📊 statistics

A Fractional M/M/1 Queue Governed by Stretched Non-Local Time Operators

Este artigo introduz uma generalização não markoviana da fila M/M/1 utilizando operadores de tempo não locais estendidos, demonstrando que, embora a distribuição de estado estacionário permaneça geométrica sob condições de estabilidade padrão, os parâmetros fracionários alteram significativamente as taxas de convergência transiente e a dinâmica de cauda de longa memória.

Autores originais: Mehmet Sıddık Çadırcı

Publicado 2026-02-03

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mehmet Sıddık Çadırcı

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma cafeteria movimentada com um único barista. Esta é a clássica fila M/M/1, um modelo matemático usado para entender filas, tempos de espera e congestionamento. Na versão "clássica" desta história, o tempo flui como um rio suave e constante. Se um cliente chega, a chance de o próximo chegar é a mesma a cada segundo, independentemente do que aconteceu cinco minutos atrás. O sistema não tem memória; ele vive inteiramente no momento presente.

No entanto, o mundo real nem sempre é um rio suave. Às vezes, o tempo parece "pegajoso" ou "esticado". Talvez o barista se distraia, ou os clientes cheguem em surtos imprevisíveis que parecem persistir. É aqui que entra o artigo de Mehmet Sıddık Çadırcı.

Aqui está uma explicação das ideias centrais do artigo usando analogias simples:

1. O Novo Relógio "Pegajoso"

Os autores propõem uma nova versão da fila da cafeteria. Em vez de um rio suave, eles imaginam que o tempo é governado por um "operador de tempo não local estendido".

A Analogia: Pense na fila clássica como um trem movendo-se em uma pista perfeita a uma velocidade constante. O novo modelo é como esse mesmo trem, mas agora ele se move através de uma substância espessa e pegajosa, como mel.
O que ele faz: Nesse "mel", o tempo não passa uniformemente. O sistema lembra o passado. Se uma fila longa se formou anteriormente, essa "memória" afeta como a fila se comporta agora. O artigo substitui a matemática padrão para a "velocidade de mudança" (a derivada) por uma ferramenta mais complexa chamada operador fracionário estendido. Essa ferramenta permite que o modelo capture "longa memória" e "persistência".

2. A Função Mágica: O Kilbas-Saigo

Para resolver a matemática desta fila pegajosa e cheia de memória, os autores usam uma ferramenta matemática especial chamada função Kilbas-Saigo.

A Analogia: Na matemática do modelo clássico, usa-se curvas exponenciais simples (como uma bola rolando ladeira abaixo e parando). Neste novo modelo, a bola rola por uma colina que muda de forma enquanto desce. A função Kilbas-Saigo é o formato específico dessa colina mutável.
Por que isso importa: Esta função é uma "superversão" de ferramentas matemáticas mais antigas (como a função de Mittag-Leffler). Ela permite que o modelo descreva uma variedade muito maior de comportamentos de "relaxação" — o quão rápido a fila se estabiliza após um fluxo intenso.

3. O Viajante do Tempo "Fantasma"

Uma das descobertas mais fascinantes é como esta nova fila se relaciona com a antiga. O artigo prova que o comportamento desta fila complexa e cheia de memória é, na verdade, apenas uma fila clássica rodando em um relógio aleatório e distorcido.

A Analogia: Imagine duas cafeterias idênticas.
- Loja A (Clássica): O tempo corre normalmente.
- Loja B (Fracionária): O barista é o mesmo, os clientes são os mesmos, mas o relógio na parede está quebrado. Ele acelera e desacelera aleatoriamente com base em uma regra específica.
- O Resultado: Se você observar a Loja B, parecerá que a fila está se movendo mais devagar ou se comportando de forma estranha, mas se você pudesse "rebobinar" o relógio quebrado da Loja B para coincidir com o tempo normal da Loja A, as duas filas pareceriam exatamente iguais.
A Alegação: O artigo prova matematicamente que a fila fracionária é apenas uma fila clássica avaliada em um "tempo aleatório não decrescente".

4. A Grande Surpresa: O Resultado Final Não Muda

Você pode pensar que, se o tempo é pegajoso e a memória é pesada, o estado final da fila seria totalmente diferente. O artigo mostra que isso não é o caso.

A Analogia: Quer você caminhe para a loja em um passo acelerado ou atravesse uma lama profunda, se você começar no mesmo lugar e seguir o mesmo caminho, eventualmente chegará ao mesmo destino.
A Alegação: Desde que a loja não esteja sobrecarregada (a taxa de chegada seja menor que a taxa de serviço), a distribuição de estado estacionário final de clientes na fila é exatamente a mesma do modelo clássico. O "tempo pegajoso" altera o quão rápido o sistema chega lá, mas não onde ele termina.

5. A Diferença Real: A Jornada, Não o Destino

Embora o destino final seja o mesmo, a jornada é muito diferente.

A Analogia: No modelo clássico, se a fila fica longa, ela encolhe de volta ao normal muito rapidamente (exponencialmente rápido). No novo modelo "pegajoso", a fila encolhe muito mais lentamente. Elas possuem "caudas longas".
A Alegação: Os parâmetros $\alpha$ $α$ e $\gamma$ $γ$ (que controlam a "pegajosidade" e o "esticamento" do tempo) afetam significamente o regime transiente (o período temporário antes das coisas se estabilizarem).
- $\alpha$ pequeno ou $\gamma$ grande: O sistema leva muito mais tempo para se acalmar. Ele retém a "memória" de um período de movimento intenso por um longo tempo.
- $\alpha$ grande: O sistema se comporta mais como o modelo clássico de movimento rápido.

Resumo

O artigo introduz uma maneira mais flexível de modelar filas de espera que leva em conta a "memória" e a "pegajosidade" no tempo.

Ele muda as regras do tempo: Substitui o tempo padrão por uma versão "estendida" que lembra o passado.
Ele usa uma nova ferramenta matemática: A função Kilbas-Saigo para descrever como o sistema relaxa.
Ele se conecta ao antigo: Mostra que este novo sistema é apenas um sistema antigo rodando em um relógio estranho e aleatório.
Ele mantém o mesmo final: A média de longo prazo de pessoas na fila permanece a mesma do modelo clássico.
Ele atrasa o início: A principal diferença é que o sistema leva muito mais tempo para se estabilizar após um fluxo intenso, criando "caudas longas" onde a fila permanece por mais tempo do que o esperado antes de voltar ao normal.

Os autores validaram isso com simulações de computador (Monte Carlo), mostrando que, ao ajustar os parâmetros de "pegajosidade", eles podiam modelar sistemas que relaxam muito mais lentamente do que os modelos tradicionais permitem.

Resumo Técnico: Uma Fila M/M/1 Fracionária Governada por Operadores de Tempo Não Local Esticados

Enunciado do Problema
A fila M/M/1 clássica é um sistema Markoviano governado por equações de Kolmogorov de avanço lineares com derivadas temporais ordinárias. Embora eficaz para sistemas com tempos entre eventos sem memória, este arcabouço falha em capturar os efeitos temporais não locais, a persistência e o relaxamento anômalo frequentemente observados em sistemas complexos do mundo real. As generalizações fracionárias existentes tipicamente dependem da derivada de Caputo padrão, que introduz memória, mas carece da flexibilidade para modelar comportamentos de escala temporal mais complexos. Este artigo aborda a lacuna na integração sistemática de operadores de tempo não local estendidos na análise transiente de modelos de filas para melhor caracterizar a dinâmica de cauda de longa memória.

Metodologia
Os autores propõem uma generalização não-Markoviana da fila M/M/1, substituindo a derivada temporal de primeira ordem padrão nas equações de Kolmogorov por um operador fracionário esticado estendido, denotado por $D^{(\alpha, \gamma)}_t$ . Este operador é definido como $t^{-\gamma} {}^C D^\alpha_t$ , onde ${}^C D^\alpha_t$ é a derivada fracionária de Caputo de ordem $0 < \alpha < 1$ , e $\gamma \ge 0$ é um parâmetro de estiramento satisfazendo $\alpha + \gamma \le 1$ .

A análise procede através dos seguintes passos:

Formulação do Modelo: As probabilidades de estado $p_n(t)$ são governadas por um sistema de equações diferenciais-de diferença fracionárias, onde a derivada temporal é substituída por $D^{(\alpha, \gamma)}_t$ .
Solução Analítica: Os autores empregam técnicas de transformada de Laplace para resolver as equações governantes. A estrutura da solução baseia-se na função de Kilbas–Saigo ( $E_{a,m,l}$ ), uma função especial que generaliza a família de Mittag-Leffler e serve como a autofunção para o operador fracionário esticado.
Representação Estocástica: Uma interpretação de mudança de tempo é construída, demonstrando que o processo de fila fracionária $\{N_{\alpha,\gamma}(t)\}$ é distributivamente equivalente a um processo M/M/1 clássico avaliado em um tempo aleatório não decrescente $A_{\alpha,\gamma}(t)$ . Este tempo aleatório é o inverso de um subordinador associado ao operador esticado.
Validação Numérica: Simulações de Monte Carlo são conduzidas utilizando um esquema de simulação com variação temporal. Os caminhos M/M/1 clássicos são gerados via um algoritmo orientado a eventos e avaliados em tempos operacionais aleatórios derivados das dinâmicas fracionárias esticadas para estimar métricas de desempenho transiente.

Principais Contribuições
O artigo apresenta quatro contribuições primárias:

Proposta de Modelo Estendido: Introduz um modelo de fila M/M/1 fracionário incorporando um operador de tempo não local com um parâmetro de estiramento adicional ( $\gamma$ ), permitindo um espectro mais rico de comportamentos de decaimento do que os modelos fracionários padrão.
Derivação Analítica: Deriva probabilidades de estado transientes explícitas expressas em termos da função de Kilbas–Saigo, fornecendo uma representação de forma fechada para a evolução do sistema.
Regimes Limítrofes: Define rigorosamente os casos limites que recuperam tanto a fila M/M/1 clássica padrão (quando $\alpha \to 1, \gamma \to 0$ ) quanto a fila M/M/1 de tempo fracionário padrão (quando $\gamma \to 0$ ), garantindo consistência com a literatura existente.
Interpretação Estocástica: Estabelece um elo probabilístico entre a fila fracionária e um processo clássico com mudança de tempo, esclarecendo o mecanismo de introdução de memória.

Resultados

Comportamento Transiente: Os parâmetros fracionários $(\alpha, \gamma)$ alteram significativamente o regime transiente. Especificamente, o sistema exibe relaxamento não exponencial e convergência mais lenta para o equilíbrio em comparação ao caso clássico. A probabilidade de o sistema estar vazio ( $p_0(t)$ ) e o comprimento médio da fila ( $m(t)$ ) convergem para valores de estado estacionário mais lentamente conforme os efeitos de memória (controlados por $\alpha$ e $\gamma$ ) aumentam.
Distribuição de Estado Estacionário: Sob a condição de estabilidade padrão $\rho = \lambda/\mu < 1$ , o artigo prova que a distribuição de estado estacionário permanece geométrica e coincide exatamente com a da fila M/M/1 clássica ( $\pi_n = (1-\rho)\rho^n$ ). Os parâmetros fracionários esticados afetam a taxa de convergência, mas não alteram a medida invariante do sistema.
Dinâmica de Cauda: Exemplos numéricos indicam que a dinâmica fracionária resulta em uma dispersão mais ampla da distribuição do comprimento da fila em tempos intermediários, destacando efeitos de persistência causados pelo operador de tempo não local.

Significância e Alegações
O artigo afirma fornecer um arcabouço flexível e matematicamente consistente para modelar sistemas de filas com memória e efeitos temporais não locais. Ao utilizar a função de Kilbas–Saigo, o modelo preenche a lacuna entre a dinâmica clássica e a dinâmica fracionária complexa, oferecendo uma ferramenta para capturar dinâmicas de cauda de longa memória que modelos de Markov ou modelos fracionários simples não conseguem capturar. Os autores enfatizam que, embora a distribuição estacionária seja invariante sob essas mudanças de tempo, as métricas de desempenho transiente são altamente sensíveis aos parâmetros fracionários, tornando o modelo particularmente relevante para sistemas onde a velocidade de convergência e os padrões de congestionamento transiente são críticos. O trabalho valida que o arcabouço estendido preserva a estrutura de nascimento-morte linear da fila ao mesmo tempo em que introduz memória através da evolução temporal.