STRATAGO · LAB
← Voltar à landing

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.

Aberto
Fila humana
Em revisão
Decisão
Produção
Desvio pela matriz
Trilha automática
R · revisores livres
Relógio
Em produção
ρ analítico
W analítico / PR
L simulado
W simulado / PR

P-invariante R + Em revisão = c:

Últimos disparos

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.

D2 · tamanho do lote

Lote grande: P(defeituoso) +0,10 e 1,6× horas. Unidade de valor: hora de trabalho equivalente.

E = V verdadeiro
E = F falso
E = P paracompleto
E = I inconsistente
Risco baixo
Risco alto
Valor esperado / PR
VOI da evidência
EVPI
Trilha humana

Define p = e horas por passagem = , e reinicia a rede.
Ação D1Horas humanasEscape de defeitoQuadrante da matriz
Automática0,0585%Rotineira / Exploratória
Regra (contratos, testes de propriedade)0,3530%Consequencial
Profunda1,508%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.