Modelos executáveis
Rede de Petri e diagrama de influência, funcionando.
Dispare as transições da rede à mão ou deixe o relógio estocástico rodar. Depois resolva o diagrama de influência e aplique a política ótima à rede: a decisão vira roteamento, e o roteamento muda a fila. Mesmo modelo do pacote Python stratago_review; parâmetros ilustrativos.
1 · Rede de Petri estocástica (GSPN)
Token game do fluxo de revisão
Barras claras são transições imediatas (tempo zero); barras escuras são temporizadas (tempo exponencial). Uma transição só pode disparar quando todos os lugares de entrada têm fichas.
P-invariante R + Em revisão = c:
2 · Diagrama de influência resolvido
A política ótima, calculada
S (PR bom ou defeituoso) é oculto. O risco R e o estado LPA₂v da evidência E são observados antes de decidir a trilha D1. O solver escolhe, para cada observação, a ação de maior valor esperado. A matriz de decisão aparece como resultado, não como premissa.
Lote grande: P(defeituoso) +0,10 e 1,6× horas. Unidade de valor: hora de trabalho equivalente.
| Ação D1 | Horas humanas | Escape de defeito | Quadrante da matriz |
|---|---|---|---|
| Automática | 0,05 | 85% | Rotineira / Exploratória |
| Regra (contratos, testes de propriedade) | 0,35 | 30% | Consequencial |
| Profunda | 1,50 | 8% | Estratégica |
| Devolver (fatiar, mais evidência) | 0,10 | — | Fora da fila |
P(E | S): bom → V 70%, F 5%, P 15%, I 10%; defeituoso → V 10%, F 55%, P 15%, I 20%. P(risco alto) = 30%; impacto com risco baixo = 2. Todos os parâmetros são ilustrativos e devem ser calibrados com a telemetria do time.