1, 2 ) = 0 , para 1 i M 1,
( + )P(i, 2 ) + P(i 1, 2 ) + P(i,1 ) = 0 , para 1 i M 1,
P(M, 1 ) + P(M 1,1 ) = 0 ,
P(M, 2 ) + P(M 1, 2 ) + P(M, 1 ) = 0.
A partir da primeira equao pode-se calcular o valor de P(0), e assim, P(0)
pode ser substitudo na segunda equao, e as seguintes taxas de transio da
matriz podem ser obtidas. A matriz de blocos tri-diagonal Q , deste processo, dada
a seguir:
0
( + )

0
( + )
0
0
0
( + )
0
0
( + ) 0

Q=
O
0 0 ( + )
0
0
(
)
0
0
0
0
0
As dimenses das submatrizes que formam a matriz Q 2 2 , dessa forma,

ao analisar esta matriz de blocos, podem-se extrair facilmente as seguintes
submatrizes.
,
B 01 = A0
( + )
0 0
= A 2 = B n,n 1 =
B n,n =
,
0
( + )
B 00 =
B 10
( + )
A1 =
0
.
( + )
= B n 1 ,n =
0

,
0

0
,

63
Os exemplos apresentados, disponveis em Fadiloglu e Yeralan (2002),

fornecem uma ideia inicial da facilidade ao se representar via diagramas um modelo
de processo de QBD, alm desta se tornar uma ferramenta de muita utilidade na
representao de processos produtivos. Outros modelos, que exemplificam
processos de linha de produo, podem ser encontrados em trabalhos dos autores.
4.1.2. Parmetros de Confiabilidade Usando um Processo QBD
A pesquisa desta dissertao teve no artigo de Prez-Ocn e MontoroCazorla (2004) uma de suas fontes importantes de desenvolvimento. Neste artigo foi
desenvolvido um modelo QBD objetivado a calcular os vetores de probabilidade
estacionria, ou vetores de probabilidade de estado estvel, e em termos destes,
determinar medidas teis da teoria de confiabilidade como a disponibilidade e a taxa
de ocorrncia de falha. Este estudo foi realizado considerando o tempo operacional
e o tempo de reparo de uma unidade (mquina) segue uma distribuio tipo Fase e
so independentes.
Assim, os autores assumem que os parmetros de entrada necessrios, a
seguir, para o modelo QBD so , T e , S , respectivamente, da distribuio tipo
Fase para as variveis do tempo operacional e do tempo de reparo. Os valores
atribuidos a estes parmetros so:
= (1,0,0) vetor linha de probabilidade inicial de tamanho m indicando as
m fases operacionais;
= (1,0,0) vetor linha de probabilidade inicial de tamanho k indicando as k
fases de reparao;
0
0.0027 0.0027
T =
0
0.008
0.008 matriz de ordem m , no singular com
0
0
0.02878
elementos da diagonal negativos e fora da diagonal todos positivos que

governa o tempo operacional.
64
0
0.02 0.02
S = 0.01 0.08 0.07 matriz de ordem k , que governa o tempo de

0.005
0
0.1
reparao.
Neste exemplo considera-se que m = k = 3 e que os parmetros
apresentados so suficientes para a construo da matriz chamada de gerador
infinitesimal Q que pela sua estrutura muito conveniente para a resoluo do
problema.
B00
B10
Q=
B01
A1
A2
A0
A1
O
A0
O
A2
O
A1
A2
A0
A1
Bn,n 1
Bn 1,n
Bnn
onde,
B00 = T , B01 = T 0 , B10 = I S 0 , A1 = T S , A0 = T 0 I , A2 = I S 0 ,
Bn 1, n = T 0 I , Bn, n 1 = S 0 , Bn, n = S , I a matriz identidade de ordem
3 3, e
T 0 e S 0 so calculados da seguinte maneira: Te = T 0 0 e Se = S 0 0 , em que e
denota um vetor coluna com todas entradas de 1s.

Pelas propriedades das operaes de Kronecker tem-se que todas a
matrizes Ai so de ordem 9 x 9, a matriz B01 de ordem 3 x 9 e a matriz B10 de
ordem 9 x 3. As definies das operaes de Kronecker se encontram no Anexo III.
Ao efetuar os clculos os autores chegaram aos seguintes resultados:
Para o caso de infinitas peas de reposio temos os seguintes valores
encontrados.
Os vetores de probabilidade estacionria so:
0 = (0.558, 0.218, 0.062)
1 = (0.096, 0.023, 0,016, 0,011, 0.003, 0.003, 0.002, 0.001, 0.001)
2 = (0.003, 0.001, 0.001, 0.0004, *, *, *, *, *)
3 = (0.0001, *, *, *, *, *, *, *, *),
M
65
Os asteriscos substituem os valores 10 4 .

A taxa de ocorrncia de falha por unidade: v = 0.2%.
Para o caso de finitas peas de reposio temos os seguintes valores
encontrados:
Considerando 3 unidades sobressalentes

0 = (0.558, 0.218, 0.062)
1 = (0.096, 0.023, 0,016, 0,011, 0.003, 0.003, 0.002, 0.001, 0.001)
2 = (0.003, 0.001, 0.001, 0.0004, *, *, *, *, *)
3 = (0.0001, *, *)
A medida de confiabilidade neste processo de: A = 0.9998, ou seja, o

sistema encontra-se operacional por um longo tempo.
A taxa de ocorrncia de falha por unidade: v = 0.19%.
Considerando 5 unidades sobressalentes

0 = (0.558, 0.218, 0.062)
1 = (0.096, 0.023, 0,016, 0,011, 0.003, 0.003, 0.002, 0.001, 0.001)
2 = (0.003, 0.001, 0.001, 0.0004, *, *, *, *, *)
Todos os outros vetores
3 , 4 e 5 apresentam valores
10 4 .
A medida de confiabilidade neste processo de: A 1 .

A taxa de ocorrncia de falha por unidade: v = 0,19%.
Neste trabalho analisado, tomou-se em considerao que tanto para o caso
de infinitas peas sobressalentes, quanto para o caso em que so necessrias 5
unidades destas peas, os vetores de probabilidade estvel so similares, tornando
assim o sistema em um estado estvel.
66
Prez-Ocn e Montoro-Cazorla (2004) mostram que o sistema analisado

encontra-se operando por um perodo longo de 2,6348 x 108 unidades de tempo,
considerando que sempre ter pelo menos uma unidade (mquina) em reserva
(standby). Em contra partida, o sistema trabalha por 64,0832 unidades de tempo
quando o sistema est em baixa, ou seja, quando no existem mais peas na
reserva.
4.1.3. Estimativa de peas de reposio reparveis
Esta seo discorre de um algoritmo que prov o nmero de peas de

reposio necessria para asegurar o funcionamento de um sistema, cujo a fonte
Huang et al. (2006). O objetivo destes autores foi modelar um problema que estime
o mnimo de peas de reposio reparveis que garanta o funcionamento de um
sistema com 95% de confiabilidade no decurso de tempo t de excusso do
processo, de 1500 horas. Para os testes numricos foram utilizados os parmetros
apresentados em Prez-Ocn e Montoro-Cazorla (2004) e diferentes tempos de
funcionamento.
O problema abordado em Huang et al. (2006) considera a varivel aleatria
{X(t), t 0} que representa o nmero de falhas por unidades de tempo no sistema
produtivo estudado. Essa varivel aleatria se modela por um processo estocstico
de quase nascimento e morte, QBD, que representa a demanda de peas de
reposio reparveis.
Antes de apresentar o pseudocdigo deste algoritmo, apresenta-se um
resultado que faz a ligao entre o nmero de peas de reposio necessrias para
assegurar o processo e a probabilidade de falha. Este resultado ser utilizado como
teste de parada do algoritmo.
Teorema. Suponha que, para garantir uma proviso de peas de reposio com
uma probabilidade no inferior a P durante um perodo t, devem ser preparadas pelo
menos h peas. Ento, Q, t e P satisfazem a desigualdade exp(Qt )e > P , onde Q
67
uma matriz dos macro-estado de dimenso h + 1, e
um vetor linha associado
distribuio fase do modelo cuja dimenso apropriada ao problema.

A prova do teorema anterior est disponvel em Huang et al. (2006). A seguir
apresentado o pseudocdigo de um algoritmo, construdo por estes, que calcula a
demanda do menor nmero de peas de reposio sujeita a restrio de
confiabilidade, assegurado por uma probabilidade no inferior a P e executado
durante um perodo t .
Algoritmo de HUANG-LIANG-GUO:
Passo 1: Seja h = 0, Q = B00 , = , calcular exp(Qt )e . Se exp(Qt )e > P ento no

necessita de nenhuma reposio e o algoritmo termina, caso contrrio vai para o
passo 2.
B
Passo 2: Seja h = 1, Q = 00
B10
B01
, = ( ,0) , calcular exp(Qt )e . Se exp(Qt )e > P
A1
ento se necessita de uma reposio e o algoritmo termina, caso contrrio vai para o
passo 3.
0
M
Passo 3: Seja h = h + 1, Q = Q +
0
... 0
O M
L 0
L A2
0
M
, = ( ,0,...,0)1( h +1) . Calcular
A0
A1 ( h +1)( h +1)
exp(Qt )e . Se exp(Qt )e > P ento se necessita de h reposies e o algoritmo

termina, caso contrrio execute o passo 3 novamente.
A anlise do nmero mnimo de peas de reposio que satisfaz a demanda
verificada a cada iterao e determinada pelo parmetro h . A matriz Q uma
matriz que se renova a cada iterao. Inicialmente essa tem os mesmos
componentes da matriz de tempo operacional T , no entanto, a cada rodada a matriz
Q vai se conformando a necessidade dos clculos, aumentando o nmero de blocos
de linhas e colunas em um, se configurando em uma matriz de blocos tri-diagonal. E

para garantir que o nmero de peas de reposio seja suficiente calculada a
68
confiabilidade do processo atravs da frmula exp(Qt )e , onde = ( ,0,0,...,0) (1(h +1)) ,

Q a matriz infinitesimal renovada a cada iterao para h peas de reposio e, e
o vetor coluna de 1s.

Os valores numricos gerados pelo cdigo do algoritmo HUANG-LIANGGUO so vistos a seguir. Eles foram gerados no ambiente Matlab como comentam
os autores.
Considerando o nmero mnimo de peas de reposio:
Nenhuma pea de reposio, h = 0 .
Q = B00 , = , logo exp(Qt )e = 0.0290 , com uma confiabilidade de 2,9%,

no se pode aceitar que o sistema funcione sem pea sobressalente.
Uma pea de reposio, h = 1 .
B
Q = 00
B10
B01
, = ( ,0) , logo exp(Qt )e = 0.8995 , que ainda um valor de
A1
confiabilidade inferior a 95%, determinado pelos autores.
Duas peas de roposio h = 2 .
B00
Q = B10
0
B01
A1
A2
0
A0 , = ( ,0, 0), logo exp(Qt )e = 0.9984, que satisfaz o grau
A1
de confiabilidade exigido para trabalhar-se com segurana, no deixando o sistema

parar.
As entradas com valores zeros nas matrizes Q e correspondem a outras
matrizes formadas por blocos de zeros, cada qual com as dimenses apropriadas
para se executar os clculos necessrios.
No trabalho realizado por Huang et al. (2006) verifica-se que so
necessrias duas peas de reposio no mnimo, apresentando uma confiabilidade
de 99,84% de certeza, para que o sistema funcione por um longo perodo sem correr
69
o risco de falha. O algoritmo foi implementado no ambiente Scilab 5.2.2, para esta
dissertao, onde se confirma os resultados fornecidos por esses autores. O cdigo
do algoritmo encontra-se no apndice A. Os resultados desse cdigo so
apresentados na Figura 20.
Figura 20 Resultados obtidos com o cdigo do algoritmo HUANG-LIANG-GUO, rodado no Scilab.
Os valores de E so os valores probabilidade do sistema permanecer em

funcionamento, sem correr risco de entrar no estado de falha, a cada iterao. O 1
valor de E para quando no h necessidade de peas de reposio em estoque, o
2 para quando se necessita de pelo menos uma pea guardada no estoque e, o 3
e ltimo E, apresenta a probabilidade superior a estabelecida de P=95% do cdigo
do algoritmo, desta forma as iteraes so finalizadas e impresso a quantidade de
peas de reposio necessria para o sistema funcionar sem se preocupar com a
falta de peas sobressalentes no estoque de reposio.
Os valores encontrados na Tabela 1 representam as probabilidades para
que um sistema permanea em funcionamento durante determinados perodos de
tempo t, gerados pelo cdigo do algoritmo de HUANG-LIANG-GUO. O tempo foi
analisado considerando produo contnua de 24 horas dirias durante 30 dias.
Desta forma, o primeiro perodo de tempo, analisado por Huang et al. (2006),
representa o tempo de funcionamento de um maquinrio de 62 dias,
aproximadamente 2 meses. Os outros tempos de processamento, considerados,
equivalem a 6 e 8 meses de 24 horas de funcionamento dirio.
70
Tabela 1 Valores de confiabilidade para que um sistema permanea em funcionamento analisado
por diferentes valores de t.
Quantidade
Valor de E com
Valor de E com
Valor de E com
t=1500h
t=4320h
t=5760h
2.9%
0.001%
0.00003%
89.79%
70.59%
62.43%
99.66%
98.82%
98.40%
99.98%
99.95%
99.94%
Estimada de
peas no estoque
Na Tabela 1, no processo de 1500 horas de durao, percebe-se que, se for

decidido no estocar nenhuma pea de reposio ou simplesmente optar por
armazenar uma, a probabilidade de no precisar de peas de 2.9%, muito baixa,
enquanto, a de no precisar de mais de uma de 89.79%. Tambm observado
que, para estes dois casos, h uma diminuio considervel medida que o tempo
de funcionamento, em avaliao, aumenta. No entanto, a diminuio entre as
probabilidades, para o armazenamento de 2 ou 3 destas peas menor, menos de
1% para cada perodo de tempo determinado, mostrando a estabilidade do
processo. Assim, a deciso ser tomada a partir da confiabilidade implementada no
algoritmo estudado.
Os valores observados na tabela, nos trs tempos de funcionamento,
garantem que o modelo, usando um processo QBD, fornece uma boa aproximao
para representar ocorrncias de falhas, isto , a necessidade de peas
sobressalentes ou de reposio, validando a proposta de representao.
Este captulo foi elaborado com a expectativa oferecer uma viso
mais refinada ao tratamento dos estoques de peas de reposio reparveis. Aqui
so encontradas as definies fornecidas nos captulos anteriores, mostrando a
potencialidade do processo QBD. O processo QBD rene o que h de mais valioso
no tratamento de estoque comum (quantidade do pedido, custo de produo,
manuteno, etc.) e aplica aos estoques de peas de reposio. Os tratamentos
aqui vistos tomam base aos processos de manuteno de equipamentos, utilizando
dos artifcios matemticos da confiabilidade e da disponibilidade, garantindo assim
os modelos apresentados.
71
Captulo 5
Concluses
5.1. Consideraes Finais
Iniciou-se a pesquisa desta dissertao com o estudo do comportamento

dos estoques de peas de reposio ou peas sobressalentes. O estoque de peas
sobressalentes apresenta dificuldades, que alguns autores assinalam, por causa de
informaes incompletas ou falta de uma coleta regular delas nas empresas.
Acrescentado a esta dificuldade, as pesquisas sobre mtodos para serem aplicados
a estoques sobressalentes esto ainda em desenvolvimento.
Na reviso bibliogrfica realizada percebeu-se que h resultados com a
adaptao das tcnicas existentes para a quantificao dos estoques de peas de
reposio, como mtodo preliminar, para completar dados que descrevam as
caractersticas destes itens, por exemplo, a segmentao, classificao ABC e a
criticidade. Esta reviso foi feita para cobrir o objetivo de fazer um levantamento
bibliogrfico sobre como as tcnicas usadas para predizer a quantidade de peas de
reposio necessrias para um processo produtivo. Outro mtodo tambm utilizado
por pesquisadores a simulao. Isto, porque nem sempre as empresas dispem
de todos os dados necessrios para calcular e validar um resultado, ou no tem
possibilidades de obt-los. Nestes trabalhos revisados, mostrou-se que a simulao
foi uma tima sada quando no se tem dados completos, ou quando estes so
72
insuficientes, para garantir concluses eficientes para uma previso dos estoques de
peas de reposio.
As caractersticas das peas de reposio, tais como: baixo giro,
comportamento irregular e intermitente, demanda baixa, as vezes de alto custo de
aquisio e longo tempo de elaborao fazem mais complexa a tomada de deciso
do quando e quantos destes itens so necessrios a mnimo custo. Portanto, se teve
como segundo objetivo o estudo de modelos de processos estocsticos para
representar o problema do clculo do tamanho do estoque de peas sobressalentes
reparveis. Este objetivo foi satisfeito com o estudo do processo QBD e sua
aplicao no algoritmo que estima o nmero de peas necessrias para garantir,
com alto grau de confiabilidade, a manuteno do funcionamento de um processo
produtivo. Esta se constitui numa ferramenta que modela de forma mais ajustada a
previso do tamanho do estoque de sobressalentes reparveis. Este tamanho
depende de dois parmetros um ligado ao tempo em que acontecer a necessidade
de uma pea de reposio (uma falha no processo produtivo) e o segundo ligado ao
tempo necessrio para a reparao desta pea.
O enfoque dado ao modelo, que mede o tamanho de estoque de peas de
reposio, a de previso da seguinte parada no processo produtivo ou previso da
seguinte falha. Na ocorrncia de falha se tem a opo de substituio por uma pea
nova ou uma pea reparada, sob a hiptese que a reparao deixa a pea como
nova, sempre que esta esteja disponvel. Considerar a possibilidade de reparao
de uma pea sobressalente uma opo de responsabilidade ambiental incorporada
nos processos produtivos.
Foram verificados os resultados computacionais, sobre dados acadmicos,
para a matriz infinitesimal trabalhada nos artigos Prez-Ocon & Montoro-Cazorla
(2004) e Huang et al. (2006), utilizando o ambiente Scilab 5.2.2, num Notebook STI,
Processador Pentium T4400 HD 320 SATA II.
5.2. Trabalhos futuros
Aprofundar no estudo de cadeias de Markov a tempo contnuo, pois suas

aplicaes levam a modelos mais ajustados na previso de falhas de um sistema
73
produtivo. Adicionalmente aprofundar no estudo dos processos estocsticos, em

especial, processo de Quase Nascimento e Morte (processo QBD), cujas aplicaes
em medies da confiabilidade de processos produtivos resultam mais informativas.
Fazer um levantamento da matriz infinitesimal Q em problemas estoques de
peas de reposio em empresas, tanto como das matrizes de tempo operacional e
de tempo de reparo, assim, formulando um estudo de caso.
74
Referncias
ALVES, D.: Processos Estocsticos. sites.ffclrp.usp.br/ccp/(SEM%204)/PE/ProcEstoc17292.doc.
Acessado em janeiro de 2011.
BALLOU, Ronald H.: Gerenciamento da Cadeia de Suprimentos/Logstica Empresarial. 5ta. Edio.
Porto Alegre: Bookman, 2006.
BHAT, U. N.: Elements of Applied Stochastic Processes. Wiley Series in Probability and Mathematical
Statistics, Dallas, Texas December 1971.
BRANCO, R. M., COELHO, A. S.; Cadeias absorventes de Markov no processo produtivo de fil
congelado de pescada. Synergismus scyentifica UTFPR, Pato Branco, 01 (1,2,3,4) : 1-788. 2006.
CLARKE, A. B.; DISNEY, R. L.: Probabilidade e Processos Estocsticos. Livros Tecnicos e
Cientficos, Editora S.A., 1979.
DIAS,
A.:
Confiabilidade
na
manuteno
industrial.
www.icapdelrei.com.br/.../confiabilidade_na_manutencao_industrial.pdf acessado em outubro de

2010.
DROHOMERETSKI, E.; FALCI, F. S. M. G. e FAVARETTO, F.: Modelo de controle de estoque para
peas de reposio: o caso de uma indstria de equipamentos para refrigerao da grande Curitiba.
Revista Inovao Gesto e Produo - INGEPRO, p. 104-115, 2009.
EL SAADANY, A. M. A.; JABER, M. Y.: The EOQ repair and waste disposal model with switching
costs. ELSEVIER, Computers & Industrial Engineering 55 p. 219233, ano 2008.
FADILOGLU, M. M. e YERALAN, S.: Models of Production Lines as Quasi-Birth-Death Processes.
Mathematical
and
Computer
Modelling
35,
p.
913-930,
2002.
http://www.ie.bilkent.edu.tr/~mmurat/ProductionLinesMCM.pdf, acessado em 16 de junho de 2010.

FARIA, L. F. V. de: Uma proposta de metodologia de gesto de estoques de sobressalentes em uma
empresa qumica: Estudo de Caso. Trabalho de Concluso de Curso (Graduao em Engenharia de
Produo) Universidade Estadual do Norte Fluminense Darcy Ribeiro UENF, Campos dos
Gaoytacazes - RJ, 2010.
FOGLIATTI, M. C. e MATTOS, N. M. C.: Teoria das Filas. Rio de Janeiro: Intercincia, 2007.
FREITAS, R. P.: Controle de estoque de peas de reposio: reviso da literatura e um estudo de
caso. Dissertao (Mestre em Engenharia de Produo) Pontifica Universidade Catlica do Rio de
Janeiro PUC-RIO, Rio de Janeiro, 2008.
GLATTFELDER, J.: Stochastic Processes and the History of Science: From Planck to Einstein.
http://blogs.olsen.ch/jbg/2008/09/03/stochastic-processes-and-the-history-of-science-from-planck-toeinstein, acessado em janeiro de 2011.
75
GOMES, A. V. P. e WANKE, P. F.: Modelagem da gesto de estoques de peas de reposio atravs
de cadeia de Markov. Revista Gesto. Produo, So Carlos, v. 15, n. 1, p. 57-72, jan. - abr. 2008.
HILLIER, F. S.; LIEBERMAN, G. J: Introduo Pesquisa Operacional. Traduo Ariovaldo Griesi;
Reviso tcnica, Joo Chang Junior So Paulo. McGraw-Hill, 2006.
HUANG, Z.; LIANG, L. and GUO, B.: A general repairable spare part demand model based on quasi
birth and death process. March, 2006, Vol.32, N2.
HUISKONEN, J.: Maintenance Spare Parts Logistcs: Special Characteristics and Strategic Choices.
International Journal of Production Economics, 2001.
KAYANO, L. K.: Gesto de estoques das peas de reposio de uma empresa ferroviria. Trabalho
de Concluso de Curso (Graduao em Engenharia de Produo) Escola Politcnica da
Universidade de So Paulo, So Paulo, 2005.
KOCHI, G. T.: Aplicao dos modelos de previso de demanda intermitente na gesto de estoque de
peas de reposio de relgios. Trabalho de Concluso de Curso (Graduao em Engenharia de
Produo) Escola Politcnica da Universidade de So Paulo, So Paulo, 2008.
KOAA, Y. L.: Spare parts inventory management with delivery lead times and rationing. Ph. Thesis
Institute of Engineering and Sciennce of Bilkent University, 2004.
LARC-PCS: Modelagem e Simulao de Sistemas de Computacionais. Noes de Processos
Estocsticos e Cadeias de Markov. EPUSP, 2004.
NEUTS, M.F. Matrix-Geometric Solution in Stochastic Models: An Algorithm Approach. Dover
Publication Inc. New York, 1994
NOGUEIRA,
F.:
Modelagem
Simulao
Cadeias
de
Markov.
www.inf.unioeste.br/~rogerio/Cadeias-Markov3.pdf. Acessado em maro de 2010.

OLIVEIRA, C. A. de; RIBEIRO, J. R.; SILVA, A. C. S. da; BELDERRAIN, M. C. N.: Gesto de
estoques de peas de reposio de sistemas construdos com tecnologia
COTS utilizando
simulao. Rio de Janeiro, SPOLM 2007.

OSOGAMI
T.:
Brief
tutorial
on
phase-type
distributions,
http://www.cs.cmu.edu/~osogami/thesis/html/node39.html, 2005, acessado em 26/02/2011.

PREZ-OCNA, R. and MONOTO-CAZORLA, D.: A multiple system governed by a quasi-birth-anddeath process. Reliability Engineering and System Safety, 84: 184 196, 2004.
RIBEIRO, M. V.; SANTOS, P. R.; MORALES, G.: Manual de aplicao do ambiente Scilab 3 na
resoluo de modelos de Programao Linear e No-linear. Relatrio Tcnico da UENF Darcy
Ribeiro, Campos dos Goytacazes RJ, 2010.
RICHTER, K.: The EOQ repair and waste disposal model with variable setup numbers. European
Journal of Operational Research 1996, 313-324.
RISKA, A.: Phase-Type distributions, http://www.cs.wm.edu/~riska/PhD-thesis-html/node19.html,
2003, acessado em 26/02/2009.
76
ROSS, S. M.: Stochastic Processes. 2 edio, 1996.
ROGERS, D. S. & TIBBEN-LEMBKE, R. (2001). An examination of reverse logistics practices. Journal
of Business Logistics, 22(2), 129148.
SALASAR, L. E. B.: O processo de Poisson Estendido e aplicaes. Dissertao apresentada a
UFSC em 2007.
SALES, M. V. S; FRANA, F. C. C; MORALES, G.; SANTOS, P. R.; RIBEIRO, M. V.: Melhoria do
Ensino da Pesquisa Operacional em Cursos de Engenharia de Produo com Apoio de Ferramentas
Computacionais. Baur SP, XVI SIMPEP 2009.
SALES, M. V. S; MORALES, G.: Estado da Arte em Estoque de Peas de Reposio: Introduo a
Processo de Quase-Nascimento-e-Morte. Baur SP, XVII SIMPEP 2010.
SANTOS, J. S.: Clculo Variacional e Controle timo: Exponencial de uma Matriz. Ano de 2007.
dfm.ffclrp.usp.br/~jair/listas/ExpMatriz.pdf. Acessado em Fevereiro de 2011.
SILVA, D. N.: Aplicao de processos estocsticos em gesto de custos de manuteno - uma
abordagem da utilizao da cadeia de Markov. Rio de Janeiro, SPOLM 2008.
SILVA, G. L. C.: Modelo de estoque para peas de reposio sujeita demanda intermitente e lead
time estocstico. Dissertao (Mestrado em Engenharia de Produo) Universidade Federal de
Minas Gerais UFMG, Belo Horizonte, 2009.
SIQUEIRA, I. P.: Processos de Deciso Markovianos em Sistemas de Segurana e Proteo.
Dissertao (Mestrado em Engenharia de Produo) Universidade Federal de Pernambuco
UFPE, Recife, 1999.
SODR, U.: Exponencial de uma matriz. Londrina, 2001.
TAHA, H. A.: Pesquisa operacional. 8.ed. So Paulo: Pearson ; Prentice Hall, 2007.
WANKE P.F.: Metodologia para gesto de estoques de peas de reposio: um estudo de caso em
empresa brasileira. Revista Tecnologstica, p. 60-65, 2005.
WILLEMAIN, T.R.; SMART, C.N.; SCHWARTZ, H.F.: A new approach to intermittent forecasting
demand for service parts inventories. International Journal of Forecasting, v. 20, p. 375-387, 2004.
77
ANEXO I Diferena entre Distribuio e Processo de Poisson
Distribuio de Poisson
A distribuio de Poisson uma distribuio de probabilidade discreta, cujo
objetivo expressar a probabilidade de certo nmero de eventos que ocorrem em
um dado perodo de tempo, caso estes ocorram com uma taxa mdia conhecida e
caso cada evento seja independente do tempo decorrido desde o ltimo evento.
Para uma formulao matemtica consideremos X variveis aleatrias que
representam o nmero de ocorrncias, chegadas, discretas durante um intervalo de
tempo de determinado comprimento. A probabilidade de que existam exatamente k
ocorrncias, com k inteiro e no negativo
P( X = k ) =
k e
k!
onde um nmero real igual ao nmero esperado de ocorrncias num

dado intervalo de tempo.
E a funo de distribuio acumulada da variavel aleatria dada como,
X
k e
k =0
k!
P( X ) =
Na Figura 21 ilustrada a distribuio de Poisson para valores de

diferentes.
Figura 21 Grfico para a distribuio de Poisson com
diferentes.
78
Processo de Poisson
Para Alves (2011), um processo de contagem dito ser um processo de
Poisson com taxa > 0 , se for verdade que:
O processo tem incrementos independentes (os eventos ocorrendo em
intervalos de tempo disjuntos so independentes de cada outro).
Os incrementos do processo so estacionrios (a distribuio do
nmero de evento em qualquer intervalo de tempo depende somente do tamanho

desse intervalo e no de quando o intervalo termina).
A probabilidade de que exatamente um evento ocorra em qualquer
intervalo de tempo de comprimento t t + o(t ) , isto ,
P[X (t ) = 1] = t + o (t ) .
A probabilidade de que mais que um evento ocorra em qualquer
intervalo de tempo de comprimento t o(t ) , isto ,

P [ X (t ) 2 ] = o (t ) .
Na definio acima o(t ) denota uma funo real de t que decresce para
zero mais rpido do que t , isto ,
o(t )
=0
t 0 t
lim
Salasar (2007) ressalta que o processo de Poisson um processo de

contagem onde as ocorrncias do evento no so simultneas e uma vez que o
processo se encontra no estado n , a nica transio possvel n + 1 .
Das definies acima pode concluir que a distribuio de Poisson est
preocupada em analisar a probabilidade com que cada evento ocorra sem
considerar o tempo na sua anlise. J o processo de Poisson se interessa por
determinar a probabilidade com que determinado evento ocorra durante um perodo
de tempo t , considerando este o parmetro essencial para o clculo.
79
ANEX0 II Exponencial de uma Matriz Quadrada
A exponencial de uma matriz real tA de ordem n pode ser obtida por vrios
modos distintos. Como exemplo, apresenta-se trs formas:
a.
Uma srie infinita de potncias de A ;
b.
Pelo mtodo dos autovalores;
c.
Pelo Teorema de Cayley-Hamilton.
Neste texto ser apresentada a teoria misturada para a resoluo da

exponencial de uma matriz disponvel em (SODR, 2001).
A exponencial de uma matriz quadrada M pode ser definida como:
1 k
M .
k = 0 k!
exp( M ) = e M =
(**)
Onde para cada matriz quadrada M de nmeros reais de ordem n n , esta

srie de potncias de matrizes converge para exp( M ) . A seguir se esboa a
justificativa desta afirmao.
Sendo um autovalor para a matriz M , ento no difcil provar que n
um autovalor para a matriz M n e como consequncia possvel mostrar que e
um autovalor para a matriz e M , o que garante a existncia dos autovetores v k no
nulos tal que:
e M vk = e k vk
onde os k so autovalores para a matriz M .

Para mostrar a convergncia da srie (**) se calculam os autovalores da
matriz M e se mostra que a exponencial de uma matriz o somatrio de n
matrizes, (SANTOS, 2007),
n
e M = Z k e k ,
k =1
onde as matrizes Z k so obtidas via,

Z k = nj =1 (k j )( M j I )
jk
80
ANEXO III Operaes de Kronecker
Produto de Kronecker
Definio 3: Se
so matrizes retangulares de dimenses
k1 k 2 e k1' k 2' , respectivamente, o produto de Kronecker A B definido como
A11 B L A1k B
2
A B = M
M
M
Ak 1 B L Ak k B
1 2
1
onde A B uma matriz de dimenses k1k1' k 2 k 2' , e pode ser escrita na forma
compacta ( Aij B ) .
Soma de Kronecker
Definio 4: Sejam A e B matrizes quadradas de dimenses m m e n n ,
respectivamente, a soma de Kronecker de A e B , A B , a matriz de dimenso
mn mn , escrita como
A B = A In + Im B
onde I n e I m so matrizes identidades de ordem n e m , respectivamente.

Uma propriedade funcional desta soma a seguinte igualdade das matrizes
abaixo
exp( A B ) = exp( A) exp( B )
A seguir se apresenta o cdigo, Figura 21, desenvolvido no ambiente Scilab

5.2.2, para calcular a martriz infinitesimal Q da seo 4.1.2, utilizando as operaes
apresentadas acima, o produto e a soma de Kronecker.
A matriz Q uma matriz de blocos tri-diagonal. Cada um desses blocos so
obtidos como resultado das equaes de balano do processo estocstico de quase
nascimento e morte. As construes das matrizes, que utilizaram as operaes de
Kronecker definidas acima, elas foram construdas passo a passo multiplicando um
elemento, por vez, da primeira matriz por todos os elementos da segunda matriz. A
81
seguir mostra-se a estrutura da matriz Q , uma tri-diagonal de blocos matriciais.
B00
B10
Q=
B01
A1
A2
A0
A1
O
A0
O
A2
A1
A2
A0
A1
Bn,n1
Bn1,n
Bnn
onde,
B00 = T , B01 = T 0 , B10 = I S 0 , A1 = T S , A0 = T 0 I , A2 = I S 0 ,

Bn 1, n = T 0 I , Bn, n 1 = S 0 , Bn, n = S
No cdigo da Figura 22, observar que, da linha 22 at a linha 33, se definem

as operaes de Kronecker para construo das matrizes B01, B10, Bn-1,n, Bn,n-1, A0 e A2
via produto de Kronecker,
e a matriz A1 na linha 29, que utiliza a soma de
Kronecker.
Na Figura 23, se mostram alguns blocos resultantes da matriz Q , aps rodar
o cdigo da Figura 22.
82
Figura 22 Cdigo que gera a matriz infinitesimal Q , do exemplo numrico, seo 4, em Prez-Ocn
e Montoro-Cazorla (2004)
83
Figura 23 Matriz
Q do exemplo numrico, seo 4, em Prez-Ocn e Montoro-Cazorla (2004), com
as 11 primeiras e as 8 ltimas colunas na tela do aplicativo Scilab 5.2.2.
84
ANEXO IV Definies de Confiabilidade e Disponibilidade

Na dissertao muito se ouve falar de confiabilidade e disponibilidade, a
seguir sero apresentadas as definies das mesmas por (DIAS, 2011).
Confiabilidade
Embora a ateno com a degradao seja antiga, a confiabilidade como uma
teoria especfica recente e vem sendo usada h aproximadamente 40 anos. por
isso que a confiabilidade torna-se to bem integrada aos programas de manuteno.
Muitas so as definies de confiabilidade. Matematicamente a confiabilidade pode
ser representada, simplesmente, como:
X
C ( X ) = 1 f ( X )dx
0
onde, C ( X )
,
a confiabilidade e
f (X )
a funo de densidade de
probabilidade de falha e X a varivel aleatria.
Disponibilidade
A disponibilidade de um dado produto ou sistema est na verdade,
diretamente associado com a qualidade temporal ou vida desse sistema, se
considerado reparvel.
Segundo a NBR-5462 (1994), disponibilidade a capacidade de um item
estar em condies de executar uma certa funo em um dado instante ou durante
um intervalo de tempo determinado, levando-se em conta os aspectos combinados
de sua confiabilidade, mantenabilidade e suporte de manuteno, supondo que os
recursos externos requeridos estejam assegurados.
85
APNDICE A
O cdigo a seguir foi elaborado pelo autor dessa dissertao para conferir os
resultados do trabalho de Huang et al. (2006). O objetivo desta construo de
comprovar os resultados numricos encontrados por estes autores e, verificar o
entendimento das propriedades das operaes de Kronecker e da distribuio PH.
Para o cdigo so necessrios o conhecimento das matrizes de tempo
operacional e de tempo de reparo, e incorporar outras matrizes necessrias para o
clculo inicial, como as matrizes de zeros, de 1s e a matriz identidade, cada qual
com a sua dimenso adequada.
O ambiente Scilab 5.2.2 foi escolhido pela sua liberdade de utilizao,
Ribeiro et al. (2010) e Sales et al. (2009), e pela maneira simples de apresentar seus
resultados. A facilidade de utilizao deste ambiente permitiu que o autor
construsse este cdigo sem a utilizao de muitas funes j contidas neste pacote.
Como o caso da funo produto de Kronecker (kron) encontrada no pacote do
Scilab 5.2.2. Esta funo no foi utilizada em um primeiro momento para a execuo
dos clculos do algoritmo por finalidade de aprendizado.
Logo aps a entrada dos dados iniciais, o cdigo gera as matrizes (blocos)
que sero utilizadas no desenvolvimento do algoritmo. A seguir apresentado o
cdigo, desenvolvido pelo autor dessa dissertao, no ambiente Scilab 5.2.2 para a
verificao e confirmao dos resultados obtidos no trabalho de Huang et al.. (2006)
a partir do algoritmo HUANG-LIANG-GUO.
86
Figura 24 Cdigo implementado a partir do cdigo do algoritmo de HUANG-LIANG-GUO.
87
Notar que a matriz Q, matriz de blocos tri-diagonal, est sendo modificada a

cada iterao para efeitos de clculos. Aps a execuo do algoritmo visualizam-se
as probabilidades que indicam o grau de confiabilidade para que o sistema
permanea em funcionamento sem correr o risco de entrar em estado de falha. A
confiabilidade exigida pelo algoritmo P=95% como determinado pelos autores
Huang et al. (2006). Se o algoritmo calcula um valor inferior ao dessa probabilidade
ele faz uma nova iterao, parando somente quando o valor calculado da
probabilidade for maior ou igual ao exigido.
Os produtos de Kronecker, no cdigo apresentado, so encontrados nas
matrizes B01, B10, BN_1N, BNN_1, BNN, A0, A2 e a soma de Kronecker
encontrada na formulao da matriz A1. A construo dessas matrizes essencial
para que a cada iterao a matriz Q seja modificada de acordo com as
necessidades. Por fim, o algoritmo determina a quantidade de peas de reposio
necessria de acordo com o grau de confiabilidade exigida para o sistema no entrar
em estado de falha.

Estimativa Do Número Mínimo de Peças de Reposição

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estimativa Do Número Mínimo de Peças de Reposição

Uploaded by

Copyright:

Available Formats

1

ESTIMATIVA DO NMERO MNIMO DE PEAS DE REPOSIO

MARCUS VINICIUS DA SILVA SALES

UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE - UENF

ESTIMATIVA DO NMERO MNIMO DE PEAS DE REPOSIO

MARCUS VINICIUS DA SILVA SALES

Orientador (a): Prof Gudelia Guilermina Morales de Arica

CAMPOS DOS GOYTACAZES - RJ

Sales, Marcus Vinicius da Silva

ESTIMATIVA DO NMERO MNIMO DE PEAS DE REPOSIO

MARCUS VINICIUS DA SILVA SALES

"Tese apresentada ao Centro de Cincia

Aprovada em 20 de Maio de 2011.

Dedico esta dissertao a minha famlia, em especial a

A todos, o meu eterno agradecimento.

A Deus, sobre todas as coisas.

Resumo ..................................................................................................................... xii

Captulo 1 - Introduo ............................................................................................. 14

Captulo 2 - Estoques: Metodologias e Modelos ...................................................... 17

Captulo 3 - Conceitos Preliminares ......................................................................... 29

Captulo 4 - Metodologia QBD e Aplicaes............................................................. 55

EOQ Economic Order Quantity Lote Econmico de Compras.

Figura 10 Matriz de transio na 8 etapa, apresentando as probabilidades de

Figura 17 Diagrama de transio de Markov do Modelo 2: Fadiloglu e Yeralan

Tabela 1- Classificao de Processos Estocsticos sob a natureza do Tempo e o

Palavras-chave: Controle de Estoque, Peas de reposio sobressalente, Aplicao

Keywords: Inventory Control, Demand of Spare Parts, Application of Stochastic

armazenagem, empatam uma quantia significativa do capital, contudo, eles

Focado nesta oportunidade que se desenvolve o presente trabalho,

2.1 Modelos simples para o clculo dos estoques

A modelagem de estoques uma ferramenta que se utiliza para determinar

Custo Custo Custo Custo

compra preparao estocagem falta

Determinstico e constante (esttico) ao longo do tempo.

Determinstico e varivel (dinmico) ao longo do tempo.

Probabilstico e estacionrio ao longo do tempo.

Probabilstico e no estacionrio ao longo do tempo.

Dentre estes padres considera-se a disponibilidade de dados da demanda

cadeia de produo. A seguir apresentado o desenvolvimento para o clculo do

K custo de preparao associado com a emisso de um pedido (por pedido);

Ento, para encontrar a quantidade tima do pedido, y*, se minimizar a

crticos, condio necessria da soluo tima. Sendo a funo TCU convexa, a

Notar que este primeiro modelo de lote econmico trata somente da

por causa de fatores ambientais e esgotamento de recursos naturais, a tecnologia

Descobrindo-se assim um nicho de negcios que satisfaz a legislao ambiental

T - comprimento do intervalo de tempo da produo de itens novos e reparados

T1 - comprimento do primeiro intervalo de tempo para produo (unidades de tempo),

n - nmero de lotes de produo com insumos novos durante um intervalo de

m - nmero de lotes de produo com insumos reparados durante um intervalo de

d - taxa de demanda (unidades por unidade de tempo);

r - custo de preparao para a reparao por lote;

s - custo de preparao para a produo de novos por lote;

Notar que a funo de custo da relao (2.1-4) tem uma configurao

O desenvolvimento deste novo modelo est relacionado com a necessidade

2.2. Reviso de literatura sobre estoque de peas de reposio

A seguir apresenta-se uma reviso bibliogrfica das abordagens feitas no

estoque baixe em uma unidade solicitado o ressuprimento.

onde a demanda estocstica e est associada com os itens de movimentao

A heurstica desenvolvida a partir desses resultados

ressuprimento, equivale ao s na poltica tipo (S, s), e q a quantidade de itens para

(2008), Freitas (2008) e Silva (2009). No entanto, pesquisadores como Gomes e

apresentado, usando um diagrama de rede e aps a visualizao da rede so

No trabalho de Prez-Ocn e Monoto-Cazorla (2004), considera-se que um

3.1. Processos Estocsticos